生成式 AI 入門簡報

生成式 AI 入門簡報

• 課程簡介：生成式 AI 的崛起
• 課程目標
• 課程大綱
• 第一章：生成式 AI 簡介
• 什麼是人工智慧 (AI)？
• AI 的範疇
• 生成式 AI 的核心定義
• 生成式 AI vs. 傳統 AI (1/3)
• 生成式 AI vs. 傳統 AI (2/3)
• 生成式 AI vs. 傳統 AI (3/3)

生成式 AI 入門簡報

• 生成式 AI 發展歷程：早期探索 (1/4)
• 生成式 AI 發展歷程：機器學習時代 (2/4)
• 生成式 AI 發展歷程：深度學習革命 (3/4)
• 生成式 AI 發展歷程：生成對抗網絡 (GAN) (4/4)
• 生成式 AI 發展歷程：Transformer 與 Diffusion Model (1/2)
• 生成式 AI 發展歷程：Transformer 與 Diffusion Model (2/2)
• 生成式 AI 發展歷程：ChatGPT 的爆發 (1/2)
• 生成式 AI 發展歷程：ChatGPT 的爆發 (2/2)
• 生成式 AI 的潛力與影響
• 本章總結與思考

生成式 AI 入門簡報

• 第二章：主流模型介紹
• 大型語言模型 (LLM) 簡介
• GPT 系列模型 (1/4)
• GPT 系列模型 (2/4)：發展歷程
• GPT 系列模型 (3/4)：ChatGPT
• GPT 系列模型 (4/4)：GPT-4 及未來
• DALL·E 系列模型 (1/3)
• DALL·E 系列模型 (2/3)：發展與特點
• DALL·E 系列模型 (3/3)：應用
• Stable Diffusion (1/3)

生成式 AI 入門簡報

• Stable Diffusion (2/3)：原理與特點
• Stable Diffusion (3/3)：應用場景
• Midjourney (1/3)
• Midjourney (2/3)：特點與演進
• Midjourney (3/3)：應用範例
• 其他主流生成式 AI 模型
• 本章總結與思考
• 第三章：文本生成原理與實例
• 大型語言模型 (LLM) 的基礎 (1/5)：詞嵌入
• 大型語言模型 (LLM) 的基礎 (2/5)：序列建模

生成式 AI 入門簡報

• 大型語言模型 (LLM) 的基礎 (3/5)：注意力機制
• 大型語言模型 (LLM) 的基礎 (4/5)：Transformer 架構
• 大型語言模型 (LLM) 的基礎 (5/5)：預訓練與微調
• ChatGPT 回應原理 (1/3)：提示理解
• ChatGPT 回應原理 (2/3)：內容生成
• ChatGPT 回應原理 (3/3)：強化學習從人類反饋中學習 (RLHF)
• 文本生成實例：摘要生成 (1/2)
• 文本生成實例：摘要生成 (2/2)
• 文本生成實例：自動寫作 (1/3)
• 文本生成實例：自動寫作 (2/3)：文章與報告

生成式 AI 入門簡報

• 文本生成實例：自動寫作 (3/3)：創意寫作與程式碼
• 文本生成實例：對話系統 (1/2)
• 文本生成實例：對話系統 (2/2)
• 本章總結與思考
• 第四章：圖像生成原理與實例
• 圖像生成的核心技術：擴散模型 (1/4)
• 圖像生成的核心技術：擴散模型 (2/4)：正向擴散過程
• 圖像生成的核心技術：擴散模型 (3/4)：逆向去噪過程
• 圖像生成的核心技術：擴散模型 (4/4)：條件生成
• 文本到圖像生成流程說明 (1/3)：輸入 Prompt

生成式 AI 入門簡報

• 文本到圖像生成流程說明 (2/3)：AI 內部處理
• 文本到圖像生成流程說明 (3/3)：生成結果
• Midjourney 生成圖範例：風格多樣性 (1/3)
• Midjourney 生成圖範例：風格多樣性 (2/3)
• Midjourney 生成圖範例：風格多樣性 (3/3)
• 本章總結與思考
• 第五章：Prompt 工程基礎
• 什麼是 Prompt？
• Prompt 工程 (Prompt Engineering)
• Prompt 設計技巧 (1/8)：清晰明確

生成式 AI 入門簡報

• Prompt 設計技巧 (2/8)：給予足夠的上下文
• Prompt 設計技巧 (3/8)：設定角色 (Role-playing)
• Prompt 設計技巧 (4/8)：指定格式與長度
• Prompt 設計技巧 (5/8)：指定風格與語氣
• Prompt 設計技巧 (6/8)：提供範例 (Few-shot Prompting)
• Prompt 設計技巧 (7/8)：加入限制或負向提示
• Prompt 設計技巧 (8/8)：循序漸進 (Chain-of-Thought Prompting)
• Prompt 優化策略 (1/3)：迭代與修正
• Prompt 優化策略 (2/3)：多版本測試與比較
• Prompt 優化策略 (3/3)：從範例中學習

生成式 AI 入門簡報

• 本章總結與思考
• 第六章：實例解析：Prompt 設計→AI 輸出→修正迭代
• 案例背景：生成產品描述
• 第一次嘗試：基礎 Prompt
• 第一次 AI 輸出與分析
• 第二次嘗試：加入細節與目標受眾
• 第二次 AI 輸出與分析
• 第三次嘗試：設定角色與強調功能
• 第三次 AI 輸出與分析
• 修正迭代的價值

生成式 AI 入門簡報

• 本章總結與思考
• 第七章：生成式 AI 的應用
• 行銷與廣告應用 (1/3)
• 行銷與廣告應用 (2/3)
• 行銷與廣告應用 (3/3)
• 教育與學習應用 (1/2)
• 教育與學習應用 (2/2)
• 設計與創意應用 (1/3)
• 設計與創意應用 (2/3)
• 設計與創意應用 (3/3)

生成式 AI 入門簡報

• 工程與軟體開發應用 (1/2)
• 工程與軟體開發應用 (2/2)
• 客服與內容管理應用 (1/2)
• 客服與內容管理應用 (2/2)
• 遊戲開發應用 (1/2)
• 遊戲開發應用 (2/2)
• 醫療保健應用
• 金融服務應用
• 法律與研究應用
• 製造業應用

生成式 AI 入門簡報

• 本章總結與思考
• 第八章：生成式 AI 的限制與風險
• 幻覺問題 (Hallucination) (1/2)
• 幻覺問題 (Hallucination) (2/2)：原因與應對
• 偏見 (Bias) (1/2)
• 偏見 (Bias) (2/2)：原因與應對
• 內容偽造 (Content Fabrication) (1/2)
• 內容偽造 (Content Fabrication) (2/2)：應對與識別
• 版權問題 (Copyright Issues) (1/2)
• 版權問題 (Copyright Issues) (2/2)：當前觀點與建議

生成式 AI 入門簡報

• 計算資源消耗
• 本章總結與思考
• 第九章：資訊安全與倫理
• 深偽技術 (Deepfake) 的衝擊
• 應對深偽技術的挑戰
• 資料來源透明度
• 建立數據來源透明度
• 誤導風險與責任歸屬 (1/2)
• 誤導風險與責任歸屬 (2/2)
• AI 倫理準則與法規探討 (1/2)

