iPAS AI 應用規劃師

#40

★★★

生成模型在生成式 AI 中的主要目的是什麼，特別是在創建與訓練數據相似的新數據方面？

A

提取特徵，從數據中提取有用特徵

B

生成新數據，創建與原始數據相似的數據

C

分類數據，將數據分配到不同的類別中

D

聚類數據，將數據分組到不同的集群中

答案解析

生成式 AI (Generative AI) 的核心在於使用生成模型 (Generative Model)。與學習如何區分不同類別數據的判別模型 (Discriminative Model) 不同，生成模型的目標是學習訓練數據的潛在機率分佈 P(X)，或者學習輸入 X 和輸出 Y 的聯合機率分佈 P(X, Y)。
通過學習這個分佈，生成模型就能夠從該分佈中進行採樣，生成 (Generate) 全新的、與原始訓練數據具有相似統計特性和結構的數據樣本 (Data Samples)。這些新數據可以是影像、文本、音樂、程式碼等各種形式。
(A) 特徵提取是過程。(C) 分類是判別任務。(D) 聚類是非監督發現結構。

#41

★★★

在生成文本的過程中，以下哪一種模型被廣泛使用，以實現自然流 暢的文本生成？

A

卷積神經網路（ CNN）

B

生成對抗網路（ GAN）

C

GPT（生成預訓練變換器） ，用於生成自然語言文本

D

循環神經網路（ RNN）

答案解析

(此題與 Q43 相似)
GPT (Generative Pre-trained Transformer) 系列模型是基於 Transformer 架構的大型語言模型 (Large Language Model, LLM)，在生成自然語言文本 (Natural Language Text Generation) 方面表現尤為突出。它們能夠理解上下文並生成連貫、流暢、語義豐富且多樣化的文本，是當前文本生成領域最先進、最廣泛使用的模型之一。
(A) CNN 主要用於影像。(B) GAN 主要用於影像生成，雖然也有文本 GAN，但不如 GPT 常用。(D) RNN (包括 LSTM/ GRU) 也能生成文本，但在捕捉長距離依賴和生成品質方面通常不如基於 Transformer 的模型。

#42

★★★

在生成式 AI 中，以下哪一種技術常用於生成音樂，特別是創作具 有連貫性和旋律性的音樂片段？

A

循環神經網路（ RNN） ，特別是長短期記憶網路（ LSTM）

B

卷積神經網路（ CNN）

C

生成對抗網路（ GAN）

D

長短期記憶網路（ LSTM）

答案解析

音樂具有明顯的時序結構，音符、節奏、和弦等元素按時間順序排列並相互影響。循環神經網路 (RNN, Recurrent Neural Network) 及其變體，特別是長短期記憶網路 (LSTM, Long Short-Term Memory)，被設計用來處理序列數據 (Sequential Data) 並捕捉時間上的依賴關係。
因此，RNN/LSTM 非常適合用於音樂生成 (Music Generation)。它們可以學習音樂序列中的模式，並預測接下來的音符或和弦，從而創作出具有連貫性和旋律性的新音樂片段。
(B) CNN 也可用於音樂（例如將音樂表示為頻譜圖），但 RNN 更直接地處理時序性。(C) GAN 也可以生成音樂，但 RNN/LSTM 是該領域常用的基礎技術。選項 A 和 D 內容相同，均指向 RNN/LSTM。

#43

★★★

在生成式 AI 中，以下哪一種技術常用於生成自然語言文本，特別 是在創建連貫且有意義的句子方面？

A

循環神經網路（ RNN）

B

卷積神經網路（ CNN）

C

GPT（生成預訓練變換器）

D

長短期記憶網路（ LSTM）

答案解析

（此題與 Q41 基本相同，答案和解析類似）
GPT (Generative Pre-trained Transformer) 模型是目前生成自然語言文本 (Natural Language Text Generation) 的主流技術。它基於 Transformer 架構，利用預訓練和自注意力機制 (Self-Attention Mechanism)，能夠有效地捕捉文本中的長距離依賴關係，生成連貫、流暢且符合語法和語義的文本。
(A) RNN 和 (D) LSTM 也能生成文本，但效果通常不如 GPT。(B) CNN 主要應用於影像。

