2025/12/26（五） Writer：Eddy Lin
近期 AI 時代來臨，各家產品迭代的速度，可以說是無所不用其極。看起來是完全沒在管什麼 Product Roadmap 這種東西。一有新型更強大的 AI 模型開發出來，二話不說直接推出到市場上，直接讓用戶成為第一線的測試者。
也因為現在正值這樣的時期，作為使用者的我們﹐無疑是最大的受惠者。倒應該盡可能的來好好來瞭解，每款 AI 工具究竟應該如何應用，來幫助自己不管是學習又或是工作上，追求效益最大化。原先筆者會根據每個時期不同 AI 模型的效能來做使用，以 ChatGPT 和 Gemini 為例，都是看該時期誰效能強，就改為用該款來做為主要輸出的工具。但到現在這個階段，似乎可以開始選邊站了。同款皆以推理與生成為核心的聊天型 AI，與其選擇各種五花八門的，不如就選擇一個主要的工具來持續深耕。目前我自己是以 Gemini+NotebookLM 的組合來做為主要的應用工具（這組合完全足夠應付我80%以上的工作和學習需求）。
今天這篇主要來介紹 NotebookLM 這個由 Google 所推出的AI 工具。簡單介紹一下 NotebookLM 運作的方式、適用的場景以及使用的技巧，幫助大家迅速理解該如何好好的來使用這個工具，以及協助判段 NotebookLM 適不適合放入你的 AI 工作流當中。
NotebookLM 是由 Google 所推出的**文件導向型 AI。基於 Gemini 系列模型。**筆者將其定位為，協助理解的 AI 助手＆ AI 筆記工具。有別於 ChatGPT/Gemini 這類型的聊天型機器人，主要用來統整大型文件的工具。包含了：研究報告、數據資料、White Paper、學習筆記等。將生硬且難懂的報告，又是或還沒有整理好的筆記丟上去，NotebookLM 會自動將其內容拆解，並統整為簡單易讀的摘要筆記。
小提醒：NotebookLM 並非生成報告用的工具，僅是輔助理解（研究還是得自己做；論文還是得自己寫 @@）
對於想入手 AI 工具，將其融入於自己 Workflow 的新手朋友來說。市面上太多主打以 AI 為名的產品，一時之間，可能會無法瞭解，各工具之間為何會有應用上的不同。這邊也稍微簡單科普一下。
NotebookLM 所產出的結論，是以你提供的資料做為知識來源唯一的途徑。定位為，文件導向型或是資料定錨型 AI（Document Grounded） 因此較不容易出現所謂 AI 幻覺的問題，產出的內容都是依據你提供的資料而輸出的，不是糊瞎謅亂找的資料，而是有憑有據的，結論都是能夠在提供的資料中被驗證的。
ChatGPT/Gemni 則是，**模型内建大量世界知識，不限定資料的來源。定位為，聊天型或是開放式知識的通用生成式 AI （Conversational Generative）**能夠回答已提供資料之外的問題。這類型的 AI 工具，會自行推論將脈絡補齊。同時也更傾向對話導向，追求使用自然語言的對話模式。想當然而，也相較不追求每個結論都能夠被驗證，一定程度上允許所謂的合理推論。
我們從技術層面上稍做解釋，應該可以更加理解兩者之間的差別。先下個小結。 兩者差別並不是在於模型強大與否，而是模型被允許使用哪些 Token 來做為知識來源。（這句超級 AI 像句型 @@）
ChatGPT/Gemini：隱式知識（Implicit Knowledge）
上面其實已經提過。知識的來源，源自於模型參數本身（數千億-兆級參數）。下 Prompt 後，經 LLM（內建知識）去做 Token Prediction，得出的結論其實是預測後機率最高的語句來生成。
流程：Prompt → LLM（內建知識）→ Token Prediction → Result（預測後最合理的）
NotebookLM：顯式檢索（Explicit Retrieval）
知識的來源並非來自於模型本身，而是**來自於你提供的資料。**下 Prompt 後，會將文件內容切成一塊一塊（Chunk），並將文字轉換為向量（轉換為向量的原因在於，其本身不能夠讀懂文字。而是將文字轉換為一串數字，而這一串數字為，在此語意空間裡的座標。）文件與問題會進到同一個語意空間裡。接著檢索資料，再透過資料輔助生成，最後只用檢索到的資料來回答。
流程：Prompt → Chunk（文件切片）→ RAG（Retrieval + Augmented Generation）→ Result（僅透過檢索到的資料回答）
ChatGPT/Gemini：自由推理（Free Form Reasoning）
從模型參數本身當中的資料，來結合不同領域的知識；能補齊 Prompt 當中缺乏的資訊。並推理出最合理的答案。
NotebookLM：定錨推理（Grounded Reasoning）
模型的推理透過 RAG 一定程度上的受到限制。檢索到的內容僅來自於資料中所提供的，換句話說，是文件當中實際存在的內容。（ex. 段落A + 段落B → 結論C）