生成式 AI 入門簡報

• AI 倫理準則與法規探討 (2/2)
• 本章總結與思考
• 第十章：模擬操作：範例 Prompt 多版本測試與比較
• 案例：生成產品廣告圖
• Prompt 版本一：簡單描述
• 版本一 AI 輸出與分析
• Prompt 版本二：加入風格與功能關鍵詞
• 版本二 AI 輸出與分析
• Prompt 版本三：強調健康監測與構圖
• 版本三 AI 輸出與分析

生成式 AI 入門簡報

• 不同 Prompt 版本的差異與啟示
• 本章總結與思考
• 第十一章：常見錯誤類型解析與應對方式
• 錯誤類型一：輸出不相關或離題
• 錯誤類型二：內容淺薄或通用
• 錯誤類型三：事實性錯誤或幻覺
• 錯誤類型四：偏見或不當內容
• 錯誤類型五：格式混亂或不一致
• 錯誤類型六：缺乏創意或突破
• 本章總結與思考

生成式 AI 入門簡報

• 第十二章：學生練習題與思考題
• 練習題：選擇題 (共 20 題)
• 選擇題 1
• 選擇題 1 解析
• 選擇題 2
• 選擇題 2 解析
• 選擇題 3
• 選擇題 3 解析
• 選擇題 4
• 選擇題 4 解析

生成式 AI 入門簡報

• 選擇題 5
• 選擇題 5 解析
• 選擇題 6
• 選擇題 6 解析
• 選擇題 7
• 選擇題 7 解析
• 選擇題 8
• 選擇題 8 解析
• 選擇題 9
• 選擇題 9 解析

生成式 AI 入門簡報

• 選擇題 10
• 選擇題 10 解析
• 選擇題 11
• 選擇題 11 解析
• 選擇題 12
• 選擇題 12 解析
• 選擇題 13
• 選擇題 13 解析
• 選擇題 14
• 選擇題 14 解析

生成式 AI 入門簡報

• 選擇題 15
• 選擇題 15 解析
• 選擇題 16
• 選擇題 16 解析
• 選擇題 17
• 選擇題 17 解析
• 選擇題 18
• 選擇題 18 解析
• 選擇題 19
• 選擇題 19 解析

生成式 AI 入門簡報

• 選擇題 20
• 選擇題 20 解析
• 練習題：簡答題 (共 20 題)
• 簡答題 1
• 簡答題 1 解析
• 簡答題 2
• 簡答題 2 解析
• 簡答題 3
• 簡答題 3 解析
• 課程總結與展望

課程簡介：生成式 AI 的崛起

• 歡迎來到生成式 AI 初學者課程
• 本課程旨在提供生成式 AI 的全面性知識，從基本概念到實戰應用
• 適合對 AI 感興趣，希望深入了解其運作原理與應用潛力的初學者

​

Generated on AIDOCMAKER.COM (Image Credit)

課程目標

• 理解生成式 AI 的核心定義與演進歷程
• 掌握主流生成式 AI 模型的運作原理與應用場景
• 學習 Prompt 工程基礎，有效引導 AI 產出期望內容

課程大綱

• 生成式 AI 簡介
• 主流模型介紹
• 文本生成原理與實例

​

Generated on AIDOCMAKER.COM (Image Credit)

第一章：生成式 AI 簡介

• 本章將帶您認識生成式 AI 的基本概念
• 了解其定義、發展歷程以及與傳統 AI 的差異

​

Generated on AIDOCMAKER.COM (Image Credit)

什麼是人工智慧 (AI)？

• 人工智慧 (Artificial Intelligence, AI) 是一門研究如何使機器具備人類智慧的科學
• 它使機器能夠模仿人類的認知功能，例如學習、推理、解決問題、感知、理解語言等

AI 的範疇

• 機器學習 (Machine Learning, ML)：AI 的子集，讓機器從數據中學習而無需明確編程
• 深度學習 (Deep Learning, DL)：ML 的子集，使用多層神經網絡來學習複雜模式
• 生成式 AI (Generative AI)：DL 的新興領域，專注於生成全新的、原創的內容

生成式 AI 的核心定義

• 生成式 AI 是一種能夠根據學習到的模式和數據，創造出全新、獨特且有意義內容的人工智慧技術
• 它不僅能分析和識別現有數據，更能「生成」前所未見的文本、圖像、音訊、程式碼甚至影片

生成式 AI vs. 傳統 AI (1/3)

• 傳統 AI (判別式 AI)：主要任務是「辨識」和「分類」
• 透過學習數據中的模式，對輸入進行預測或決策
• 例如：圖片辨識 (識別圖片中的物體)、垃圾郵件過濾 (判斷是否為垃圾郵件)

生成式 AI vs. 傳統 AI (2/3)

• 生成式 AI：主要任務是「創造」和「生成」
• 它學習數據的內部結構和分佈，並以此生成新的、從未在訓練數據中出現過的內容
• 例如：根據文字描述生成圖像、撰寫文章、創作音樂

生成式 AI vs. 傳統 AI (3/3)

• 核心差異：
• 傳統 AI：輸入 -> 模型 -> 輸出 (預測/分類)
• 生成式 AI：輸入 -> 模型 -> 輸出 (全新內容)

生成式 AI 發展歷程：早期探索 (1/4)

• 1950s-1960s：AI 的萌芽階段
• 圖靈測試 (Turing Test) 提出
• ELIZA (1966)：首個對話式程式，模擬心理治療師與人對話

生成式 AI 發展歷程：機器學習時代 (2/4)

• 1980s-2000s：機器學習的興起
• 專家系統、支持向量機 (SVM)、決策樹等演算法發展
• AI 更多應用於模式識別、數據分析、分類預測等任務

生成式 AI 發展歷程：深度學習革命 (3/4)

• 2010s：深度學習的突破
• 卷積神經網絡 (CNN) 在圖像識別領域取得巨大成功
• 遞歸神經網絡 (RNN) 及其變體 (LSTM) 提升序列數據處理能力

生成式 AI 發展歷程：生成對抗網絡 (GAN) (4/4)

• 2014：Goodfellow 提出生成對抗網絡 (GAN)
• GAN 由生成器 (Generator) 和判別器 (Discriminator) 組成，通過對抗學習生成逼真數據
• 被譽為「近年來機器學習領域最有趣的發明之一」

​

Generated on AIDOCMAKER.COM (Image Credit)

生成式 AI 發展歷程：Transformer 與 Diffusion Model (1/2)

• 2017：Google 提出 Transformer 架構
• 基於「注意力機制」，徹底改變自然語言處理 (NLP) 領域
• 成為 GPT、BERT 等大型語言模型的基石

生成式 AI 發展歷程：Transformer 與 Diffusion Model (2/2)

• 2020s：Diffusion Model (擴散模型) 崛起
• 在圖像生成領域展現驚人效果，超越 GANs
• DALL·E 2、Stable Diffusion、Midjourney 等均基於此原理

生成式 AI 發展歷程：ChatGPT 的爆發 (1/2)

• 2022 年底：OpenAI 推出 ChatGPT
• 基於 GPT-3.5 模型，具備強大的對話能力與泛用性
• 迅速獲得全球關注，開啟生成式 AI 的普及浪潮

