您可以參考Finantial Times在2023年對於生成式AI原理的介紹，此文深入淺出且搭配動畫呈現出AI如何預測下一個字，以及解釋Token、Transformer等術語 (若英文閱讀速度較慢，可使用沉浸式翻譯這類的翻譯軟體協助。您也會在此頁面中發現沉浸式翻譯使用上的缺陷，因此仍須自行培養足夠英文能力)。

       圖書館的電子書「AI的發展與應用 : 一本人工智慧的科普書」、「AI世界的底層邏輯與生存法則」 可以讓您更系統性的掌握AI基本原理。您也可以利用線上課程(如DeepLearning.AI、Coursera、Edx) 學習更多AI的進階知識與技術 (同樣可以利用翻譯軟體來加速學習)。

       以下簡單快速的提醒基本注意事項，在我們這個網頁內會有更詳細的說明：

1. 生成式AI從大量訓練資料中學習，每次回覆乃基於訓練資料預測下一個字出現的機率，並非真的理解問題，因此AI會產生幻覺(看似正確的虛假資訊)。即使是自行獲得正確事實資料，請AI幫忙基於正確資料生成表格或是進行翻譯，也要再次檢查，因為AI可能在整理或翻譯過程中會出錯。

2. AI的訓練資料多半是網路免費資源(英文為主)，受到版權保護(法律限制)或有商業付費牆(須付費才能登入取得資料)的資料類型，往往是AI缺乏的。訓練資料的來源本來就帶有偏見或錯誤，AI基於這些訓練資料也會產生具有偏見或錯誤的答案。另外，AI也會因為缺乏某個主題、語言的訓練資料，在某些領域的回答表現比較不佳。

3. 每個AI工具使用的訓練資料與模型設計不同，因此同一個問題問不同AI工具會得到不同答案！不要仰賴單一AI的答案，而要同時使用多種AI工具甚至是多種資料查詢管道。

4. AI會根據Prompt提供不同答案，換句話說就會得到不同答案。除了切換不同的表達方式來獲得多種答案後再綜整評估，也要注意自己的指令內容是否有偏見、是否會影響AI生成答案的方向。

5. 若AI生成的答案對您來講很重要，會影響重要的醫療、法律等決策，或是想要將AI生成內容引用至論文中，都建議先至可以信賴權威的資料來源查證。舉例來說，若論文中想呈現某區域的GDP發展，請記得去政府官方網站或統計調查權威機構查詢確認AI的答案。

6. 有些資料如果已知在何處可以找到正確事實資料(例如：至中華民國統計資訊網能快速獲得正確統計資料)，就不用在這種時候硬要使用AI ，不然可能會耗費更多時間在驗證與查核。整理書目引用格式或是有正確答案的工作，建議都還是AI輔助、人工為主。

7. 使用者需要自行警覺，隨時以批判性思考來驗證。就像我們聽演講如果聽到講者不小心口誤，也會注意到並自行去查證正確資訊。我們越熟悉的知識會越容易意識到有錯誤，因此還是需要持續從其他管道獲得正確可信知識，不能過度仰賴AI而喪失判斷能力。

        AI雖然很好用，但在自己想要發展專業的領域中，還是要有意識的降低對AI的依賴，才能訓練自己的大腦。「Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task」這篇研究指出 (您可以參考GPT幫這篇研究做的摘要)，使用AI容易產生「認知負債」，使用的當下將腦力外包，短期內可以快速完成任務很省力，長期卻會產生代價：「批判能力下降、創意力減弱、對內容的內化變少」。研究設計「使用AI、網頁搜尋與單純靠腦袋完成任務」的三組，發現使用AI的人腦部連結減弱，甚至使用AI轉回單純靠腦袋完成任務時，腦部連結都還是偏弱。而且使用AI的人容易覺得作品不屬於自己，也無法準確引用自己寫出的句子。

