假設你完全不懂穿搭。
第一天有人給你看一件米白西裝外套，你不知道它適合上班、約會還是婚禮；也不知道它下面配球鞋會不會怪。
但如果接下來一年，你每天都看幾百套穿搭，還有人不斷告訴你哪些搭配被很多人喜歡、哪些場合適合什麼、哪些顏色放在一起容易出問題，你慢慢就會有一種「眼光」。
之後看到一套從來沒見過的衣服，你也可能猜得八九不離十。
這個過程，很適合拿來理解 AI 訓練（AI Training）。
訓練不是把所有答案背起來
很多人第一次聽到「模型（Model）用大量資料訓練」，會想像成有人把整個網路塞進一個超大的硬碟。
但訓練的重點不是單純收藏資料，而是利用大量例子調整模型，讓它越來越能抓到資料裡的規律。
穿搭例子看多了，你可能會注意到：
- 某些顏色常常一起出現。
- 某些版型在正式場合比較常見。
- 有些搭配雖然少見，但在特定風格裡很合理。
模型訓練也在做類似的事情，只是它把這些關係變成大量數字上的調整。
資料（Data）為什麼這麼重要？
想像你學口紅，只看過二十支冷色調。
有一天別人問你：「這支暖橘棕適合黃皮嗎？」
你可能判斷得很差，因為你的經驗太偏。
AI 也一樣。
如果訓練資料太少、太偏、錯誤很多，模型就可能學到不完整甚至錯誤的規律。
所以「資料很多」不代表一定好；資料包含什麼、缺了什麼，也很重要。
訓練完之後，還會一直學嗎？
不一定。
這裡可以想成一位櫃姐先完成一段密集培訓，正式上櫃後開始服務客人。
她今天回答你的問題，不代表她立刻把你這次對話變成自己的永久記憶，隔天整個人就被重新訓練一次。
很多 AI 模型也是先經過訓練，之後才進入推理（Inference）階段，也就是拿已經形成的能力來回答新問題。實際產品會不會用新的互動資料進一步改善模型，則要看服務設計、資料政策和後續訓練流程。
所以不要把「我剛剛跟 AI 說了一句話」直接等同於「AI 現在永久學會了這件事」。
為什麼訓練很花錢？
如果你只看十套穿搭，幾分鐘就結束。
但如果你要處理的資料量大到難以想像，而且每看一批資料，都要重新調整模型裡非常多數字，那就需要大量計算資源與時間。
你現在先不用知道 GPU、梯度或參數是什麼。
只要知道：訓練就是模型形成能力的階段，而這個階段需要大量例子與大量計算。
今天只要記住一句話
AI 訓練不是單純背答案，而是從大量例子裡調整自己，逐漸抓到可以拿來面對新情況的規律。
下一篇我們會開始碰到 ChatGPT 世界裡非常常見的一個字：詞元（Token）。
名字聽起來很工程，但其實可以先把它想成：一個完整妝容，會先被拆成很多比較小的部件。