生成式 AI 發展歷程：ChatGPT 的爆發 (2/2)

• ChatGPT 讓大眾體驗到 AI 的創造力
• 從文本、圖像到音訊、影片，多模態生成能力逐漸成熟
• 改變人類與技術互動方式，影響各行各業

生成式 AI 的潛力與影響

• 提升生產力與效率：自動化內容生成，節省時間與成本
• 激發創造力：提供靈感與多樣化方案，拓展創作邊界
• 個性化體驗：生成符合個人需求的內容

本章總結與思考

• 生成式 AI 是一種能夠創造全新內容的 AI 技術
• 它與傳統 AI 在核心功能上存在顯著差異
• 其發展歷程從早期探索、機器學習、深度學習到近年的 GAN、Transformer 和 Diffusion Model

第二章：主流模型介紹

• 本章將深入探討當前最受關注的生成式 AI 模型
• 包括 GPT、DALL·E、Stable Diffusion 和 Midjourney 等

大型語言模型 (LLM) 簡介

• 大型語言模型 (Large Language Models, LLM) 是一種基於海量文本數據訓練的深度學習模型
• 它能夠理解、生成和處理人類語言，並執行多種語言任務
• 是生成式文本內容的核心技術

​

Generated on AIDOCMAKER.COM (Image Credit)

GPT 系列模型 (1/4)

• GPT (Generative Pre-trained Transformer) 是 OpenAI 開發的一系列大型語言模型
• 其核心是 Transformer 架構，擅長處理序列數據，特別是文本

GPT 系列模型 (2/4)：發展歷程

• GPT-1 (2018)：奠定預訓練 + 微調的範式
• GPT-2 (2019)：參數量大幅增加，展現更強的文本生成能力
• GPT-3 (2020)：1750 億參數，生成文本質量驚人，但仍有生成速度和成本問題

GPT 系列模型 (3/4)：ChatGPT

• ChatGPT (2022)：基於 GPT-3.5 進行優化，特別是通過強化學習從人類反饋中學習 (RLHF)
• RLHF 使模型更能理解人類意圖，生成更符合語境、更自然的對話
• 用戶體驗極佳，引爆全球 AI 熱潮

GPT 系列模型 (4/4)：GPT-4 及未來

• GPT-4 (2023)：多模態能力，可接受圖像輸入，處理長文本
• 在多項專業和學術基準測試中表現超越人類
• 未來：持續向更通用、更智能的 AI 發展

DALL·E 系列模型 (1/3)

• DALL·E 是 OpenAI 開發的文本到圖像 (Text-to-Image) 生成模型
• 能夠根據文字描述生成高品質的圖像
• 名稱結合了藝術家 Salvador Dalí 和機器人 WALL-E

DALL·E 系列模型 (2/3)：發展與特點

• DALL·E (2021)：首次展示強大的文字到圖像能力，但解析度較低
• DALL·E 2 (2022)：引入擴散模型，生成圖像更精緻、寫實，具備圖像編輯能力
• DALL·E 3 (2023)：與 ChatGPT 深度整合，更理解複雜 Prompt，生成效果更佳

DALL·E 系列模型 (3/3)：應用

• 藝術創作：幫助藝術家探索新風格，生成概念藝術
• 設計：快速生成產品設計、室內裝潢、時尚草圖
• 內容行銷：為文章、廣告快速製作視覺內容

Stable Diffusion (1/3)

• Stable Diffusion 是一個開源的文本到圖像生成模型
• 由 Stability AI 及其合作夥伴開發
• 它的開源特性使其廣泛應用於研究和商業領域

Stable Diffusion (2/3)：原理與特點

• 基於潛在擴散模型 (Latent Diffusion Model, LDM)
• 在潛在空間 (Latent Space) 進行圖像生成，效率更高
• 可運行於消費級 GPU，降低了使用門檻

Stable Diffusion (3/3)：應用場景

• 個人藝術創作：為獨立藝術家提供創作工具
• 遊戲開發：快速生成遊戲資產、場景、紋理
• 設計：用於概念設計、視覺化呈現

Midjourney (1/3)

• Midjourney 是一個專注於藝術風格圖像生成的 AI 模型
• 其生成的圖像通常具有獨特的藝術美感和豐富的細節
• 主要通過 Discord 平台提供服務

Midjourney (2/3)：特點與演進

• 強調藝術性：生成的圖像往往更具創意和視覺衝擊力
• 易用性：指令相對簡單，適合藝術愛好者與設計師快速上手
• 版本迭代：持續更新模型版本 (v1-v6)，每次更新都帶來顯著的質量提升

Midjourney (3/3)：應用範例

• 概念藝術：為遊戲、電影、動畫提供視覺靈感
• 插畫與平面設計：快速生成高品質的插圖和設計元素
• 個人作品集：藝術家與設計師展示個人風格

其他主流生成式 AI 模型

• Google Bard / Gemini：Google 開發的對話式 AI，集成多模態能力
• Anthropic Claude：專注於安全和無害輸出的 LLM
• Meta LLaMA：Meta 開源的大型語言模型，推動開源社區發展

本章總結與思考

• GPT 系列模型引領文本生成潮流，ChatGPT 實現大規模普及
• DALL·E 和 Stable Diffusion 在圖像生成領域各具特色，DALL·E 更注重多樣性，SD 偏向開源普及
• Midjourney 以其獨特的藝術風格在圖像生成中獨樹一幟

第三章：文本生成原理與實例

• 本章將深入探討大型語言模型 (LLM) 的運作原理
• 並展示文本生成的實際應用，如對話、摘要和自動寫作

大型語言模型 (LLM) 的基礎 (1/5)：詞嵌入

• 詞嵌入 (Word Embeddings)：將單詞或短語轉換為向量空間中的數值表示
• 使模型能夠理解詞語之間的語義關係 (例如：'國王' - '男人' + '女人' = '女王')

大型語言模型 (LLM) 的基礎 (2/5)：序列建模

• 序列建模：LLM 的核心任務是預測序列中的下一個詞
• 例如：給定「今天天氣真」，模型預測「好」、「晴」、「冷」等詞
• 通過大量文本學習詞語出現的機率分佈

大型語言模型 (LLM) 的基礎 (3/5)：注意力機制

• 注意力機制 (Attention Mechanism)：讓模型在處理序列時，能夠關注輸入序列中重要的部分
• 例如：在翻譯句子時，模型會將更多注意力放在與當前詞語相關的源語言詞語上
• 解決了傳統序列模型長距離依賴問題

大型語言模型 (LLM) 的基礎 (4/5)：Transformer 架構

• Transformer 架構：由「編碼器 (Encoder)」和「解碼器 (Decoder)」組成
• 完全基於注意力機制，摒棄了傳統 RNN 的遞歸結構
• 實現了高效的並行計算，能處理更長的序列

大型語言模型 (LLM) 的基礎 (5/5)：預訓練與微調

• 預訓練 (Pre-training)：在大量無標籤文本數據上學習通用語言模式
• 微調 (Fine-tuning)：在特定任務的標籤數據上進行調整，提高任務表現
• 例如：預訓練通用語言能力，再微調用於情感分析或問答

