隨著大型語言模型(Large Language Models, LLMs)被廣泛應用於搜尋、寫作、客服與決策輔助，一個越來越重要的問題是：當AI遇到未預期的狀況時，我們還能不能信任它的表現？
這正是｢可靠性(Reliability)｣所關心的核心。
在AI系統中，可靠性指的是模型對於輸入變化、干擾或雜訊的敏感程度是否受到良好控制。具體來說，可靠性是一種評量模型敏感度的指標，當模型面對不同類型的干擾、語言變化或異常情境時，是否仍能維持最小化的敏感變異，也就是在未預期狀況下，依然保有良好的表現與預測能力。換言之，可靠性並不是要求模型永遠正確，而是希望模型的輸出不會因為些微、非本質性的變化，就出現過度波動或難以解釋的差異。
這樣的定義，也可以具體理解為:當輸入條件僅有小幅變動時，模型的行為是否仍維持合理且可預期的範圍。例如，如果今天與明天對模型提出內容高度相似的問題，模型的回應即使在措辭上略有不同，整體結論與關鍵資訊仍應保持一致。若模型對於這些輕微差異過於敏感，導致輸出出現明顯落差，就代表其可靠性不足。
舉一個實際例子來說，假設民眾向大型語言模型詢問:｢政府補助某項數位轉型計畫的申請資格有哪些？｣今天模型給出一組完整且條理清楚的條件說明，但隔天在提問方式僅有細微語句差異的情況下，卻漏掉其中一項關鍵資格，甚至加入原本不存在的限制條件。這樣的情況下，模型並未產生有害內容，也沒有遭受攻擊，更不涉及責任歸屬問題，但它對於輸入變化表現出過高的敏感度，使得輸出結果難以預測。對使用者而言，最大的困擾不在於單一答案是否正確，而是模型在相似條件下，究竟能不能穩定提供可信的資訊。這正是一個可靠性不足的典型例子。
可靠性的重要性，在於AI幾乎不可能只面對｢理想輸入｣。實際使用情境中，使用者的提問可能不完整、表達方式各異，甚至夾雜模糊或歧義的描述。當模型面對這些干擾或異常情況時，是否仍能維持合理的推論能力，而不是因為細微變動就產生大幅偏移的輸出，將直接影響使用者對AI的信任程度。尤其在政府治理、醫療輔助或金融分析等場域中，對輸入變化高度敏感的模型，即使沒有惡意，也可能因不穩定的行為而帶來實際風險。
需要特別說明的是，｢可靠性｣常與其他AI相關概念混用，但實際關注重點並不相同。
Reliability(可靠性)關心的是模型對干擾、雜訊或異常狀況的敏感度是否被妥善控制，能否在未預期情境下維持最小化的表現變異:
Resiliency(韌性)則著重於 AI 系統是否具備適應不同環境、需求與條件的能力，能隨情境變化進行調整、擴展或重組，以持續滿足使用需求；
Safety(安全性)關心的是當 AI 系統發生功能失效或異常時，是否已事先評估潛在風險，並具備相應的回應與防護機制，確保不會對人類、環境或資產造成傷害;
Accountability(當責性)則強調在AI系統造成影響或問題時，是否能夠追溯決策過程、釐清責任歸屬，並透過組織治理與風險管理機制，持續降低可能的傷害。
簡單來說，一個模型可能在安全性設計上相當完善，但對於輸入變化過於敏感，導致表現不穩定;也可能在正常條件下展現良好的可靠性，但仍需要透過韌性設計與當責機制，才能在真實世界中被長期、安心地使用。這些面向彼此相關，但並不等同。
總結而言，大型語言模型的可靠性，是AI從｢能夠運作｣走向｢值得信賴｣的重要基礎。唯有在面對干擾、雜訊與未預期狀況時，仍能維持最小化的敏感變異與可預期的行為，AI才能真正成為可被實際依賴的輔助工具。
