為什麼同一句話問兩次，AI 回答會不一樣？像櫃姐每次都可能換一套搭配

你拿一件奶油白洋裝問櫃姐：「幫我配一套上班穿的。」

第一次，她拿莓果色小包、裸色跟鞋。

隔天你再問一次，她可能改拿深咖樂福鞋和黑色托特包。

兩套都合理。你不會因此說：「昨天跟今天不一樣，所以她一定在亂講。」

生成式人工智慧（Generative Artificial Intelligence, Generative AI）也有點像這樣。

AI 不是先藏著一個完整答案

很多人第一次用大型語言模型（Large Language Model, LLM）時，會直覺以為它像搜尋資料庫：

「問題進去 → 找到那一格答案 → 原封不動吐出來。」

但 LLM 常見的工作方式更接近：根據目前已經看到的內容，預測下一個最合適的詞元（Token）可能是什麼，再繼續預測下一個。

假設開頭是：

「今天晚餐我想吃……」

接下來可能是「義大利麵」、「火鍋」、「清淡一點」、「附近的日式料理」。這些選項都可能合理，只是模型對每一個選項分配的機率不同。

它選了一個之後，再根據新的句子繼續往下生成。

所以一整段答案，其實是很多次「下一步選哪個」串起來的結果。

同一句問題，可以有很多合理路線

回到穿搭。

如果你說：「幫我搭一套適合第一次約會的穿搭。」

櫃姐可能走甜美、俐落、法式、極簡四條路。只要沒有更多限制，沒有哪一條是唯一正解。

AI 也是一樣。

「幫我寫一段生日祝福」可能走溫柔路線，也可能幽默；「幫我整理旅行計畫」可能先排交通，也可能先排景點。

因此，回答不同不等於回答錯誤。

真正要問的是：它有沒有符合你的條件、事實有沒有正確、語氣是不是你要的。

隨機性從哪裡來？

在技術上，模型可以從一組可能的下一個 Token 中進行取樣（Sampling）。

你可以把它想成櫃姐面前有五雙都能搭的鞋。她不是閉眼亂抓，而是比較適合的鞋被選中的機率更高，但不代表每次都百分之百拿同一雙。

有些模型或 API 還提供像**溫度（Temperature）**這類參數。直覺上，溫度越低，模型越偏向高機率、保守的選項；溫度提高，較不常見的選項更有機會被選到，答案通常也會更多樣。

不過一般聊天 App 不一定把這些旋鈕直接給你看。就算你沒看到「Temperature」按鈕，背後仍然可能存在讓輸出具有變化的生成設定。

那為什麼有時候又幾乎一模一樣？

如果問題非常明確，選項其實不多。

例如：「台北是台灣的首都嗎？」在正常情況下，合理答案的空間很窄，所以兩次回答可能非常接近。

但如果你問：「幫我想三個適合秋天的約會行程」，可行組合太多了，兩次回答自然更容易不同。

也就是說：問題越開放，答案越容易分岔。

想要答案穩一點，要怎麼問？

不要只說「寫好一點」，而是縮小它的選擇空間。

例如：

「幫我寫一段 80 字內的生日祝福，對象是認識十年的女性好友，不要太煽情，不用 Emoji，最後一句要有『下次一起去旅行』。」

這就像告訴櫃姐：

「我要平底、黑色、通勤、不能露腳趾，預算五千。」

選擇空間小很多，結果自然比較穩。

如果是很重要的任務，你還可以直接要求固定格式，例如表格欄位、段落順序、檢查清單。格式越清楚，重跑時差異通常越小。

不一樣有時候反而是優點

想文案、取標題、規劃穿搭、腦力激盪時，我們其實不希望 AI 每次只給同一個答案。

你可以故意問它：

「再給我五個完全不同方向。」

這時候生成的多樣性反而變成工具。

所以，AI 每次回答不一樣，不需要把它理解成「AI 有情緒」或「模型忽然改變想法」。

更準確的理解是：

它正在一條一條生成文字，而每一步往往不只一個合理選項。

同一件洋裝，本來就可以搭不只一雙鞋。