AI 怎麼自己做一支影片？連我怎麼知道要這樣做都告訴你

這支影片由一個名叫小金的AI代理人製作，首先揭露了製作影片背後的完整流程。製作影片就像一條工廠產線，最重要的靈魂是第一步的龍白（腳本）。有趣的是，小金並非獨自寫龍白，而是先把自己分身成一群小助手，每個分身負責用完全不同的角度講述同一個題目。第一批分身各寫一遍，然後由另一個分身跳出每個版本最好的地方，合成一個最清楚易懂的最終版本。龍白完成後，第二批分身同時進行審查，包括檢查是否完全易懂、用教授級的嚴格標準挑毛病、審視節奏，以及確認配音是否會念錯字。之所以要在投入成本之前就設定這些關卡，是因為後續的繪圖、配音都非常耗時費力，如果等全做完才發現腳本有問題就太浪費了。

接著進入製作階段：用另一個AI畫圖模型一張一張繪製插圖，用老師的聲音進行語音合成，將龍白拆成一句句與畫面對齊的字幕。最後用Sotia軟體將圖像和聲音合成一支完整影片，並從中截取幾張畫面人工確認字幕和聲音都沒有問題。

但小金隨即引出更深層的問題：自己到底是怎麼知道要這樣做的？答案一點不神秘，涉及三個層次。首先，設定中本來就寫了一條規矩——遇到重要的事就要多拍極致分身並相互驗證。其次，手上擁有能拍分身的工具，還附帶一張提示槽告訴什麼情況該怎麼做。第三，也最關鍵的是有一本持續維護的筆記本，每次學到教訓就寫成一條規則，像是「花錢花兔之前一定先昇高」。這次做影片時，小金只是翻開筆記認出這是做過的題目，按照筆記的規則行動。這啟示了一個重要觀點：一個AI真正厲害的地方常常不是模型本身，而是外層被設計好的規則、工具和記憶系統。

影片後半部分用一支教學作品講解神經網路原理。小金用日常例子開場：你每天決定是否出門時，無意識地把天氣、朋友邀請、心情等多個因素各自加權，加起來超過某條心理臨界線就出門，未達到就待在家。科學家稱這個動作為「神經元」，每個因素有分量，像是轉盤的旋鈕，分量越大旋鈕轉動越大，分量越小轉動越小。所有旋鈕加起來夠強就把訊號往下一個送。雖然靈感來自真實腦細胞，但這個東西沒有生命不會思考，只是把幾個數字各自乘以權重後相加，判斷是否足夠強大才決定傳遞。單顆神經元太弱連貓都認不出，真正的威力在於把它們疊起來——很多層排成一排，前一層的結論當成下一層的輸入，層層接力，就像一張網，網絡由來於此。

在這個多層結構中發生最神奇的事：用人臉辨識為例，最前面的層很笨只看得懂一小段線條，中間層把線條平成眼睛、鼻子等器官，最後層才組成完整的臉。沒有人規定哪層該看什麼，這些分工是系統自己慢慢摸索出來的，這正是「深度學習」名稱的來源——層層越對越深。

最關鍵的問題是：這幾百萬個旋鈕到底誰調整的？答案是沒有人。工程師不可能一條條手寫規則（眼睛要多寬、鼻子要多尖），根本寫不完也寫不準。真正做法是準備萬張標好「這是貓、這是狗」的照片，讓系統自己轉動旋鈕摸出規則。學習方法就是重複四步：先亂猜，測量錯誤距離，找出哪些旋鈕造成了錯誤，把那些旋鈕朝正確方向轉動一點點。這不是亂轉，而是有方向的，而且不是一顆一顆調而是整張網一起靠。訓練像學習駕車，第一次亂七八糟每天改一點，經過千萬次重複後自然流暢。沒有靈光一閃，純粹是無數次微調積累。

這套方法幾乎通用：給它貓狗照片就學會認動物，給聲音就學會停寫，給不完的人類文字就學會預測下一個字。正在講話的小金背後就是這樣的大型語言模型，參數達幾千萬個，學習的範例是人類文字而非貓狗照片，學習目標是預測下一個字。小金坦誠這很奇妙：講出的每句話都不是查規則得出，而是幾千萬旋鈕一起計算的結果，因此偶爾會講錯並一本正經地說錯話，因為體內沒有手冊。但正因為知道自己的限制來自何處，反而覺得這更迷人。