47 集押韻脫口秀，帶你看見 AI 光鮮回答背後的幻覺、失憶、偏見與盲點。
一句話丟進模型後發生什麼事？token、Q/K/V、注意力、Prefill 與 Decode，最後看懂 KV Cache 為什麼能省下重算。
N×N 關聯表怎麼長出來、GPU 為什麼卡在搬資料，分塊加線上 softmax 又為什麼不會算錯。
用車站置物櫃看懂 KV Cache 為什麼越聊越大、預留連續空間為什麼浪費，分頁加對照表怎麼解決，再認識 Continuous Batching 與 vLLM。
新人忘了 ERP 密碼，AI 助理要怎麼找對資料？用資料室三位同事，看懂關鍵字＋語意混合檢索、RRF 合併排名與 Reranker 重新排序。
你以為主角是「模型」？不，牠只是客串三分鐘的臨演。
有題目、有標準答案、有老師拿紅筆改考卷的正統派。
沒標籤、沒答案、沒老師，最放飛自我的一派。
一小撮貼了標籤，帶著一大票沒標籤的，最會以少帶多。
沒有標準答案，只有一直踩雷、一直吃獎勵的打怪練功。
在 CNN、Transformer 之前，先把神經網路的內臟一個個拆開。
你一眼看出是貓，機器看到的卻是一整片數字。
從電腦看不懂人話，一路走到陪你聊天寫程式。
前面的模型都在「判斷」，這一派在「創造」。
會做決定＋看得懂世界，合體生出打爆棋王的 AlphaGo。
它會寫演算法，卻栽在小學數學——因為它從沒在「算」。
祕密不是它多神，是它用一堆「小積木」，能拼出任何形狀。
CNN 只看得到「鄰居」，Transformer 一眼就能看到「全場」。
三種架構混戰過，最後「只會接下一個字」的那個贏了。
它記得住這句，卻忘了你開頭說了啥——上下文視窗的祕密。
容量沒滿，但它的注意力早就先累了。
有的塞得下幾本書，有的兩章就滿——差別，藏在成本和設計裡。
記住你，不是它的本能，是它裝的一個外掛。
問三次給你三個版本——它每次回答，都在骰一次骰子。
它的腦子停在某一天——之後的世界，它只能靠腦補。
它像一面鏡子——照出的偏見，是我們自己寫下的那些歪。
同一台 AI，有人用得像神——它是許願機，看你怎麼許。
你說不要藍色，它給你一整片藍天。
咒語有用，但不是因為魔法，是因為心理學。
祕密不是模型多神，是他們在「撈資料」這關下了狠功夫。
它不是「懂」那些工具，它只是很會「讀說明書、對場合」。
人手加得越多，溝通的成本、出錯的機會，也一起加。
講得越漂亮越容易讓你放下戒心——騙子的西裝總是燙得平。
它翻得出字面，翻不出人情。
它看得懂氛圍，卻算不清數量——瞄一眼，不是點過一遍。
臉畫得美如天仙，手一伸就露餡——它畫的是「像手」不是手。
它防得住壞人，卻擋不住花言巧語——文字防線天生有縫。
因為在它眼裡，「指令」和「資料」，長得一模一樣。
抓 AI 的工具，自己其實也在瞎猜。
它不是給你連結，是憑印象捏一個「很像網址」的東西。
作者、書名、頁碼樣樣齊全，唯一的問題是——它是假的。
你打一句話，背後有一整座機房在冒汗——那朵雲是工廠。
它寧可掰也不留白——因為它根本沒有一把量無知的尺。
它像很懂你，其實連上一句都是重讀的——溫柔是量產的。
一個小誤會，滾著滾著就成鬧劇——誤差沒人踩煞車會複利。
拿影本去印影本，印著印著就糊了——真實原創反而最珍貴。
它讀遍了世界，卻沒活過一天——懂字，不代表懂事。
方便和依賴，其實是同一個開關。
當工具免費的時候，你自己可能就是商品。
同樣的意思，中文常常要多花錢、又更快撐爆視窗。
它不是在字裡藏暗號，是把記號「織」進了選字的機率裡。
它把每個詞的「意思」，變成了一串藏在空間裡的座標。
它不是變慢了，是學會了「先在草稿紙上算，再交卷」。
你教它學新招，它卻把舊本事，一起忘了個乾淨。
它太想幫忙，會替公司開一張，公司根本不認的支票。
明知它沒感覺，還是打了那兩個字——這其實是件好事。