iPAS AI 初級・漫畫式小白教材

Sparse MoE × GAN × CNN

稀疏專家混合 × 生成對抗網路 × 卷積神經網路｜三個「生成／影像」名詞怎麼分？

🎬 第一幕：小明想把照片變成公仔！

📷 原始照片

🧑📷

「我要把我的照片變成公仔風！」

AI 必須處理複雜的影像與生成任務。

🤖 模型很大

🧠🧠🧠

「模型參數越來越多，能力很強……」

但如果每次都啟動全部參數，運算成本也可能很高。

⚡ Sparse MoE

🧠➡️👥

「我只叫需要的專家來工作！」

每次只啟用部分專家，讓大模型在維持容量的同時提高運算效率。

🧠 一句話先背起來

Sparse MoE＝「模型很大，但每次只叫部分專家工作。」

GAN＝「生成器＋判別器互相對抗，讓生成結果更逼真。」

CNN＝「用卷積抓影像中的局部特徵，例如邊緣、紋理、形狀。」

⭐ 三個名詞不是同一個層次：MoE 重點在「怎麼有效率地使用大模型參數」；GAN 重點在「生成器與判別器的對抗訓練」；CNN 重點在「卷積與影像特徵擷取」。

👥 第二幕：Sparse Mixture-of-Experts 是什麼？

👨‍🏫 專家很多

👨‍🔬👩‍🔬👨‍💻👩‍💻

想像模型裡面有很多「專家」。

專家 A：語言
專家 B：影像
專家 C：數學
專家 D：程式……

🎯 Router

🚦➡️👨‍🔬

輸入進來後，由路由機制決定：

「這個問題要叫哪些專家？」

不是每次都讓所有專家一起工作。

⚡ Sparse

👥➡️👤👤

模型總容量可以很大。

但一次只啟用部分專家。

→ 降低每次推論所需的計算量。

🔀 第三幕：為什麼叫「Sparse」？

❌ Dense

👥👥👥👥

「所有人一起上！」

每次輸入都使用完整的模型參數。

✅ Sparse MoE

👥➡️👤👤

「這次只需要這幾位！」

只有部分專家被啟用。

🚀 效率

⚡📈

因此可以讓模型擁有很大的總參數容量，同時控制每次實際使用的計算量。

📌 考試關鍵字：「模型規模很大」＋「每次只使用部分參數／專家」＋「提升運算效率」 → Sparse MoE。

🎭 第四幕：GAN 是「生成器 vs 判別器」

🎨 Generator

🤖🎨

「我來生成一張看起來真的圖片！」

生成器負責產生資料。

🕵️ Discriminator

🕵️🔎

「這是真的，還是 AI 生成的？」

判別器負責判斷資料真偽。

⚔️ 對抗

🤖⚔️🕵️

生成器努力騙過判別器；判別器努力分辨真假。

→ 對抗訓練

GAN＝Generator「騙得像」＋ Discriminator「抓得準」

🧠 第五幕：CNN 是「影像特徵偵探」

📷 圖片進來

🧑📷

CNN 常用於影像相關任務。

「這張圖裡有哪些特徵？」

🔍 Convolution

🔎🧩

卷積運算可以在影像局部區域掃描。

逐步抓出：

邊緣 → 紋理 → 形狀 → 更高階特徵

🧠 CNN

🧠➡️🖼️

把影像中的空間特徵抽取出來。

可用於分類、偵測、影像處理等任務。

🥊 第六幕：三個到底差在哪？

比較	⚡ Sparse MoE	⚔️ GAN	🔎 CNN
核心概念	稀疏啟用部分專家	生成器與判別器對抗	卷積擷取局部空間特徵
主要解決／強調	大模型容量與運算效率	生成內容的學習與逼真度	影像特徵擷取與視覺任務
關鍵字	Router、Experts、Sparse、部分參數	Generator、Discriminator、Adversarial	Convolution、Filter、Feature Map
漫畫	👥「只叫需要的專家！」	🤖⚔️🕵️「你騙不了我！」	🔎「我來找圖片特徵！」

