第 8 天：Embedding 與向量 — AI 怎麼理解語意

3 分鐘秒懂

embedding(嵌入向量)可以理解成「把文字變成一串有意義的數字」。例如「我想找附近好吃的牛肉麵」這句話，AI 會把它轉成像「[0.12, -0.45, 0.88, ...]」這樣的 vector(向量)。這串數字不是亂填的，而是經過模型訓練後，讓意思相近的句子在數字空間裡距離比較近。

舉個生活化例子：你在地圖上找餐廳，餐廳彼此有經緯度，所以你能知道哪一家離你最近。embedding(嵌入向量)也是類似概念，只是它不是地理地圖，而是「語意地圖」。在這張語意地圖裡，「請幫我整理會議紀錄」會靠近「幫我摘要今天的討論」，但會離「幫我畫一張貓咪圖片」比較遠。

所以，AI 能做語意搜尋，不是因為它一個字一個字死背，而是因為它把文字轉成 vector(向量)，再比較誰跟誰的距離最近。這就是許多 AI 搜尋、知識庫問答、客服機器人背後的重要基礎。

為什麼這重要

以前我們搜尋資料，多半靠關鍵字。例如你在公司文件庫搜尋「請假規則」，如果文件標題寫的是「員工出勤與休假辦法」，傳統搜尋可能找不到，因為字不一樣。但語意搜尋可以知道，「請假規則」和「休假辦法」意思很接近，因此更有機會找到正確文件。

這對中文世界特別有用。因為中文表達方式很多，同一件事可能寫成「週報」、「工作進度」、「本週成果彙整」；同一個問題也可能問成「怎麼申請加班？」、「加班流程在哪？」、「加班單要給誰簽？」如果只靠關鍵字，常常會漏掉答案。embedding(嵌入向量)讓系統能比較「意思」，而不是只比較「字面」。

現在很多企業把內部文件、客服問答、產品說明、Discord(社群聊天平台)訊息，放進 AI 知識庫。當你問：「上次大家討論的會員折扣規則是什麼？」系統會先用 embedding(嵌入向量)找到相關內容，再交給 LLM(大型語言模型)整理成自然語言回答。也就是說，embedding(嵌入向量)像是圖書館管理員，先幫 AI 從一大堆資料裡找出最可能有用的書。

核心概念分解

第一個概念：文字不能直接被電腦理解。電腦本質上處理的是數字，所以「今天下午開會」這句話要先轉成模型能計算的形式。token(語意片段)是模型讀文字時的基本單位，可能是一個字、一個詞，或一小段字串。接著，模型會把這些 token(語意片段)進一步轉成 embedding(嵌入向量)。

第二個概念：向量是一串數字，也可以想成多維空間裡的位置。二維地圖有 x 軸和 y 軸，但語意向量可能有幾百到幾千個維度。你不用真的畫出來，只要記得：每個向量代表一段文字在語意空間中的位置。位置越近，通常代表意思越接近。

第三個概念：語意搜尋靠的是「距離」或「相似度」。常見做法是 cosine similarity(餘弦相似度)，它會比較兩個向量的方向有多接近。方向越像，就代表語意越接近。這有點像兩個人雖然站在不同地點，但都朝同一個方向前進，表示目標可能類似。

第四個概念：vector DB(向量資料庫)是專門存放與搜尋向量的資料庫。一般資料庫擅長找「欄位等於某個值」，例如會員編號是 1001；但 vector DB(向量資料庫)擅長找「跟這個向量最相似的前 10 筆資料」。當資料量很大，例如幾十萬篇客服紀錄、幾百萬則社群留言，用一般方式慢慢比對會太慢，這時就需要 vector DB(向量資料庫)。

第五個概念：embedding(嵌入向量)常和 RAG(檢索增強生成)一起出現。RAG(檢索增強生成)的流程像這樣：先把文件切成段落，轉成向量後存進 vector DB(向量資料庫)；使用者提問時，也把問題轉成向量；系統找出最相似的文件段落；最後把找到的內容交給 LLM(大型語言模型)，請它根據資料回答。

實際例子

假設你在公司用 ChatGPT(聊天生成式預訓練轉換器)寫週報，公司有一堆過去的週報範本、專案紀錄、會議摘要。你問：「幫我整理本週 A 專案的進度，語氣像主管看得懂的週報。」系統不應該只找包含「A 專案」四個字的文件，而是要找所有相關語意，例如「登入流程重構」、「付款頁面測試」、「客訴問題修復」。這些文字可能沒有直接寫「進度」，但意思上都和週報內容有關。

實作上，系統會先把每份文件切成小段，例如一段會議紀錄、一則 Jira(專案追蹤工具)任務、一段 Discord(社群聊天平台)討論。每一段都用 embedding model(嵌入模型)轉成向量，存進 vector DB(向量資料庫)。當你輸入 prompt(指令)：「請幫我整理 A 專案週報」，你的問題也會被轉成向量。接著系統找出最相近的內容，再把這些資料送給 LLM(大型語言模型)生成週報。

再看一個中文客服場景。使用者問：「通義千問能不能幫我把表格整理成簡報？」雖然知識庫文章標題可能叫「中國通義千問文件處理能力說明」，但 embedding(嵌入向量)能判斷「表格整理」、「簡報生成」、「文件處理能力」彼此相關。這樣客服機器人就能找到正確文章，而不是回答「查無資料」。

你也可以把它想成「語意版的以圖搜圖」。以圖搜圖不是只比檔名，而是看圖片內容相不相似；語意搜尋也不是只比關鍵字，而是看文字意思相不相似。

常見誤解

誤解一：embedding(嵌入向量)等於 AI 真正理解人類語言。其實不完全是。它是用大量資料學到語意關係，能在數字空間裡呈現相似性，但不代表它像人一樣有常識、情緒或意圖。它很會「判斷相近」，但仍可能誤判。

誤解二：向量越長，效果一定越好。向量維度高，不代表一定適合你的任務。不同 embedding model(嵌入模型)訓練資料、語言能力、成本、速度都不同。如果你主要處理繁體中文客服資料，就要特別測試模型對中文語意的表現。

誤解三：有了 vector DB(向量資料庫)，就不需要整理文件。錯。垃圾進，垃圾出。如果文件內容過期、重複、切段太亂，搜尋結果也會差。好的 AI 知識庫不只是把資料丟進去，還要設計文件切分、更新流程、權限控管與結果評估。

誤解四：語意搜尋可以完全取代關鍵字搜尋。其實很多系統會混合使用。比如搜尋「2024Q4 合約編號 A-7788」，精確關鍵字非常重要；但搜尋「上次客戶抱怨付款失敗怎麼處理」，語意搜尋更有優勢。真正好用的系統，通常會把兩者搭配起來。