《DAY 1》

TL;DR 速讀重點

🚀 快速掌握本文精華

• 生成式 AI 不只「分析」，更能 無中生有
• GAN：對抗式訓練，擅長高擬真影像
• Diffusion：逐步去噪，擅長多樣與創意的「文生圖」
• 代表工具與案例：StyleGAN、This Person Does Not Exist、Midjourney、DALL·E 2
• 下一步（Day 2）：大型語言模型（LLM）如何理解語意與推理

前言：AI 不再只是「分析」，更能「創造」

過去，我們對 AI 的印象多半停留在資料分析、模式識別與預測。
近年來，生成式 AI（Generative AI） 迅速崛起：從逼真的人臉影像到充滿風格的插畫、音樂與文本，都能透過模型「創造」出來。

1. 生成對抗網路（GAN）

一場「偽造者」與「鑑賞家」的對決

• 生成器（Generator）：負責「偽造」，嘗試生成以假亂真的影像/資料
• 判別器（Discriminator）：負責「鑑定」，區分真假並回饋給生成器

訓練流程（對抗學習）

1. 生成器產生假樣本
2. 判別器判斷真假並回饋
3. 兩者交替訓練、彼此進化
4. 最終生成器可產生 幾可亂真的結果

代表應用

• StyleGAN（NVIDIA）：高擬真人臉生成
• This Person Does Not Exist：每次刷新一張「不存在」的人臉
• Data Augmentation：醫學影像等領域的資料擴充

圖 1：GAN 的生成器與判別器互相對抗、共同進化

✨ 小結：GAN 擅長「寫實」，但訓練可能不穩、易出現模式崩塌（多樣性不足）。

2. 擴散模型（Diffusion）

從混沌到清晰的「還原」藝術

• 前向過程（Forward）：對清晰圖片逐步加入噪點，直到接近純隨機
• 反向過程（Reverse）：模型學會一步步去噪，從雜訊「長回」清晰影像

為何適合文生圖？

• 可結合文字編碼器（如 CLIP/文本嵌入），從噪點出發，朝「文字目標」逐步去噪
• Midjourney / DALL·E 2：輸入文字描述即可生成具風格且多樣的圖像

圖 2：Diffusion 由 Noise 經反向去噪生成清晰影像

✨ 小結：Diffusion 具 品質穩定＋多樣化 的優勢，尤其擅長文字驅動的創作。

3. GAN vs Diffusion（對照表）

圖 3：GAN 偏擬真、Diffusion 偏創意與風格多變

選型建議（實務）

• 追求 極高擬真（人臉/照片風）：可先評估 GAN（或現成的 StyleGAN 模型）
• 追求 創意多樣＋文字驅動（品牌視覺/插畫/合成）：優先考慮 Diffusion 系列
• 有 速度限制 的情境：評估加速取樣方法或選擇雲端推理服務

結語：AI 創造力的無限可能

從 GAN 的對抗學習 到 Diffusion 的逐步還原，生成式 AI 已成為內容創作與設計的 核心引擎。
它不只是演算法，更像具有「想像力」的數位合作者，能把你的靈感變成具體作品。

🔜 Day 2 預告：大型語言模型（LLM）如何理解語意、與人對話，乃至展現推理力？

參考連結

• OpenAI GPT-4 功能升級概覽（YouTube）
  https://www.youtube.com/watch?v=cbMvEfjjsNE&list=PLNhr44joLduFB42TSue7awFPShBvhIjZw&index=1

#生成式AI #GAN #Diffusion模型 #AI繪圖 #StableDiffusion #Midjourney #DALLE2 #AI創作 #人工智慧 #深度學習