搜尋意圖: 如果你在找「生成式人工智慧 是什麼」、「生成式人工智慧 會怎麼考」或「生成式人工智慧 和相近概念差在哪」,先看這頁的定義、考點定位與延伸比較。
TL;DR: 生成式人工智慧是指能夠自主產生新內容(文字、圖像、影片、程式碼等)的 AI 系統,以大型語言模型和擴散模型為核心技術代表。
實用情境: 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步: 先讀完定義,再往下看延伸比較與對應工具,把概念轉成實際應用。
生成式人工智慧是指能夠自主產生新內容(文字、圖像、影片、程式碼等)的 AI 系統,以大型語言模型和擴散模型為核心技術代表。
什麼是生成式 AI?
生成式 AI 是一類能夠創造新內容的人工智慧系統。它透過學習大量現有資料的統計規律,在推論時產出從未出現過的新內容。不同於傳統 AI 只能「分類」或「預測」,生成式 AI 能「創作」。
生成式 AI vs. 鑑別式 AI
| 比較維度 | 生成式 AI | 鑑別式 AI |
|---|---|---|
| 核心任務 | 創造新內容 | 分類/預測標籤 |
| 學習目標 | 資料分佈 P(X) | 條件機率 P(Y |
| 輸出形式 | 文字、圖片、影片... | 類別標籤、數值 |
| 典型例子 | GPT-4、Stable Diffusion | 垃圾郵件過濾、人臉辨識 |
主要類型
大型語言模型(LLM)
GPT-4、Claude、Gemini 等,能生成文字、程式碼、翻譯、摘要。核心架構為 Transformer,預訓練於數兆字元的文本資料。
圖像生成模型
使用擴散模型(Diffusion Model)逐步去除雜訊來生成圖像。代表作:Stable Diffusion(開源)、DALL-E 3(OpenAI)、Midjourney。
影片生成模型
Sora(OpenAI)、Runway Gen-3、Kling 等,能根據文字描述生成影片片段。技術挑戰在於時序一致性與物理規律的維持。
多模態生成模型
同時理解並生成多種形式內容(文字+圖像+語音),如 GPT-4o、Gemini 1.5 Pro。
應用場景
- 內容創作:文案撰寫、圖像設計、影片剪輯腳本
- 軟體開發:程式碼生成、除錯、文件撰寫(GitHub Copilot、Cursor)
- 教育訓練:個人化學習素材生成、考題出題
- 客服自動化:智能客服、FAQ 回答
- 醫療輔助:病歷摘要、醫學報告生成
iPAS 考試重點
生成式 AI 是 iPAS 初級 L11 科目的核心考點,佔比約 10%。常見考題方向:
- 生成式 AI 與鑑別式 AI 的本質差異(佔 45%)
- 主流生成式 AI 工具的分類與特性(佔 30%)
- 生成式 AI 的風險與治理(如深偽技術、著作權問題)(佔 25%)
iPAS 考試出題分析
生成式人工智慧 屬於 高頻・初級 範圍,建議和相關概念一起複習,而不是只背單一名詞定義。
常見一起複習的方向包含:生成式 AI 與鑑別式 AI 差異、主流工具分類與特性、風險與治理。
常見問題
生成式 AI 和傳統 AI 有什麼不同?
傳統 AI(鑑別式 AI)主要用於分類和預測,例如判斷圖片是否為貓。生成式 AI 則能創造新內容,例如根據文字描述生成一張貓的圖片。兩者的學習目標不同:前者學習「如何區分」,後者學習「資料長什麼樣子」。
生成式 AI 的主要風險是什麼?
主要風險包括:1. 幻覺(Hallucination):生成看似合理但不正確的資訊;2. 深偽(Deepfake):生成假冒他人的圖像或影片;3. 著作權爭議:訓練資料可能涉及未授權使用;4. 偏見放大:若訓練資料存在偏見,生成內容也可能有偏見。
生成式 AI 一定要有大量算力才能使用嗎?
使用(推論)不需要。透過 API 呼叫 ChatGPT、Claude 等雲端服務,一般消費者電腦即可使用。但從頭訓練生成式 AI 模型確實需要大量 GPU 算力,成本極高,通常只有大型企業或研究機構才能負擔。