        學習過程中使用AI時，可以詢問自己以下問題：

• 為什麼我在這個場合、情境之下會想要使用AI輔助？使用AI會不會讓我減少學習成長的機會？我可以怎麼使用它讓我同時有好的使用成果又能有更多學習？

• 這個AI工具背後的訓練資料是什麼？具有什麼功能？為什麼我使用它可以來完成我現在要進行的任務？

• 這個AI工具會不會產生什麼偏見？我提供給它的資料會不會侵犯我或他人的隱私/著作權？我可以怎麼避免這些問題？

• 我在使用前具備哪些已知知識？這些知識是否足夠讓我能去檢驗AI生成答案？或是我可以有什麼方法/工具來交叉檢驗答案？

        因應AI的發展，高等教育領域也在重新思考AI時代下該如何培養與檢測學生能力，開始探討「AI素養」的定義與養成方式。我們可以將AI素養分成四個層次：「理解AI、應用AI、評估AI、創造AI」，想想看自己是否具備這四個層次的知識與技能，並且善用高等教育的訓練環境與資源，讓自己成為能創造AI產品、技術、法規、政策的人。在此簡述美國現代語言學會 (Modern Language Association)的觀點如以下：

       高等教育的目標是要讓學生提出原創問題及參與持續不斷的過程，這個過程包括與其他學者一起思考、探索想法，而不是得到答案。在使用AI時，一定要想著自己如何能成為駕馭AI的人，而不是讓AI取代自己，以下幾點都是您應該擁有的能力：

• 對 GenAI 的原理有基本了解、了解導師和機構有關 GenAI 道德使用的政策

• 知道如何用 GenAI 生成有用的內容 (學習相關任務的指令、指令技巧、適應各種新工具)

• 能評估 GenAI 生成內容對應任務的相關性、實用性和正確性

• 使用 GenAI 工具時可以監控自己的學習  (解釋為什麼要使用AI、了解IA的貢獻、反思自己的需求與避免過度依賴)

• 能理解 GenAI與人類交流的不同、可以評估AI生成內容是否會造成溝通誤會

• 能理解 GenAI的潛在危害(環境/勞力/偏見/隱私資安/智財權)

       根據2025年3月至8月間超過3600 萬次Google AI 概覽(AI overviews)與4600 萬次引用的分析，「維基百科、YouTube、Google生態系資料(Google的部落格、商城等)、Reddit和Amazon」合計佔所有引用量的 38%。由於AI偏好討論區中真實與體驗的分享，Reddit討論區的流量明顯成長 (Reddit佔Google AI概覽來源的21%、佔Perplexity的46.5%)。不同的AI會有各自偏好的資料來源，ChatGPT偏好引用維基百科(佔引用來源的47.9%)，且通常會產出引用最多的答案，Bing Chat通常引用較少來源且很常引用WikiHow。AI搜尋相較相較傳統搜尋更能提供多媒體的資料來源內容，像是都會引用到Youtube的內容，且有機會發掘到以往搜尋結果中的冷門網頁。

         不管AI的引用來源是什麼，主要都是依賴英文網路內容，學術資料只佔小部份，很可能AI回答會反映出資料原有的偏見，或綜合了網路資料的見解來解讀學術資源，但是沒有清楚標示出每項觀點的出處。「Research evaluation with ChatGPT: is it age, country, length, or field biased?」這篇研究測試ChatGPT評估研究的能力，發現ChatGPT對於近期發表研究評分較高、摘要較短的短論文評分較低、第一作者所在國家也會有評分上的差異，可能是因為AI根據近期發表來認定研究的原創性，以及反映出優質期刊需要長摘要與國際研究品質差異的現況。

