AI 學到的東西，最後存在哪裡？
前面說，模型 (Model) 會從資料中學習。但訓練 (Training) 結束後，電腦究竟留下了什麼？
當別人把「訓練好的模型」交給我們，他交過來的是什麼？為什麼我們不用重新訓練，就能接著使用？
這一章要追蹤：訓練的成果，如何被保存下來，再用來回答新的問題。 它接續〈大量文字，怎麼變成一個可以使用的 LLM？〉的製作全貌，補上「訓練完成」到「可以交給別人使用」之間的這一步。
先說答案：訓練會調整模型裡的參數 (Parameter)，也就是計算時使用的數值。訓練結束後，可以把這些數值寫成檔案；之後由程式讀回，再用於新的輸入。先用只有一個數值的糖果模型，看清楚這件事。
從糖果模型，看見學到的成果
先用〈模型到底是什麼？〉的糖果模型看一個最小的例子。它的任務是：只告訴它買幾顆糖，請它估計總價。
前面給它一些收據，例如「2 顆共 10 元、4 顆共 20 元」，讓它找出單價 5 元。現在給它一個新的問題：「8 顆大概要多少錢？」它就用學到的單價算出 40 元。
這裡的三個數字，角色不同：
| 數字 | 在這個模型裡的角色 | 從哪裡來？ |
|---|---|---|
| 數量 8 顆 | 輸入 (Input)：這次要處理的問題 | 這次由我們告訴模型 |
| 單價 5 元 | 參數：模型計算時使用的內部數值 | 先前從收據找出，之後留下來使用 |
| 預測總價 40 元 | 輸出 (Output)：這次算出的結果 | 模型用 8 × 5 算出來 |
每次問問題，只要提供數量；單價已經留在模型裡，總價則由模型計算。 這也說明為什麼叫「預測」總價：我們沒有給它 8 顆的收據，而是讓它用先前學到的單價估計。
保存的是什麼？載入又做了什麼？
糖果模型學到的成果，就是單價 5。現在把程式關掉，想在下次啟動後繼續用這個成果，便需要先把 5 留下來。
可以用三個步驟看清楚保存與載入：
- 保存：留下「單價是 5」這份副本。
- 移除目前數值：程式還在，但現在沒有單價，無法計算總價。
- 重新載入：把副本中的 5 放回單價的位置，8 顆又能算出 40 元。
第二步沒有把已保存的副本刪掉。第三步也沒有再讀收據、重新找一次單價；它只是把已經留下的數值讀回來。
先想一下：保存單價 5 之後，改用單價 3，再載回副本，結果會是 24 還是 40？ 開練習看差別。
先保存單價 5，換成單價 3，比較目前計算與副本。再移除目前數值、載回副本。最後只把輸入改成 2 顆：副本是否跟著改變？這裡的副本只留本頁，沒有下載檔案或執行訓練。
載回後是 40 元，因為副本保存的仍是 5。只把輸入換成 2 顆，則算出 10 元，輸入變了，保存的單價沒有變。保存數值時不必把每一次的輸入都包進去。
練習把副本寫成一小段可讀文字，方便看見裡面只有單價。真實模型可以把大量數值寫成檔案；程式結束後，檔案仍能留下，下次啟動再載入。檔案不需要裝著這次的問題，才能保存模型的數值。
這就是本章要接起來的過程：訓練調整參數 → 把參數保存成檔案 → 下次載入參數，處理新的輸入。 拿到別人已訓練好的數值，也能由相容的程式載入使用，不必先重做原本的訓練。
換問題，和換模型裡的數值，有什麼不同？
把問題從「8 顆多少錢？」換成「2 顆多少錢？」，就是換輸入；單價仍然是 5。把單價從 5 換成另一組收據學到的 3，才是換模型裡的參數。即使仍問 8 顆，結果也會不同：
| 這次輸入 | 模型裡的單價 | 預測總價 |
|---|---|---|
| 8 顆 | 5 | 8 × 5 = 40 元 |
| 8 顆 | 3 | 8 × 3 = 24 元 |
同一份乘法程式，可以使用不同版本的單價；同樣的輸入因此得到不同結果。載入另一個已學好的版本，就是換用那一組保存的數值。
進一步：保存的數值，怎麼配合程式運作？
