生成式 AI 與傳統 AI 有哪些差異？

為了更清楚理解生成式 AI 的獨特性，我們可以從它與傳統 AI、機器學習、對話式 AI 以及通用人工智慧（AGI）等技術的差異切入：

傳統 AI

傳統 AI 系統依賴明確設定的規則與演算法執行任務，例如專家系統或流程自動化工具。這類系統無法從資料中學習，也不具備隨時間演進的能力，適合處理固定邏輯的任務。

機器學習（Machine Learning）

機器學習讓系統能從資料中找出模式並進行預測，不需人工設定所有規則。它是生成式 AI 的基礎之一，不過傳統機器學習主要應用在分類與預測，並不具備生成新資料的能力。

生成式 AI（Generative AI）

生成式 AI 建立在機器學習之上，能學習資料特徵並主動產生新內容，例如文字、圖像、音樂或程式碼。它的核心特徵在於「創造」，不僅限於預測或回應，而是生成新的、有價值的資料。

對話式 AI（Conversational AI）

對話式 AI 著重於與使用者進行自然語言互動，例如客服機器人或語音助理。它可以採用生成式 AI 技術來生成回應，但其核心目標是人機互動，而非生成多樣類型的資料。簡而言之，生成式 AI 是一種技術能力，而對話式 AI 是一種應用場景。

通用人工智慧（AGI, Artificial General Intelligence）

AGI 指能像人類一樣理解、學習並處理各類任務的高度自主系統，目前仍處於理論與研究階段。與專門訓練在單一任務上的生成式 AI 不同，AGI 強調跨領域學習與推理能力。生成式 AI 雖可能成為 AGI 技術路線的一部分，但兩者目標與能力範疇明顯不同。

生成式 AI 是如何運作的？

生成式 AI 的核心建立在機器學習與深度學習技術之上，特別是以模仿人類學習與創作的方式，從資料中學習模式並進一步生成新的資料內容。生成式 AI 的基本運作流程如下：

1. 資料收集：收集大量與目標任務相關的資料集，這些資料作為模型學習的基礎。例如：用於訓練圖像生成模型的圖庫，或用於語言模型的文本資料集。
2. 模型訓練： 使用深度神經網路（如 Transformer 或生成對抗網路）訓練模型。模型會從資料中學習語言、圖像或其他內容的結構與統計特性，建立內部的表示（例如潛空間 latent space）。
3. 内容生成： 訓練完成後，模型可根據使用者輸入，從學習到的潛空間中取樣，或透過生成器網路產生新的內容。生成結果看似全新，實際上是基於原始資料的特徵組合與推理。
4. 微調处理： 根據實際應用場景（如企業品牌語調、特定風格等），生成的內容可能會進一步進行微調，以提升品質、準確性與一致性。

生成式 AI 的背後依賴的是深度學習（Deep Learning），這種機器學習能模仿人類大腦處理資料的運作方式，建立決策。其核心架構是人工神經網路（Artificial Neural Networks），這類網路由無數個交互連結的節點組成，可模擬人類大腦神經元處理和傳送資訊的方式。透過這些複雜的網路結構，生成式模型可以捕捉資料中的高階語義關係，並進行抽象化處理，進而支持自然語言生成、圖像構圖、語音合成等任務。

生成式 AI 的4大模型類型

生成式 AI 涵蓋多種模型技術，根據其運作原理與應用場景的不同，可大致分為以下四類常見架構：

1、變換式模型（Transformer）

Transformer 是目前自然語言處理領域的主流架構，代表性模型如 GPT-3、GPT-4 等大型語言模型（LLM）均採用此技術。這類模型架構能够理解輸入資料中的上下文關係，能根據整體語境產生連貫、流暢且語意自然的文字。

2、生成對抗網路（GAN，Generative Adversarial Network）

GAN 由兩個子模型組成：生成器（Generator）與判別器（Discriminator）。生成器負責創建新資料，判別器則評估資料的真實性。兩者在訓練過程中相互對抗，不斷進化，使生成器能夠產生高度擬真的內容。

3、變分自動編碼器（VAE，Variational Autoencoder）

VAE 是一種基於機率圖模型的生成架構，會將輸入資料壓縮至潛空間，再從中重新解碼生成新資料。在編碼程序中加入隨機性，VAE 能夠創造出多樣性高且結構相似的新資料實例，特別適合用於需控制輸出樣式的應用場景。

