作者：陳若玄
俗話說：「無好地基，著起無好厝。」
也就是說，如果我們不瞭解一項事物的基礎觀念，就難以運用這項知識或技術，取得良好與豐碩的成果。在生成式AI應用上也是相同的道理，若我們不明白甚麼是生成式AI，諸如它的定義、訓練過程、技術概念、特性、運作邏輯等，不明白它的結果是如何產生的，那麼我們也就無法妥善利用這項技術，協助自己創造更好的成果。
因此，在開始利用生成式AI輔佐我們做各種事情之前，讓我們回頭思考，甚麼是生成式AI？
💡甚麼是人工智慧（Artificial Intelligence, AI）？
在瞭解生成式AI之前，首先，更基礎的問題是「人工智慧」是甚麼？
顧名思義，人工智慧，就是希望能創造出模擬人類智慧的技術。（或許有些人會思考，那麼「智慧」是甚麼？但這牽扯到另外的概念了，我們改天再談。）
引用Cole Stryker和Eda Kavlakoglu非常淺顯易白的定義：「人工智慧是一種讓電腦和機器模擬人類學習、理解、解決問題、做決策、創造與自治的科技（Artificial intelligence (AI) is technology that enables computers and machines to simulate human learning, comprehension, problem solving, decision making, creativity and autonomy.）」。
所以，人工智慧的定義其實是相當廣泛的。我們常聽見的機器學習（machine learning）、深度學習（deep learning），及這篇文章要談的生成式AI（generative artificial intelligence），都是它一個發展。
這些名詞之間的概念，可以參考AI for Education繪製的這張圖：
💡甚麼是生成式AI？
所以，甚麼是生成式AI呢？白話地說，生成式AI就是一種專注於產生內容的AI技術。
引用McKinsey & Company的定義：「生成式AI是一種可以用來產生如聲音、編碼、圖像、文字等新內容的演算法，例如ChatGPT（Generative artificial intelligence (AI) describes algorithms (such as ChatGPT) that can be used to create new content, including audio, code, images, text, simulations, and videos.）」。
那麼生成式AI是怎麼運作的呢？Cole Stryker和Eda Kavlakoglu將運作過程分成三個階段：訓練（training）、微調（tuning），及產生、評估及更多的調整過程（generation, evaluation and more tuning）。
在訓練過程中，工程師會餵給演算法模型非常多的資料，讓模型從中學習。等到學習結束了之後，會進行模型的微調，讓模型可以更好地滿足它被創造的目的與需求。最後，就會進入產生資料、評估，以及調整的階段，如此重複幾次之後，生成式AI就成型了。
為什麼這樣生成式AI就完成了呢？我們再更白話一點來說明這件事情。
當我們還是學生的階段（也就是最初的演算法模型），學校給了我們許多教育（也就是訓練資料集），我們便會開始學習這些內容。根據不同的目的，我們學習不同的知識與技能程度可能也會不同（微調），然後經過表達與考試（也就是產生、評估），就會知道這個小孩子哪裡明白了，表現是否及格，若不及格就需要進行重補修等過程（再次進入微調的過程），最後成為取得學位（也就是成為正式可以利用的生成式AI模型了）。
在這樣的過程中，我們有兩件事情需要思考：
- 學生（生成式AI）在學習完相同的內容之後，儘管表現已經非常優異，仍有出錯的可能性。
- 學生（生成式AI）著重學習的學科不同，最後能呈現的知識和技能程度會不同。
因此，在使用生成式AI的時候，我們必須要知道：
- 生成式AI的答案可能有誤，因此必須要自己再查驗一次。
- 根據使用的目的，選用合適的生成式AI相當重要！
💡Garbage In, Garbage Out!（GIGO原則）
在資通科技領域中的基礎概念：「垃圾進，垃圾出！」
意思是，將不好的、無意義的資料提供給電腦系統，那麼系統也只能產出相同的垃圾，返回給使用者。
套用到生成式AI的概念上，我們有兩個面向可以切入思考：工程師端、使用者端。
首先，在工程師端，若一開始用來訓練AI模型的資料不夠好，就像是我們給學生的教材亂編，那麼學生的學習成果可能會不好。
再者，我們培養了一批語文資優生（語文強項的生成式AI），結果使用者卻用來詢問與回答微積分問題，那麼可想而知，不會獲得太好的結果。同樣的道理，如果我們今天沒有釐清自己的問題，就到處找人問問題，一般人都有可能聽不懂我們的需求了，何況是AI模型呢？
因此，再次證明了根據使用目的選用合適的AI模型，以及（對人或對AI）問問題的技巧，都有多麼重要！
所以，下一篇文章，我們將會探討怎麼向AI問問題（指令工程），以及如何評估AI給予的回覆。
參考資料：
- Stryker, C. & Kavlakoglu. (n.d.). What is AI?. https://www.ibm.com/think/topics/artificial-intelligence
- Mckinsey & Company. (2024). What is generative AI?. https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai
- AI for Education. (2023). Genrative AI explainer. https://www.aiforeducation.io/ai-resources/generative-ai-explainer