現在已經知道要留下什麼，再來分清它和程式的關係。為什麼只保存數值，還不足以獨立運作？
| 名稱 | 在糖果例子裡是什麼？ |
|---|---|
| 架構 (Architecture) | 計算的安排：一個數量輸入，乘上一個可調單價，得到一個總價輸出 |
| 程式 (Program) | 把這個安排寫成電腦能執行的步驟：讀取數量、讀取單價，做乘法 |
| 權重 (Weights) | 計算裡使用的數值：這裡就是單價 5，或另一個版本的 3 |
架構像「安排哪幾道工序」，程式讓工序實際執行，權重則填入工序要用的數值。同樣的安排，可以使用不同數值；換數值，不必把整個安排重新寫一遍。
有了架構，就已經有學到東西的模型嗎？
還沒有。先給單價一個起始值 1，程式照樣能算出「8 × 1 = 8」，但它尚未利用收據調整單價。能執行計算，和數值已經經過訓練，是兩件事。
給參數起始值叫初始化 (Initialization)。如果要從零學習，就從起始值出發，根據訓練資料調整；如果已經有學好的版本，也可以載入那組數值，接著使用，不必先重做一遍原本的訓練。
練習中的 5 與 3 沿用前面兩組收據找到的結果；按按鈕切換版本，只是在換數值，沒有執行訓練。手動改數值也不表示改完一定更好，仍要用合適的資料檢查。
這和 LLM 的關係是什麼？
糖果模型用來分清「這次給它什麼、它裡面留著什麼、最後算出什麼」。把這三種角色放回大型語言模型 (Large Language Model, LLM)，可以這樣看：
| 角色 | 糖果模型 | LLM 預測下一個 Token 時 |
|---|---|---|
| 這次的輸入 | 糖果數量，例如 8 顆 | 目前的文字，例如「歡迎各」，經切分與編號後送進模型 |
| 模型裡留下的參數 | 學到的單價，例如 5 | 訓練學到的大量數值，用於向量 (Vector) 查表、各層計算與候選計分 |
| 這次計算的輸出 | 預測總價，例如 40 元 | 下一個 Token 各候選的分數，再轉成機率 (Probability) |
LLM 接著依機率選出下一個 Token，再繼續生成。糖果模型的乘法只示範這三種角色；8 顆不是在代表 8 個 Token，單價 5 也不是某個 Token 的機率。
放回 LLM：為什麼還需要配套？
回到前面的對照：LLM 也是由程式執行一套計算安排，使用載入的參數。前面看過的 Token 向量查表、每層加工和候選計分，都會用到大量參數。
對相同或相容的架構，同一套執行程式可以載入不同版本的權重。例如在既有模型上繼續訓練，架構不變，保存下來的數值已改變，便得到另一個版本。兩個版本遇到相同輸入，可能給出不同的候選機率 (Probability)。
但不能把任何權重都塞進任何程式。如果程式預期某一層接收 4 個數值，檔案卻提供另一種大小的資料，就無法直接照原本安排運算。數值的名稱、大小與所放的位置，都要和程式建立的結構對得上。
文字還要經過相容的切分器 (Tokenizer)：同一個 Token 編號要對到模型預期的那一列向量。只有一堆數值，卻不知道怎麼組成網路、怎麼準備文字，也還不能完整使用這個 LLM。
所以「下載一個模型」常是取得權重、結構設定與文字處理配套，再由相容程式載入執行。它們可能放在同一個資料夾或被一起封裝；本章分開講角色，不表示必須永遠分成三個檔案。
〈大量文字，怎麼變成一個可以使用的 LLM？〉的「保存與載入」，指的就是這段工作。下一章〈一篇文章，怎麼變成模型的訓練題？〉回到學習過程，先看訓練材料如何提供題目，再追參數如何更新。
參考：PyTorch：保存與載入模型、Transformers：模型保存、設定與載入（2026-10-07 查核）。本章只拆各角色與數值保存，不教檔案格式、硬體配置或真正的 LLM 下載操作。