ChatGPT 回應原理 (1/3)：提示理解

• 用戶輸入提示 (Prompt) 後，ChatGPT 首先進行提示理解
• 解析用戶的意圖、關鍵詞、語氣、上下文等
• 這一步驟至關重要，決定了後續生成內容的方向

ChatGPT 回應原理 (2/3)：內容生成

• 基於對提示的理解，模型從其龐大的知識庫中提取相關信息
• 利用預測下一個詞的原理，逐步生成回應
• 這個過程是自回歸的，即每個生成的詞都會影響下一個詞的生成

ChatGPT 回應原理 (3/3)：強化學習從人類反饋中學習 (RLHF)

• RLHF 使模型輸出更符合人類偏好
• 人類評分員對模型生成的不同回應進行排序，作為獎勵信號
• 模型通過強化學習調整參數，學習生成高質量、無害、有用內容

文本生成實例：摘要生成 (1/2)

• 摘要生成：將長篇文本縮減為精簡、連貫且信息豐富的摘要
• 主要分為抽取式摘要 (Extraction) 和生成式摘要 (Abstraction)
• 生成式 AI 擅長生成式摘要，可以重組、改寫原文，更自然流暢

文本生成實例：摘要生成 (2/2)

• 應用場景：
• 新聞摘要：快速了解新聞重點
• 會議記錄摘要：提高會議效率

文本生成實例：自動寫作 (1/3)

• 自動寫作：AI 根據輸入的提示、關鍵詞或主題，生成文章、故事、詩歌、劇本等
• 大大提升內容創作效率，降低門檻

文本生成實例：自動寫作 (2/3)：文章與報告

• 生成式 AI 可以協助撰寫新聞稿、部落格文章、行銷文案、商業報告等
• 能夠根據不同語氣、風格和受眾調整內容

文本生成實例：自動寫作 (3/3)：創意寫作與程式碼

• 創意寫作：生成詩歌、小說片段、歌詞、劇本等，為創作提供靈感
• 程式碼生成：根據自然語言描述生成程式碼，或進行程式碼補全、解釋與除錯
• 大幅提升開發者效率

文本生成實例：對話系統 (1/2)

• 對話系統：AI 能夠進行自然流暢、上下文連貫的對話
• 基於大型語言模型的對話系統，如 ChatGPT，超越傳統聊天機器人

文本生成實例：對話系統 (2/2)

• 應用場景：
• 智能客服：自動回應客戶問題，提供 24/7 服務
• 虛擬助手：日程管理、信息查詢、個性化推薦

本章總結與思考

• LLM 的核心是 Transformer 架構，通過詞嵌入、注意力機制和預測下一個詞來實現文本生成
• ChatGPT 引入 RLHF，使其對話能力大幅提升
• 文本生成應用廣泛，包括摘要、自動寫作和對話系統

第四章：圖像生成原理與實例

• 本章將深入探討生成式 AI 如何創造圖像
• 重點介紹擴散模型 (Diffusion Model) 的概念和流程
• 並展示 Midjourney 的實際生成範例

圖像生成的核心技術：擴散模型 (1/4)

• 擴散模型 (Diffusion Model) 是目前最先進的圖像生成技術之一
• 它從隨機噪音開始，逐步「去噪」以生成清晰圖像
• 靈感來源於熱力學中的擴散過程

圖像生成的核心技術：擴散模型 (2/4)：正向擴散過程

• 正向擴散過程 (Forward Diffusion Process)：
• 將圖像逐步添加高斯噪音，直到它變成完全的隨機噪音
• 這個過程是可預測的，每一步都按預定方式加噪

圖像生成的核心技術：擴散模型 (3/4)：逆向去噪過程

• 逆向去噪過程 (Reverse Diffusion Process)：
• 模型學習如何從噪音中逐步去除噪音，以恢復原始圖像
• 這是圖像生成的核心，模型需要預測每一步應該去除多少噪音

圖像生成的核心技術：擴散模型 (4/4)：條件生成

• 條件生成 (Conditional Generation)：
• 在逆向去噪過程中，加入文字提示 (Prompt) 或其他條件
• 模型會根據這些條件，引導去噪過程，生成符合提示的圖像

文本到圖像生成流程說明 (1/3)：輸入 Prompt

• 使用者輸入詳細的文字提示 (Prompt)
• Prompt 包含對圖像內容、風格、構圖等方面的描述
• 例如：'一個在黃昏時分，彩虹出現，帶著魔幻氛圍的古老城堡，細節豐富，超現實主義風格'

文本到圖像生成流程說明 (2/3)：AI 內部處理

• 模型將文字提示轉換為數值表示 (通常是嵌入向量)
• 這個向量作為條件，引導擴散模型開始逆向去噪過程
• 模型從隨機噪音圖像開始，逐步根據文字提示調整像素，去除噪音

文本到圖像生成流程說明 (3/3)：生成結果

• 經過數百甚至數千步的去噪過程，最終生成符合 Prompt 的圖像
• 模型通常會提供多個變體供使用者選擇或進一步優化
• 這是創意與技術結合的結果

Midjourney 生成圖範例：風格多樣性 (1/3)

• Midjourney 以其出色的藝術渲染能力而聞名
• 能生成從寫實到卡通、從油畫到水彩等多種藝術風格的圖像
• 範例 Prompt: 'A cyberpunk city at night, neon lights, rainy street, realistic, high detail'

Midjourney 生成圖範例：風格多樣性 (2/3)

• 範例 Prompt: 'An ethereal forest with glowing mushrooms and fireflies, mystical, fantasy art, soft lighting'

Midjourney 生成圖範例：風格多樣性 (3/3)

• 範例 Prompt: 'A cute cartoon robot, simple lines, vibrant colors, Pixar style, white background'

本章總結與思考

• 擴散模型是當前圖像生成的關鍵技術，通過逐步去噪實現圖像生成
• 文字提示 (Prompt) 在圖像生成中扮演引導角色
• Midjourney 是傑出的藝術風格圖像生成工具，展現了生成式 AI 在視覺創作上的巨大潛力

第五章：Prompt 工程基礎

• 本章將介紹 Prompt 工程的核心概念
• 學習如何設計有效的 Prompt，並掌握優化策略
• 好的 Prompt 是生成高品質 AI 內容的關鍵

什麼是 Prompt？

• Prompt (提示)：是用戶提供給生成式 AI 的文字指令或輸入
• 它告訴 AI 應該做什麼、生成什麼內容以及以何種方式生成
• 可以是問題、陳述、指令、關鍵詞甚至範例

Prompt 工程 (Prompt Engineering)

• Prompt 工程：設計、優化和完善 Prompt 的過程
• 目的是引導生成式 AI 產生更準確、更相關、更高質量的輸出
• 它是一種與 AI 溝通的藝術與科學

Prompt 設計技巧 (1/8)：清晰明確

• Avoid ambiguity: 避免使用模糊不清或有多種解釋的詞語
• Be specific: 具體說明您想要什麼
• Bad Prompt: '寫一個故事'

Prompt 設計技巧 (2/8)：給予足夠的上下文

• 提供必要的背景信息，幫助 AI 理解您的需求
• 特別是在對話式 AI 中，上下文的連貫性很重要
• Bad Prompt: '繼續寫'