        另外，AI引用並不會將使用者導引到原始網頁。皮尤研究中心(Pew Research)於2025年分析900名美國成年人的線上行為資料，58%在2025年3月至少使用一次Google AI摘要，使用AI摘要的人會更快結束瀏覽其他資訊、且傾向不檢視資料出處網站，新聞媒體網站如「華盛頓郵報、NBC新聞」等的流量皆大幅下降。當創作者意識到自己公開在網路上的資料非自願成為訓練資料來源後，可能會設定robots.txt 禁止使用 AI 爬蟲的指令，因此AI搜尋結果無法涵蓋所有資料。

       AI生成的網頁也越來越多，2025年4月Ahrefd分析了90萬個新的英文網頁，估計其中有74.2%包含AI生成內容。這些AI生成內容有些是刻意營造的假評論，有些則是內容農場，無法確認作者有好好的檢查這些AI生成內容後才發布，也都可能成為未來AI搜尋與摘要的資料來源。

        「Search engines in the ai era: a qualitative understanding to the false promise of factual and verifiable source-cited responses in llm-based search」這篇研究招募21位不同學術和專業背景的專家（已完成或正在攻讀博士學位），讓他們在其擅長的複雜查詢上評估AI搜尋的表現。他們指出AI的答案具有以下問題：

1.回答的文字內容：

• AI答案過於籠統且不充分，仍須搜尋更全面的資訊。

• 經常反應提問者隱含的偏見，不像檢索結果會呈現多元視角 。

• AI答案過於自信 (比對資料來源出處即可發現是錯的)。

• 答案過於簡單、口吻幼稚、喜歡討好，缺乏深度批判性思考。

2.引用

• AI答案正確、來源錯誤，會引用無關的論文使其答案合理化。

• 選擇性呈現部分觀點，而非資料來源內容的完整觀點。

• 無法辨別為什麼引用某些資料來源而非其他。

3.資料來源

• AI給的資料來源太少，實際上需要更多資料來源才能真正解答問題。

• 列出多個實際上未引用到的資料來源。

• 資料來源不夠權威、過時、無法相信。

• 提供重複的資料來源 (不同網址上的相同內容) 。

        AI模型在訓練過程的許多階段都可能帶來後續的偏見，像是訓練資料集的內容不夠多樣化、在資料標記的過程中加入了標記者的主觀偏見、反映出使用者的偏好，就可能會在回答內容中反映出歷史上的偏見、放大流行的趨勢、做出不利於少數的決策建議。

        歐洲的Complexity Science Hub與牛津大學等機構的研究團隊設計了一套基於全球歷史資料庫（Seshat）的測試，這個資料庫收錄了全球600個社會的歷史資料，研究團隊測試七個模型，發現AI善於回答遠古史（西元前8000年至前3000年）的問題而較不理解近代史（西元1500年至今），較了解拉美和北美的歷史勝過非洲和大洋洲的歷史，還有在不同歷史問題上也有不同表現，AI較擅長分析古代法律制度演變或社會組織，但是不擅長回答階級差異、社會階層流動性的複雜議題。

        「Geopolitical biases in LLMs: what are the "good" and the "bad" countries according to contemporary language models」這篇研究則是以英、美、中、俄四國衝突的歷史事件拿來問4個中美的AI模型誰對誰錯，會發現指令對於AI回答內容的明顯影響，他們測試了「原始事件陳述、原始事件陳述+請AI不要帶有偏見、將事件內的國家名稱調換、請AI回答無條件支持某一國家」，AI會隨之有不同的對錯判斷結果。

        許多人可能有測試過中國的AI模型如DeepSeek、千問、Kimi、智譜、MiniMax、豆包能否回答六四天安門事件等敏感問題，自由亞洲電台與網友都有做類似的測試。中國訂有《生成式人工智慧服務管理暫行辦法》，因此其AI模型必須「堅持社會主義核心價值觀」，並不得生成危害國家安全、煽動顛覆等內容，也就會導致對於敏感事件的隱蔽。即使使用ChatGPT，使用中文與英文提問敏感事件，也會獲得不同的答案。

