iPAS AI應用規劃師 初級

L12201 生成式AI應用領域與常見工具
出題方向
9
生成式 AI 基本概念與技術
10
生成式 AI 應用領域
11
生成式 AI 技術發展與趨勢
12
生成式 AI 風險與倫理
13
No Code/Low Code與生成式 AI
#1
★★★★★
生成式 AI (Generative AI, GAI) 的核心特徵是什麼？
A
精確分類或預測現有數據。
B
透過模型學習能力生成新的、原創的內容。
C
分析數據中的模式並提供見解。
D
從未標記數據中找出隱藏結構。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2 節，生成式 AI (GAI) 的核心特徵在於透過模型的學習能力「生成」新的內容，這與主要用於分析或辨識現有數據的傳統 AI 不同。
#2
★★★★★
生成式 AI (Generative AI) 與鑑別式 AI (Discriminative AI) 的主要區別在於？
A
使用的訓練數據量大小。
B
模型訓練所需的時間長短。
C
模型的主要目標是生成新數據還是分類/預測現有數據。
D
模型是否使用深度學習技術。
答案解析
根據《生成式 AI 應用與規劃》指引 3.4 節，生成式 AI 的目標是模擬數據分佈並生成新數據，而鑑別式 AI 的目標是學習數據點之間的界限，用於分類或預測。這是兩者最根本的區別。兩者都可能使用大量數據和深度學習。
#3
★★★★
哪種生成式 AI 模型透過「生成器 (Generator)」和「鑑別器 (Discriminator)」之間的對抗過程來學習生成逼真的數據？
A
變分自編碼器 (VAE)
B
生成對抗網路 (GAN)
C
擴散模型 (Diffusion Model)
D
Transformer
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，生成對抗網路 (GAN) 由生成器和鑑別器兩個部分組成，透過對抗性訓練，生成器試圖生成逼真數據欺騙鑑別器，鑑別器則試圖區分真實和生成數據，這種競爭過程最終提高了生成數據的品質。
#4
★★★★
哪種生成式 AI 模型特別擅長生成高維度數據（如圖像），其原理基於逐步添加和去除雜訊？
A
生成對抗網路 (GAN)
B
變分自編碼器 (VAE)
C
擴散模型 (Diffusion Model)
D
循環神經網路 (RNN)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，擴散模型 (Diffusion Models) 通過模擬數據從雜訊逐漸恢復到真實數據的過程來生成數據，在圖像生成領域取得了非常優異的效果，特別擅長生成高畫質且細膩的圖像。
#5
★★★★★
以 GPT 系列為代表、擅長生成連貫且有意義文本的生成式 AI 模型，其基礎架構主要依賴於？
A
卷積神經網路 (CNN)
B
循環神經網路 (RNN)
C
Transformer 架構 (Transformer Architecture)
D
生成對抗網路 (GAN)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，大型語言模型 (LLM)，包括 GPT 系列，是基於Transformer 架構發展而來的。Transformer 架構中的自注意力機制 (Self-attention) 對於處理長序列數據（如文本）並捕捉詞語間的長距離依賴關係至關重要。
#6
★★★★★
利用生成式 AI 根據文字描述創作出全新的圖像或藝術作品，主要屬於哪個應用領域？
A
藝術與設計/內容創作 (Art & Design/Content Creation)
B
醫療與生物科技 (Healthcare & Biotech)
C
教育與培訓 (Education & Training)
D
金融 (Finance)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.5 節，將文字轉化為圖像（Text-to-Image）是生成式 AI 在藝術與設計/內容創作領域的典型應用，例如 Midjourney 和 DALL-E 等工具。
#7
★★★★
在醫療領域，生成式 AI 可以用於生成合成的醫學影像，這主要解決了哪個問題？
A
提高醫生的診斷速度。
B
補充稀缺的病理影像數據，幫助模型訓練。
C
完全自動化影像分析過程。
D
取代人類進行最終的醫療診斷。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.5 節，在醫療領域，真實的病理影像數據往往稀缺且難以獲取。利用生成式 AI 生成高質量合成影像，可以擴充訓練數據集，從而提高用於醫學影像分析的鑑別式 AI 模型的性能和泛化能力。