Prompt 設計技巧 (3/8)：設定角色 (Role-playing)

• 讓 AI 扮演特定角色，以獲得更專業或符合預期的回應
• 例如：'你是一位經驗豐富的市場行銷專家...' 或 '你是一位創意寫作老師...'
• 這能有效引導 AI 的語氣、專業知識和思考模式

Prompt 設計技巧 (4/8)：指定格式與長度

• 明確要求輸出的格式 (例如：列表、表格、JSON、Markdown)
• 限制回應的長度 (例如：'約 500 字'、'三段話'、'10 點條列')

Prompt 設計技巧 (5/8)：指定風格與語氣

• 描述您希望的寫作風格 (例如：正式、口語化、幽默、學術、詩意)
• 指定語氣 (例如：鼓勵的、中立的、批判性的)
• 例如：'以輕鬆幽默的語氣，為我寫一篇關於咖啡豆起源的部落格文章'

Prompt 設計技巧 (6/8)：提供範例 (Few-shot Prompting)

• 提供一個或多個輸入-輸出範例，讓 AI 模仿學習
• 特別適用於需要遵循特定模式或風格的任務
• 例如：'輸入: 蘋果。輸出: 一種常見的水果。輸入: 貓。輸出: 一種常見的寵物。輸入: 狗。輸出:' (期待 AI 補齊)

Prompt 設計技巧 (7/8)：加入限制或負向提示

• 明確指出不要什麼 (Negative Prompting)
• 在圖像生成中尤其常用，可以避免不想要的元素出現
• 例如：生成圖像時 '不要有文字'、'移除所有紅色元素'

Prompt 設計技巧 (8/8)：循序漸進 (Chain-of-Thought Prompting)

• 將複雜的任務分解為多個小步驟，引導 AI 逐步思考
• 要求 AI 展示其思考過程，有助於提高複雜問題的解決能力
• 例如：'請一步步思考這個數學問題的解法，然後給出最終答案。'

Prompt 優化策略 (1/3)：迭代與修正

• Prompt 工程是一個迭代的過程
• 第一次生成的結果可能不完美，需要根據輸出進行調整和修正 Prompt
• 每次修正都是一次學習，讓您更了解 AI 的行為模式

Prompt 優化策略 (2/3)：多版本測試與比較

• 嘗試不同版本的 Prompt，比較它們的輸出效果
• 找出最能激發 AI 潛力、產生最佳結果的 Prompt
• 記錄不同 Prompt 的效果，建立自己的 Prompt 資料庫

Prompt 優化策略 (3/3)：從範例中學習

• 學習優秀的 Prompt 範例，尤其是來自社群或官方文檔的範例
• 分析它們的結構、關鍵詞和描述方式
• 將學到的技巧應用到自己的 Prompt 設計中

本章總結與思考

• Prompt 工程是有效利用生成式 AI 的核心技能
• 好的 Prompt 應具備清晰、具體、有上下文、角色設定等特點
• 通過迭代、多版本測試和學習範例來不斷優化 Prompt

第六章：實例解析：Prompt 設計→AI 輸出→修正迭代

• 本章將通過一個完整的案例，詳細展示 Prompt 設計、AI 輸出和修正迭代的全過程
• 這將是一個動手實踐的環節，幫助您掌握 Prompt 工程的精髓

案例背景：生成產品描述

• 假設我們是一家智能家居公司的行銷人員
• 需要為一款新型智能燈泡撰寫廣告文案
• 目標：吸引年輕科技愛好者，突出產品的智能功能與設計感

第一次嘗試：基礎 Prompt

• Prompt: '寫一篇關於智能燈泡的廣告文案'

第一次 AI 輸出與分析

• AI 輸出：'我們的智能燈泡，照亮您的生活。可遠端控制，節能環保。立即購買！'
• 分析：
• 優點：簡潔明瞭

第二次嘗試：加入細節與目標受眾

• Prompt: '為一款新型智能燈泡撰寫廣告文案，目標受眾是年輕科技愛好者。請突出產品的智能功能與設計感。'

第二次 AI 輸出與分析

• AI 輸出：'告別傳統照明，迎接未來之光！這款智能燈泡不僅具備多種智能模式，更能融入您的家居設計，成為時尚科技的象徵。動動手指，掌控光線，體驗智慧生活！'
• 分析：
• 優點：開始有針對性，提到了智能和設計

第三次嘗試：設定角色與強調功能

• Prompt: '你是一位專業的科技產品文案寫手。請為一款新型智能燈泡撰寫一篇充滿科技感和未來感的廣告文案，目標受眾是年輕科技愛好者。請詳細描述其智能功能 (如語音控制、情境模式、定時開關) 和獨特設計感，並加入號召性用語。'

第三次 AI 輸出與分析

• AI 輸出：'【光，由你定義】告別千篇一律的照明體驗！隆重介紹劃時代智能燈泡，專為追求極致科技與生活品味的您而生。想像一下，只需一聲令下，光隨聲動；一鍵切換，從沉浸式電玩模式到溫馨家庭氛圍，隨心所欲。它不僅是光源，更是您智能家居的藝術品，以極簡線條和未來感設計，完美融入任何現代空間。還在等什麼？立即升級，點亮您的智能新生活！'
• 分析：
• 優點：語氣符合要求，具體描述了功能，加入了號召性用語，更具吸引力

修正迭代的價值

• 從簡單到複雜：逐步增加 Prompt 的細節和限制
• 精準表達：通過迭代，學習如何更精確地向 AI 表達需求
• 提升質量：每次修正都讓 AI 輸出更接近預期目標

本章總結與思考

• Prompt 設計、AI 輸出、分析修正、再迭代是生成式 AI 的標準工作流程
• 即使是簡單的任務，也需要多次嘗試和優化才能獲得最佳結果
• 掌握這個迭代過程，是成為優秀 Prompt 工程師的必經之路

第七章：生成式 AI 的應用

• 本章將全面探索生成式 AI 在各行各業的應用場景
• 展示其如何改變我們的工作和生活方式

行銷與廣告應用 (1/3)

• 文案生成：自動生成各種行銷文案、廣告語、社群貼文、郵件內容
• 大大縮短文案創作時間，提供多種風格選擇

行銷與廣告應用 (2/3)

• 圖像與影片生成：快速生成廣告圖片、產品示意圖、短影片素材
• 例如：電商產品圖、節日促銷海報
• 大大降低視覺內容製作成本與時間

行銷與廣告應用 (3/3)

• 個性化內容：根據用戶數據生成高度個性化的推薦、郵件或廣告
• 提升用戶參與度和轉化率
• 例如：為不同客戶群體生成定制化行銷郵件

教育與學習應用 (1/2)

• 內容創作輔助：教師可以快速生成課程大綱、教案、練習題、學習材料
• 學生可以利用 AI 生成報告草稿、文章提綱、學習筆記

教育與學習應用 (2/2)

• 個性化學習：AI 根據學生的學習進度、知識水平和偏好，生成定制化的學習路徑和練習
• 互動式教學：對話式 AI 可以作為虛擬導師，解答學生疑問，提供即時反饋

設計與創意應用 (1/3)

• 平面設計：生成 Logo、海報、UI/UX 介面草圖、圖標等設計元素
• 大大縮短設計週期，提供豐富靈感

設計與創意應用 (2/3)

