一句話定義

生成式 AI（Generative AI）是從大量資料學會內容的規律之後，能依照你的指令產出全新文字、圖片、聲音、影片或程式碼的人工智慧。

30 秒看重點

  • 是什麼：生成式 AI 是會「做出新東西」的 AI，ChatGPT 寫文章、Stable Diffusion 畫圖都屬於這一類。
  • 為什麼重要：它讓 AI 從後台的分類工具，變成一般人直接打字就能使用的創作與工作助手。
  • 跟誰相關：天天寫報告的上班族、做設計與影音的創作者、寫程式的工程師，以及要訂規則的政府與老師都直接受影響。
  • 最常見的誤解：以為它是去資料庫「查答案」，其實它是依照學到的機率規律「現場生出」答案，所以會出錯。
  • 記住這件事就夠了：生成式 AI 很會產出「看起來對」的內容，最後拍板的還是你。

生成式 AI 到底是什麼？

生成式 AI 是能依照指令產出新內容的 AI，英文叫 Generative AI，常被簡稱 GenAI。它學的不是「標準答案」，而是資料長什麼樣子，所以學完之後可以生出訓練資料裡沒出現過的新句子、新圖片。

不知道大家有沒有發現，「AI」這個詞在 2022 年底之後好像突然換了意思，以前講 AI，你想到的可能是相簿自動認人臉、信箱自動擋垃圾信，現在講 AI，大家腦中浮現的卻是一個會跟你聊天、幫你寫信、幫你畫圖的對話框，這中間的差別，就是「判斷」跟「生成」。

多個機器學習教學來源的說法一致：傳統的「判別式模型（discriminative model）」負責分類，看到一張照片告訴你是狗還是貓；「生成式模型（generative model）」則是學會資料的結構，可以直接畫出一張看起來像真的動物照片。

生活比喻：你可以想像成夜市的兩種攤位。判別式 AI 像套圈圈攤的老闆，你丟過去，他只負責喊「中」或「沒中」；生成式 AI 則像捏麵人的師傅，你說「我要一隻戴安全帽的柴犬」，他當場捏一隻給你，世界上本來沒有這一隻，可是一看就知道是柴犬。

為什麼會有生成式 AI？

生成式 AI 的出現，是為了讓 AI 不只會「判斷」，還能直接「產出」人類需要的內容。

以前的 AI 很好用，但有個明顯天花板：它只能在你給的選項裡挑一個。垃圾信過濾器再準，也沒辦法幫你回信 XD

可是人類日常工作大部分不是選擇題，而是申論題：寫一封道歉信、整理一份會議紀錄、做一張活動海報、補一段程式。這些都需要「從無到有」。

技術上，有兩個轉折把生成這件事推到能用的程度：

  1. GAN（生成對抗網路）：多個來源一致指出，Ian Goodfellow 與蒙特婁大學的同事在 2014 年提出。做法是讓兩個網路互相較勁，一個負責造假、一個負責抓假，越練造得越像。
  2. Transformer 架構：2017 年〈Attention Is All You Need〉論文提出的架構，我們在 Transformer 那篇拆過，它讓模型能一次讀進整段文字，後來的大型語言模型幾乎都蓋在它上面。

說白了，前者讓 AI 學會「畫得像」，後者讓 AI 學會「講得順」。

生成式 AI 是怎麼運作的？

先講結論：生成式 AI 先用海量資料學會「內容通常長怎樣」，再根據你的指令，一小步一小步把新內容生出來。

以文字和圖片兩種最常見的類型來看：

  1. 先大量閱讀（預訓練）：Anthropic 的官方詞彙表寫得很直白，像 Claude 這種自迴歸語言模型，預訓練時就是看前文、預測下一個字。圖片模型也類似，Stable Diffusion 的官方 repo 寫明它用 LAION-5B 的一部分圖片資料訓練。
  2. 再調成好用的助手：只做過預訓練的模型不太會回答問題，Anthropic 的文件說要再經過微調與 RLHF（用人類回饋做強化學習），它才會乖乖照指令做事。
  3. 最後逐步生成：文字模型一次生一小段，接著再生下一段；圖片的擴散模型（diffusion model）則反過來，Hugging Face 的 diffusers 範例程式就是從一張純雜訊開始，每一步預測要擦掉哪些雜訊，畫面越擦越清楚。

名詞小教室：「溫度（temperature）」是控制生成隨機程度的參數。Anthropic 的文件說明，溫度越高輸出越多樣、越有創意，越低越保守，而且就算設成 0，同樣的輸入也不保證每次結果完全一樣。簡單來講，這就是你按「重新產生」會拿到不同答案的原因之一。

