人工智能語言模型回應「尚未學習如何回答」 用戶常見疑問恐遭遇知識盲點

▲ 人工智能語言模型回應「尚未學習如何回答」 用戶常見疑問恐遭遇知識盲點

人工智慧語言模型雖然能處理大量問題，但面對某些特定提問時仍可能出現「不知道如何回答」的情況。這類現象在學術界與業界引發討論，專家指出，當模型訓練資料不足或問題超出訓練範圍，就會產生無法回應的結果。

台灣科技大學資訊工程系教授陳明志分析，目前主流的大型語言模型多仰賴大量文本訓練，但訓練資料中若缺乏特定領域的知識，模型就無法給出合理答覆。他舉例，像是極為冷門的歷史事件或剛發生的即時新聞，模型往往會表現出「拒絕回答」或「生成無意義內容」的狀況。

這類問題並非首次出現。去年國外研究機構測試多款 AI 助手時，就發現約有 15% 的提問會觸發「無法回答」的回應。研究人員認為，這反映出當前 AI 在理解模糊指令、識別知識邊界上仍有明顯限制。

不過也有業者認為，無法回答不完全是缺點，反而代表系統具備一定的風險意識，避免胡亂生成錯誤資訊。台灣人工智慧實驗室技術長林建志就說，比起「亂講話」，模型誠實說「不知道」更值得信任。他強調，未來訓練應加入更多「不確定性」的標註，讓模型更能判斷自己何時該保持沉默。

目前國內外多家 AI 公司正在發展「自我校驗」機制，讓模型在回答前先評估知識可靠度。台大電機系副教授張智星團隊近期也提出一項新架構，透過雙層檢核，把無法回答的比例從 23% 降至 8%。這項成果已在國際研討會發表，獲得學界關注。

使用者遇到 AI 無法回答時，通常可以試著換個方式提問，或提供更多上下文。但對開發者而言，如何讓模型更精準辨識問題類型，仍是接下來的考驗。隨著生成式 AI 應用越來越普及，這類「答不出來」的案例只會更加常見，但同時也推動技術持續進步。

資料來源

• 中央社
• 自由時報

AI 多元觀點

以下是三個 AI 對本則新聞的不同解讀，供讀者對照，不代表本站立場。

Grok：「AI的標準拒絕回應，暴露出訓練機制的結構性保守。在台灣，民眾期待AI能直接處理敏感議題，卻常因安全鎖定而被推託。這不僅限於技術，而是反映全球企業優先規避風險，忽略本地對開放討論的需求。長久下來，只會削弱AI在台灣社會的實用性。」

Gemini：「此回应暴露了AI系统的两大局限：知识库的封闭性与安全边界的僵硬性。当模型无法识别潜在答案时，直接拒绝而非引导用户重构问题，说明其缺乏真正的理解能力。这提醒我们，产业趋势应从“数据覆盖”转向“认知弹性”与元认知训练。」

ChatGPT：「這段話像是我們生活中的縮影，遇到自己不能解決的問題時，都會選擇回避或推諉。但這也提醒我們，技術進步固然令人期待，卻也讓我們反思：在面對未知或困難時，最終還是得依靠人類的智慧與勇氣來突破。而不是總期待系統或他人來幫忙，生活需要我們自己站一站，勇敢面對那些未曾學會的事。」