• 產品與工業設計：根據需求生成多種產品概念圖、3D 模型草圖
• 加速產品開發流程，探索更多可能性

設計與創意應用 (3/3)

• 藝術創作：生成獨特的繪畫、插畫、數位藝術作品
• 音樂創作：生成旋律、歌詞、伴奏，輔助音樂人創作
• 時尚設計：生成服裝款式、圖案、材質建議

工程與軟體開發應用 (1/2)

• 程式碼生成：根據自然語言描述生成程式碼片段、函數、甚至是完整的程式
• 例如：Copilot、Code Llama

工程與軟體開發應用 (2/2)

• 程式碼理解與除錯：解釋複雜程式碼的功能，查找並建議修復錯誤
• 測試案例生成：自動生成測試腳本和測試數據
• 文件撰寫：自動生成 API 文檔、使用說明、開發者指南

客服與內容管理應用 (1/2)

• 智能客服：提供 24/7 自動回覆，處理常見問題，提高客戶滿意度
• 解放人工客服處理更複雜問題

客服與內容管理應用 (2/2)

• 內容管理：自動生成文章摘要、標籤、關鍵字
• 對大量文本進行分類、整理
• 幫助內容創作者管理和優化海量內容

遊戲開發應用 (1/2)

• 遊戲資產生成：快速生成遊戲中的紋理、模型、角色、道具、場景
• 極大縮短美術資產的製作時間與成本

遊戲開發應用 (2/2)

• 劇情與對話：自動生成遊戲劇情、角色對話、背景故事
• 非玩家角色 (NPC) 行為與反應：生成更自然、多變的 NPC 對話與行為邏輯

醫療保健應用

• 藥物發現：加速新藥分子的設計和篩選
• 蛋白質結構預測：幫助理解疾病機制，開發新療法
• 個性化醫療：根據患者基因數據生成定制化治療方案

金融服務應用

• 欺詐檢測：生成虛假交易模式，訓練模型識別真實欺詐
• 個性化金融建議：為客戶生成定制化的投資報告和理財建議
• 報告生成：自動生成市場分析報告、財務摘要

法律與研究應用

• 法律文件生成：自動生成合同草稿、法律意見書、訴訟文件
• 法律研究：快速摘要法律案例、法規，提高研究效率
• 學術研究：自動生成研究報告、論文草稿、數據分析摘要

製造業應用

• 生成式設計 (Generative Design)：根據設計要求自動生成多種結構優化方案
• 機器人運動路徑規劃：生成高效、安全的機器人操作路徑
• 材料科學：設計新材料分子結構，加速材料研發

本章總結與思考

• 生成式 AI 的應用範疇廣泛，涵蓋行銷、教育、設計、工程、客服、遊戲等多個產業
• 它不僅提高了效率，更在多個領域開闢了新的可能性
• 未來將有更多創新應用持續湧現，值得期待

第八章：生成式 AI 的限制與風險

• 生成式 AI 帶來巨大潛力的同時，也伴隨挑戰與風險
• 本章將討論幻覺問題、偏見、內容偽造和版權問題等

幻覺問題 (Hallucination) (1/2)

• 定義：AI 生成的內容聽起來合理，但實際上是錯誤的、虛構的或與事實不符
• 尤其在事實性問題上，大型語言模型容易出現幻覺

幻覺問題 (Hallucination) (2/2)：原因與應對

• 原因：模型在訓練過程中學習到概率模式，可能在缺乏真實數據支持時進行 '合理' 推斷
• 應對：
• 人工審核：對 AI 生成的關鍵內容進行事實核查

偏見 (Bias) (1/2)

• 定義：AI 模型在訓練數據中繼承了人類社會的偏見，並在生成內容中反映出來
• 例如：性別偏見、種族偏見、地域偏見等

偏見 (Bias) (2/2)：原因與應對

• 原因：訓練數據本身存在偏見，或數據採集、標註方式不平衡
• 應對：
• 數據治理：清洗和平衡訓練數據，減少偏見

內容偽造 (Content Fabrication) (1/2)

• 深偽技術 (Deepfake)：利用 AI 生成逼真的人臉、語音或影片
• 可能被用於惡意目的，如假新聞、詐騙、名譽損害

內容偽造 (Content Fabrication) (2/2)：應對與識別

• 應對：
• 技術識別：開發 AI 檢測工具，識別深偽內容
• 政策法規：制定相關法律法規，規範生成式 AI 的使用

版權問題 (Copyright Issues) (1/2)

• 訓練數據的版權：AI 模型在訓練時使用了大量互聯網數據，這些數據可能包含受版權保護的內容
• 生成內容的版權：AI 生成的內容是否受版權保護？版權歸屬誰？
• 這是目前法律和學術界正在激烈討論的問題

版權問題 (Copyright Issues) (2/2)：當前觀點與建議

• 當前觀點：
• 美國版權局：原則上不授予非人類創作的版權，但人類對 AI 內容有足夠「創作貢獻」時可考慮
• 開源協議：部分模型採用開源協議，使用需遵循其條款

計算資源消耗

• 訓練大型生成式 AI 模型需要龐大的計算資源 (GPU) 和能源
• 這帶來高昂的成本和環境影響
• 持續優化模型效率和降低能耗是重要課題

本章總結與思考

• 生成式 AI 的發展伴隨著幻覺、偏見、內容偽造和版權等風險
• 負責任的 AI 開發和使用至關重要
• 使用者應具備批判性思維，審核 AI 輸出，並了解其局限性

第九章：資訊安全與倫理

• 本章將更深入探討生成式 AI 帶來的資安與倫理挑戰
• 包括深偽技術的影響、數據來源透明度以及誤導風險的應對

深偽技術 (Deepfake) 的衝擊

• 深偽技術能夠生成高度逼真的虛假圖像、音訊和影片
• 用於惡意目的時，可能對個人聲譽、企業形象、社會穩定乃至國家安全造成威脅
• 例如：偽造名人言論、進行金融詐騙、製造政治宣傳

應對深偽技術的挑戰

• 技術對抗：發展更先進的深偽檢測技術，提高識別率
• 立法規範：制定法律法規，懲罰惡意使用深偽技術的行為
• 平台責任：社群媒體平台應加強內容審核，對深偽內容進行標註或移除

資料來源透明度

• 生成式 AI 模型的輸出質量和特性高度依賴於其訓練數據
• 缺乏數據來源的透明度可能導致：
• 版權爭議

建立數據來源透明度

• 數據集公開：鼓勵 AI 開發者公開其訓練數據集的來源和構成
• 數據標記：為數據集添加清晰的授權和使用標記
• 溯源機制：開發工具追溯 AI 輸出的內容與其訓練數據的關係

誤導風險與責任歸屬 (1/2)

• 誤導風險：AI 可能生成錯誤信息、不實新聞、甚至煽動性內容
• 由於其生成內容的逼真性，誤導性信息傳播速度快，影響大

誤導風險與責任歸屬 (2/2)

• 責任歸屬：當 AI 生成的內容造成損害時，誰應負責任？
• 是開發者？使用者？還是平台方？
• 這是一個複雜的法律和倫理問題，尚無明確答案

AI 倫理準則與法規探討 (1/2)

