生成式 AI 是什麼？Generative AI 介紹、應用工具一次看

人工智慧（AI）的浪潮席捲全球，其中生成式 AI 更是近年來最引人注目的焦點。

這項技術的快速發展，不僅改變了我們對科技的想像，更深刻地影響著各行各業，如果你還不知道生成式 AI 是什麼，或是想知道它跟分辨式 AI 的區別、使用上有哪些優缺點？往下看這篇文章就對了！

何謂生成式 AI？生成式 AI 的英文為 Generative AI，也可以簡稱為 Gen AI，而中文全名為生成式人工智慧。

生成式 AI 是一種能夠根據輸入的數據，生成全新、原創內容的人工智慧技術。

不同於傳統 AI 主要用於分析數據，生成式 AI 更具創造力，可以產生文字、圖像、音樂、程式碼等各種形式的內容。

想像一下，你有一個超級聰明的機器人畫家。 你給它一張貓咪的照片，告訴它：「我要畫一隻像這樣，但是會飛的貓咪！」這個機器人就會根據它學習過的無數張貓咪照片和飛鳥的照片，創造出一隻既像貓又像鳥的全新圖片。這就是生成式 AI 正在做的事情！

生成式 AI 為我們的生活帶來許多便利，逐漸成為各行各業的重要工具。不過如同任何新興技術一樣存在著兩面性，生成式 AI 也帶來挑戰，以下將分享生成式 AI 的優缺點有哪些：

🔺生成式 AI 優點

• 提升工作效率

生成式 AI 能夠快速生成文本、圖像和音頻等多種形式的內容，這大大提高了工作的效率。例如在行銷領域，生成式 AI 能根據不同目標客群設計廣告文案，並在短時間內完成繁重的工作，讓行銷人員有更多的時間專注於創意、策略的發展。

• 降低人力成本

由於生成式 AI 能夠自動化許多任務，因此能有效降低企業的人力成本。特別是需要大量人力資源進行的任務，如市場調查、企業客服回覆等。

• 強大學習和模仿能力

生成式 AI 擁有強大的學習能力，能深入學習並模仿人類在創作上的風格。無論是在內容創作、藝術設計等領域，AI 可以作為人類的得力助手，提供靈感。

🔺生成式 AI 缺點

• 智慧財產權風險

生成式 AI 的運作依賴於大量的數據訓練和模型開發，其中包含了廣泛的知識、創意，甚至受版權保護的作品。

因此，在使用生成式 AI 生成的內容時，我們可能會不經意地侵犯原創者的權益，從而引發知識產權和版權方面的法律問題。

• 內容準確性

生成式 AI 生成的內容可能混合虛假資訊和部分事實，甚至創造出極為逼真的圖像。因此，對於使用者而言，建立有效的內容審查機制和識別資訊真實性相當重要。

• 演算法偏見和歧視

當訓練數據中存在性別、種族或其他方面的偏見時，生成式 AI 可能會放大這些偏見，從而產生歧視或不公平的結果。

可以把訓練數據比作培養 AI 的土壤，如果這片土壤裡充滿了偏見的種子，那麼 AI 成長後所結出的果實，自然也會帶有這些偏見的痕跡。

分辨式 AI（Discriminative AI）專注於學習區分不同類別的資料，這類模型不會生成新數據，而是用於分類和預測，基於給定的輸入數據來判斷其所屬的類別。

簡單來說，分辨式 AI 就是把資料貼上標籤，而把資料貼上標籤的過程中，系統會自動學習並將其訓練成一個分類模型。

舉個例子，我們要用分辨式 AI 協助檢測癌症，那需要將大量的 X 光或 CT 影像數據餵給機器，讓他理解這些影像是癌症患者身體狀況，下一次系統看到相關圖片，便能根據學習數據判斷是癌症患者。

而分辨式 AI 跟生成式 AI 在模型的根本上完全不一樣，生成式 AI 不會有貼標籤的資料過程，而是直接借助資料和演算法讓系統自動訓練模型，然後透過這個訓練模型生成新的數據或內容。

這邊延用上述醫療案例，舉例來說，當醫生問機器：「癌症患者的 X 光片通常會有什麼特徵？」機器會運用過去學習的數據，產出相對應的文字、圖片，藉此快速協助醫生判斷病徵。由此可見，生成式 AI 具有更強的創造力。