#8
★★★★
在教育領域，生成式 AI 支援根據學生的需求自動生成教學內容和練習題，這屬於哪種應用？
A
自動化批改作業。
B
智慧教學助理。
C
個人化學習內容生成。
D
虛擬實境互動教材。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.5 節，根據學習者的需求自動生成教學內容和練習題，以提供符合個人進度與偏好的學習體驗，是生成式 AI 在教育領域個人化學習內容生成的重要應用。自動批改、智慧助理、虛擬教材是其他相關但不同的應用。
#9
★★★
利用生成式 AI 自動生成遊戲地圖、角色設定或劇情支線，主要應用於哪個領域？
A
金融市場分析。
B
娛樂與媒體 (Entertainment & Media)
C
預測性維護。
D
供應鏈優化。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.5 節，遊戲內容的自動生成，如地圖、角色、劇情等，是生成式 AI 在娛樂與媒體領域提升內容創作效率和創新性的應用。其他選項均不屬於此領域。
#10
★★★
在製造業中，利用生成式 AI 根據功能需求生成產品設計草圖或優化結構，屬於哪種應用？
A
預測性維護。
B
創新產品設計 (Innovative Product Design)
C
供應鏈管理。
D
品質檢測。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.5 節，利用生成式 AI 協助生成產品設計的概念、草圖或進行結構優化，是其在製造業領域創新產品設計的典型應用，旨在加速設計流程和提升產品性能。
#11
★★★★
下列何者最能描述現代生成式 AI 模型（如 GPT-4）處理不同類型數據的能力？
A
高準確性。
B
多模態處理 (Multimodal Processing)
C
低計算成本。
D
完全可解釋性。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，現代生成式 AI 模型，特別是大型語言模型，正朝向整合處理多種數據類型（如文本、圖像、語音）的方向發展，這被稱為多模態處理。雖然準確性很重要，但多模態是描述其處理輸入數據類型的關鍵特徵。低計算成本和完全可解釋性目前仍是挑戰。
#12
★★★★★
生成式 AI 產生看似合理但實際上不正確或無意義資訊的現象，被稱為什麼？
A
過度擬合 (Overfitting)
B
幻覺 (Hallucination)
C
偏見 (Bias)
D
梯度消失 (Vanishing Gradient)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，生成式 AI 產生看似真實但實際是虛假或捏造資訊的現象稱為幻覺。這是大型語言模型目前面臨的主要挑戰之一，尤其在高風險或需要高準確性的應用中。
#13
★★★★
生成式 AI 模型在訓練過程中可能繼承並放大訓練數據中的某些傾向，導致在生成內容時出現不公平或有差別的對待，這屬於哪種挑戰？
A
幻覺 (Hallucination)
B
過度擬合 (Overfitting)
C
偏見 (Bias)
D
低計算效率。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.3 節及 3.4.1 節，偏見 (Bias) 是指 AI 模型因為訓練數據中存在傾向性，在生成結果時也表現出不公平或有歧視性的模式，這可能影響決策的公正性，是生成式 AI 面臨的重要倫理挑戰。幻覺是生成錯誤信息，過度擬合是泛化能力差，低計算效率是性能挑戰。
#14
★★★★
在訓練生成式 AI 模型時，使用了大量的文本數據，其中可能包含敏感的個人資訊或商業機密。這主要帶來哪種風險？
A
模型訓練不穩定。
B
模型產生幻覺。
C
資料隱私洩漏 (Data Privacy Breach)
D
難以生成多樣化內容。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.3 節及 3.2.6 節，由於生成式 AI 模型需要大量數據進行訓練，如果數據管理不當，存在敏感資訊洩漏的風險。這包括無意中重複訓練數據中的敏感片段，或通過攻擊手段推斷出訓練數據。因此，資料隱私保護是應用生成式 AI 的重要考量。
#15
★★★
有時生成式 AI 模型產生的內容可能無法精確符合使用者的特定要求或難以預測其輸出，這反映了其在哪個方面的限制？
A
可解釋性 (Explainability)
B
可控性 (Controllability)
C
泛化能力 (Generalization)
D
