一、引言
在新聞與科技文章中，「人工智慧」、「機器學習」、「深度學習」與「生成式 AI」這些詞彙經常被混用。對於初學者來說，很容易搞不清楚它們之間的區別與關聯。事實上，這些概念並非彼此對立，而是一個「層層包含」的架構。釐清這個概念，是邁入 AI 領域的第一步。
二、層層包含的架構解析
我們可以將這四者的關係想像成一組同心圓，從最外層包含到最內層：
人工智慧（Artificial Intelligence, AI）：最廣泛的範疇
指任何能讓機器展現出類似人類智慧行為的技術。特點：包含極廣，早期的規則判斷系統（如「若A則B」的條件敘述）、專家系統，甚至是寫死演算法的西洋棋程式，都屬於 AI 的範疇。它不一定具備「學習」能力。
機器學習（Machine Learning, ML）：AI 的重要分支
讓機器從大量數據中找出規律與模式，而不是由工程師手動編寫固定的邏輯規則。運作方式： 輸入「資料」與「標籤」，讓模型自行調整內部參數，學習出一個對應函數。常見三大學習模式：監督式學習（Supervised Learning）資料帶有標準答案（標籤），例如給予大量標記為「貓」與「狗」的照片，訓練模型分類。非監督式學習（Unsupervised Learning）： 資料沒有標準答案，讓模型自行尋找資料內部的結構或分群，例如客戶群相分群。
化學習（Reinforcement Learning）： 透過「環境」、「行動」與「獎勵機制」進行學習，例如 AlphaGo 圍棋程式。
深度學習（Deep Learning, DL）：機器學習的一種特定方法
使用「多層人工神經網路（Artificial Neural Networks）」來進行機器學習的技術。特點： 善於處理非結構化資料（如影像、聲音、自然語言），能夠自動進行高階特徵提取，不需完全依賴人工特徵工程。
生成式 AI（Generative AI, GenAI）：當前最受矚目的應用領域
主要建立在深度學習基礎之上，專門用於「產生全新內容」的 AI 技術。範疇： 可生成文字（如 ChatGPT）、影像（如 Midjourney）、語音、影片或程式碼。
三、判別式 vs. 生成式模型
在理解生成式 AI 時，非常關鍵的一步是區分「判別式模型（Discriminative Model）」與「生成式模型（Generative Model）」：
判別式模型（Discriminative Model）：目的學習不同類別之間的「界線」。回答的問題： 「這張圖片是貓還是狗？」、「這封郵件是不是垃圾郵件？」數學表示： 計算條件機率 $P(Y\vert{}X)$，即在已知輸入 $X$ 的情況下，屬於類別 $Y$ 的機率。
生成式模型（Generative Model）：目的學習資料內部的「真實分布（Distribution）」。回答的問題： 「請根據你對『貓』的了解，畫出一張全新的貓圖片。」數學表示： 學習聯合機率分布 $P(X, Y)$ 或資料分布 $P(X)$，進而能從該分布中進行採樣（Sample）生成新資料。
四、重點總結
GenAI 並非一夕之間憑空出現的全新學科，而是 AI 與深度學習發展數十年後的自然突破。判別式模型負責「判斷與分類」，生成式模型負責「理解分布與創作」。
五、我的心得與實踐
剛開始接觸 AI 時，我也常被各種專有名詞搞得頭昏腦脹，以為生成式 AI 是某種徹底翻轉傳統電腦科學的魔法。在釐清了「包含關係」與「判別/生成」的差別後，我看科技新聞時終於能精準定位各種技術的位置。例如看到「某廠商推出了新的 CV 模型」，我就能快速判斷它多半屬於判別式深度學習，而非 Generative AI。這讓我建立起一個非常清晰的心智圖，不再容易被行銷術語所混淆。