生成式 AI 原理是基於我們餵入龐大的數據集、複雜演算法進行學習。而這些演算法，我們可以稱之為生成式 AI 的核心技術，以下統整 3 大常聽到的技術名詞：

機器學習（Machine Learning）是人工智慧（AI）的一個分支，在學習上是一種以數據為基礎，讓演算法透過大量學習資料的 AI 機器學習模式，換言之，它無需透過人為明確編寫指令來執行特定任務，而是利用自動學習到的規律去解決各種新的問題。

就像學生透過大量的練習題、閱讀材料等，自動歸納出解題方法、知識點之間的關聯，並運用這些知識解決新的問題。

在介紹深度學習之前，首先需要了解神經網路（Neural Network）的基本概念。一個基本的神經網路會透過 3 大層來使人工神經元互連：輸入層、隱藏層和輸出層，而且基本神經網路擁有的隱藏層數量不多。

• 輸入層：輸入層是神經網路的第一層，負責接收來自外界的資料，例如圖片或明顯特徵值，以便進一步處理。

• 隱藏層：位於輸入層與輸出層之間，負責數據的深度加工和分析，這一層不直接與外部互動而是進行內部計算。

• 輸出層：神經網路的最後一層，負責將隱藏層處理後的結果傳遞給外部，形成最終的預測或分類結果。

憑藉其非線性變換和多層結構，神經網路成為 AI 的理想選擇。無論是視覺、聽覺還是文本等領域，神經網絡都能夠根據任務需求，自適應地學習和生成各種形式的數據，相較於傳統機器學習做到更多事。

而在此基礎上，深度學習（Deep Learning）作為機器學習的進階版，進一步擴展了神經網路的能力。它受到人腦結構的啟發，使用多層人工神經網路來學習複雜的模式。

「深度」學習指的就是使用多層神經網路資料分類（需要數十萬甚至數百萬的隱藏層），越多層越能分辨出更複雜、更準確的資訊，但相對也需要更多計算資源。

AI 深度學習透過堆疊多層神經網路，逐層提取資料特徵並且辨別，為影像辨識、自然語言處理、醫療診斷等領域取得了突破性進展。

大型語言模型（Large Language Model，LLM） 是一種利用大量文本數據訓練出來的人工智能模型。 它透過學習海量的文本資料，理解人類語言的結構、語義和上下文，進而能夠生成人類水平的文本、翻譯語言、撰寫不同風格的創意內容等等，以及回答各種問題。LLM 正是藉由上述提到的「深度學習 」來理解語言。 LLM 可以接受訓練來完成許多任務。最知名的用途之一是作為生成式 AI 的實際應用，就像 ChatGPT 、Claude 等工具，皆有運用 LLM 模型原理。

要讓生成式 AI 發揮出最大的價值，我們需要考慮如何讓它更好地理解和利用現有資訊。 RAG 正是這樣一種技術，它能夠幫助生成式 AI 更好地索引和檢索信息，從而產生準確、個性化的內容。

接下來，我們將深入探討生成式 AI 的 3 大產業應用場景，以及如何結合 RAG ，為企業打造實際有價值的 AI 應用。

如同前面所述，生成式 AI 主要功能是利用機器學習和深度學習模型生成新的內容，像是文字、語音等，也可以和不同數位工具進行融合，那這些工具要如何應用在不同產業呢？這邊舉醫療健康、金融服務和藝術設計為例：

🔺醫療健康

在藥物研發過程中，AI 可以幫助科學家找到更多具有潛力的候選化合物，提高藥物開發的成功率，或是幫助醫生更準確地診斷疾病，並提供更個性化的治療方案。

舉例來說，Google 於 2023 年發表的 MedLM 醫療專用模型，為醫療產業帶來效益，透過生成式 AI 協助醫護人員與患者進行更有效的溝通。

🔺金融服務

每個人一定都有打電話到銀行客服的經驗，需要按好幾層快捷鍵，甚至常常被告知忙線中，如果透過生成式 AI 客服機器人協助，針對客戶描述的情境與條件，提供相對應的知識問答，並解釋其原因，進而大幅節省用戶的等待時間。

🔺藝術設計

直接舉例藝術設計領域的生成式 AI 工具 —— Midjourney。它能夠根據文字描述生成各種風格的圖像。簡單的文字指令，使用者就能夠創造出獨一無二的藝術作品，降低了藝術創作的門檻，讓一般普通大眾，透過生成式 AI 來實現自己的藝術想法。

