📓 第 03 課：什麼是生成式 AI？
NotebookLM 生成 影片摘要 + 簡報 + 測驗以下內容由 Google NotebookLM 根據課程影片自動生成，作為延伸濃縮學習素材。
📖 回到主課程：AI 素養：框架與基礎
📋 課程概覽
第 03 課：深度探討一：什麼是生成式 AI？
不需要技術背景的生成式 AI 原理介紹，帶你建立判斷 AI 能力邊界所需的心智模型。課程從「AI 典範轉移」出發，深入解析大型語言模型（LLMs）的核心引擎、訓練過程的兩大階段，以及影響模型行為的關鍵機制（上下文視窗、知識截止日、幻覺、溫度）。掌握這些概念，是你在後續課程中做出明智委派決策的知識基礎——你不需要成為工程師，但需要知道這台機器是怎麼「想」的。
🎬 影片摘要
🎬 NotebookLM 影片摘要：揭開生成式 AI 的神秘面紗
由 Google NotebookLM 根據課程影片自動生成的繁體中文動態摘要。
📝 影片重點整理
第一章：從分析到創造——AI 典範的根本轉移
傳統 AI（分析型）的核心是「判斷這是什麼」——垃圾郵件過濾、推薦系統屬於此類；生成式 AI 的核心是「創造前所未有的全新內容」——撰寫報告、生成程式碼、回答問題。這不只是技術升級，而是 AI 能力質的飛躍。
第二章：驅動一切的核心引擎——大型語言模型（LLMs）
「L」代表 Large（大型）——數十億個「參數」，如同大腦中的神經突觸連結；「LM」代表 Language Model（語言模型）——透過大量學習，專門用來預測與生成符合人類語言的系統。
「它並非從資料庫中『搜尋』現成答案，而是根據統計機率，逐字『生成』最合理的下一個字詞。」
第三章：完美風暴——造就現代 AI 的三大催化劑
現代生成式 AI 的崛起並非偶然，而是三個要素同步成熟的結果：
① 演算法突破（2017 年 Transformer 架構）——能高效處理長序列文本，並維持詞彙間的上下文關聯；
② 數據大爆發——網路、書籍、程式碼提供模型學習的龐大原始資料；
③ 算力躍升（GPU / TPU）——讓處理海量數據和超大規模模型成為可能。
三者協同，觸發了「規模定律（Scaling Laws）」——模型規模越大，會自動湧現出開發者未刻意設計的新能力。
第四章：黑盒子解密——訓練的兩大階段
| 階段 | 目標 | 結果 |
|---|---|---|
| 預訓練（Pre-training） | 預測下一個字，建立語言地圖 | 擁有廣博知識的「生肉預測機」 |
| 微調（Fine-tuning / RLHF） | 透過人類反饋對齊 3H 原則 | 有用、誠實、無害的「對話助手」 |
微調的核心是人類反饋強化學習（RLHF），讓模型學會遵守指令、拒絕有害請求，從統計預測機蛻變為你日常使用的智慧助手。
第五章：四大超能力——你的 AI 同事擅長什麼
生成式 AI 在以下四個面向遠超人類：
任務切換的敏捷性（Versatility）——在寫作、翻譯、推理之間無縫切換；
情境學習（In-context Learning）——在提示詞中給少量指令或範例，模型立刻適應全新任務；
對話記憶維持——在整個對話中保持上下文連貫；
工具擴充能力——許多模型能連接外部工具，大幅擴展其能力邊界。
第六章：三大認知限制——使用 AI 必須知道的邊界
| 限制 | 機制 | 實務影響 |
|---|---|---|
| 上下文視窗（Context Window） | 工作記憶有上限，超出則遺忘最早內容 | 長對話需留意資訊截斷 |
| 知識截止日（Knowledge Cutoff） | 訓練完成後「封存」，不知截止日後的事 | 詢問近期事件需提供最新資料 |
| AI 幻覺（Hallucination） | 基於機率生成，可能產生「合理但錯誤」的內容 | 重要事實務必交叉驗證 |
第七章：溫度與 RAG——調控 AI 行為的關鍵旋鈕
溫度（Temperature） 控制輸出的隨機程度：低溫適合需要準確一致的任務（數據分析、程式碼），高溫適合需要多元發散的任務（腦力激盪、創意寫作）。
RAG（檢索增強生成） 是突破知識截止日與私有數據限制的關鍵技術——讓模型在生成前，先從外部知識庫「檢索」相關資訊，大幅降低幻覺、提升準確度。這是企業 AI 應用的核心架構。
影片結語金句：
「最高效的應用，來自善用雙方的互補優勢。AI 的速度與規模，加上人類的判斷與責任感。」
📊 簡報概覽
📊 簡報：Generative AI Decoded（由 NotebookLM 生成）
共 12 張投影片，使用左右按鈕或縮圖列切換；點擊主圖或全螢幕鈕可放大檢視。
🧪 延伸測驗
📌 關於這份測驗
以下 10 道題目由 Google NotebookLM 根據「深度探討一：什麼是生成式 AI？」課程影片自動生成，涵蓋生成式 AI 原理、LLM 架構、訓練流程及關鍵限制。
測驗 3-1
根據教材內容，生成式人工智慧（Generative AI）與傳統人工智慧的主要區別是什麼？
測驗 3-2
在大型語言模型（LLM）中，「大型」一詞主要是指什麼？
測驗 3-3
2017 年出現的哪項技術突破，被認為是現代 generative AI 發展的遊戲規則改變者？
測驗 3-4
關於「規模定律」（Scaling Laws），研究人員發現了什麼令人驚訝的現象？
測驗 3-5
在 AI 訓練過程中，「微調」（Fine-tuning）階段的主要目的是什麼？
測驗 3-6
什麼是「脈絡視窗」（Context Window），它對 AI 的運作有何限制？
測驗 3-7
為什麼 LLM 有時會產生「幻覺」（Hallucination）？
測驗 3-8
若一個模型的「知識截止日期」（Knowledge Cutoff）是 2024 年 11 月，這意味著什麼？
測驗 3-9
關於 LLM 的「非確定性」（Non-deterministic）特徵，以下敘述何者正確？
測驗 3-10
為了克服 LLM 無法存取公司內部私有數據或最新資訊的限制，目前研究人員主要採用哪種技術？
本頁測驗由 Google NotebookLM 根據 The AI Fluency Framework 課程影片自動生成（Rick Dakan & Joseph Feller，與 Anthropic 合作開發）。原課程素材以 CC BY-NC-SA 4.0 授權發佈。