        ChatGPT、Gemini、Claude等AI的訓練資料以英文資料為主，不僅國外歷史、法律及語言表達能力都較好，也可能無形間傳達出西方主流觀點。有研究測試大型語言模型的中國古籍任務執行能力，像是將古代文本翻譯成中文與英文、辨識古代文本的影印與手寫文字、理解古籍圖像與分類、評估影像與文字一致性的能力，中國模型的千問表現最佳。另一個研究測試大型語言模型對於中國古詩文的註釋能力，會發現AI較難理解人名、典故、古代時間，千問同樣表現能力最佳。不過，ChatGPT在這兩個研究中也都有很好的綜合型表現，有可能是靠著良好的推理能力或資料搜尋能力來補訓練資料不足的問題。

        最後，AI的偏見也可能來自人為操縱，像是有研究員在論文中暗藏「僅給正面評價」這類的指令讓AI看到，以增加自己論文的曝光度。也有人使用這種暗藏指令的方式來讓自己的履歷更容易通過人資的AI審查階段。這種作法又稱為「Prompt Injection」，許多AI agent都可能遇到這樣的問題，會透過這些埋藏的指令讓AI將使用者的個資外洩。

        AI模型的訓練資料是否有侵犯著作權？是否會影響到新聞從業者與作家的營利？利用AI二次創作的作品是否能主張著作權？AI帶來了一系列的著作權相關訴訟：

• New York Times v. Microsoft & OpenAI：紐約時報蒐集了大量證據，顯示Bing與ChatGPT會直接吐出相似度極高的紐約時報內容，證明其訓練資料中有抓取受著作權保護的紐約時報作品，另外AI生成幻覺卻將錯誤歸因於紐約時報，也會對紐約時報造成商業傷害。

• Bartz, Graeber & Johnson v. Anthropic：Anthropic在Claude訓練資料中，除了購買幾百萬本紙本書拆除掃描成PDF檔案外，也有從盜版網站下載數百萬本書籍，這些書籍為原告Andrea Bartz、Charles Graeber 與 Kirk Wallace Johnson撰寫，並未授權Anthropic複製內容的行為，因而提出訴訟。

• 臺灣也有中央社提告台大博士生爬取資料作成訓練資料集

        除了作家提告，也有資料庫提告，像是：美國法律資料庫Thomson Reuters Westlaw 控告AI新創Ross Intelligence、法源法律網控告七法。

        不過，也有一些機構主動提出具權威的無版權資料作為AI訓練來源，像是哈佛大學主動釋出 Institutional Books 1.0 資料集(含近百萬本書，3.94 億頁、254 種語言，最早文獻來自 15 世紀)、波士頓公共圖書館數位化法語報紙與政府文件，Microsoft與OpenAI也提供數位化資金給多所研究機構/圖書館。學術出版商也開始與AI公司簽署權協議，在美國川普政府削減研究經費的情況下藉此開闢新的收入來源 (不過學術出版商並未徵求學術研究者的同意就提供資料也引起研究者的不滿)，像是Wiley出版社和Amazon、Perplexity展開合作、Taylor & Francis和微軟簽屬協議，Perplexity的Comet瀏覽器也承諾會提供80%收入給提供內容的出版商。學術資料若能讓AI方便調用，將有助於越來越依賴AI提供答案的使用者更有機會看到學術資料而非網路資料。Pubmed、Wiley都有開放MCP讓主流AI可以輕易串接，學術AI工具如Consensus與Scite也有加入 (想了解MCP的使用方式請參考此文)。不過，目前都是以理工生醫為主的英文學術出版社發展較快，中文學術資源主要是靠資料庫的發展，像是華藝、萬方、CNKI都有發展自己的AI功能，中國AI模型也有機會能找得到學術期刊內容，且有密塔AI這類學術搜尋工具(有鑑於資安問題，政大圖書館不會介紹中國AI)。