計算效率 (Computational Efficiency)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，生成式 AI 的輸出內容的精確度與可預測性問題屬於可控性的挑戰。雖然提示詞工程 (Prompt Engineering) 有助於提升可控性，但在生成自由度較高的內容時仍可能出現難以精確控制輸出的情況。
#16
★★★★
下列哪個生成式 AI 工具主要用於根據文字描述生成圖像？
A
ChatGPT
B
AlphaGo
C
DALL-E
D
BERT
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，DALL-E 是 OpenAI 開發的、基於 Transformer 的文本到圖像 (Text-to-Image) 生成式 AI 模型。ChatGPT 是一個大型語言模型（主要文本），AlphaGo 是強化學習模型（下棋），BERT 是預訓練語言表示模型（主要理解）。
#17
★★★★★
哪個生成式 AI 工具以其出色的對話能力和文本生成能力聞名，是目前最廣泛使用的大型語言模型 (LLM) 之一？
A
Midjourney
B
ChatGPT
C
Stable Diffusion
D
TensorFlow
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，ChatGPT 是 OpenAI 開發的、基於大型語言模型 (LLM) 的對話 AI，以其生成連貫、有意義的文本回應能力而廣受關注。Midjourney 和 Stable Diffusion 是圖像生成模型，TensorFlow 是機器學習框架。
#18
★★★★
使用者無需高階硬體或專業知識，即可透過雲端平台存取高效能生成式 AI 工具，這反映了哪個發展趨勢？
A
模型壓縮 (Model Compression)
B
多模態整合 (Multimodal Integration)
C
AI 即服務 (AI as a Service, AIaaS)
D
邊緣計算 (Edge Computing)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.4 節，透過雲端平台和 API 服務提供 AI 功能，降低使用者門檻，無需關注底層硬體和部署細節，這正是AI 即服務 (AIaaS) 的核心概念。
#19
★★★
模型微調 (Fine-tuning) 和提示工程 (Prompt Engineering) 在生成式 AI 發展中的作用主要是為了提升什麼？
A
模型訓練速度。
B
個人化生成與可控性。
C
降低資料隱私風險。
D
提升模型解釋性。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.4 節，模型微調和提示工程都是為了讓生成式 AI 能夠根據特定需求調整生成結果，使其更符合用戶意圖，從而提升個人化生成與可控性。
#20
★★★★
生成式 AI 與 No Code / Low Code 平台結合，對 AI 民主化有何助益？
A
增加了對專業程式設計師的需求。
B
限制了 AI 應用的範圍。
C
降低了技術門檻，讓更多非技術背景者也能參與 AI 應用開發。
D
使 AI 應用更集中於大型企業。
答案解析
根據《生成式 AI 應用與規劃》指引 3.1 節及 3.1.9 節，將生成式 AI 功能整合到No Code / Low Code 平台中，透過視覺化介面和簡化操作，可以顯著降低技術門檻，使非技術背景或中小型企業的人員也能夠創建和部署 AI 應用，從而推動 AI 民主化。
#21
★★★
使用生成式 AI 工具產生的內容，可能存在侵害他人版權的問題，這屬於哪種風險？
A
技術風險。
B
倫理風險。
C
法律合規風險 (Legal Compliance Risk)
D
數據偏見風險。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.4 節，生成式 AI 產生的內容可能與訓練數據中的內容過於相似，從而引發版權或智慧財產權的法律糾紛。這屬於法律合規風險的範疇。倫理風險更多關乎公平、歧視等價值判斷。
#22
★★★
哪種生成式 AI 模型基於概率生成模型，透過編碼器 (Encoder) 和解碼器 (Decoder)，將數據映射到隱變量空間 (Latent Space) 再重建？
A
生成對抗網路 (GAN)
B
變分自編碼器 (VAE, Variational Autoencoder)
C
擴散模型 (Diffusion Model)
D
Transformer
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，變分自編碼器 (VAE) 是一種基於概率的生成式 AI 模型，其核心結構包括編碼器和解碼器，用於學習數據在隱變量空間的表示並生成新數據，常用於數據生成和異常檢測。