生成式 AI 跟傳統 AI 差在哪？

一句話：傳統 AI 回答「這是什麼」，生成式 AI 回答「幫我做一個」。

比較項目生成式 AI傳統判別式 AI
主要任務產出新內容分類、預測、判斷
典型例子ChatGPT 寫文、Stable Diffusion 畫圖垃圾信過濾、人臉辨識解鎖
輸出長相一段文字、一張圖、一段聲音一個標籤或一個數字
答案固定嗎同樣問題每次可能不同同樣輸入通常同樣結果
最大風險一本正經地編造內容判斷錯誤、帶有偏見
我會怎麼用它打草稿、發想、改寫，再自己檢查交給它做大量重複判斷

從這張表可以看出來，兩者沒有誰取代誰。你的手機一邊用判別式 AI 認你的臉解鎖，一邊用生成式 AI 幫你修圖，兩種 AI 其實每天都在同一支手機上一起上班。

「那 LLM 跟生成式 AI 是同一個東西嗎？」不完全是喔。LLM（大型語言模型）是生成式 AI 裡專門處理文字的那一大類，生成式 AI 的範圍更廣，還包含畫圖、做聲音、生影片的模型。

你會在哪些 AI 工具看到生成式 AI？

你每天用的聊天機器人、繪圖工具、寫程式助手，背後幾乎都是生成式 AI。

  • ChatGPT、Claude、Gemini：打字聊天、寫信、摘要的那種對話框，都是生成文字的 LLM。根據本站日報，OpenAI 在 10 月 7 日把 GPT-6 放進 ChatGPT 聊天分頁，免費版也改用 GPT-6 Luna。
  • Stable Diffusion：開放權重的文字生圖模型，官方 repo 寫明是跟 Stability AI 和 Runway 合作開發，UNet 有 8.6 億個參數，配一張至少 10GB 顯示記憶體的 GPU 就能在自己電腦上跑。
  • 影片與聲音生成：diffusers 函式庫的說明就寫著它能生成圖片、聲音，甚至分子的 3D 結構。即時影片生成也成了新戰場，本站日報提過的以色列新創 Decart 就是做這塊。

如果你是工程師，你最常碰到的會是 OpenAI、Anthropic、Google 的模型 API，或是 Hugging Face 的 diffusers 這類開源函式庫。順帶一提，Stable Diffusion 的權重授權 CreativeML OpenRAIL-M 附有「使用限制」，官方也不建議沒加安全機制就直接放進產品，商用前記得先讀授權。

學生成式 AI 最常見的 3 個誤解

生成式 AI 最常見的誤解，是把它當搜尋引擎、當成永遠正確，或以為它只會寫字。

  1. 誤解一：它是在網路上「查」答案 — 真相是它在「生」答案。模型依照學到的規律一個字一個字接下去，沒有查證這一步，所以才會出現 AI 幻覺。
  2. 誤解二：講得越流暢就越正確 — 真相是流暢跟正確是兩回事。OpenAI 在 GPT-2 的 repo 裡就提醒，模型可能用不易察覺的方式出錯，建議廣泛散布前把生成內容標示為合成的。
  3. 誤解三：生成式 AI 就是聊天機器人 — 真相是聊天只是其中一種介面。圖片、聲音、影片、程式碼都能生成，能同時處理多種內容的叫做多模態 AI。

老實講，第一個誤解最危險。把它當 Google 用，等於請一個口才超好、但不會說「我不知道」的同事幫你查資料（有點可怕）。

生成式 AI 有哪些規則要守？

台灣目前是「公部門先有指引、再有基本法」，開發商則在使用政策裡自己加規則。

台灣公部門：根據多家媒體報導，行政院在 2023 年 8 月 31 日通過《行政院及所屬機關（構）使用生成式 AI 參考指引》，重點包括機密文書禁止用生成式 AI 撰寫、不得把個資或應保密的資訊丟進去、AI 產出要由承辦人做最終判斷，以及使用時應適當揭露。

人工智慧基本法：立法院在 2025 年 12 月 23 日三讀通過《人工智慧基本法》，據報導中央主管機關為國科會，並列出透明與可解釋、隱私保護、問責等七大原則，也提到要防範 AI 被用來造假。

開發商：Anthropic 的使用政策要求面對消費者的聊天機器人必須告訴使用者「你在跟 AI 對話」，也禁止在未經允許或未標註的情況下交出 AI 輔助的作品，選舉相關的合成媒體則必須揭露是合成的。