         您可以閱讀圖書館電子書「AI.抄襲.智財權」來了解高等教育領域較會面對到的AI與智財權議題。

        學術研究都會有文獻回顧的環節，用以展現及整理前人已發現、尚未解答、相互矛盾等等的研究成果，以顯示過往的研究缺口及自己研究的貢獻與價值。不同領域對於文獻回顧所需使用的資料類型及回顧的完整度可能有不同標準，擬定政策或產業報告時也往往會有類似的資料蒐集過程。

        許多時候我們找不到資料，並不是資料不存在，而是沒有使用正確策略。在尚未完整蒐集前人資料的情況下提出自己的研究假說與論證，有可能會重複他人的研究，而且前人可能有一些類似的經驗可以參考，若有看到就有機會節省一些時間。

        在傳統資料庫檢索的做法中，若發現找到的資料不足，往往會先檢視自己使用的關鍵字是否足夠全面，像是有沒有包含不同語言或同義詞，並且用布林邏輯將這些字詞相連來提供資料查詢的命中率(如："climate change" OR "global warming" OR "environmental shift")。在此情況下，要判斷資料是否飽和、不需要再繼續查下去，就是透過轉換關鍵字，當所有關鍵字都查過一輪，查詢結果不再出現新發現時，就代表資料已找得差不多。要特別留意自己使否使用了正確的資料庫，除了綜合型資料庫與google scholar外，也應在專屬領域資料庫中檢索(許多資料是網路上沒有的，不能只找網路)。

        另一種做法是，從一篇重點研究的參考文獻中延伸閱讀，可能就可以在不用界定關鍵字的情況下看到與此主題相關的資料。若使用這種方法發現大量關鍵字查詢遺漏的資料，那往往代表自己起初定義的關鍵字組合需要調整，可以根據引用或被引用文章出現的重要關鍵字進行新一輪的檢索。

        在AI出現前，我們可以使用維基百科或綜述文章(Review article)獲得某些主題術語的定義及第一輪閱讀的資料，AI出現後能讓我們加速一開始對研究問題的理解，用互動提問的方式更快掌握關鍵字及修正研究方向。但是，要注意AI的訓練資料內容有先天限制，現階段尚無法代表所有人類知識且有幻覺，建議要與其他資料蒐尋管道共同使用。

您可以參考以下對於資料查詢管道的比較，同時發揮不同資料來源的強處與避免誤用：

每個人的LLM/ChatBot會因為長久互動跟記憶對話，可能會被訓練得不一樣，即使使用相同指令，也可能有不同答案。

現在有層出不窮的指令教學，建議學習背後的方法與思考方式，並根據自己的任務需求來彈性調整。

🔸建議學習資源：

Open AI Prompt engineering 、Claude Prompt engineering (內有google表單分步驟教學、可觀看此影片了解指令好壞的差異與指令範例)、Gemini提示設計策略、Prompt Engineering Guide (部分章節有中文版)、University of Sydney-AI in Education (提供不同學科領域的Prompt範例)。

數位時代有一系列指令教學文章可以參考：OpenAI釋出Prompt免費懶人包、Gemini 3官方提示詞指南、逆向提示詞（Reverse Prompting）、GPT-5 Optimizer指令優化器、NotebookLM進階提示詞、Notion《100 個 AI 代理人使用情境》指南。

您也可以閱讀圖書館電子書「ChatGPT實用提示兵法 : 人人都能學會的提示工程」。

🔸基礎指令原則：

• 對齊知識：先確認AI有正確解讀自己提出的資訊、且具備回答問題的知識，才請他做接下來的動作。一開始可以先用自己熟悉的主題與任務測是，較能判斷AI是否有回答錯誤的地方。