4、扩散模型介绍（Diffusion Model）

擴散模型是目前圖像生成領域的主力架構，例如 Stable Diffusion、Midjourney 都採用了此方法。該技術模擬資料被逐步加入雜訊，然後再由模型反向還原為清晰的內容，過程如同圖像的「去噪」重建，能夠產生極高品質與細節豐富的圖像。

除了主流的四大架構，還有兩類值得關注的生成模型：自迴歸模型（Autoregressive Model），可根據過去的資料點預測下一個輸出，例如語音生成中的 WaveNet；以及正規化流模型（Normalizing Flow），利用一系列數學轉換，將複雜分布映射為簡單分布，再進行樣本生成。

Foundation Model（基礎模型）與大型語言模型（LLM）的差異

基礎模型（Foundation Model, FM）指的是在大量數據上進行預訓練，能夠適應多種下游任務的通用型人工智慧模型，這類模型具備強大的泛化能力。大型語言模型（Large Language Model, LLM）是基礎模型中的一種，專注於語言處理。LLM同樣是透過龐大語料進行預訓練，但它主要用於理解、生成和分析自然語言。簡單來說，LLM 是 Foundation Model 的一種，所有LLM都是基礎模型，但不是所有基礎模型都是LLM。

生成式 AI 的優勢與企業收益

生成式 AI 不僅在技術上具備高度創新性，更在企業營運的多個層面展現實質效益。根據麥肯錫預測，若生成式 AI 結合其他自動化技術（如機器人流程自動化 RPA、傳統 AI），每年可貢獻 0.5–3.4 個百分點的生產力年增長率，成為未來幾十年內最具變革力的生產力引擎之一。以下為其在企業應用中的五大關鍵價值：

1. 全面提升組織生產力

生成式 AI 可自動處理大量重複性高、價值低的日常任務，讓員工將時間與精力專注於更具創意與策略性的工作。無論是跨部門協作還是企業決策支援，皆有助於提升營運效率、優化流程配置與價值再分配。

2. 優化知識管理與共享

透過上下文感知能力，生成式 AI 能組織、連結並即時調用企業內部知識資源，提升資料品質與可取性，加速內部知識轉化、應用、知識共享。這不僅有助於知識的有效沉澱，強化整體資訊透明度，更能主動發現新商機。

3. 促進員工成長與賦能

生成式 AI 可依據員工的職涯發展路徑與技能需求，提供個人化的學習建議與成長規劃。進而提升員工的數位素養、個人生產力與參與感，此外，亦可協助企業縮小技能落差，帶動人力資本的長期正向循環。

4. 精準分析與預測

透過納入更多變數與複雜情境，生成式 AI 能產出更具準確性的預測模型與營運計畫。同時，它也可在資料準備階段強化資料模型與推論能力，為企業決策與資源配置提供前瞻支撐。不僅能揭示潛在風險與新商機，也拓展企業對市場與內部流程的理解深度，為跨部門決策提供更全面的依據。

5. 推動創新與開拓全新商業模式

生成式 AI 為企業帶來高度個人化的顧客體驗與永續導向的資源優化方式，不僅加速產品與服務創新，也能進一步促成如AI 即服務、內容即服務等新型商業模式。從流程優化到新商業模式創造，生成式 AI 正成為企業轉型的核心引擎。

生成式 AI 有哪些應用？五大產業實例

生成式 AI 的應用場景日益豐富，使用案例持續增加。它擅長創造全新資料內容，為以下幾大產業帶來多元且具創意的應用方式：

• 藝術與娛樂：生成式 AI 可用於創作獨特的藝術作品、譜寫樂曲，甚至為電影撰寫劇本。目前已有專門的平台，運用生成演算法將使用者提交的圖像轉換為著名畫家風格的作品。其他平台則採用了卷積神經網路，產生夢幻而精緻的圖像。深度學習模型可模擬多種樂器風格，創作各式曲風的樂曲。只要輸入適當提示詞，AI 甚至可以生成電影劇本、小說、詩詞等各類文學創作。
• 技術和通訊：生成式 AI 被廣泛應用於提升聊天機器人與虛擬助理的互動體驗。讓聊天機器人更吸引人，人機互動更加流暢且貼近人類語言習慣；還能用於建立虛擬助理，互動性和趣味性更強。這類模型所產生的人性化文字，讓這些虛擬助理比過往的虛擬助理技術更為細膩、實用。
• 設計與建築：生成式 AI 能協助平面設計師快速產出多樣化的設計構想，加速創作流程。建築領域也開始導入生成技術，透過訓練資料自動生成具有創意與實用性的建築平面圖，支援建築規劃與空間設計。
• 科學與醫學： 在生命科學與醫學領域，生成式 AI 已被用於加速新藥候選分子的設計，將研發初期的探索階段從數年縮短為數日。GAN 也被應用於醫學影像處理，例如生成合成的腦部 MRI 影像，用於訓練其他 AI 模型，在隱私限制下提供替代性資料，特別具實用價值。
• 電子商務：許多品牌已運用 GAN 技術生成高度寫實的 3D 廣告模型，依據族群特性與美感需求進行客製化設計。生成演算法亦可用來打造個人化的行銷內容，提升品牌與顧客間的溝通效率與互動體驗。

