文／朱玉昌

在以往的教育經驗裡，「犯錯」往往意味著「失敗」，甚至需要被避免或修正。但在AI世界裡，情況恰好相反。AI的進步，並不是建立在一次就做對，而是來自無數次做錯之後的修正與累積。沒有錯誤，系統就無從比較，也無法調整方向，當然就不可能愈修正愈好……



在真正理解AI之前，人類往往必須先重新理解一件看似再熟悉不過的事情──學習。

我們從小被教導，學習是一種理解，是忽然想通的瞬間，是靈光乍現、恍然大悟，彷彿只要掌握了關鍵概念，一切就會豁然開朗。因此，我們常把「學會了」和「懂了」畫上等號，也很自然地認為，一個聰明的系統，應該要少犯錯，最好一開始就做對。

AI世界裡沒有頓悟

但在AI的世界裡，學習的樣貌完全不是這樣。它沒有頓悟，沒有靈感，也沒有「啊，原來如此」的時刻。它的學習過程緩慢、重複，甚至顯得乏味，且幾乎完全由錯誤堆疊而成。一個AI模型剛開始訓練時，它的表現往往近乎隨機。你問它問題，它給你的答案，常常和正確結果毫無關聯。它不知道哪個選項比較合理，也不知道哪些選擇會帶來獎勵或懲罰。對它來說，世界一開始只是一片模糊的噪音。

AI在這個階段，唯一擁有的只有兩樣東西，一個問題，以及一套被人類設計好的回饋機制。當它給出一個答案，系統會告訴它這樣對或這樣不對，並用數字表示差距有多大，僅此而已。沒有解釋，沒有理由，也沒有安慰。

不斷試錯再反覆修正

在這樣架構下，錯誤不再代表能力不足，而成為系統唯一能夠感覺到的訊號。在機器學習中，錯誤不是恥辱，而是燃料。每一次錯誤，都?被轉換成一個精確的數值，告訴模型，你現在離目標還有多遠？接著，系統會進行調整，但這種調整並不是劇烈的改變，而是極其微小、幾乎察覺不到的修正。

這也解釋了一個常見的疑問，為什麼AI不能一次就學對？這個問題，其實反映了我們對智慧的誤解。

不犯錯AI將停止成長

世界本身是複雜的、連續的，而且充滿例外。如果你要求一個系統在還沒有看過世界之前，就必須立刻理解世界，那幾乎是不可能的任務。真正的學習，必然伴隨大量失敗，正如許多頂尖AI研究者一再強調，任何試圖消除錯誤的學習系統，最終只會停止成長。

這裡有一個非常反直覺的事實，如果你在訓練過程中，讓AI過早達到零錯誤，它反而會變得脆弱。因為它很可能只是記住了特定題目的答案，而沒有學會背後的結構。這種現象在機器學習中被稱為「過度擬合」，意思是系統表現看似完美，卻只對訓練過的例子有效，一旦情境稍有變化，就立刻失準。

在不確定中持續調整

正因如此，過度追求準確率，往往會犧牲AI的另一項泛化的關鍵能力，就是面對新問題、新環境時的適應力。真正有用的AI，不是從不犯錯，而是能在不確定中持續調整，逐漸把錯誤壓低到可接受的範圍。

從這個角度來看，AI的學習方式其實並不那麼陌生。孩子學走路時，並不是因為理解了重心轉移或肌肉協調的物理原理，那是因為一次又一次跌倒後，身體慢慢找到了平衡，差別在於，AI不會感到挫折，也不會因失敗而氣餒。它不會覺得丟臉，不會想放棄，只是不斷嘗試，直到錯誤小到幾乎可以忽略。

海量修正AI有容乃大

這種學習方式之所以強大，是因為它不依賴先驗的理解。AI不需要知道為什麼這樣做是對的，它只需要知道怎麼做比較好。這讓它能在極為複雜、難以用語言描述的空間中，找到人類難以清楚定義的模式，也正因如此，AI的能力往往來自於規模，而不是靈巧的設計。大量嘗試、海量修正，才是它進步的真正來源。

然而，這樣的學習方式同時也帶來風險，如果錯誤回饋本身有偏差，系統就會非常有效率地朝錯誤方向前進；如果目標被定義得過於狹隘，AI甚至可能學會一些看似正確，實則有害的行為。錯誤確實能教會AI，但前提是，我們必須先教會它什麼才算錯誤。

由人類決定學習曲線

這也是為什麼在人類訓練AI的過程中，無法完全退場。我們決定哪些行為值得被修正，哪些可以被忽略，哪些被視為成功，換句話說，AI的學習曲線，同時也是人類價值與選擇的投影。

走到這裡，我們其實已經完成了理解AI的第一個重要循環。我們知道，AI並不是會思考的存在，它不是靠規則，是靠例子學習，資料不是知識，是人類選擇留下的痕跡，而錯誤更不是失敗，那是推動進步的引擎，這些觀念，會在之後所有關於AI的討論中，重複出現。

接下來，一個新的問題自然浮現，當錯誤被不斷壓低，AI的能力逐漸提升時，它的內部究竟發生了什麼變化？

看似聰明靠運算思惟

為了回答這個問題，我們將進入下一個談論現代AI最核心的「神經網路」這個概念階段。但在深入之前，我們必須先釐清一個關鍵誤解，為什麼神經網路這個名字，容易讓人產生錯誤的想像？

神經網路聽起來像似人類的大腦，彷彿AI裡面真有類似神經元在思考、理解，甚至產生意識。但現階段，它還不是一個會思考的系統，仍是個由大量數學運算構成的結構，用來不斷調整跟降低錯誤。

換句話說，這個名字借用了生物的比喻，因此容易讓人誤以為AI具有人類式的智慧。理解了這一點，是進入下一個階段前最重要的準備，惟有先放下這個誤解，我們才能真正看懂，AI是如何在沒有理解、沒有意識的情況下，展現出看似聰明的行為。



學習重點：犯錯引導前進方向

在AI的世界裡，錯誤不是失敗，而是唯一的老師。模型一開始幾乎什麼都做錯，卻正是這些錯誤，指引它前進的方向。每一次錯誤都會轉換成數值回饋，告訴系統偏離目標的程度。透過無數次微小調整，AI逐漸降低錯誤，而不是突然學會正確。

如果一個系統過早達到完美，它反而容易變得脆弱。因為它只記住答案，而沒有學會結構。真正的學習，發生在不確定之中。人類在這個過程中，決定什麼是錯、什麼是對，AI的學習曲線，正是人類價值的投影。

當我們重新思考犯錯的意義時，或許會發現，真正推動學習前進的，從來不是完美，而是不斷被修正的過程。



關鍵概念

˙錯誤是學習的核心驅動力

˙AI 透過回饋而非理解進步

˙完美可能阻礙泛化能力

˙定義錯誤等同於定義價值

˙學習來自持續微調，而非一次到位

˙回饋機制決定學習方向與結果