生成式 AI 到底是什麼？從三大支柱到能力極限一次搞懂

「AI 不是很久以前就有了嗎？為什麼這兩年突然人人都在講？」這是我被問過最多次的問題。答案藏在一個關鍵的分水嶺：從「分析既有的東西」跨到「創造新的東西」。

這篇用最少的術語把生成式 AI 講清楚：它跟傳統 AI 差在哪、為什麼是現在爆發、它是怎麼被訓練出來的，以及它能做什麼、不能做什麼。看完你會對手上這個工具有一張準確的「能力地圖」。

分水嶺：從分析到創造

定義很乾淨：生成式 AI 是能創造新內容的人工智慧系統，而不只是分析既有資料。有一組對照例子，我認為是目前為止最好懂的版本：傳統 AI 幫你判斷一封郵件是不是垃圾郵件；生成式 AI 直接幫你寫一封全新的郵件。

這個差別看似只是功能升級，實際上改變了人跟電腦的關係：以前電腦處理你給它的東西，現在它能產出你沒給過它的東西。也因此才需要 AI Fluency 這樣一整套素養：面對一個會「創造」的工具，委派、描述、判別、盡責每一環都跟以前不一樣。理解它的原理，就是在為這四件事打地基。

為什麼是現在？三大支柱

生成式 AI 背後的想法存在很久了，真正讓它起飛的是三件事同時到位。稱之為三大支柱：

• 演算法（Algorithms）：2017 年問世的 Transformer 架構，徹底改變了模型處理長文本的方式，讓它能在長篇文字中同時注意到詞與詞之間的關聯。
• 資料爆炸（Data explosion）：網站、程式碼庫與各種數位文本的爆炸性成長，提供了訓練這些系統的原料。
• 運算能力（Computing power）：GPU 這類晶片帶來的算力大增，讓「用海量資料訓練超大模型」從理論變成可行。

三者缺一不可：沒有新架構，資料再多也消化不了；沒有資料，架構再好也沒東西學；沒有算力，前兩者只能停在論文裡。

還有一個值得知道的相關觀察，叫 scaling laws：隨著模型變大、資料變多、算力增加，模型表現會以一致的模式持續提升，這是實證上觀察到的規律。更有意思的是，在某些規模門檻上，模型會冒出沒有人明確寫進去的全新能力。

這解釋了為什麼各家公司持續往「更大」的方向投入，也解釋了為什麼模型的能力邊界需要一直重新認識。

它是怎麼被訓練出來的：三個階段

預訓練（Pre-training）：模型分析數十億筆文本範例，學會「預測接下來會出現什麼」。這聽起來簡單，但要把預測做好，模型必須內化語言的結構、事實的關聯、推理的模式，這就是它「懂很多」的來源。

微調（Fine-tuning）：預訓練完的模型會接續再訓練，學會遵循指示、提供有幫助的回應、避免產生有害內容。你感覺到它「聽得懂人話、像個助理」，主要是這個階段的功勞。換句話說，預訓練給了它知識與語言能力，微調給了它工作態度，兩者缺一，你拿到的都不會是現在這種好用的產品。

部署（Deployment）：模型上線，你提供 prompt，它根據你的輸入與訓練中學到的模式生成回應。注意這句話的含意：它的回應是「基於模式的生成」，不是「查資料庫」。這一點直接解釋了它為什麼會有下一節講的那些限制。

能力與限制：一張誠實的清單

這張表值得存起來，因為它就是 4D 框架裡「平台意識」的起點：左欄告訴你什麼事可以放心委派，右欄告訴你什麼事要保留判別與查證。例如知識截止日意味著時效性資訊要自己查；hallucination 意味著關鍵事實要核對；context window 有限意味著超長文件要分段餵、重點要重講。