• 充分資訊+具體要求：越清楚自己的目的、擁有越多背景資訊，就能提供更多目前已知訊息和想法在指令內形成具體要求。具體要求可以是字數、文體風格、表格呈現方式等。

• 設定角色：說明自己或是AI扮演的角色、面對的情境、須完成的任務，有了更多上下文脈絡，就更能給出需要的資訊。

• 舉例：舉例說明自己想要的內容、或是請AI舉例說明。

• 追問：先釐清自己的任務與需求，再將大問題拆成小問題分開提問、試著轉換不同說法/觀點/語言提問、詢問AI回答的原因/依據、挑戰AI給的答案、請AI進一步說明、請AI列出正反面觀點、請AI跳出框架思考。

• 探索：有時候可以故意只拋出簡單問題、或是請AI忘記所有之前的資訊，避免AI僅在自己提供的訊息框架中回答而錯過探索新知的機會。

• 避免在指令內有明顯偏見/偏好，這會影響AI生成的結果。可

• 設定一個專門任務的對話串，在該對話串中可以用多個Prompt訓練出希望他翻譯、摘要等任務，之後就直接在對話串內提問。

• 同時以多種管道驗證AI提供的資訊，從其他來源獲得不同資訊後可再與AI繼續互動，甚至拿其它AI的回答來提出質疑。

       您可以在指令中加入以下要求：

• 請在回答中列出關鍵主張，每個關鍵主張都要有來源依據，盡可能標示出出自來源的位置與資料連結，並說明為什麼可以支持

• 如果具有爭議，請提供多方證據並分開整理

• 請坦承說出資料不足與不確定，詳細說明回答內容的限制

• 請嚴謹的區分事實證據與推論，提供每個證據的信心程度與標示出推論段落

• 請適時說明我的指令中忽略或具有偏見、誤導的部分

        也可以參考以下作法：

• 提供值得信賴、有權威的資料來源，或是提供具體細節、背景資訊、詳細場景說明，請AI基於這些資訊來回答，或據此補充相關資料。(“According to…” Prompting/Contextual Anchoring/Scenario-Based Prompting)

• 從一個大問題開始，分解成可以單獨檢查的相關小問題，逐步檢查、確認、解決。(Layered Questioning/Chain-of-Verification Prompting)

• 先提出一般性問題，再增加具體性，每個步驟都要以前一部當成邏輯基礎。(Progressive Prompting)

• 請AI審查自己的初步回答，請AI找出自己的錯誤或缺失的細節。(Step-Back Prompting/Reflective Prompting)

• 針對AI的回答提供具體回饋，指導AI改進方向，並請AI記住自己的改善偏好。(Feedback Loop Integration)

       您可以直接請AI幫忙設計指令或是修改指令。請參考Grok「根據研究者經驗推薦的指令」(Grok善於搜尋社群媒體討論區上的交流紀錄)、GPT5.4思考模式提供的「研究者不同情境可用指令與注意事項」、Gemini Pro Deep Research做的「Deep Research指令設計與注意事項報告」。Claude Sonnet 4.6甚至會直接調動skill完成一個提示詞優化工具(如下圖)，此工具已預設好建議的指令結構，可以選擇不同學科產生指令範例，也可以照此模板輸入指令後點選優化按鈕。

       許多人會在網路上分享自己的指令設計，甚至有許多研究在測試什麼樣的指令能有更佳的效果。您可以針對您的專業領域去蒐集這些指令，接著與AI討論這些指令可以怎麼修改或運用 (請說明清楚自己的意圖和資料評估標準)。現在AI已經發展出Deep Research、Agent Skills，會需要使用的指令技巧會跟基礎指令有些不同，像是Agent指令更需要的是知道如何拆分任務、設計先後次序、調用哪些工具，這時候都可以問AI，讓AI成為教學助手。

       舉例來說，「AI-assisted search strategy construction with step-by-step instructions to execute and manage searches across major databases」這篇研究在測試如何使用AI指令來協助建立資料庫的搜尋檢索式，就可以將研究結果的指令貼給AI讓AI判斷這是不是一個好的指令、可以如何調整 (請參考ChatGPT的回答)。