緣起：
我在公司負責導入AI技術與治理規範，做了一些研究。我試過了Microsoft Copilot
Chat、Claude、Gemini、ChatGPT，
我最喜歡Microsoft Copilot 的答案，更可貴的它提到引發AI熱潮，Google 無私公開的論文：Attention Is All You Need
我的指令(Prompt)：
下面句子的 it 代表什麼?
你是怎麼知道的，會不會有出錯的時候?
The animal didn't cross the street because it was
too tired.
請說明清楚技術，如過出現專有名詞請說明清楚：
包含但不僅限於Large Language modle，Natural
Language Processing
Microsoft Copilot chat：
這個問題其實碰到了
大型語言模型（Large
Language Model, LLM）最核心的能力之一：指代消解（Coreference Resolution）。
先說結論：
在句子 "The
animal didn't cross the street because it was too tired."
大部分人類以及大部分
LLM，都會判斷：it = the animal（那隻動物）
也就是：那隻動物沒有穿越馬路，因為牠太累了。
但重點是：
AI 並不是「真的知道」it 是 animal，而是根據語言模式、機率、語意關聯去推斷，因此有可能出錯。
一、人類為什麼知道 it 是 animal？
句子：The animal didn't cross the street because it was too tired.
拆解：
主詞：The animal
動作：didn't cross the street
原因：because it was too tired
如果翻譯成中文： 那隻動物沒有穿越馬路，因為牠太累了。
人類會自然推論：太累 → 無法移動，無法移動 → 沒有過馬路
所以：it = animal
這是一種：語意推理（Semantic Reasoning）而不是單純文法分析。
二、如果是 NLP 時代，是怎麼做的？
在 ChatGPT 出現以前，Natural Language Processing（NLP，自然語言處理）通常會用：
Coreference Resolution(指代消解、代詞解析)
目的：
找出：He => John it => car
傳統 NLP 的作法會看很多特徵：
1. 距離
靠近代詞的名詞比較可能，例如： Tom talked to Jack.He smiled.
可能：He => Jack 因為比較近。
2. 文法角色
主詞優先。例如： Tom met Jack. He was happy.
比較可能：He => Tom 因為 Tom 是主詞。
3. 性別
例如：
She => Lisa
4. 單複數
They => dogs
但這些方法都有極限。
三、真正困難的地方：Winograd Schema
AI 研究界有個非常有名的測試：Winograd Schema Challenge
由 Terry Winograd 提出。
it 是誰？可能有兩個：trophy、suitcase
但是：獎盃太大→ 放不進去
所以： it = trophy
換一句：The trophy didn't fit in the suitcase because it was too small.
突然變成： it = suitcase
因為：行李箱太小→ 裝不下
注意：文法完全一樣。
只有：
因此：傳統 NLP 經常做不好。
因為需要：Common
Sense（常識推理）
四、Large Language Model 怎麼做？
例如： GPT-5、 Copilot、Claude、 Gemini並不是用規則。
而是：Transformer
2017
年 Google 提出的論文：Attention Is All You Need
核心技術：Self-Attention(自注意力機制)
五、什麼是 Self-Attention？
當模型讀到：
不會像人類逐字閱讀。而是建立一個關聯網路。
例如：
|
1 it 2 ↑ 3 ↑ 4 ↑ 5 6 animal 7 street 8 cross 9 tired |
模型會計算：
|
animal = 0.82 street = 0.05 cross = 0.03 其他 = 0.10 |
因此：
六、Copilot 真的理解了嗎？
其實這是 AI 研究的大問題。
很多學者認為：LLM 並沒有真正理解。
而是：
換句話說：它看過數十億句語料。知道：
|
1 too
tired 2 ↓ 3 通常形容人或動物 4 5 很少形容
street |
所以預測：
七、它會不會出錯？
一定會。例如：The animal didn't cross the street because it was blocked.
這時候： it = ?
可能： animal、street都合理。
如果改成：
人類知道： it = street
但模型不一定百分之百判對。
八、LLM 內部實際流程
當 Copilot 看到一句話時，大致會經過：
Step 1 Tokenization（詞元化）
把文字切成 Token。例如：
|
1 The 2 animal 3 didn't 4 cross 5 the 6 street 7 because 8 it 9 was 10 too 11 tired |
變成：
|
1 [The] 2 [animal] 3 [didn't] 4 [cross] 5 ... 6 [it] 7 [tired] |
Step 2 Embedding（向量化）
每個 Token 變成數百或數千維數字。例如：
|
1 animal 2 = 3 [0.25,
-0.63, ...] |
這稱為：
Step 3 Attention
計算：
|
1 it →
animal 0.81 2 it → street 0.07 3 it → cross 0.02 |
Step 4 多層 Transformer
不像只算一次。而是：
|
1 Layer 1 2 Layer 2 3 Layer 3 4 ... 5 Layer N |
一層層修正。最後得到： it = animal 機率最高。
九、這和「理解」有什麼差別？
人類可能建立因果鏈：
|
1 動物 2 ↓ 3 很累 4 ↓ 5 走不動 6 ↓ 7 無法過馬路 |
而 LLM 比較像：
|
1 在數十億句語料中 2 3 「too
tired」 4 5 與 6 7 「animal」 8 9 共同出現機率極高 |
所以推測：
十、如果在 Copilot Chat 中嘗試
你可以直接問：
|
1 The
animal didn't cross the street because it was too tired. 2 3 What
does "it" refer to? 4 Explain
your reasoning step by step. |
再進一步問：
|
1 Could
there be another interpretation? 2 What
confidence level do you assign? |
通常 Copilot 會回答：
|
1 it = the
animal |
原因：
|
1 being
tired explains why the animal 2 didn't
cross the street. |
而不是：
關鍵觀念總結
|
名稱 |
中文 |
在這句話中的作用 |
|
Natural Language Processing (NLP) |
自然語言處理 |
處理人類語言的技術總稱 |
|
Coreference
Resolution |
指代消解 |
判斷 it 指向誰 |
|
Semantic Reasoning |
語意推理 |
利用句意判斷原因與結果 |
|
Common Sense
Reasoning |
常識推理 |
知道「累了就不想走路」 |
|
Tokenization |
詞元化 |
將句子切成 Token |
|
Embedding |
詞向量 |
將文字轉成數學向量 |
|
Transformer |
轉換器架構 |
現代 LLM 的核心架構 |
|
Self-Attention |
自注意力機制 |
找出 it 最可能關聯的詞 |
|
Large Language Model (LLM) |
大型語言模型 |
透過龐大語料學習語言模式 |
|
Hallucination |
幻覺 |
推論錯誤時可能發生 |
最重要的一句話：
Copilot、ChatGPT、Claude 並不是利用「文法規則」判斷 it，而是在 Transformer 的 Attention 機制下，結合大量語言統計模式與語意關聯，推論出 "it" 最可能指向 "animal"。大多數情況判斷正確，但遇到語意模糊、缺乏常識或上下文不足時，仍然可能出錯。
留言