#44

★★★

在生成對抗網路（GAN）中，鑑別器的主要作用是什麼，特別是在 區分真實數據和生成數據方面？

A

訓練生成器，通過反饋來改進生成數據

B

區分真實數據和生成數據，提供反饋給生成器

C

提取特徵，從數據中提取有用特徵

D

分類數據，將數據分配到不同的類別中

答案解析

生成對抗網路 (GAN, Generative Adversarial Network) 由兩個核心部分組成：
1. 生成器 (Generator)：負責學習真實數據的分佈，並嘗試生成看起來像真實數據的假數據。
2. 鑑別器 (Discriminator)：負責學習區分輸入的數據是來自真實數據集，還是由生成器產生的假數據。
鑑別器的目標是盡可能準確地判斷數據的來源（真實 vs. 生成），它就像一個評判者。它的判斷結果（例如，判斷為假數據的機率）會被用來計算損失，並通過反向傳播 (Backpropagation) 提供梯度 (Gradient) 信號（即反饋）給生成器，指導生成器改進其生成策略，以產生更逼真的數據來"欺騙"鑑別器。
因此，鑑別器的主要作用是區分真假數據，並通過這個過程提供反饋給生成器。選項 B 準確描述了這兩點。(A) 鑑別器不直接訓練生成器，而是提供反饋。(C, D) 不是鑑別器在 GAN 中的核心作用。

#45

★★★

在生成式 AI 中，為了提高生成文本的品質，通常會採用哪一種方 法，特別是在使用預訓練模型的基礎上進行調整？

A

資料增強，通過增加訓練數據來提升品質

B

微調預訓練模型，根據特定任務調整模型 參數

C

提高數據量，使用更多的訓練數據

D

使用卷積層，增加模型的複雜度

答案解析

預訓練模型 (Pre-trained Model)，如 GPT 或 BERT，已經在海量的通用文本數據上學習了豐富的語言知識和模式。為了讓這些模型在特定的下游任務（如特定風格的文本生成、特定領域的問答）上表現更好，常用的方法是微調 (Fine-tuning)。
微調指的是在預訓練模型的基礎上，使用與特定任務相關的、相對較小的標籤數據集進行進一步的訓練。在這個過程中，模型的參數 (Parameters) 會被輕微調整，以適應該任務的數據分佈和要求，從而提高在該任務上的效能和生成品質。
(A) 資料增強 (Data Augmentation) 是擴充數據的方法。(C) 提高數據量用於預訓練或微調，但微調本身是關鍵步驟。(D) 卷積層 (Convolutional Layer) 主要用於 CNN。因此，選項 B 是利用預訓練模型提升特定任務品質的核心方法。

#46

★★★

在生成對抗網路（GAN）中，主要面臨的挑戰是什麼，特別是在模 型訓練過程中經常出現的不穩定性問題？

A

數據標註，確保訓練數據的準確性

B

訓練不穩定，生成器和鑑別器之間的平衡難以維持

C

特徵提取，從數據中提取有用特徵

D

訓練速度慢，模型訓練需要較長時間

答案解析

生成對抗網路 (GAN, Generative Adversarial Network) 的訓練過程是一個生成器 (Generator) 和鑑別器 (Discriminator) 相互競爭、共同進化的動態博弈 (Game) 過程。這使得 GAN 的訓練相當困難且不穩定 (Unstable)。
主要的挑戰包括：
- 難以收斂 (Non-convergence)：生成器和鑑別器之間的平衡很難達到，可能導致訓練過程震盪或無法收斂。
- 模式崩潰 (Mode Collapse)：生成器可能只學會生成少數幾種能夠騙過鑑別器的樣本，無法覆蓋真實數據的多樣性。
- 梯度消失/爆炸 (Vanishing/Exploding Gradients)：在訓練過程中可能出現梯度問題，導致學習停滯或發散。
- 鑑別器過強或過弱：如果鑑別器太強，生成器的梯度可能消失；如果太弱，生成器無法得到有效指導。
因此，維持兩者之間的平衡是 GAN 訓練中的核心挑戰，導致訓練不穩定。
(A) GAN 通常是非監督的，不需要數據標註。(C) 特徵提取是過程。(D) 訓練速度慢也是問題，但不穩定性是更根本的挑戰。

#47

★★★

GPT 模型在生成式 AI 中的全稱是什麼，特別是在描述其架構和功能時？

A

Generative Pre-trained Transformer ，指生成預訓練變換器

B

General Predictive Transformer ，一種通用的預測變換器

C

Generative Predictive Text ，用於生成預測文本

D

General Pre-training Text ，指通用的預訓練文本

答案解析

GPT 是由 OpenAI 開發的一系列大型語言模型 (LLM) 的名稱縮寫。其全稱為 Generative Pre-trained Transformer。
這個名稱精確地反映了該模型的三個核心特點：
- Generative (生成式)：表明該模型的主要功能是生成新的內容，特別是文本。
- Pre-trained (預訓練)：指模型首先在海量的無標籤文本數據上進行了大規模的預訓練，學習了廣泛的語言知識和模式。
- Transformer (變換器)：指其底層的神經網路架構採用了 Transformer 模型，特別是其解碼器 (Decoder) 部分，利用自注意力機制 (Self-Attention Mechanism) 來處理長距離依賴關係。
其他選項是對 GPT 全稱的錯誤解釋或縮寫。