企業導入生成式 AI 有哪些挑戰？又該如何應對？

導入生成式 AI 不僅是一項技術革新，更伴隨著一系列技術、倫理與治理層面的挑戰，需要審慎面對與妥善管理。以下整理幾項目前企業最常遇到的關鍵挑戰：

資料需求：

生成式 AI 模型需要大量高品質、高相關性的資料，才能有效訓練。資料的取得往往困難重重，特別是在資料不足、具敏感性或受保護的領域（如醫療、財務領域）中。此外，資料是否具備多元性與代表性也直接影響模型的輸出品質與偏誤風險。可考慮使用合成資料（由 AI 模擬生成、具備實際資料特性的虛擬資料）來進行模型訓練。這類資料既能保有資料特徵，又不涉及隱私與機密資訊。近年已有越來越多資料公司專門提供合成資料服務，不僅可供人工智慧訓練使用，也能保留隱私和機密性。

訓練複雜性：

訓練生成式 AI 模型（特別是如 GAN、Transformer 等複雜架構）通常需要高度運算資源與專業知識，也相當耗時而昂貴，對中小企業或初學者而言是一大門檻。可採用分散式訓練方式，將模型訓練工作分配至多部機器或 GPU 上執行，加速訓練流程。另可善用遷移學習（Transfer Learning）策略，透過微調已預訓練的模型來應用於特定任務，降低成本並簡化開發流程。

控制輸出：

生成式 AI 在輸出控制上具有挑戰性，可能產生虛假、錯誤、冒犯性或具有偏見的內容。若能提升訓練資料的多樣性與代表性則有助於改善模型的表現。同時，也應建立輸出內容的篩選與審查機制，確保其符合企業價值與實際應用需求。

倫理問題：

生成式 AI 牽涉眾多倫理議題，尤其是生成內容的真實性與可信度。深偽技術（Deepfake）可被用來製造偽造影像或音訊，生成文字模型也可能被用於編造虛假新聞、誤導性評論或詐騙資訊。企業應建立清晰的 AI 倫理準則，並導入相關技術如數位浮水印或區塊鏈以標記、追蹤生成內容來源。同時，加強員工與使用者的 AI 素養教育，能有效降低錯誤資訊傳播與濫用風險。

監管挑戰

目前全球對生成式 AI 的監管尚不完善，法規制度往往趕不上技術發展速度。企業在應用時可能面臨法律灰區、責任歸屬不清與潛在合規風險。企業應密切關注相關法規動態，並與技術專家、法務顧問與政策制定者持續展開對話與合作，方能共同推動 AI 使用的規範制定與風險控管。倡導負責任的 AI 應用，將有助於長期建立產業信任與社會接受度。

SAP如何帮你导入生成式AI技术

當企業尋求將生成式 AI 技術導入核心業務流程，SAP 提供了完整且成熟的技術與應用支持，協助企業快速實現從概念到落地的轉型目標。

• SAP 將生成式 AI 深度整合至業務應用與端到端流程中，提供開箱即用、具備上下文理解能力的解決方案。這些方案建立於企業業務資料之上，結合 SAP 長年累積的產業洞察與流程專業，能即時理解使用者所處的業務情境，主動提供精準建議與操作，從而徹底改變使用者體驗，並有效提升生產力與營運效率。
• 同時，SAP 提供了強大的 SAP Business Technology Platform（業務技術雲平台），當中包含 Generative AI Hub，讓企業能一站式存取來自多家技術供應商的大型語言模型（LLMs）。企業可靈活調用、編排多種模型，將 AI 能力無縫整合進自身的業務流程中，打造兼具彈性與擴展性的智慧應用場景。
• 目前，SAP 已於多個關鍵業務場景中推出生成式 AI 應用案例，涵蓋運輸管理、人才招募、客戶體驗管理等領域，充分展現生成式 AI 技術對企業業務成果的實際促進作用。

