案例01｜Discriminative vs. Generative：分類邊界與資料分布的差異

案例02｜AI 演進時間線：從 Symbolic AI 到 Transformer 與 Diffusion

案例03｜Neural Network 基礎：Input、Hidden、Output 與 Activation Function

案例04｜GAN：Generator 與 Discriminator 的對抗式訓練

案例05｜VAE：Encoder、Decoder 與 Structured Latent Space

案例06｜Diffusion：Forward Noising 與 Reverse Denoising

案例07｜Transformer／GPT：Attention、Text、Code 與 Interactive AI

案例08｜Supervised、Unsupervised、Self-supervised：三種訓練典範

案例09｜CARLA 與 StyleGAN：Synthetic Data 如何支援訓練與隱私

案例10｜Table 3.1：GAN、VAE、Diffusion、Transformer 的模型選擇矩陣

案例11｜Insilico Medicine：DSP-1181 在 46 天內發現並合成

案例12｜Revery AI 與 Cala：從文字描述生成服裝預覽

案例13｜Harvey AI：法律研究、摘要、合約與合規文件

案例14｜Renewable Energy：模擬 Grid Load 與最佳化 Wind Farm Layout

案例15｜Multimodal AI：DALL·E、Imagen、Make-A-Video 與跨模態生成

案例16｜Text、Image／Video、Music／Audio、Software：四類生成式應用

案例17｜Responsible Adoption：Deepfake、Bias、Compute、Privacy 與 Human-in-the-loop

核心表格

本章由 Rahul Kumar Jain、Yen-Wei Chen、Srikanta Patnaik 撰寫，主要建立生成式人工智慧（Generative Artificial Intelligence, GenAI）的技術基礎：從判別式／生成式模型的差異、歷史演進、Neural Network 與 Training Paradigm，到生成對抗網路（Generative Adversarial Network, GAN）、變分自編碼器（Variational Autoencoder, VAE）、Diffusion Model、Transformer／大型語言模型（Large Language Model, LLM），最後延伸到實際應用、Multimodal AI 與 Responsible Adoption。

核心主題 主要觀點／方法 實務用途 重要條件／限制／延伸
Discriminative vs. Generative Discriminative Model 學習 p(y x)／Decision Boundary；Generative Model 學習 p(x,y) 或 p(x) 前者適合 Classification／Regression；後者適合 Generation、Simulation、Data Augmentation
技術演進 1950s Symbolic AI → Late 1980s／Early 1990s ML → Early 2000s Deep Learning → VAE 2013 → GAN 2014 → Transformer 2017 → Diffusion 理解現代 GenAI 建立在 Data、Compute、Deep Learning 演進上 年份依原書；Diffusion 只被描述為較近期發展，原書未給單一誕生年份
Neural Network 基礎 Input Layer、Hidden Layers、Output Layer；ReLU、GELU、Sigmoid、Tanh 提供 Non-linearity 近似複雜 Data Distribution，建立 Generative Architecture 的共同基礎 原書未規定固定 Layer Count、Activation 或 Parameter Count
Training Paradigms Supervised、Unsupervised、Self-supervised Conditional GAN、Standard GAN／VAE、Transformer／GPT 分別使用不同 Label Strategy Data Quality、Compute／Scalability、Bias 是共同挑戰；原書未提供三者固定性能排名
GAN Generator 與 Discriminator 進行 Adversarial Training；Variants 包括 DCGAN、CycleGAN、StyleGAN Image Synthesis、Deepfake、Fashion Design、Face Synthesis、Unpaired Translation Table 3.1：High-quality Image Generation、Fast Inference；限制為 Training Instability、Mode Collapse
VAE Encoder → Structured／Continuous Latent Space → Decoder；Probabilistic Inference Reconstruction、Image／Text Generation、Anomaly Detection、Latent Interpolation Table 3.1：Structured Latent Space、Good Reconstruction；限制為 Blurry Outputs、Limited Realism
Diffusion Model Forward Noising＋Reverse Denoising；DDPM、LDM、Classifier-free Guidance High-fidelity Text-to-image、Image Restoration；DALL·E 2、Imagen 為例 Table 3.1：State-of-the-art Image Quality、Stable Training；限制為 Slow Sampling、High Compute Cost
Transformer／GPT 以 Attention 處理 Sequential／Contextual Data Writing、Translation、Summarization、Conversational AI、Code Generation、Interactive AI Table 3.1：Versatile、Scalable、Few-shot Learning；限制為 High Memory Demand、Data Hungry
Synthetic Data 利用 Simulation／Generative Model 建立新的 Training Sample CARLA 產生 Synthetic Road Scenario；StyleGAN／FFHQ 產生 Synthetic Face，原書另稱可生成 Millions of Photorealistic Faces 可緩解 Data Scarcity／Privacy，但 Synthetic Data 不等於 Automatically Representative，仍需檢查 Bias／Distribution Shift
Emerging Applications Biotechnology、Fashion、Legal Tech、Renewable Energy Insilico Medicine DSP-1181、Revery AI／Cala、Harvey AI、Grid Load／Wind Farm Simulation Insilico 案例唯一明確時間為 Discovery＋Synthesis under 46 days，不代表 Clinical Approval；其他案例多無量化成效
Multimodal AI 整合 Text、Image、Audio、Video，進行跨模態理解與生成 DALL·E、Imagen、Make-A-Video；Interactive Storytelling、Immersive Environment、Content Creation 位於原書 Future Directions；不可寫成所有產業已成熟落地
Responsible Adoption Transparency、Fairness、Accountability、Model Audit、Explainability、Human-in-the-loop、Cross-disciplinary Collaboration 管理 Misinformation、Deepfake、Bias、Privacy、Compliance、Compute／Energy、Legacy Integration 原書沒有固定 Risk Score、Energy Benchmark、Audit Frequency 或 Threshold