RAG（Retrieval-Augmented Generation）中文翻譯為檢索增強生成，是結合資訊檢索和自然語言生成的人工智慧技術。

其運作原理可以分成 3 個階段，分別是索引、檢索還有生成，透過這 3 階段讓 AI 模型更好地理解和回應用戶的問題，生成更準確、相關且有資訊性的內容。

RAG 可以讓大型語言模型（LLM）在生成文本時，先從已經整理好的知識庫中搜尋相關資訊，再利用這些資訊來產生更準確、更全面、更符合實際應用的回應。

舉例來說，想像你有一個非常聰明的助手，但他的知識有限。當你問他一個問題時，他會先去圖書館找相關的書籍，再根據書中的內容來回答你。RAG 就相當於這個聰明助手，而知識庫就是圖書館。

接下來，透過以下案例帶大家看看 Solwen AI 是如何將生成式 AI 結合 RAG：

Welly 是台灣一家知名的數位行銷公司。為維持高品質的服務，內部有大量 SOP 及知識庫，新同仁往往需要很長時間才能完成培訓，且需耗費大量人力成本。

▶️生成式 AI ＋ RAG 解決方案

整理建立知識庫所需資料：用來建立知識庫的內部資料在之前並沒有很好的歸檔，並且有不同的檔案格式。Solwen AI 重新梳理了不同的檔案及內容，讓知識庫可以順利取用這些資料。

根據實際情境優化系統效能 ：在專案開始之初就定義了 50 個企業內部新人培訓時的真實問題。在系統開發的過程當中不斷根據這些問題的正確率來優化，讓 AI 的產出越來越接近真人的正確回答。

自動記錄無法回答的問題：當使用者問了不是知識庫能回答的問題，系統會自動記錄下來，並提示主管協助補充回覆。

自從 ChatGPT 引爆生成式 AI 熱潮以來，短短一年多，這個領域就湧現了數千款創新產品，市場競爭愈演愈激烈。

矽谷知名創投 a16z 在 2024 年 3 月，根據截至 2024 年 1 月的網站與 App 每月造訪數，製作一張全球月流量前 50 大生成式 AI 產品排行榜。

相較於去年 9 月，今年新增了超過 40% 的新興 AI 公司，顯示出這個領域的蓬勃發展。儘管報告強調名單不具備完全代表性，但仍能讓我們一窺全球生成式 AI 工具的發展趨勢。

以下將推薦 3 款 生成式 AI 工具，分別是 ChatGPT 、Gemini 和 Claude：

參考資料：The Top 100 Gen AI Consumer Apps

ChatGPT 於一年前推出時，被譽為全球增長最快的網路應用程式，僅在短短 2 個月內便吸引了約 1 億名月活躍用戶，達到無人能比的里程碑，顯現出生成式 AI 潛力呈爆炸性成長。

ChatGPT 是由 OpenAI 開發的一款的對話生成模型，基於 GPT（Generative Pre-trained Transformer）架構。這款 AI 工具旨在與人類進行自然流暢的對話，能夠理解和生成多種語言的文本。

無論是需要靈感迸發的創意寫作，或是精準編碼的程式開發，甚至是繁瑣的會議記錄，ChatGPT 都能提供即時、有效的協助，成為我們工作與生活的得力助手。

Gemini 於 2023 年 3 月推出，是由 Google DeepMind 開發的人工智慧模型，前身是 Google 的 Bard，為了應對 OpenAI 公司開發的 ChatGPT 聊天機器人而開發。 Gemini 的設計目的是提供更強大的自然語言處理能力，並能在各種應用場景中表現出色。

而 Gemini 總共推出 3 種不同的版本，其應用場景、性能還有適用規模都不相同，以下透過表格幫你整理出 3 者的比較：

Claude 於 2023 年 3 月推出，是由美國科技公司 Anthropic 所開發的 AI 模型。相較於其他同類 AI 產品，Claude 在遵循規範、降低錯誤率以及防範惡意攻擊方面表現卓越，這使得 Claude 成為企業建構安全可靠的 AI 應用程式時的首選。

當然 Claude 應用場景也非常廣泛，尤其是在自然語言處理、數學、編碼等領域擁有深厚的功底，除了上述提到的安全可靠之外，更能為企業提供全方位的 AI 賦能。