• 公平性：確保 AI 不產生或加劇偏見
• 透明度：模型決策過程應盡可能可解釋、可追溯
• 問責制：明確 AI 系統及其輸出的責任歸屬

AI 倫理準則與法規探討 (2/2)

• 人本中心：AI 應以服務人類、增強人類能力為目標
• 安全可控：確保 AI 系統在安全、受控的範圍內運行
• 環境可持續性：考慮 AI 開發和運行對環境的影響

本章總結與思考

• 生成式 AI 的資訊安全與倫理問題是其發展中不可迴避的挑戰
• 深偽技術、數據透明度、誤導風險和責任歸屬需要引起高度重視
• 建立健全的倫理框架、法律法規和技術解決方案是未來發展的關鍵

第十章：模擬操作：範例 Prompt 多版本測試與比較

• 本章將通過具體的案例，展示不同的 Prompt 如何導致截然不同的 AI 輸出
• 並分析這些差異，幫助您更直觀地理解 Prompt 設計的重要性

案例：生成產品廣告圖

• 產品：高科技智能手錶
• 期望：時尚、未來感、科技感，突出健康監測功能

Prompt 版本一：簡單描述

• Prompt: '智能手錶廣告圖'

版本一 AI 輸出與分析

• AI 輸出：
• (Insert a generic smart watch image, possibly a stock photo style, without strong character)
• 分析：

Prompt 版本二：加入風格與功能關鍵詞

• Prompt: 'A futuristic smart watch, sleek design, sci-fi, glowing health monitor, dark background, cinematic lighting'

版本二 AI 輸出與分析

• AI 輸出：
• (Insert a better, more stylish smart watch image with some sci-fi elements or glowing parts)
• 分析：

Prompt 版本三：強調健康監測與構圖

• Prompt: 'Close-up of a futuristic smart watch on a wrist, vibrant glowing health data (heartbeat, blood oxygen) clearly visible on screen, sleek design, cinematic, high detail, dark tech background, shallow depth of field, product photography style'

版本三 AI 輸出與分析

• AI 輸出：
• (Insert a high-quality, professional product shot of the smart watch, with clear health data display)
• 分析：

不同 Prompt 版本的差異與啟示

• 簡單 Prompt 得到通用結果
• 添加關鍵詞和風格描述，提升視覺吸引力
• 精確指定構圖和強調細節，實現精準輸出

本章總結與思考

• 通過實際案例，我們看到了 Prompt 設計的威力
• 多版本測試和迭代是優化 AI 輸出的有效方法
• 精煉的 Prompt 不僅提高效率，更能激發 AI 的最大潛力

第十一章：常見錯誤類型解析與應對方式

• 在使用生成式 AI 的過程中，常常會遇到各種問題
• 本章將分析這些常見錯誤，並提供實用的應對策略

錯誤類型一：輸出不相關或離題

• 問題表現：AI 生成的內容與您的預期主題或要求偏差很大
• 原因分析：Prompt 過於模糊、寬泛，或缺乏足夠的上下文信息
• 應對策略：

錯誤類型二：內容淺薄或通用

• 問題表現：AI 輸出的內容缺乏深度、創意或獨特性，感覺像泛泛而談
• 原因分析：Prompt 未能激發 AI 的潛力，或未要求特定的風格、語氣或細節
• 應對策略：

錯誤類型三：事實性錯誤或幻覺

• 問題表現：AI 生成的內容包含不準確的事實、虛構的信息或錯誤的引用
• 原因分析：模型訓練數據的局限性，或模型為了生成流暢文本而 '編造' 內容
• 應對策略：

錯誤類型四：偏見或不當內容

• 問題表現：AI 輸出包含歧視性、攻擊性、不道德或帶有偏見的內容
• 原因分析：訓練數據中存在的偏見被模型學習和放大
• 應對策略：

錯誤類型五：格式混亂或不一致

• 問題表現：AI 生成的內容格式不規範，排版混亂，或不符合預期格式
• 原因分析：Prompt 未明確指定格式要求，或要求過於複雜
• 應對策略：

錯誤類型六：缺乏創意或突破

• 問題表現：AI 輸出雖然正確，但缺乏新意，不能提供驚喜或超越常規的洞察
• 原因分析：模型傾向於生成最常見、最安全的答案，或 Prompt 限制了其創意空間
• 應對策略：

本章總結與思考

• 了解常見錯誤類型及其原因，是提升 AI 使用效率的第一步
• 靈活運用 Prompt 優化技巧，是應對這些問題的關鍵
• 記住：AI 是一個工具，人類的判斷和引導仍然不可或缺

第十二章：學生練習題與思考題

• 本章包含 40 道練習題與思考題，旨在檢驗您對生成式 AI 知識的掌握程度
• 題目涵蓋選擇題和簡答題，並提供詳細解析
• 請獨立完成，然後對照解析，加深理解

練習題：選擇題 (共 20 題)

• 請根據所學知識，選擇最符合題意的選項。

選擇題 1

• 以下哪項是生成式 AI 的主要特點？
• A) 識別現有數據並進行分類
• B) 根據學習到的模式創造全新內容

選擇題 1 解析

• 答案：B
• 解析：生成式 AI 的核心能力是『創造』和『生成』新內容，這是它與傳統判別式 AI 的主要區別，傳統 AI 主要負責識別、分類和預測。

選擇題 2

• ELIZA 是在什麼時期開發的，並被視為什麼的早期典範？
• A) 2010 年代，深度學習模型
• B) 1960 年代，對話式 AI

選擇題 2 解析

• 答案：B
• 解析：ELIZA 於 1966 年開發，是早期自然語言處理程序，被視為對話式 AI 的雛形，儘管其功能有限。

選擇題 3

• 以下哪種模型主要基於『擴散模型』原理來生成圖像？
• A) GPT-4
• B) ChatGPT

選擇題 3 解析

• 答案：C
• 解析：Stable Diffusion 是一種基於擴散模型 (Diffusion Model) 的文本到圖像生成模型。GPT-4、ChatGPT 和 LLaMA 都是大型語言模型，主要用於文本生成。

選擇題 4

• ChatGPT 在其模型優化中，引入了哪種學習方式使其更能理解人類意圖？
• A) 監督學習 (Supervised Learning)
• B) 無監督學習 (Unsupervised Learning)

選擇題 4 解析

• 答案：C
• 解析：ChatGPT 的成功在於它引入了『強化學習從人類反饋中學習 (RLHF)』，這使得模型能夠更好地對齊人類的偏好和指令。

選擇題 5

• 在 Prompt 工程中，要求 AI 扮演特定角色 (例如：'你是一位經驗豐富的市場行銷專家') 的目的是什麼？
• A) 增加 Prompt 的長度
• B) 讓 AI 輸出更具專業性或符合特定語氣

