生成式 AI 入門：能力、用途與第一次試驗

閱讀目標與導言

本頁是中文譯文。讀完後，你將能夠解釋生成式 AI 與常見分析、預測型 AI 的區別，識別文字、圖片、聲音及多模態應用，認識原資料列舉的工具，判斷工作任務是否適合使用，並開始進行小規模試驗。

生成式 AI 的重要變化，在於它能夠創作內容，而不僅是分析已有資料。接下來先從這個區別出發，再討論應用、侷限、選用方法與提示技巧。正文之後保留四段配套影片的中文文字稿。

一、生成式 AI 是什麼

從判斷已有內容，到產生新內容

生成式系統可以寫文章、報告、郵件與營銷文案，根據描述生成圖片和程式碼，合成語音與音樂，參與對話，以及在翻譯時嘗試保留語境和語氣。

原資料用一個市場團隊作例子：為 500 件新商品寫介紹，原本可能花幾周，生成工具則能夠迅速給出大量初稿。這個例子說明初稿生產的潛力，不代表每件商品的資訊都已準確，或省掉了稽核工作。

能力並不等於理解或可靠

原資料提出四項限制：系統並不像人一樣理解內容；可能產生聽起來可信卻不正確的“幻覺”；可能重現訓練資料中的偏見；複雜推理與倫理判斷仍需要審查。

這裡的技術對比是“判別式”與“生成式”：前者常用來劃分類別或預測，後者學習資料的分佈或模式併產生新樣本。Transformer 的注意力機制幫助系統處理序列中的關係與上下文。

譯註：人工智慧並不等同於判別式模型，生成式方法也並非剛出現。表格用於區分常見任務，不能當成完整技術史。Transformer 是一種架構，生成模型還包括其他架構；“輸出像人寫的”不能證明系統具有人的意識，也不能單憑架構名稱判定所有推理任務的表現。

二、它適合創造哪些內容

文字

原資料把寫作時間縮短 70%至80% 作為應用示例，還舉出金融報告從數天縮短到數秒的匿名案例。這些沒有提供可核對研究與測量方法，不能作為普遍收益承諾。實際工作還需計算資料準備、核對、修訂和批准的時間。

影象

常見方式包括文字生成影象、按照指令編輯影象、風格遷移，以及快速產生多個視覺概念。零售團隊可以嘗試把產品放在不同場景中，減少一部分試拍與概念製作成本；但產品外觀、文字、品牌與使用許可仍需核對。

聲音與多模態

文字轉語音把文章變為可聽內容；音樂生成創作不同風格的樂曲；聲音克隆嘗試復現特定聲音特徵。多模態應用把文字、影象、聲音等能力結合起來，例如同時製作插圖、講解與配音。

原資料以教育內容生產為例：多模態工具可能加快製作，並增強呈現方式。是否更能幫助學習，需要另外驗證，不能只憑製作速度判斷。

三、原資料列舉的工具

下面保留原資料的工具地圖，用來認識產品類別。它不是當前產品排名，也不代表這些服務的功能、費用與可用性長期不變。

聲音方面，原文列舉 Amazon Polly、Google WaveNet、ElevenLabs，以及 AIVA、Amper Music、Soundraw 等音樂服務，反映資料編寫時的生態。不要據此推斷某一產品今天仍按原方式提供服務。

許多平臺提供圖形介面、試用或某種免費額度，以及供系統整合的 API。但“能夠試用”與“長期免費”“上傳資料不會被用於其他用途”是不同問題。實際開始前要查當前條款和賬戶設定。

四、怎樣判斷任務是否合適

生成式 AI 較適合重複但需要變化或創意的任務、仍將由人修改的初稿、大規模個性化，以及數量較多、結構相近的內容。

對於沒有複核卻要求事實絕對準確的任務、需要細緻同理心的敏感溝通、深度倫理判斷，以及沒有人工監督的重要決策，應格外謹慎。

可以從四個問題開始評價：

• 時間價值：目前人工花多少時間？這些時間有什麼價值？
• 錯誤風險：如果內容錯誤，會造成什麼後果？
• 創作需求：任務是否受益於變化、個性化或創意？
• 內容數量：需要生產多少相似內容？

