(01)
GenAI vs 搜尋引擎：本質差異
大多數人第一次接觸 AI 時，把它理解為「更強的 Google」——這個類比在 95% 的時候會讓你答錯題目。兩者從設計目標就截然不同：
搜尋引擎（如 Google）
索引既有內容，返回清單連結
總是清楚標示來源網址
輸出是「已存在的網頁」
結果具有確定性（相同關鍵字 → 相同結果）
生成式 AI（如 ChatGPT）
根據提示詞「生成」全新內容
不一定標示來源，可能編造
輸出是「世界上不存在的新內容」
結果具有隨機性（相同提示 → 可能不同輸出）
考試常考：「能夠生成在任何網站上都找不到的材料」→ GenAI；「總是清楚說明資訊在網路上的來源」→ 搜尋引擎。這個對比是 Q12 的核心考點。
(02)
AI 類型分類：選對工具的關鍵
CCS 考試大量使用「情境 → 選工具」的題型。你需要知道每種 AI 類型的用途，才能在題目中快速判斷。
(01)
生成式 AI（Generative AI）
從無到有創造新內容。文字、圖像、語音、影片皆可。ChatGPT、DALL-E、Midjourney、Stable Diffusion。考試情境：寫文案、畫圖、作曲、創作。
(02)
預測式 AI（Predictive AI）
分析歷史資料預估未來趨勢。不「創作」，而是「預測」。考試情境：預測 2200 年地球溫度、銷售預測、需求預估（Q2）。
(03)
鑑別式 AI（Discriminative AI）
分類與識別。給定一個輸入，判斷它屬於哪個類別。考試情境：垃圾郵件過濾、圖片分類（貓/狗）、詐騙偵測。
(04)
擴散式模型（Diffusion）
圖像生成的底層技術。從雜訊中逐步去噪，生成圖像。Stable Diffusion、DALL-E 使用此架構。注意：考試不用它來「分析文字」。
(05)
Transformer 架構
現代 LLM（GPT、Gemini、Claude）的基礎。自注意力機制能捕捉長距離文字關聯。考試情境：融合莎士比亞與羅琳風格 → 需要 Transformer（Q7）。
(06)
卷積神經網路（CNN）
專門用於影像辨識與分類，不用來生成文字或做語言任務。考試情境：幾乎只出現在「這個選項為什麼錯」。
(03)
LLM 訓練流程：理論順序 vs 實務順序
這是 Q3 的直接考點，也是最容易在直覺上答錯的題目。問的是「理論上」的設計順序，而非「實務上」數據科學家的工作順序：
LLM 訓練——理論設計順序（Q3 答案：4 → 3 → 2 → 1）
4. 微調超參數
設定 Learning Rate、Batch Size 等架構參數
→
3. 準備輸入架構
定義模型如何接收數據
→
2. 預處理清理
移除雜訊、標準化格式
→
1. 收集資料集
灌入訓練數據
為什麼是反直覺的順序？從「系統架構設計」的角度，必須先決定機器要怎麼跑（超參數），再決定輸入格式，然後才清理資料，最後才灌入。這是「設計先於資料」的邏輯，考的是模型開發的理論視角。
(04)
GenAI 的輸出模態：多模態全景
現代生成式 AI 不只輸出文字。理解「輸入 × 輸出」的組合矩陣，才能在 Q4、Q5、Q14、Q15 等題型中快速判斷。
常考場景：
Q4：作家想測試電影劇本不同口音效果 → Text-to-Speech（TTS）
Q15：歌手提交原創錄音，要求加入失真效果 → Speech-to-Speech（S2S）
Q14：廣告商提供文件+圖片+文字要求寫歌詞 → 多模態輸入（文件+圖像+文字）
Q4：作家想測試電影劇本不同口音效果 → Text-to-Speech（TTS）
Q15：歌手提交原創錄音，要求加入失真效果 → Speech-to-Speech（S2S）
Q14：廣告商提供文件+圖片+文字要求寫歌詞 → 多模態輸入（文件+圖像+文字）
(05)
GenAI 的核心特性與局限性
了解 GenAI「能做什麼」很重要，但了解「不能做什麼」在考試中更常出現：
生成式 AI 的底層邏輯是「機率預測」——它不是「理解了真理」，而是根據前文計算下一個詞的機率，做出機率性的選擇。
GenAI 的核心特性
機率生成：每次輸出都是機率抽樣，相同提示可能產生不同結果
可重新訓練：透過 Fine-tuning 或 RLHF 對齊人類偏好
情境學習：在提示詞中提供範例，模型即時適應任務
多模態能力：同時處理文字、圖像、語音等不同類型輸入
GenAI 的核心局限
幻覺（Hallucination）：一本正經地捏造事實，輸出必須查核
訓練資料截止：不知道截止日期後發生的事
隱私風險：輸入的機密資料可能被用於訓練
否定指令困難：「不要出現紅色」有時反而讓 AI 聚焦在紅色上
考試重點：Q10、Q11、Q19 都圍繞「局限性」出題。記住：AI 無法從沒看過的資料中生成機密、不能直接執行程式（只能輸出程式碼）、不能修改系統層級的檔案中繼資料（Metadata）。
(06)
圖像生成原理：潛在擴散模型流程
Q13 考的是圖像生成的標準流程。潛在擴散模型（Latent Diffusion Model）的步驟順序是 2 → 1 → 3 → 4：
圖像生成——潛在擴散模型流程（Q13 答案：2 → 1 → 3 → 4）
2. 分詞（Tokenization）
將文字轉化為向量，理解「檯燈」「桌子」的含義
→
1. 雜訊生成
在潛在空間投射隨機像素值
→
3. 擴散去噪
預測並剔除雜訊，讓圖像特徵浮現
→
4. 優化輸出
解碼器生成最終高清圖像