透過 SAP 的平台與專業，企業不僅能穩健導入生成式 AI，還能善用其技術優勢，加速創新、優化流程，並實現更具前瞻性與競爭力的數位營運模式。SAP 正是您導入生成式 AI、推動智能企業轉型的最佳合作夥伴。

創新技術

• 快速原型設計：快速產生多種設計概念，協助設計人員和工程師進行迭代調整。
• 創意內容產生：讓作家、藝術家和音樂家透過 AI 產生的草稿探索新樣式或想法。
• 科學發現：從現有化學資料庫中學習模式，產生新的分子結構，讓科學家在合成之前預測化學性質。
• 產品開發：在推出前模擬使用者意見回饋或市場對新概念的反應。

量身打造

• 自訂內容：傳送針對個別使用者行為量身打造的個人化電子郵件、廣告或產品推薦。
• 適應性學習：製作適合學生步調和風格的課程單元或測驗。
• 醫療保健：根據病患資料產生個人化的治療計劃或健康洞察。
• 娛樂：調整遊戲中的故事線或視覺效果，符合使用者的喜好。

自動化

• 內容建立：透過圖像產生、影片編輯等，協助創作者進行腦力激盪。
• 客戶支援：協助客服人員處理詢問。AI 聊天機器人可協助客戶解決問題，若無法解決則上呈問題。
• 程式碼產生：自動化重複編碼工作或產生範本程式碼。
• 文件處理：彙總、翻譯或擷取大量文字的關鍵資訊。

生成式 AI 的運作方式

生成式 AI 採用機器學習的原則。但不同於傳統的機器學習模型，透過學習模式、依此進行預測或決策；生成式 AI 走得更遠：不僅可從資料中學習，建立新的資料執行個體還會模擬輸入資料的屬性。

生成式 AI 的基礎是深度學習，這種機器學習能模仿人類大腦處理資料和建立決策的模式。這是透過人工神經網路而實現，這類網路由數個交互連結的層面組成，可處理並傳輸資訊，模仿人類大腦中的神經元。

以下是讓生成式 AI 發揮作用的一般工作流程：

從資料學習

生成式 AI 模型首先會擷取大量資料，例如文字、圖像、音訊或其他格式。在訓練期間，模型會識別資料內的統計模式和結構，構成產生新內容的基礎。

辨識模式和關係

訓練後，模型便能辨識資料中元素之間的複雜關係。例如，在語言模型中，這包含理解文法、內容、語調，甚至是意圖。在圖像模型中，這可能涉及辨識形狀、紋理和空間排列。

使用提示產生新內容

生成式 AI 根據提示進行回應，使用者輸入提示以引導模型產生新內容。這些提示可以是問題、指示或範例。根據所學習的模式，模型會產生連貫、符合情境，且通常與人類建立內容難以區分的輸出。

人們如何使用生成式 AI

視目標和使用的工具而定，人們會以多種方式與生成式 AI 互動：

• 寫作和溝通：Grammarly 及 ChatGPT 等工具協助起草電子郵件，調整語調，修正文法，並產生內容構想。無論您在撰寫報告或編寫社群媒體貼文，這些工具都能協助簡化流程並提升清晰度。
• 編碼：GitHub Copilot 透過建議程式碼片段、識別錯誤並產生完整函式來支援開發人員。
• 生產力和組織：AI 助理可協助其使用者即時解答、處理日常工作（例如排程會議和資料輸入），以及支援決策。例如，SAP Joule 可根據業務資料的情境向使用者提供洞察，並自動化重複工作（例如發票比對）。事實上，使用者可根據自身角色和責任（從財務到人力資源等）量身打造 Joule。
• 研究和學習：學生和專業人員使用 AI 生產力助理來解釋複雜的主題、總結文章並激發創意。

