AI · AI 基礎
什麼是生成式 AI（Generative AI）？
簡答
生成式 AI 是能夠創造全新內容的軟體，內容包括文字、圖片、影片、聲音或程式碼，而不只是對既有資料做分類或評分。模型先從海量範例中學會規律，當你下達指令（也就是提示詞，prompt）時，就會產出符合這些規律的新內容。ChatGPT、Claude、Midjourney，以及以 Whisper 為基礎的工具，都是常見例子。
開啟AI 繪圖產生器生成式 AI 與其他 AI 的差別
2020 年代之前的 AI 大多屬於預測型：看一筆輸入，回傳一個標籤或數字，例如這封信是不是垃圾郵件、這間房子值多少錢、照片裡是誰。生成式 AI 則把方向倒過來：給它一小段輸入，它會回傳一份全新的內容。
兩者都靠範例訓練，也都是統計模型，差別在輸出的形式。垃圾郵件過濾器只輸出一個詞；語言模型輸出的卻是一段從未存在過的文字。
| 預測型 AI | 生成式 AI | |
|---|---|---|
| 典型問題 | 這屬於哪一類？ | 請做出符合這段描述的東西。 |
| 輸出 | 標籤、分數或數字 | 文字、圖片、影片、聲音或程式碼 |
| 例子 | 垃圾郵件過濾、盜刷警示、臉部解鎖 | 聊天助理、圖片生成器、語音合成 |
| 如何檢驗 | 與正確標籤比對 | 較困難：許多輸出都可能是可接受的 |
許多產品兩者並用。語音轉文字工具嚴格來說也算生成式，因為它會寫出逐字稿；但它更接近預測，因為正確的逐字稿只有一份。
生成式模型如何運作
所有生成式模型都遵循同樣的兩階段概念。訓練時，模型看過數百萬甚至數十億筆範例，並調整內部的數值（稱為參數或權重），讓自己更能重現資料中的規律。使用時稱為推論（inference），模型從你的提示詞出發，依照學到的規律一步步生成新內容。
模型並不會把每筆訓練範例存起來再貼回去，它存的是文字、圖像或聲音「通常長什麼樣子」的壓縮統計圖像。這就是它能產生新組合的原因，也是它會信心滿滿地出錯的原因。
目前大部分工作由三大類模型負責：
| 類型 | 生成方式 | 常見用途 |
|---|---|---|
| 自迴歸（Transformer） | 預測下一個片段（token），再預測下一個，一次一個 | 聊天、寫作、程式碼、翻譯，以及部分圖像模型 |
| 擴散模型 | 從隨機雜訊出發，經過多個步驟逐步去除雜訊，直到出現圖片或影片 | 大多數文字生成圖片、文字生成影片工具 |
| GAN（生成對抗網路） | 生成器與鑑別器彼此對抗、一起訓練 | 早期的人臉與風格生成器、部分超解析工具 |
2017 年提出的 Transformer 架構，是幾乎所有大型語言模型的基礎。2020 年之後，擴散模型成為圖像生成的主流做法。GAN 最早出現於 2014 年，至今仍用在一些需要快速出圖的任務。界線也越來越模糊：有些圖像模型是自迴歸的，有些影片模型則結合了擴散與 Transformer。
生成式 AI 能做出什麼
同樣的概念適用於各種媒體，不同的只是訓練資料，以及輸出的表示方式。
| 輸出 | 常見輸入 | 知名例子 | 常見弱點 |
|---|---|---|---|
| 文字 | 問題或指令 | ChatGPT、Claude、Gemini、DeepSeek、Qwen | 捏造事實與引用來源、知識過時 |
| 程式碼 | 任務描述、既有程式碼 | 建立在同類 LLM 上的程式碼助手 | 看似正確卻漏掉邊界情況，或使用不存在的函式 |
| 圖片 | 文字提示詞、參考圖 | Midjourney、GPT image、Stable Diffusion、FLUX、Imagen | 手部、可讀的文字、物件的精確數量 |
| 影片 | 提示詞、起始圖、首尾影格 | Veo、Kling、Runway、Seedance | 物理規律、物體恆存性、跨鏡頭的一致性 |
| 語音與音樂 | 文字、聲音樣本、風格描述 | 神經網路語音合成、音樂生成器 | 重音不自然、人名、混合語言 |
| 逐字稿 | 音訊或影片 | Whisper 與類似的語音模型 | 濃重口音、多人同時說話、冷僻人名 |
並非所有 AI 媒體工具都算完整意義上的生成式。例如 cv.cm 的照片轉影片工具，是從單張照片估算深度圖，再讓虛擬攝影機在其中移動。鏡頭會動，但被攝主體不會動，因為並沒有憑空生成任何新的動態畫面。相較之下，文字生成影片模型會生成每一個影格。
