Day 2｜AI、Generative AI 與 LLM，到底差在哪裡？

2026 iThome 鐵人賽

DAY 2

AI 自動化

AI 情境英文口語教練——結合 LLM 與自動化工作流的個人化英文學習系統系列第 2 篇

18th鐵人賽

yuna05

2026-09-16 22:45:57

17 瀏覽

分享至

**為什麼要先搞懂這三個名詞？

在正式動手做「AI 情境英文口語教練」之前，有件事必須先想清楚：我接下來要用的技術，到底是什麼？

很多人會把「AI」「Generative AI」「LLM」當成同一件事來講，但這三個詞其實是一層包一層的關係，範圍從大到小依序是：

AI（人工智慧）
   └── Machine Learning（機器學習）
          └── Deep Learning（深度學習）
                 └── Generative AI（生成式 AI）
                        └── LLM（大型語言模型）

搞懂這個層級關係，才知道自己專題裡真正在用的「LLM」，其實只是 AI 這個大家族裡，專門處理語言、而且會「生成內容」的其中一個分支。

AI：泛指讓機器展現「類似人類智慧」的技術

AI（Artificial Intelligence，人工智慧）是最上層、也最廣義的概念，泛指任何讓電腦系統表現出「感知、判斷、決策、學習」等類似人類智慧行為的技術。

這個定義涵蓋範圍非常廣，例如：

手機的人臉辨識
導航軟體的路線規劃
電商網站的推薦系統
下棋 AI（如 AlphaGo）

這些系統不一定會「生成」新的內容，很多只是在既有規則或資料中做判斷、分類、預測。所以 AI 不等於會聊天、會畫圖的東西，它是一個更大的傘狀概念。

Machine Learning 與 Deep Learning：AI 是怎麼「學會」的

AI 底下最重要的分支是 Machine Learning（機器學習）：讓電腦不用被寫死規則，而是從大量資料中自己找出規律，進而做出判斷或預測。

而 Deep Learning（深度學習） 則是機器學習的一種方法，用多層的「神經網路」來處理更複雜的任務，例如影像辨識、語音辨識、自然語言理解。現在會聊天、能理解語意的 AI，幾乎都是建立在深度學習之上。

簡單說：AI 是目標，機器學習是手段，深度學習是目前最主流、效果最好的手段之一。

Generative AI：不只是判斷，而是「生成」新內容

Generative AI（生成式 AI） 是深度學習的一個子類別，跟前面提到的「判斷型 AI」最大的差別在於：它不只是分類或預測，而是能創造出全新的內容，例如：

文字：寫文章、寫程式碼、回答問題
圖片：生成插畫、照片風格圖像
音樂、語音、影片

以「AI 情境英文口語教練」這個專題來說，我們用到的功能幾乎都是生成式的：

根據使用者輸入的情境，生成對話場景與角色設定
根據使用者的英文句子，生成修正建議與更自然的說法
對話結束後，生成個人化的學習報告

這些都不是「查表找答案」，而是 AI 即時創造出對應這次情境、這次輸入的獨特內容——這正是 Generative AI 的核心能力。

LLM：專門處理語言的生成式 AI

LLM（Large Language Model，大型語言模型） 則是 Generative AI 底下，專門處理文字語言的模型，例如 GPT、Gemini、Claude 都屬於這個類別。

LLM 的基本運作邏輯，簡化來說是：

模型在訓練階段「讀過」大量的文字資料（書籍、網頁、對話紀錄等）
學會語言中的規律：文法結構、語意關係、上下文邏輯
使用時，根據輸入的文字（Prompt），一個字一個字地「預測接下來最可能出現的內容」，逐步生成完整的回應

這也是為什麼同一個問題，換個問法（改一下 Prompt），LLM 給出的答案可能會不一樣——因為它是根據上下文「生成」出來的，不是從固定資料庫裡「查詢」出來的。這個特性也解釋了為什麼接下來 Day 4、Day 5 要花時間學 Prompt Engineering：怎麼問、怎麼描述情境，直接決定了 AI 生成內容的品質。

對照回專題：這些概念會怎麼用上？

把這三層概念對回「AI 情境英文口語教練」，可以更清楚每個功能背後用的是什麼技術：

專題功能	對應技術層級
根據情境生成對話場景與角色	Generative AI（LLM）
AI 扮演角色進行對話互動	LLM 的文字生成能力
分析使用者英文並給修正建議	LLM 的語言理解 + 生成能力
整理學習報告（單字、文法、片語）	LLM 生成 + 結構化輸出
之後計畫串接的 RAG / FAISS 知識庫	讓 LLM 生成內容時「有依據」，而非單純憑訓練記憶