#23
★★★
生成式 AI 模型訓練過程中的微調 (Fine-tuning) 階段，主要目的是什麼？
A
從零開始學習數據的基本模式。
B
在預訓練模型基礎上，使用特定領域數據提升模型在該領域的表現。
C
增加模型的參數數量。
D
檢測模型是否產生幻覺。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.7 節，微調是生成式 AI 訓練的第二階段。它是在預訓練模型已經學習了廣泛數據模式的基礎上，使用較小的、特定領域或任務的數據集進行進一步訓練，以使模型更好地適應特定應用。
#24
★★★★
在客戶服務領域，利用生成式 AI 模擬真人對話，以提供全天候的客戶支援服務，屬於哪種應用？
A
客戶數據分析。
B
虛擬智慧客服 (Virtual Smart Customer Service)
C
情感分析 (Sentiment Analysis)
D
預測性維護。
答案解析
根據《生成式 AI 應用與規劃》指引 3.1.5 節，利用生成式 AI 的文本生成能力，模仿人類對話方式，提供自動化的客戶支援，即為虛擬智慧客服的典型應用。
#25
★★★★
在生成式 AI 模型訓練過程中，哪個因素對模型的生成效果具有決定性影響？
A
模型複雜度。
B
優化演算法選擇。
C
硬體計算能力。
D
訓練數據的數量、品質和多樣性。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.7 節，雖然模型複雜度、優化算法和硬體計算能力都很重要，但訓練數據的數量、品質和多樣性是生成式 AI 模型學習數據潛在分佈並生成高品質內容的最基礎且具決定性影響的因素。數據質量直接限制了模型能達到的上限。
#26
★★★
對於過度依賴No Code / Low Code 平台的使用者來說，可能面臨的挑戰是什麼？
A
開發成本過高。
B
缺乏對 AI 技術的深層理解，可能導致模型偏差或誤用。
C
難以與現有系統整合。
D
生成內容缺乏創造力。
答案解析
根據《生成式 AI 應用與規劃》指引 3.1.9 節，No Code / Low Code 降低了技術門檻，但也可能導致使用者缺乏對 AI 底層原理的深入理解。這使得他們在遇到複雜問題、模型表現異常或需要進行細緻調整時可能無從下手，或因不理解模型限制而導致模型偏差或誤用。
#27
★★★
AI 即服務 (AIaaS) 模式對企業導入生成式 AI 有何主要益處？
A
確保生成內容完全沒有偏見。
B
降低硬體投資和部署門檻。
C
提供完全的資料隱私保護。
D
保證模型永不產生幻覺。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.4 節，AI 即服務 (AIaaS) 模式透過雲端平台提供計算資源和預訓練模型，企業無需大量前期硬體投資和複雜的部署工作，顯著降低了導入門檻。其他選項描述的能力（無偏見、完全隱私、無幻覺）目前仍是 AI 面臨的挑戰，非 AIaaS 本身的直接益處。
#28
★★★★
AI 民主化 (AI Democratization) 的主要目標是？
A
使 AI 技術僅由大型科技公司掌握。
B
完全自動化所有 AI 開發過程。
C
將 AI 技術的應用和使用範圍擴展到更廣泛的人群和企業。
D
限制 AI 技術的發展速度。
答案解析
根據《生成式 AI 應用與規劃》指引 3.1.9 節，AI 民主化旨在降低 AI 技術的使用門檻，將其應用和使用從少數專家和大型企業擴展到更廣泛的社會層面，讓更多非技術背景人士和中小型企業也能參與和受益於 AI。
#29
★★★★
將生成式 AI 與鑑別式 AI 整合應用，可以帶來哪些益處？
A
增加單一模型的計算效率。
B
完全消除數據中的偏見。
C
實現數據增強、提升模型泛化能力、處理多模態數據。
D
限制應用範圍以降低風險。
答案解析
根據《生成式 AI 應用與規劃》指引 3.4.2 節，整合生成式 AI 和鑑別式 AI 可以利用生成式 AI 的數據生成能力來進行數據增強（尤其在數據稀缺時），從而提升鑑別式 AI 的泛化能力。同時，兩者結合也能更好地處理多模態數據，實現更複雜的應用。
#30
★★★
在與大型語言模型 (LLM) 互動時，精心設計輸入的指令或問題，以引導模型產生更符合預期的高品質輸出，這項技術被稱為？
A
模型壓縮 (Model Compression)
B
遷移學習 (Transfer Learning)
C
提示工程 (Prompt Engineering)
D