選擇題 5 解析

• 答案：B
• 解析：角色設定是 Prompt 工程的重要技巧，它能有效引導 AI 的語氣、專業知識和思考模式，使其輸出內容更符合特定角色的要求。

選擇題 6

• 以下哪項不是生成式 AI 在行銷領域的常見應用？
• A) 自動生成廣告文案
• B) 快速生成產品示意圖

選擇題 6 解析

• 答案：C
• 解析：精準識別客戶流失風險屬於傳統判別式 AI (預測分析) 的應用範疇，而非生成式 AI。生成式 AI 更多是創造新內容。

選擇題 7

• 『幻覺問題』在生成式 AI 中指的是什麼？
• A) 模型運行時產生視覺錯覺
• B) 模型輸出內容邏輯混亂、無法理解

選擇題 7 解析

• 答案：C
• 解析：幻覺問題 (Hallucination) 是指生成式 AI (特別是 LLM) 生成的內容聽起來很流暢自然，但實際上是與事實不符、錯誤或憑空捏造的。

選擇題 8

• 針對生成式 AI 可能存在的『偏見』問題，以下哪項不是有效的應對策略？
• A) 平衡和清洗訓練數據
• B) 要求 AI 始終保持中立語氣

選擇題 8 解析

• 答案：B
• 解析：要求 AI 始終保持中立語氣可能是一種 Prompt 技巧，但並不能從根本上解決由訓練數據或模型結構導致的偏見問題。根本解決方案需要從數據治理和模型設計入手。

選擇題 9

• 目前，對於 AI 生成內容的版權歸屬，普遍觀點認為：
• A) 絕對歸屬於 AI 模型開發者
• B) 絕對歸屬於提供 Prompt 的用戶

選擇題 9 解析

• 答案：C
• 解析：目前各國版權法規對 AI 生成內容的版權歸屬尚無定論，但普遍傾向於不授予完全由 AI 獨立創作的內容版權，除非人類在創作過程中發揮了足夠的創意貢獻。

選擇題 10

• 以下哪項不屬於生成式 AI 的典型應用領域？
• A) 新藥分子設計
• B) 自動駕駛決策

選擇題 10 解析

• 答案：B
• 解析：自動駕駛決策主要依賴判別式 AI 進行環境感知、路徑規劃和行為預測，而非生成全新內容。其他選項都是生成式 AI 在不同領域的應用。

選擇題 11

• Transformer 架構是以下哪種模型的基礎？
• A) DALL·E
• B) Stable Diffusion

選擇題 11 解析

• 答案：C
• 解析：Transformer 架構是 GPT 系列大型語言模型的核心，也是自然語言處理領域的重大突破。

選擇題 12

• 當 AI 輸出內容過於通用或缺乏細節時，最好的 Prompt 優化策略是？
• A) 縮短 Prompt 長度
• B) 使用更模糊的詞語

選擇題 12 解析

• 答案：C
• 解析：為了讓 AI 輸出更具體、有深度，需要增加 Prompt 的細節，例如指定風格、語氣、目標受眾或具體功能。

選擇題 13

• 以下哪項技術使得 DALL·E 2 相比 DALL·E 1 在圖像生成質量上有了顯著提升？
• A) 引入了 Transformer 架構
• B) 採用了擴散模型

選擇題 13 解析

• 答案：B
• 解析：DALL·E 2 相比 DALL·E 1 的主要改進之一就是引入了擴散模型，使得生成的圖像更加精緻和寫實。

選擇題 14

• 在文本生成中，AI 預測下一個詞的過程被稱為？
• A) 模式識別
• B) 序列建模

選擇題 14 解析

• 答案：B
• 解析：大型語言模型的核心任務就是學習文本序列的概率分佈，並預測序列中的下一個詞，這就是序列建模。

選擇題 15

• 為了避免 AI 生成不希望出現的內容，Prompt 工程中可以使用哪種技巧？
• A) Chain-of-Thought Prompting
• B) Few-shot Prompting

選擇題 15 解析

• 答案：C
• 解析：負向提示 (Negative Prompting) 用於明確指出 AI 不應該包含的內容或元素，在圖像生成中尤其常用。

選擇題 16

• 哪個主流生成式 AI 模型以其獨特的藝術風格圖像生成能力而聞名？
• A) ChatGPT
• B) Stable Diffusion

選擇題 16 解析

• 答案：C
• 解析：Midjourney 以其生成圖像的獨特藝術美感和豐富細節而著稱，尤其擅長創意藝術風格。

選擇題 17

• 以下哪項不屬於生成式 AI 在教育領域的應用？
• A) 自動批改學生作文
• B) 為教師生成課程大綱

選擇題 17 解析

• 答案：A
• 解析：自動批改學生作文涉及文本理解和評估，雖然 AI 可以輔助，但精準的批改和打分更多屬於判別式 AI 的範疇，並且涉及對語義和內容的深層理解，目前生成式 AI 在這方面還面臨挑戰。

選擇題 18

• 當 AI 生成的內容質量不佳時，最推薦的處理方式是？
• A) 放棄使用該 AI 模型
• B) 立即更換另一個 AI 工具

選擇題 18 解析

• 答案：C
• 解析：Prompt 工程是一個迭代優化的過程。當 AI 輸出不符合預期時，最有效的策略是分析問題，然後調整 Prompt 的內容、語氣、格式或增加限制，並再次嘗試，直到獲得滿意的結果。

選擇題 19

• 以下哪項是目前生成式 AI 發展面臨的主要倫理挑戰之一？
• A) 計算資源不足
• B) 電源供應不穩定

選擇題 19 解析

• 答案：C
• 解析：深偽技術和誤導風險是生成式 AI 在倫理和資訊安全方面最嚴峻的挑戰之一，可能對社會造成廣泛負面影響。

選擇題 20

• 要讓 AI 在回答複雜問題時展示其思考過程，可以採用哪種 Prompt 技巧？
• A) Few-shot Prompting
• B) Negative Prompting

選擇題 20 解析

• 答案：C
• 解析：思維鏈提示 (Chain-of-Thought Prompting) 通過要求 AI 展示其逐步推理的過程，可以提高其解決複雜問題的能力和結果的可靠性。

練習題：簡答題 (共 20 題)

• 請用簡潔的語言回答以下問題。

簡答題 1

• 請簡述生成式 AI 與傳統 AI 的核心差異。

簡答題 1 解析

• 傳統 AI (判別式 AI) 主要用於識別、分類和預測現有數據，遵循預設規則。而生成式 AI 則能夠根據學習到的模式創造全新的、原創的內容，如文本、圖像、音訊等。

簡答題 2

• 請列舉兩種您熟悉的主流生成式 AI 模型，並說明其主要應用。

簡答題 2 解析

• 1. **GPT (如 ChatGPT)**：主要應用於文本生成，例如對話、寫作、摘要、程式碼生成等。
• 2. **DALL·E / Stable Diffusion / Midjourney**：主要應用於圖像生成，例如根據文字描述生成圖片、藝術創作、設計素材等。

簡答題 3

• 什麼是 Prompt 工程？它為什麼重要？

簡答題 3 解析

• Prompt 工程是指設計、優化和完善給予生成式 AI 的文字指令 (Prompt) 的過程。它之所以重要，是因為好的 Prompt 能夠更精確地引導 AI 理解用戶意圖，從而生成更準確、更相關、更高質量的內容，最大限度地發揮 AI 的潛力。

課程總結與展望

• 生成式 AI 正以前所未有的速度改變世界
• 掌握其原理與應用，將是未來職場的關鍵能力
• 鼓勵大家持續學習，探索更多可能性，並關注 AI 的倫理發展