跳至主要內容
Study Jam:GenAI 開發者實戰 — 第 1/29 篇

生成式 AI 導論

內文字級

生成式 AI 導論
更新:2026-10-12

課程概述

聽到「AI 會寫文章、畫圖」,很容易以為它和以前做分類、預測的 AI 是兩回事。其實它們有共同的技術基礎,只是要解的問題不同。這篇先把 AI、機器學習、深度學習和生成式 AI 的關係說清楚,再看它適合做哪些事。

生成式 AI 技術心智模型:AI 包含機器學習、深度學習與生成式 AI;判別式模型輸出固定類別,基礎模型由多模態資料預訓練後生成文字、圖片、音訊與程式碼,缺乏依據的輸出可能產生幻覺

生成式 AI 是 AI/ML/深度學習層次中的一支:判別式模型學決策邊界,生成式基礎模型則學資料分布並適配多種任務。輸出若能檢索並查證來源就較可靠,缺乏依據時則要把幻覺當成系統性風險。

你將學到

  • 區分 AI、機器學習(ML)、深度學習(DL)與生成式 AI 的層次關係
  • 解釋生成式 AI 的運作原理:從訓練資料到內容生成
  • 認識 Google Cloud 在生成式 AI 領域的關鍵產品與定位
  • 了解 Foundation Model(基礎模型)與 Fine-tuning(微調)的差異
  • 掌握生成式 AI 的主要應用類型:文字、圖片、程式碼與多模態

核心概念

AI 的層次結構

人工智慧(AI)是範圍最大的概念,講的是讓機器模擬人類智慧。機器學習是 AI 底下的一塊,重點在用資料學出規律,而不是把規則一條一條寫死。深度學習又更進一步,用多層神經網路來處理複雜的資料模式。生成式 AI 則是深度學習的其中一個應用方向,專門用來產生全新的內容。

生成式 AI 與判別式 AI 的差異

判別式模型(Discriminative Model)學的是分類邊界,回答的是「這是貓還是狗?」這種問題。生成式模型(Generative Model)學的是資料的整體分佈,所以它能回答「畫一隻貓給我看」。就是這個根本差異,讓兩者的應用場景差很多。

AI、機器學習、深度學習、基礎模型與生成式 AI 的範圍關係,以及判別式任務和生成式任務的輸入輸出差異

先分清技術範圍,再辨認任務:分類、排序與預測多半是在既有候選中判斷,文字、圖片與程式碼生成則是在條件下產生新內容。基礎模型可支援兩類任務,不能只看產品名稱判斷。

Foundation Model 的重要性

基礎模型是用大規模資料集預訓練出來的通用模型,知識面廣、能做的事也多。開發者可以用 Prompt Engineering(提示工程)直接拿來用,也可以用 Fine-tuning(微調)針對特定領域調整,不用從零開始訓練一個模型。Google 的 Gemini 就是這類基礎模型的代表。

查看流程與節點文字

箭頭表示流程方向;方括號與引號內是節點名稱,可搭配下方圖解閱讀。

%%{init: {"flowchart": {"curve": "linear", "nodeSpacing": 24, "rankSpacing": 32}}}%%
flowchart TD
  NEED["先說清楚要解決的問題"] --> OUTPUT{"需要產生新內容嗎?"}
  OUTPUT -->|"不用,只要分類、排序或預測"| PREDICT["先評估規則、傳統分析<br/>或判別式機器學習"]
  OUTPUT -->|"需要"| MODALITY{"要產生哪種內容?"}
  MODALITY -->|"文字/程式碼"| LLM["選擇語言或多模態模型"]
  MODALITY -->|"圖片/音訊/影片"| MEDIA["選擇對應的生成模型"]
  LLM --> EVIDENCE{"內容需要最新事實或引用嗎?"}
  MEDIA --> REVIEW["檢查授權、安全與品牌規範"]
  EVIDENCE -->|"需要"| GROUND["接上可信資料來源,再產生草稿"]
  EVIDENCE -->|"不需要"| DRAFT["直接產生草稿"]
  GROUND --> REVIEW
  DRAFT --> REVIEW
  REVIEW --> HUMAN["由人確認品質與風險後交付"]
  PREDICT --> VERIFY["用測試資料驗證是否真的比較好"]
先問任務要的是判斷還是生成,再看內容型態與事實依據。生成式 AI 很會做草稿,但交付前仍要檢查來源、授權和風險。

Hallucination(幻覺)現象

生成式 AI 有時會生出看起來很合理、但其實是錯的內容,這就叫「幻覺」。原因在於模型本質上是在做機率性的預測,並不是去查一個事實資料庫。搞懂這個限制,是用對生成式 AI 的關鍵。

生成式 AI 主張層級驗證流程:先判斷是否需要外部事實,再檢索可信來源、標註引用、逐項核對主張,最後依證據狀態決定交付或人工審查

降低幻覺不能只靠一句「請勿捏造」,而要把回答拆成可驗證的最小主張,逐項核對來源、時效、單位與彼此是否矛盾。沒有證據就標示不確定,高影響決策則交由人員審查。

實作重點

  • 在 Google Cloud Console 中開啟 Gemini Enterprise Agent Platform(課程錄影中的舊名稱是 Vertex AI),瀏覽 Model Garden 中可用的基礎模型
  • 嘗試使用 Agent Studio(原 Vertex AI Studio)的文字提示功能,直觀感受生成式 AI 的輸出能力
  • 注意觀察不同 prompt 會如何影響模型輸出的品質與方向
  • 區分 Zero-shot、One-shot 與 Few-shot 提示的差異對輸出的影響

課程導讀

課程連結:Introduction to Generative AI — Google Skills

依課程頁,這門課由影片、小測驗和一份閱讀組成,沒有實作 Lab。建議觀看時特別留意 AI 層次結構的圖示說明,以及 Google 如何定位自家的生成式 AI 產品。做測驗前先確認自己說得出:生成式 AI 的定義、與傳統 ML 的差異、以及 Hallucination 的概念。

延伸學習

Study Jam:GenAI 開發者實戰 — 第 1 篇/共 29 篇 查看系列全覽 →

讀完後,留一個學習紀錄

試著用自己的話說出一個重點,以及你會如何運用。實作文章請先核對結果與清理資源,再標記為讀完。

文章進度以你確認讀完的標記為準,可隨時取消。舊版造訪紀錄保留,但不計入讀完;這份自評不代表已掌握內容。

留言討論

文章目錄與系列

徽章解鎖!