FAQ

一路新知

AI怎麼理解文字?黃震宇用「字與字之間的距離」解釋AI演算法與GEO

黃震宇/小胖老師|AI演算法白話教學

AI為什麼知道「黑橋牌」跟「香腸」有關係?ChatGPT為什麼能理解你提出的問題,甚至替你整理答案?其實可以從一個容易理解的觀念開始:「字與字之間的距離」。這篇文章從黃震宇在苗栗縣工業會的實際授課案例出發,帶你認識AI如何分析文字、建立語意關聯,以及這些觀念與SEO、GEO企業網路行銷的關係。

一、AI是如何理解文字的?先從「字與字之間的距離」談起

2026年11月14日,我在苗栗縣工業會講授36小時AI網路行銷產投課程,當天帶學員討論Google搜尋與AI搜尋的差異。

當我講到AI為什麼能理解這麼多事情時,我在白板上提出一個觀念。

小胖老師的白話說法

「AI是把收集到的眾多資訊進行統計分析,找出『字與字之間的距離』。」

—— 黃震宇/小胖老師

各位,這句話我認為很好理解。

我們人類在認識世界時,會不斷學習不同事物之間的關係。例如聽到某個品牌,可能聯想到它的產品;看到某個地方,可能想到當地的特色產業、美食或景點。

AI也是透過大量資訊學習不同內容之間的模式與關聯。為了讓沒有資訊工程背景的企業主也能理解,我把其中一項重要概念簡化成「字與字之間的距離」。

不過,這是一種入門教學的比喻,而不是生成式AI全部演算法的完整描述。技術上,這個距離可以用語意向量(Embedding)及向量空間中的相關性來進一步解釋。

二、為什麼講到黑橋牌,很多人會想到香腸?

我在苗栗縣工業會上課時,現場問學員一個問題。

「各位,講到黑橋牌,你們會想到什麼?」

很多人可能會回答:「香腸!」

為什麼會有這種反應?因為我們透過生活經驗、廣告、商品資訊與各種訊息,已經建立「黑橋牌」和「香腸」之間的品牌與產品關聯。

再換一個問題:「講到黑橋牌,你會立刻想到電動車嗎?」通常比較不會。

這個例子就很適合拿來解釋AI學習語意關係的概念。

圖解一|字與字之間的語意關聯距離
黑橋牌 關聯較強 香腸

品牌與產品在資訊中具有明確關聯

黑橋牌 關聯較弱 電動車

兩者通常沒有直接的品牌產品關聯

此圖為黃震宇授課使用的概念示意,不代表已使用特定AI模型實際量測三個詞語的向量距離。

用白話的方式來說,AI在學習大量資訊的過程中,可以建立詞語、概念與上下文的關係。有關聯的事物,在某些向量表示方法中,可能具有較接近的數學位置。

但請注意:「有關聯」不等於「意思完全相同」。黑橋牌是品牌,香腸是產品類別,兩個詞並不是同義詞,只是具有容易理解的品牌產品關係。真正的向量距離仍取決於模型、輸入文字與上下文。

同樣的概念,也可以延伸到其他例子:

  • 苗栗:可能聯想到客家文化、桐花、在地產業等主題。
  • 台南:可能聯想到古蹟、小吃、歷史文化等主題。
  • 工業用電解水設備:可能聯想到處理能力、用途、操作條件、設備規格與供應商。
  • 黃震宇/小胖老師:如果公開資料清楚且一致,便有助於建立與一路科技、SEO、GEO、AI行銷課程及中小企業網路行銷等主題的關聯。

這就是為什麼我認為,企業不能只寫自己的公司名稱,還要清楚告訴客戶:我們提供什麼、擅長什麼、可以解決什麼問題,以及有什麼真實的經驗可以證明。

三、專業一點的說法:什麼是Embedding語意向量?

如果我們把剛才「字與字之間的距離」講得更專業一點,就會接觸到一個重要名詞:Embedding,中文常稱為向量嵌入或語意向量。

電腦並不像人類一樣,直接從文字表面產生理解。AI系統可以將文字或其他資料轉換成一組數字,用數學方式表示它們的某些特徵與關係。

例如,一段文字轉換成向量後,可以使用餘弦相似度(Cosine Similarity)或歐氏距離(Euclidean Distance)等方法,比較兩組向量的相關程度。

在某些Embedding模型中,距離比較近,表示文字在該模型的表示空間中較有關聯;距離比較遠,則代表關聯程度可能較低。

技術說明

OpenAI的Embedding技術文件,便以數值向量及向量距離解釋文字的相關性;Google的機器學習教材,也使用Embedding空間說明事物之間的相對距離與關係。因此,「距離」並不是完全沒有根據的比喻,而是有對應的數學概念。

