生成式人工智慧（Generative AI）
一種強大的自然語言處理模型，透過龐大的參數數量，能夠根據使用者提供的提示詞，生成出連貫、有意義的文本回應（或圖像、語音、影片等其他素材）。CH3.4 的定義角度：透過學習數據的聯合分佈 \(P(x,y)\) 或邊際分佈 \(P(x)\) 來生成新數據樣本，目標是模擬真實數據分佈、創造具真實感且多樣化的新樣本。
運作原理
根據輸入的提示詞，模型會在經過大量文本訓練後所建立的「文字機率分布」中，尋找最可能接續的文字，並以此方式逐字生成回應。參數越多，模型就越能捕捉語言的細微差異，生成更豐富多樣的回應。
生成式 AI 使用者會基於提示工程（Prompt Engineering）持續反覆調整輸入提示，直到任務解決為止；其「基於相同輸入產生不同輸出」的固有變異性（Inherent Variance），是它與 鑑別式AI 最主要的區隔。
訓練流程兩階段
| 階段 | 內容 |
|---|---|
| 訓練階段 | 數據準備（蒐集/清洗/預處理）→ 模型選擇與搭建（GAN、VAE、Transformer）→ 模型訓練（損失函數、優化器如 Adam/SGD、迭代訓練） |
| 微調階段 | 特定任務優化（調整超參數、添加特定層）＋數據精調（特定數據集、數據增強） |
效能關鍵因素
數據品質、模型結構、超參數設置、計算資源。
代表模型與挑戰（CH3.4 補充）
與鑑別式 AI 的整合應用
生成式 AI 的數據生成能力與鑑別式 AI 的分類預測能力相輔相成：GAI 模擬真實數據分佈、解決數據稀缺或不平衡問題，DAI 則對生成數據進一步分類、預測與分析。例如醫療影像分析中，GAN 生成病變模擬影像用於訓練鑑別式模型，提升腫瘤辨識的泛化能力。整合挑戰包括訓練穩定性（可用 Wasserstein GAN 改善）、數據偏差與公平性、整合架構設計。
對 No Code / Low Code 平台的提升（CH3.1／科目二 補充）
1. 自動生成程式碼 2. 模板設計優化 3. 數據分析與決策 4. AI 驅動的 UI/UX 設計 5. 自動化行銷文案生成 6. 個人化 App 快速開發
重要里程碑
ChatGPT 於 2022 年 11 月正式向公眾推出，掀起生成式 AI 的重大科技革命浪潮。
AI 發展階段中的定位（中級科目一補充）
依 NVIDIA（2025 CES）觀點，AI 發展分四階段：感知AI（理解資訊）→ 生成式 AI（創造內容）→ 代理式AI（推理規劃執行任務）→ 物理AI（真實世界操控互動）。生成式 AI 是 AI 從「分析工具」轉向「主動創造價值」的關鍵轉捩點。
技術演進五階段（中級科目一補充）
VAE/RNN（2013–2015，生成模糊）→ GAN 時代（2014–2020，對抗訓練）→ Transformer 崛起（2017 起，自注意力）→ 擴散與多模態（2020 起）→ 巨型模型與 Agent 化（2023 起）。
易混淆
- vs 人工智慧：生成式 AI 只是 AI 的其中一種類型（生成型 AI），不能代表 AI 整體。
- vs 深度學習：生成式 AI 通常以深度學習模型（如 Transformer、GAN、VAE）為基礎技術實現。
- vs 鑑別式AI：GAI 學 \(P(x,y)\) 或 \(P(x)\)，目標是「創造」新內容；DAI 學 \(P(y|x)\)，目標是「判斷」分類。GAI 的訓練挑戰是模式崩潰/梯度消失，DAI 的訓練挑戰是數據偏見/過擬合/標記成本。
📖 課文原文「生成式人工智慧的訓練過程主要分為兩個階段：（1）訓練階段……（2）微調階段：在預訓練模型的基礎上，使用特定領域或任務的數據進行進一步訓練，以提升模型在特定任務上的表現。」
（CH3.4）「生成式 AI 則專注於學習數據的聯合分佈 P（x,y）或邊際分佈 P（x），並能生成具有創新性的新數據樣本。」
（科目二 CH3.1）「生成式 AI 是人工智慧的一個重要分支，其核心特徵在於透過模型的學習能力生成新內容，而非僅僅分析或辨識現有數據。」