生成式 AI 工具處理日常繁瑣工作，讓人員能投入更多時間專注於更具策略性的職責。

生成式 AI 的類型

生成式 AI 模型在功能與建立方式有所不同。其優點和問題解決能力取決於架構。這些差異至關重要，因為其塑造 AI 在實際情境中的運作方式，從寫作、編碼到圖像建立。

總括而言，生成式 AI 模型分為數個種類，每個種類各自都有學習與產生新資料的方式：

1. 變換式模型：在變換器架構上建立的模型會使用注意力機制，了解長序列中字詞或詞元之間的關係。這可讓對話式和助理 AI 產生一致、情境感知的文字，即使跨段落或整個文件也能保持一致。
2. 生成對抗網路（GAN）：GAN 由兩個神經網路、一個生成器和一個判別器組成。生成器會建立新資料，而判別器會評估其真實性。隨著時間的推移，這種競爭關係會促使逐步改善。此範例包含數位圖像建立工具，其運用 GAN 產生並操控視覺效果。
3. 變分自動編碼器（VAE）：VAE 的其中一個應用是音樂產生。其運作方式是透過結合編碼器，能將資料壓縮為潛空間，以及解碼器，能從該空間重建資料。解碼器導入隨機性，使輸出多樣化。換句話說，音樂創作工具會以音訊資料訓練，並嘗試根據所發現的序列和模式進行重建。
4. 自迴歸模型：這些模型逐步產生資料，根據先前產生的元素預測下一個元素。此方法通常用於語言建模，依序產生每個字詞或詞元。自迴歸模型可支援幾個熱門的生成式 AI 工具。
5. 標準化流程模型：這類的生成式模型會使用一系列反函數，將簡易機率分佈轉換為複雜機率分佈。這特別適用於需要確切概似估計的工作，例如圖像產生。

生成式 AI 範例及使用案例

透過獨特的新內容建立能力，生成式 AI 可實現各種有趣的應用。

企業應用案例

生成式 AI 透過簡化工作流程和實現創新，推動不同產業轉型。

• 人力資源：生成式 AI 自動化工作，例如根據應徵者資料起草工作說明和產生量身打造的面試問題。例如，印度汽車製造商 Mahindra & Mahindra 使用生成式 AI 更快速地制定更完善的僱用決策。
• 供應鏈管理：運算技術公司 AMD 開發 AI 驅動的疑難排解工具，能分析銷售訂單確認、偵測分配問題並識別庫存短缺。員工可透過自然語言聊天機器人與工具互動，讓複雜的資料洞察更加容易取得並可據以行動。這說明生成式 AI 如何推動更明智的決策和更有效率的營運。
• 專業服務：透過呈現關鍵指標，生成式 AI 會警示使用者風險，並透過資料導向洞察使敘事更具依據。Accenture 透過減少工作量並協助制定更快、更周全的決策來強化財務團隊。

文字和對話式 AI

生成式 AI 正革新溝通方式，透過產生人性化的文字來強化使用者互動。這可讓進階聊天機器人和虛擬助理維護自然且人性化的對話。這些系統比前幾代更具回應性和情境感知，使其在客戶服務、個人助理等領域中成為寶貴工具。

此外，寫作助理等工具也在協助人們以更清晰、自信的方式表達自己。無論是起草電子郵件、總結文件或產生創意內容，這些文字產生工具皆根據其提示提供一致、相關且語法正確的語言。

圖像和設計

在創意領域中，生成式 AI 是視覺迭代的強大工具。在平面設計和建築中，可協助專業人員根據訓練資料，快速產生獨特的設計概念和有效率的平面配置圖。在藝術中，平台將使用者提交的圖像轉化成模仿知名畫家風格的作品。卷積神經網路也可以產生超現實、夢幻般的視覺效果，突破數位創意的框架。

音樂和影片

先進的模型現在可跨越多種音樂類型進行創作，模擬多種樂器和風格，並保持令人印象深刻的連貫性和情感深度。

在影片製作中，尖端生成式 AI 系統甚至可創作簡短逼真的影片，並具備同步音訊、環境聲音，甚至對話。這些模型支援電影和動畫風格，將使用者提供的參考納入個人化的場景，例如將人員的肖像插入產生的影片中。透過具備物理感知的動作和栩栩如生的渲染，這些工具正為音樂影片、短片和沉浸式的數位體驗開創新的可能性。