數據清洗 (Data Cleaning)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，提示工程 (Prompt Engineering) 是一種與生成式 AI，特別是大型語言模型互動的技術，透過優化輸入的提示詞，來影響模型的輸出結果，使其更準確、更有用或更具創造力。
#31
★★★★
在生成式 AI 的應用中，如果模型被用於製造虛假新聞或深度偽造 (deepfake) 影像，這主要關聯到哪方面的風險？
A
模型性能不足。
B
數據稀缺問題。
C
濫用 (Misuse) 與倫理道德 (Ethics) 問題。
D
硬體計算資源不足。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.9 節，生成式 AI 強大的生成能力帶來了濫用的風險，例如製造虛假信息、誤導性內容或用於惡意目的。這類問題涉及倫理道德和社會信任，是 AI 治理的重要課題。
#32
★★★
生成式 AI 對企業帶來的直接經濟效益通常體現在哪些方面？
A
增加額外的人力需求。
B
增加硬體投資成本。
C
降低營運成本並提高生產效率。
D
限制跨部門合作。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.7 節，生成式 AI 透過自動化內容生成、優化工作流程等，能夠減少人工重複性工作，從而降低營運成本並提高生產效率，這是其最直接的經濟效益之一。雖然可能需要初期投資，但長期看是節省成本、提升效率的。
#33
★★★
利用生成式 AI 總結長篇會議記錄或報告，快速提取關鍵資訊，主要屬於哪種類型的應用？
A
程式碼生成。
B
圖像生成。
C
文本摘要 (Text Summarization)
D
語音合成。
答案解析
將長篇文本（如會議記錄、報告）自動濃縮成包含關鍵資訊的短篇文本，這正是文本摘要技術的核心功能。大型語言模型擅長理解和生成文本，因此非常適合用於這種生成式 AI 應用。
#34
★★★
No Code 平台的設計目標是為了使哪一類使用者能夠輕鬆開發應用程式？
A
資深軟體工程師。
B
非技術背景的業務使用者。
C
數據科學家。
D
系統管理員。
答案解析
根據《生成式 AI 應用與規劃》指引 3.1 節，No Code 平台的設計理念是讓非程式設計背景的使用者也能透過視覺化介面和拖放操作來創建應用，從而降低開發門檻。
#35
★★★★
良好的提示工程 (Prompt Engineering) 如何影響生成式 AI 的輸出結果？
A
可以降低模型訓練所需的時間。
B
可以完全消除模型產生幻覺的現象。
C
使輸出內容更貼近使用者意圖、更準確、更有用。
D
使模型具備自我意識。
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，提示工程的核心價值在於引導生成式 AI 的行為。透過清晰、具體、結構良好的提示詞，可以幫助模型更好地理解使用者的需求，從而生成更相關、更精確、更高品質的內容。它無法完全消除幻覺或賦予模型意識，也與訓練時間無關。
#36
★★★
利用生成式 AI 輔助軟體工程師快速生成程式碼片段或測試用例，屬於哪種應用？
A
自然語言處理 (NLP)
B
電腦視覺 (Computer Vision)
C
程式碼生成 (Code Generation)
D
數據分析 (Data Analytics)
答案解析
生成式 AI，特別是經過程式碼數據訓練的語言模型，能夠理解程式碼的模式並生成新的程式碼片段或測試用例。這是程式碼生成的典型應用，旨在提高開發者的效率。
#37
★★★★
生成式 AI 除了提高效率和降低成本外，對企業而言最重要的潛在價值是什麼？
A
確保數據完全安全。
B
提供完全無偏見的決策。
C
激發創新和開創新的業務模式。
D
完全取代人類所有工作。
答案解析
根據《生成式 AI 應用與規劃》指引 3.1 節，生成式 AI 最重要的潛在價值在於其創造新內容和新思路的能力。這不僅能用於效率提升，更能激發各行各業的創新潛力，開創新的產品、服務和業務模式。完全數據安全、無偏見和完全取代人類工作目前都非生成式 AI 能完全實現的目標。
#38
★★★★
在Transformer 架構中，哪個機制對於處理長序列數據（如長文本）並捕捉詞語之間的長距離依賴關係至關重要？
A
卷積層 (Convolutional Layer)
B
池化層 (Pooling Layer)
C
注意力機制 (Attention Mechanism)
D
全連接層 (Fully Connected Layer)
答案解析
根據《生成式 AI 應用與規劃》指引 3.2.1 節，Transformer 架構的核心是注意力機制（特別是自注意力機制），它允許模型在處理序列中的每個元素時，考慮序列中所有其他元素的重要性，這使得它能有效地捕捉長距離依賴關係，這是傳統 RNN/ LSTM 的痛點。
↑