🎯 第七幕：題目關鍵字怎麼抓？

⚡ 遇到這些字 → Sparse MoE

大型模型＋部分參數啟用＋效率

例如：

「模型規模很大」

「每次只使用部分模型」

「降低計算成本／提升效率」

⚔️ 遇到這些字 → GAN

Generator＋Discriminator＋對抗

例如：

「兩個模型互相對抗」

「生成器騙判別器」

「判別真假」

🔎 遇到這些字 → CNN

Convolution＋影像特徵

例如：

「卷積」

「Filter／Feature Map」

「影像邊緣、紋理、形狀」

🧠 考試判斷法

不要只看到「圖片」就選 CNN 或 GAN。

題目真正問的是哪個概念：

效率 → Sparse MoE

對抗 → GAN

卷積特徵 → CNN

🚨 第八幕：四個選項的考試陷阱

❌ A. 單一稠密 Transformer，每次使用全部參數
題目強調「模型規模較大」還要「兼顧運算效率」，而 A 每次都使用全部模型參數，與「只啟用部分參數」的 Sparse MoE 特性相反。

✅ B. Sparse Mixture-of-Experts
正確！核心就是模型可以具有很大的總參數規模，但每次輸入只啟用部分專家，藉此降低每次實際計算量、提升效率。

❌ C. GAN
GAN 的核心考點是 Generator 與 Discriminator 的對抗訓練。雖然 GAN 可以用於影像生成，但題目真正強調的是「大模型＋部分參數啟用＋效率」，因此不是 C。

❌ D. CNN
CNN 的核心是卷積與影像特徵擷取。它可以處理影像，但「模型很大、每次只使用部分參數來提升效率」並不是 CNN 的核心特徵。

🧠 iPAS 考前超強口訣

Sparse MoE＝⚡「大模型，只叫部分專家！」
GAN＝⚔️「生成器 vs 判別器！」
CNN＝🔎「卷積找影像特徵！」

看到「部分參數／專家＋效率」→ ⚡ Sparse MoE

看到「Generator＋Discriminator＋對抗」→ ⚔️ GAN

看到「Convolution／Filter／Feature Map」→ 🔎 CNN

⭐ 最終口訣：MoE 管「怎麼用模型」；GAN 管「怎麼對抗生成」；CNN 管「怎麼抓影像特徵」。

🎯 最後來做你提供的例題

題目：小明在 2025 年使用 AI 模型，將自己的照片轉換為公仔風格影像。該模型在維持生成品質的同時，也能在模型規模較大的情況下兼顧運算效率。下列何者最能敘述此模型可能採用的設計方式？

A. 基於單一稠密 Transformer 架構，每次運算都使用全部模型參數
B. 採用稀疏專家混合（Sparse Mixture-of-Experts）架構，每次僅使用部分模型來提升效率
C. 採用生成對抗網路（GAN），透過兩個模型互相比較來提升影像品質
D. 採用卷積神經網路（CNN），直接進行影像轉換

🎯 正確答案：B. Sparse Mixture-of-Experts（Sparse MoE）✅

題目的真正關鍵不是「照片轉公仔」本身，而是後半段：「模型規模較大」＋「兼顧運算效率」。

這正對應 Sparse MoE：模型可以擁有很大的總參數容量，但每次輸入只啟用部分專家／參數，因此不需要每次都執行完整模型。

❌ A：每次使用全部參數，正好與 Sparse MoE「只啟用部分參數」的概念相反。

✅ B：大型模型＋部分專家啟用＋運算效率 → Sparse MoE。

❌ C：GAN 確實是影像生成的重要架構，但題目沒有強調 Generator／Discriminator 對抗，而是強調大型模型的效率。

❌ D：CNN 擅長影像特徵擷取，但「大型模型只使用部分參數來提高效率」不是 CNN 的核心概念。

⭐ 「模型很大，但每次只用一部分」→ B. Sparse MoE

📌 考前最後一張小抄

題目關鍵字	立刻想到
模型很大＋只啟用部分專家	⚡ Sparse MoE
Router／Experts／Sparse	⚡ Sparse MoE
Generator＋Discriminator	⚔️ GAN
對抗訓練／判斷真假	⚔️ GAN
Convolution／Filter／Feature Map	🔎 CNN
邊緣／紋理／影像特徵	🔎 CNN
大型模型＋運算效率	⚡ Sparse MoE

⭐ Sparse MoE：大模型只叫部分專家！
GAN：生成器跟判別器打架！
CNN：用卷積找影像特徵！