#48

★★★

在生成式 AI 中，強化學習主要用於什麼目的，特別是在提升生成 數據的品質方面？

A

訓練生成器，通過獎勵機制優化生成數據

B

分類數據，將數 據分配到不同的類別中

C

提高生成數據的品質，通過獎勵信號指導生成過程

D

提取特徵，從數據中提取有用特徵

答案解析

強化學習 (RL, Reinforcement Learning)，特別是基於人類反饋的強化學習 (RLHF, Reinforcement Learning from Human Feedback)，在生成式 AI（尤其是大型語言模型 LLM）的對齊 (Alignment) 和優化中扮演著重要角色。
單純的預訓練或監督式微調可能無法完全捕捉到人類對於「好」的生成內容的複雜偏好（例如，有用性、無害性、真實性、風格等）。RLHF 通過以下步驟來解決這個問題：
1. 訓練一個獎勵模型 (Reward Model)，該模型學習預測人類評分者會給予某個生成輸出的獎勵分數。
2. 使用強化學習演算法（如 PPO, Proximal Policy Optimization)來微調 LLM 的策略，使其生成的內容能夠最大化獎勵模型給出的分數。
這個過程通過引入明確的獎勵信號 (Reward Signal) 來指導生成模型，使其學習生成更高品質、更符合人類偏好的內容。
選項 A 和 C 都描述了這個過程，但 C 更側重於最終目標「提高生成數據的品質」。(B) 分類是判別任務。(D) 特徵提取是過程。

#49

★★★

在生成式 AI 中，通常用於生成影像的模型是什麼，特別是在創建 高品質和逼真的影像方面？

A

生成對抗網路（ GAN） ，專門用於生成高品質影像

B

卷積神經網路（ CNN） ，主要用於影像分類

C

循環神經網路（ RNN） ，主要用於序列數據處理

D

支持向量機（ SVM） ，主要用於分類任務

答案解析

（此題與 Q39 相似）
生成對抗網路 (GAN, Generative Adversarial Network) 是生成式 AI (Generative AI) 在影像生成 (Image Generation) 領域的代表性模型。它通過生成器和鑑別器的對抗訓練，能夠學習捕捉真實影像數據的複雜分佈，並生成具有高視覺保真度和逼真度的新影像。許多令人驚嘆的 AI 生成影像（如不存在的人臉、藝術畫作）都是基於 GAN 或其變體技術產生的。
近年來，擴散模型 (Diffusion Models) 在影像生成品質上取得了超越 GAN 的成果，但 GAN 仍然是該領域非常重要和常用的模型。
(B) CNN 主要用於分析影像。(C) RNN 主要用於序列數據。(D) SVM 主要用於分類。

#50

★★★

在生成式 AI 的應用中，以下哪一種模型通常用於生成自然語言文 本，特別是在創建連貫且有意義的句子方面？

A

生成對抗網路（ GAN） ，主要用於生成影像

B

卷積神經網路（ CNN） ，主要用於影像處理

C

循環神經網路（ RNN） ，特別是長短期記憶網路（ LSTM）

D

變換器模型（ Transformer ）， 如 GPT，用於生成自然語言文本

答案解析

自然語言文本生成 (Natural Language Text Generation) 是生成式 AI 的一個核心應用領域。
(D) 變換器模型 (Transformer Model)，由 Google 在 2017 年提出，以其自注意力機制 (Self-Attention Mechanism) 徹底改變了自然語言處理 (NLP) 領域。基於 Transformer 架構的預訓練語言模型，特別是其解碼器部分（如 GPT 系列），在文本生成任務上表現極其出色，能夠生成高品質、連貫且符合上下文的文本。
(A) GAN 主要用於影像生成。(B) CNN 主要用於影像分析。(C) RNN/LSTM 雖然也能生成文本，但在捕捉長距離依賴和生成品質方面通常不如 Transformer 模型。因此，Transformer 模型（如 GPT）是當前文本生成的主流和最先進的模型。

↑