原資料舉出為大量客戶製作結構相近的季度投資摘要：分析人員時間投入高，內容需要個性化，風險可透過稽核控制，因此適合先生成初稿。資料中“節省 80% 時間”的數字沒有獨立出處，應當作匿名教學示例，而非可直接複用的預測。

五、第一次怎樣開始

把需求寫進提示詞

具體的任務、受眾、語氣、背景與輸出形式，能幫助系統把生成結果對準目標。它們不能保證事實準確，但可以減少因為需求含糊造成的偏離。

從低風險任務開始，儲存有效的提示詞，外用前檢查事實、語氣和適用性，並給團隊建立簡單的使用邊界。

一個工作流程

先確認季度報告要解決什麼問題，再讓工具起草結構與內容；由具備相應知識的人檢查事實、修正錯誤、補充分析；需要時繼續用工具潤色個別段落；最後由人批准釋出。

這種流程把生成能力與人的專業知識結合。熟悉工具以後，再逐步擴充套件到更復雜的任務，通常比一開始完全自動化更容易發現問題。

影片文字稿一：什麼是生成式 AI

我們先建立一個基本區別：傳統 AI 系統與生成式 AI 有什麼不同？這個概念有助於理解，為什麼生成能力會擴大人工智慧在工作中的用途。

許多常見傳統系統採用判別方式，分析已有資料，完成分類或預測。例如，檢視一封郵件，判斷它是垃圾郵件還是正常通訊；分析歷史模式，預測客戶行為；或者根據學到的特徵識別圖片中的物體。

生成式系統則產生新內容。它不只是判斷郵件類別，還能根據給出的條件寫一封完整郵件；不只是預測客戶流失，還能起草留存策略；不只是識別影象，而能創造新的圖片。從分析擴充套件到創作，改變了業務與創意任務能夠使用 AI 的方式。

今天的生成系統可以製作看起來連貫、具有一定風格的文章、報告與營銷文案；根據描述生成寫實影象，幫助視覺原型和內容製作；根據自然語言規格起草程式，幫助縮短部分開發過程。

聲音方面，從語音合成到音樂創作，也有相應用途。翻譯則嘗試同時保留含義、上下文、語氣和文化差異。能力跨越多種媒體，因此它不只是一項孤立工具，還可以成為多類內容創作的平臺。

然而，限制必須一起理解。這些系統根據訓練資料進行復雜模式識別和統計計算，並不具有與人相同的理解或意識。它們可能寫出看似權威、推理充分，卻包含事實錯誤的內容，通常稱為幻覺。

它們也可能重現訓練資料裡的偏見，並在複雜邏輯或倫理判斷上失敗。因此，最有效的實施要同時認識能力與侷限，把生成能力與人的監督、領域知識結合，而不是隻看它能否迅速給出答案。

譯註：這裡用“傳統”與“生成”區分常見任務，不是完整技術分類；判別與生成方法長期並存。具體推理能力也須按模型和任務驗證，不能由上述概括一律推定。

影片文字稿二：哪些應用更能發揮作用

先看文字。它是生成式 AI 較早廣泛進入業務的一類應用，原講解分成四種。

第一是內容製作，包括部落格、報告、郵件和營銷文案。原講解用寫作時間減少 70%至80% 說明潛力，但強調的是加快初稿，而不是完全替代寫作者；該數字沒有提供可核對出處。

第二是文件摘要。面對長報告，工具可以較快提取要點，幫助研究和資料處理。不過，摘要是否遺漏重要內容，需要檢視原件。

第三是客服聊天。現代系統能夠處理某些多輪和常見問題，讓服務人員專注更復雜情況。能夠回答不代表已經正確解決，仍需升級和核驗機制。

第四是程式碼生成。用自然語言描述軟體需求，可以得到程式草稿，幫助開發，也降低部分非程式人員製作原型的門檻。

影象生成同樣出現了實用方向。文字生成圖片把詳細描述變成視覺內容；影象編輯讓人用指令修改已有圖片；風格遷移幫助保持視覺方向；概念開發則迅速產生多個變化。

想想需要產品視覺的零售團隊。每個產品、版本和場景都重新拍攝，費用與週期很高；AI 可以先生成一部分方案，減少製作瓶頸，讓營銷團隊較快測試構思、比較視覺和迭代設計。實際產品外觀、品牌和權利仍要檢查。