想進一步閱讀技術說明,可以參考OpenAI官方Embedding技術文件,以及Google Machine Learning Crash Course:Embedding Space。

四、AI不是只有算距離:Token、上下文與Transformer也很重要

如果只說AI會找出字與字之間的距離,仍不足以說明ChatGPT、Gemini這類生成式AI為什麼能回答問題。

我們再多認識三個重要觀念。

1. Token:AI處理文字的基本單位

AI處理文字時,通常會先將文字轉換成Token(詞元)。Token可能是一個字、一個詞的一部分、數個字或其他文字單位,不一定等於中文字的單一字元。

因此,從技術角度來看,「字與字之間的距離」可以進一步理解為模型處理的文字單位與其向量表示之間的關係,而不只是每個中文字各自有固定座標。

2. 上下文:同一個詞在不同句子中,意思可能不同

舉個例子:

「蘋果吃起來很甜。」

「蘋果手機的相機很好用。」

兩個句子都有「蘋果」,但第一句指水果,第二句指科技品牌。

現代語言模型會結合前後文判斷文字在當下情境中的作用,而不是僅依一個固定的字詞距離理解所有問題。

3. Transformer:學習語言關係並產生回答

許多現代大型語言模型使用Transformer架構。模型可以透過注意力機制(Attention)處理不同文字位置之間的關係,並利用訓練中學到的參數,根據當前上下文推估後續Token的機率。

也就是說,AI不只是找到「最靠近的字」,就把它接成一句話,而是透過複雜的神經網路運算,依問題、上下文及可用資料逐步產生回答。

有些AI服務還能在回答之前進行即時網頁搜尋或檢索指定文件。因此,模型訓練時學到的知識,與回答時另外取得的資料,也應該分開理解。

五、AI從大量資訊到產生答案,實際流程可以怎麼理解?

我把這個複雜的過程,再整理成適合中小企業主理解的簡化流程。

圖解二|AI理解文字與產生回答的簡化流程
模型訓練階段
大量文字與相關訓練資料
包含適當取得與整理的資訊
↓
透過模型訓練進行統計與數學運算
學習語言模式、語意關聯與上下文
↓
建立模型參數及文字的數值表示
可用Embedding等概念理解語意關係
 
實際提問與回答階段
使用者輸入問題與需求
可能搭配文件或即時搜尋資料
↓
根據已學到的模式與上下文運算
分析問題並推估後續Token
↓
逐步產生文字回答
需要依實際資料再次查核正確性
此圖以概念說明語言模型的訓練與回答流程,並非所有AI服務都採取完全相同的架構或資料處理方式。

如果用我上課的語言來講,就是AI透過大量資料學習各種事物之間的關聯;當你提出問題時,它再結合學過的模式、當下問題及可取得的資料,協助產出回答。

這個技術過程比「字與字之間的距離」複雜很多,但我認為對入門學員而言,先理解關聯與距離,再理解向量、上下文與生成機制,是比較容易吸收的學習順序。

六、這跟SEO、GEO有什麼關係?企業為什麼需要理解語意關聯?

各位,前面講的AI原理,跟企業網路行銷有什麼關係?

關係很大,但不是要企業去操控AI內部的數學向量。

以前做SEO,企業經常重視某個關鍵字能不能在Google取得好的搜尋排名。現在進入AI搜尋時代,企業還需要思考:當消費者透過完整問題尋找供應商時,我們的官網有沒有足夠資訊回答他的需求?

例如一間公司製造工業用電解水設備。

一般常見的公司介紹

本公司專業製造電解水設備,品質優良、服務第一,歡迎來電洽詢。

這段話雖然沒有錯,但如果我是採購人員,我還是不知道這間公司的設備適不適合我。

建議企業補強的專業資訊

提供工業用電解水設備的適用產業、型號與處理能力、操作條件、可達規格、相關測試資料、維護方式及交貨條件,並說明哪些需求可以客製化、哪些情況不適用。

以上是內容規劃示例,實際數值、技術能力與測試結果都應依企業真實資料填寫,不可以由AI自行編造。

當採購者詢問:「有哪些台灣廠商提供適合特定產業使用、符合指定處理能力與規格的電解水設備?」企業若已有清楚且可取得的公開內容,就更有機會在適當的搜尋與比較過程中,被辨識為相關供應商。

這就是我一直提醒中小企業主的觀念:不要只寫「我很好」,而要寫清楚「我能解決什麼問題,為什麼有能力解決」。

這也和一路科技長期推動的SEO搜尋引擎優化及GEO生成式引擎優化與AI品牌推薦策略有密切關聯。

七、企業要怎麼建立品牌、產品與專業之間的清楚關聯?