導入生成式 AI 的挑戰與風險

導入生成式 AI 的挑戰和風險包含了一系列技術、組織和倫理問題，領導者必須隨技術發展克服這些問題。此處我們將探討一些主要挑戰，以及組織可有效因應這些挑戰的策略。

• 資料需求：生成式 AI 模型需要大量高品質、多樣化、相關性的資料，才能有效訓練。取得這些資料可能充滿挑戰，特別是在資料缺乏、敏感性或受保護（如醫療或財務領域）的情況下。此外，要確保資料多元和取樣準確性，避免在產生輸出時出現偏見，是一項複雜的工作。這項難題的其中一項解決方式，或許是使用合成資料（由人工智慧建立、模擬實際資料特性的資料）。有愈來愈多資料公司專門產生合成資料，不僅可供 AI 系統訓練使用，也能保留隱私和機密性。
• 訓練複雜性：訓練生成式 AI 模型（特別是 GAN 或變換式模型等複雜模型）不僅運算密集，也相當耗時而昂貴。這需要許多資源和專業知識，對小型組織或 AI 新手而言都是阻礙。分散式訓練（當訓練過程在多台機器或 GPU 上同時進行時）有助於加速流程。此外，遷移學習（讓開發人員針對特定任務微調預先訓練模型的技術），也可降低訓練的複雜性和資源需求。
• 控制輸出：生成式模型可能產生不正確、不相關或不合適的內容。提供更多樣化且具代表性的資料，改善模型的訓練有助於管理此問題。此外，建置篩選系統和意見回饋循環等機制有助於監控並改善輸出。在模型設計中內嵌可解釋性和公平性對於確保信任和相關性至關重要。
• 倫理問題：生成式 AI 會引發幾個道德問題，特別是生成內容的真實性和完整性。GAN 所建立的深偽技術可能會傳播錯誤資訊並助長詐欺。生成文字模型也可用於建立誤導性的新聞文章或虛假評論。制定完善的 AI 倫理準則，對生成式 AI 的運用極為重要。數位浮水印或區塊鏈等技術有助於追蹤和驗證 AI 生成的內容。此外，提升大眾的 AI 素養也能降低錯誤資訊和詐騙的風險。
• 監管障礙：生成式 AI 的運用仍缺乏明確的監管準則。人工智慧持續快速發展，法律及管制規定卻跟不上腳步，導致種種不確定因素和潛在的法律爭議。

為確保生成式 AI 的負責任使用，技術人員、政策制定者、法律專家和廣大社會大眾之間的策略合作至關重要。這種合作應推動建立健全治理框架、倫理標准和清楚的監管準則，跟上技術進步的步伐。

同樣重要的是資料就緒程度。組織必須評估其資料的成熟度，確保資料乾淨、一致且符合情境，並建立支援這些需求的基礎架構。解決方案應整合各系統的資料，同時維持強大的治理和隱私保護。

生成式 AI 的發展史

生成式 AI 的發展史中，有數個重要的發展與里程碑。

1980 年代，資料科學家試圖超越傳統人工智慧的預先定義規則和演算法，著手開發單純貝氏分類器，奠定生成式方法的基礎。

後續在 1980 及 1990 年代，霍普菲爾網路（Hopfield Network）和玻爾茲曼機（Boltzmann machine）模型誕生，旨在建立可生成新資料的神經網路。但擴展為大型資料集充滿挑戰，種種問題（如梯度消失問題）也阻礙深度網路的訓練。

在 2006 年，受限玻爾茲曼機（RCMM）的出現帶來了突破，使得能預先訓練深度神經網路的層次。RBM 不僅化解了梯度消失問題，也促進了深度信念網路的發展。

2014 年，生成對抗網路（GAN）問世，展現了生成寫實資料（特別是圖像）的驚人能力。同一時期，電腦科學家也提出了變分自動編碼器，為自動編碼器提供了一種概率方法，採用更合乎原則的架構來生成資料。

2010 年後期，GPT、BERT 等變換式模型的興起，徹底革新自然語言處理，能夠產生人性化的文字。

如今，生成式 AI 模型持續突破框架，越來越強調道德使用和可控性。

生成式 AI 的發展史反映理論和應用的快速進展，提供寶貴的經驗，促使負責任地運用其創造潛能。

生成式 AI 的未來

生成式 AI（先前只存在於科幻小說的概念）已迅速成為日常工作和生活不可或缺的一部份。不同於注重從資料學習並自動化決策的傳統 AI，生成式 AI 加入創造能力。這項突破可實現以前難以想像的應用，從產生寫實圖像和撰寫程式碼，到產生訓練用合成資料。

生成式 AI 也正為企業帶來企業 AI 的新時代。直接內建於核心流程中，可協助組織自動化工作流程、強化客戶互動並提升營運效率。

隨著生成式 AI 的不斷發展，其強化人類創造力和生產力的潛力只會越來越大，前提是必須遵守謹慎的治理和對道德使用的承諾。公司必須以道德、透明且合規的方式部署並運用這些技術，並遵守全球法規。

常見問題