聲音是另一個擴充套件方向，可以把文字變成較自然的語音，創作音樂，也可以復現某種聲音特徵。更進一步的多模態流程，把文字、圖片和聲音結合。例如，一家學習內容企業可以先製作說明，再加插圖與配音。原講解設想，這可能大幅縮短製作週期、提高表現力，但沒有提供已驗證的時間或學習效果。

這些例子有共同模式：工作重複，卻需要創意或個性化；類似內容數量較多；結果適合由人修改，而不是第一次就必須達到絕對完美。判斷適用性時，應回到這個任務特徵。

影片文字稿三：哪些時候不宜直接依賴它

首先要分清，自信不等於正確。生成式 AI 可能用同樣冷靜、肯定的語氣，告訴你埃菲爾鐵塔建於 1999 年，或鯊魚是哺乳動物；回答錯誤時，不一定有明顯的不確定表達。

這種看似可信卻含事實錯誤的輸出，稱為幻覺。不要簡單把它理解成系統像人一樣有意欺騙；它可能來自資料缺口、訓練錯誤，以及生成超出可靠範圍時對統計模式的依賴。

什麼時候不宜使用？第一，要求高度事實準確而沒有人工驗證的工作，例如診斷、法律判斷與重要財務計算，需要相應專業知識。第二，高度敏感、強調細膩表達與同理心的溝通，例如裁員或危機說明，需要人的判斷。

第三，深度倫理判斷和高後果決定不應在缺少監督時交給系統。它可以提出選項，但最後作出有重大影響的決定，應有明確的人負責。

使用前問自己：如果輸出錯了，會怎樣？如果涉及可能傷害、經濟損失、關係損害或法律責任，必須安排人工核對和監督。

比較穩妥的方式，是讓系統加快工作，而不替代判斷。讓它起草、提出點子、處理適合的日常部分；重要內容始終核驗，尤其是將向外部發布或影響重要決定的內容。

影片文字稿四：從具體提示開始試驗

為什麼生成式 AI 有時讓人失望，有時又很有幫助？一個重要因素是怎樣提出需求，也就是提示。把目標和背景寫清楚，會更容易得到有用結果，但它不是成功的唯一條件。

“給我營銷活動點子”太寬。可以改成：“為一個新的有機護膚系列提出五個營銷活動構思，面向 25至40 歲、重視環保的消費者，強調可持續性與天然成分。”後一個提示給出了產品、受眾、主題和數量。

再看延期郵件。與其只說“寫專案延期郵件”，可以說：“寫一封專業郵件，說明網站改版因新支付系統的技術問題延期兩週，包含修訂時間表以及彌補進度的計劃。”背景和要求更明確，輸出就更有機會對準實際需要。

怎樣開始試驗？先選風險較低、能夠節省時間的任務，例如郵件初稿、構思或提綱。由具備相關知識的人檢視結果，核對事實並加入見解。

第二，把有效做法記下來。對經常做的任務建立提示庫，找到有用提示後儲存，便於再次使用和比較。

第三，外部使用前，檢查準確性、語氣和適用性。工具在增強專業能力時更有價值，不能把它當作專業判斷的替身。

從小任務開始，驗證，再逐步嘗試複雜應用。現在可以選一項經常做的工作，寫一條具體提示，看看結果與自己的預期有什麼差距。

關聯閱讀

瞭解能力後，繼續比較生成式 AI 的模型與實施方式，再用適用性練習驗證自己的任務。

參考與延伸閱讀

以下為編輯補充，用於查詢原理和實際使用方法，不作為匿名案例收益數字的證明。

• Google：生成式 AI 概覽：中文，查詢生成、應用及模型類別。
• Microsoft：生成式 AI 入門資料：中文，學習生成式任務、模型與負責任使用。
• NIST AI 風險管理框架：英語，用於進一步檢查可靠性與風險管理。