生成式 AI 到底是什麼？Google Cloud 入門課用一張同心圓講清楚

「生成式 AI」這個詞天天聽，但如果有人要你用一句話說清楚它跟 AI、機器學習、深度學習的關係，你答得出來嗎？我修 Google Cloud 的 Introduction to Generative AI 這門短課時，最大的收穫就是把這幾個常被混用的詞，排成了一張清楚的層次圖。

這門課是 Google Cloud 生成式 AI 學習路徑的第一站，由開發者關係工程師授課，節奏輕快、比喻很多。這篇文章把課程的骨架整理出來：名詞的層次、兩種模型的分野、判斷生成式 AI 的口訣，以及基礎模型與工具生態。

四層同心圓：從 AI 到生成式 AI

課程開場先把名詞的層次排好。AI 是一門學科，就像物理是科學的一門學科：它是資訊科學的分支，研究如何打造能推理、學習、自主行動的智慧系統。

機器學習是 AI 的子領域：用輸入資料訓練出模型，讓模型能對沒見過的新資料做出有用的預測，也就是讓電腦不必被逐條寫死規則就能學習。

深度學習是機器學習的一種，用受人腦啟發的人工神經網路，多層神經元讓它能處理比傳統機器學習更複雜的模式，而且有標籤與無標籤的資料都能吃（小量標籤加大量無標籤一起用，就叫半監督式學習）。生成式 AI 則是深度學習的子集，大型語言模型（LLM）也是。

四個詞，一層包一層。

監督式與非監督式：有沒有標籤

機器學習模型最常見的兩類是監督式與非監督式，關鍵差別只有一個：資料有沒有標籤。

課程的例子很生活化：你開一家披薩店，手上有歷史帳單金額與小費的資料，還標了外送或自取，監督式模型就能從過去的例子學會預測未來的小費；而拿員工的年資與收入做分群、看誰在快速升遷軌道上，事先沒有答案標籤，靠資料自然聚成群，就是非監督式的「探索」。

監督式的訓練過程本質上是最佳化：模型不斷縮小預測值與實際值之間的誤差。

判別式與生成式：分類 vs 創造

深度學習模型又可以分成兩型。判別式模型學的是輸入與標籤之間的關係，用來分類或預測：給它一張照片，它告訴你「這是狗、不是貓」。生成式模型學的是資料本身的機率分布，能生成與訓練資料相似的新實例：它不只認得狗，還能畫出一隻新的狗。

生成式語言模型的本質是模式比對系統：從海量文字中學會語言的模式，然後預測接下來最可能出現什麼。「我在做三明治，塗了花生醬和……」它會接「果醬」，因為訓練資料裡這個組合出現得最多。

讓這件事在 2018 年產生革命性突破的架構是 Transformer：高層次來看由編碼器與解碼器組成，編碼器處理輸入序列，解碼器學著把它解成任務需要的輸出。

基礎模型與五種文字模型

這一波生成式 AI 的基石是基礎模型（foundation model）：在極大量資料上預先訓練好的大型模型，設計成可再微調到情感分析、圖片描述、物件辨識等各種下游任務。同一個底座，換個微調就是另一個專用工具。以文字為輸入的模型，課程分成五類：

程式碼也是生成式 AI 的主場：除錯、逐行解釋程式、寫 SQL 查詢、跨語言轉換、生成文件與教學，課程用「把 Pandas DataFrame 轉成 JSON」示範了一遍完整流程。

在 Google Cloud 上動手：三個工具

• Vertex AI Studio：快速探索與客製生成式 AI 模型，附預訓練模型庫、微調工具、部署工具與開發者社群。
• Vertex AI Agent Builder：不太會寫程式也能建自己的聊天機器人、數位助理、客製搜尋引擎與知識庫。
• Gemini：多模態模型，文字、圖像、音訊、程式碼都能理解。Model Garden 則持續收錄新模型供選用。

我修完的感想是：這門課最值錢的不是任何單一知識點，而是那張同心圓。名詞的位置排對了，之後讀任何 AI 新聞、評估任何工具，你都知道它落在圖上的哪一層、該用哪一層的標準去要求它。