實際範例：同一個點子，搭配多種模型
假設一家小店想用 15 秒的短片宣傳一款新陶瓷馬克杯，典型的生成式工作流程如下：
- 文字：請聊天模型寫三則短文案和一份 30 字的旁白稿，再挑一則滿意的親手修改。
- 圖片：向圖像模型描述畫面，例如木桌上的產品、柔和的晨光，生成多張後挑一張。
- 影片：把那張圖交給圖生影片模型，搭配簡短的動態提示詞，例如鏡頭緩緩推近、杯口蒸氣升起。
- 配音：用語音合成模型把稿子轉成語音，或是自己錄音。
- 字幕：把音訊交給語音轉文字模型，得到 SRT 檔案，再修正錯字。
- 檢查：確認產品和實物相符、文字沒有拼錯，並在法規要求的地方標示為 AI 生成。
每一步用的模型不同，做的卻是同一件事：把一小段指令變成符合訓練規律的新內容。每一步也都需要人工檢查，因為每種模型都有自己典型的失誤。
Weak prompt:
mug ad
Stronger prompt:
A white ceramic mug with a thin blue rim on a light oak table,
soft morning window light from the left, steam rising,
shallow depth of field, product photo, no text, no logo.較好的提示詞寫明了主體、材質、場景、光線，以及不要出現什麼。生成式模型會用訓練資料中最典型的選擇去填補每個空白，所以你寫得越具體，它需要猜的就越少。
生成式 AI 擅長與不擅長的事
生成式 AI 擅長快速產出初稿、改寫文字、摘要你提供的長篇資料、翻譯、發想大量選項，以及把粗略的想法變成圖像或聲音。
它的弱點則集中在可預期的地方：
- 事實：語言模型可能信心十足地說出錯誤資訊，這叫做幻覺（hallucination）或虛構（confabulation）。
- 計數與精確細節：五根手指、三顆蘋果、12 個字的句子，模型只能大致接近。
- 圖片裡的文字：招牌和標籤常常拼錯，不過撰文當下這點已有改善。
- 影片中的物理與連貫性：物體可能融在一起、消失，或做出不可能的動作。
- 最新資訊：除非接上搜尋，否則模型只知道截止日期前的訓練資料。
- 冷門語言、方言與口音：訓練資料稀少的地方，品質就會下降。
實用的原則是：錯誤容易發現、修正成本低的地方放心用；一旦出錯代價很高，就必須逐項查證。
負責任地使用生成式 AI
發布或依賴 AI 輸出之前，可以先對照這份簡短清單：
- 事實、數字、引述和連結，都要對照第一手資料查證。
- 不要把私人資料、密碼、客戶檔案或身分證件貼進你無法掌控的工具。在你自己的裝置上執行模型的瀏覽器工具，則不需要上傳檔案。
- 確認工具的商業使用條款，也不要用提示詞生成你無權使用的真人、商標或角色。
- 法律或平台要求時，請標示 AI 生成或 AI 編輯的媒體。中國、歐盟和許多平台現在都有標示規範。
- 最終結果仍要由人負責，尤其是在健康、法律、金融與新聞領域。
生成式 AI 是預測「合理輸出」的工具。把它當成快速起草的助手，而不是無所不知的權威，它就會非常好用。
常見問題
ChatGPT 是生成式 AI 嗎？
是。ChatGPT 是建立在大型語言模型上的聊天產品，而大型語言模型就是一個 token 一個 token 寫出文字的生成式模型。部分版本也能生成圖片與語音。
AI 和生成式 AI 有什麼不同？
AI 是泛指能執行看似需要智慧的任務的軟體領域。生成式 AI 是其中負責創造新內容的一支，相對於分類、排序或預測單一數值的 AI。
生成式 AI 會複製訓練資料嗎？
通常產生的是新的組合，而不是複本，但模型有時仍會非常接近地重現某些段落、圖像或風格，尤其是知名或被大量重複的作品。這也是 AI 的著作權問題至今仍在釐清的原因之一。
生成式 AI 等於 AGI 嗎？
不是。AGI（通用人工智慧）是假設中在幾乎所有任務上都能與人類匹敵的系統。現今的生成式模型在許多任務上表現亮眼，卻仍會在簡單的檢驗上失敗，需要人工監督。
生成式 AI 可以免費使用嗎？
可以。許多聊天助理有免費方案，也有些工具直接在瀏覽器裡執行開放模型，完全免費。免費方案通常有使用量限制，商業使用條款也因工具而異。