畢竟生成內容越來越容易，這三份規則的共同點都是「讓人知道這是 AI 做的」。

想多了解生成式 AI，從哪開始？

沒技術背景的人從「每天用一次」開始，有技術背景的人可以從開源模型和官方文件下手。

一般讀者：

  • 挑一件你本來就要做的事，例如整理會議重點，丟給 ChatGPT、Claude 或 Gemini 試試，再自己核對一次，很快就能抓到它擅長什麼、會在哪裡翻車。
  • 接著讀 Prompt（提示詞），學會怎麼把需求講清楚，產出品質會差很多。

工程師：

  • 讀 Anthropic 官方詞彙表，把預訓練、微調、RLHF、溫度這幾個詞一次搞懂。
  • 去 GitHub 看 CompVis/stable-diffusion 和 huggingface/diffusers 的 README，照著範例在自己電腦生一張圖，對擴散模型的手感會清楚很多吧。

常見問題 FAQ

生成式 AI 跟 AI 有什麼關係？

生成式 AI 是人工智慧裡的一個分支，專門負責產出新內容。AI 是大範圍的總稱，包含會分類、會預測的傳統 AI；生成式 AI 則是其中能寫文章、畫圖、做聲音與影片的那一類。現在大家口中的「AI」，多半指的就是生成式 AI。

為什麼生成式 AI 突然這麼紅？

關鍵是 ChatGPT 在 2022 年 11 月 30 日上線，讓一般人打字就能用。UBS 引用 Similarweb 資料估計，它在 2023 年 1 月的月活躍使用者約 1 億人，只花了大約兩個月，不過這是分析師估計而非 OpenAI 官方數字。麥肯錫 2023 年 6 月的報告也估計，生成式 AI 在 63 個使用情境中，每年可帶來相當於 2.6 兆到 4.4 兆美元的經濟價值。

我不是工程師也需要懂生成式 AI 嗎？

需要，因為它已經出現在你每天用的工具裡。如果你常用 AI 寫信、整理資料或修圖，了解生成式 AI 會讓你知道它的內容是「生出來」而不是「查出來」的，用之前多核對一次，就能少踩很多雷。

生成式 AI 的中文翻譯有沒有統一？

台灣的政府文件和新聞普遍寫作「生成式 AI」，行政院的公部門指引也用這個寫法；中國大陸常見「生成式人工智能」。本站統一用「生成式 AI」，英文保留 Generative AI，簡稱 GenAI。

學會生成式 AI 之後，下一個該學什麼？

建議接著看大型語言模型（LLM）、AI 幻覺和提示詞（Prompt）。LLM 說明文字型生成式 AI 的核心，AI 幻覺說明它為什麼會亂講，提示詞則教你怎麼下指令讓它產出更好的結果。

延伸閱讀

參考來源

  1. Glossary｜Claude Platform Docs — 預訓練預測下一個字、微調、RLHF 與溫度的定義。
  2. CompVis/stable-diffusion｜GitHub — 潛在擴散模型、LAION-5B 訓練資料、參數量、10GB VRAM 與授權限制。
  3. huggingface/diffusers｜GitHub — 擴散模型可生成圖片、聲音與分子 3D 結構，以及從雜訊逐步去噪的流程。
  4. openai/gpt-2｜GitHub — 模型可能以不易察覺的方式出錯，建議把生成內容標示為合成。
  5. Anthropic Usage Policy — 聊天機器人須揭露是 AI、AI 輔助作品需標註、選舉合成媒體需揭露。

查證限制：GAN 於 2014 年提出、判別式與生成式模型的差異、ChatGPT 上線日與 UBS 估計的 1 億使用者、麥肯錫 2.6 兆至 4.4 兆美元估計、行政院生成式 AI 參考指引與《人工智慧基本法》三讀內容，原始網站在撰寫環境無法開啟，以多個獨立搜尋結果交叉比對一致後才寫入，未列入參考來源。

整理一下重點：生成式 AI 說穿了就是一位超會捏麵人的師傅，什麼都捏得出來，但捏得像不代表捏得對，檢查這一步真的不能省。

希望這一篇有讓你對生成式 AI 有比較具體的理解哩～如果發現事實錯誤、定義不準、或翻譯卡卡的，歡迎透過聯絡頁指正，看到我們會盡快修。

我們下篇文章見囉～

本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理，文末已揭露 AI 生成 + 公開資料引用。