理解語意關聯之後,企業可以開始檢查自己的公開資訊是否足夠完整。

資訊類型 企業應提供的內容
品牌與公司 公司名稱、品牌名稱、產業定位、成立背景、主要市場
產品與規格 產品名稱、型號、材質、功能、技術限制與測試資訊
應用與需求 適合產業、使用情境、客戶問題與可提供的解決方案
交易與服務 採購條件、服務流程、詢價方式、交期、保固與售後支援
專業與信任 實際經驗、認證、第三方測試、可公開案例、專家資訊

以上資訊不需要全部塞在同一篇文章裡面。企業可以透過首頁、關於我們、產品頁、服務頁、FAQ及專業文章,建立自然清楚的內容架構。

這些內容應以讀者真正需要的資訊為主,再配合SEO關鍵字、描述性內部連結與網站技術,讓搜尋引擎更容易理解。

不過,內容增加、品牌名稱重複出現,並不代表AI內部的詞語距離一定縮短,更不表示ChatGPT或Gemini一定推薦企業。生成式AI是否提及品牌,還取決於特定系統、問題情境、可取得的資料及相關性判斷。

如需更完整的企業操作方法,可以參考黃震宇如何看AI搜尋:SEO、AEO、AIO與GEO的企業內容策略,了解如何將品牌實體、專業內容、案例與信任訊號整合成長期資產。

八、常見問題:AI的語意距離與生成式AI原理

Q1:AI真的是在計算字與字之間的距離嗎?

某些AI技術確實可以透過Embedding語意向量及數學上的距離或相似度,比較文字內容的相關性。因此「字與字之間的距離」是有技術基礎的入門比喻。但現代生成式AI還涉及Token、上下文、注意力機制、神經網路參數及文字生成等多項技術。

Q2:AI是不是每次回答之前,都會重新蒐集全世界的網路資訊?

不一定。AI可能依賴模型訓練階段學到的知識,也可能依照功能設定使用即時搜尋、外部文件或其他工具。不同AI服務的資料來源、更新方式與存取權限並不相同。

Q3:企業在網路上不斷重複品牌名稱,就能讓AI更容易推薦嗎?

不能這樣推論。單純大量重複名稱,並不保證改善AI推薦。企業更應該重視產品規格、用途、客戶問題、真實經驗、公開證據與資料一致性,建立有價值且可查核的內容。

Q4:理解語意向量,對SEO和GEO有什麼幫助?

它可以幫助企業理解,為什麼網路內容不應只堆疊單一關鍵字,而應清楚回答相關問題、說明產品與應用情境,並建立品牌與專業主題的資訊關係。但SEO與GEO仍須配合網站可讀取性、搜尋需求、內容品質、品牌可信度與實際成效觀察。

九、小胖老師總結:AI的技術很複雜,但企業行銷的道理沒有改變

這次在苗栗縣工業會上課,我刻意用「字與字之間的距離」這個概念,希望讓企業主與行銷人員在不需要先學習複雜數學公式的情況下,也能理解AI為什麼知道不同事物之間有關聯。

我認為很多人不用先變成AI工程師,才能把AI運用在工作上。但至少要理解基本運作觀念,才知道為什麼不能只丟給AI一句簡單指令,就期待它完全理解自己的企業。

從技術上來說,AI處理文字涉及大量資料、數學運算、向量表示、上下文及語言模型訓練;從企業網路行銷的角度來看,則是提醒我們一件非常重要的事情:

「你要讓客戶、Google與AI都清楚知道:你是誰、你在做什麼、你能解決什麼問題,以及你為什麼值得信任。」

黃震宇/小胖老師

SEO讓企業更有機會被搜尋到;GEO則進一步思考如何讓公開資訊在生成式AI搜尋情境中被正確理解、整理與引用。

但不論Google或AI如何改變,真正重要的仍然是企業的產品、服務、專業知識與實際經驗。

我在苗栗縣工業會36小時AI網路行銷產投課程,也正是透過這種從原理、案例到實際操作的方式,協助中小企業學會使用AI,並將AI真正運用到網路行銷工作。

本文作者|黃震宇/小胖老師

一路科技創辦人暨總經理、國立成功大學EMBA,長期投入企業網站、SEO、GEO、AI搜尋優化、B2B外銷行銷與中小企業數位行銷課程。

更多專業經歷與實際授課紀錄,可參考黃震宇/小胖老師的SEO、GEO、AI行銷顧問與講師背景。

返回頁首