iPAS 考題解析
下列哪項是生成式AI支援鑑別式AI的典型案例？
初級 人工智慧基礎概論
難度：中等 ★★☆
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 人工智慧基礎概論
- 知識主題
- 鑑別式 AI 與生成式 AI 概念
- 能力指標
- 鑑別式 AI 與生成式 AI 的基本原理（L11401）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「人工智慧基礎概論」科目中的「鑑別式 AI 與生成式 AI 概念」範疇， 對應的能力指標為「鑑別式 AI 與生成式 AI 的基本原理」，涵蓋模型部署與效能管理、技術測試與驗證等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
下列哪項是生成式AI支援鑑別式AI的典型案例？
- A. 模擬交通場景以訓練自動駕駛模型 ✓ 正確答案
- B. 使用CNN對腫瘤分類
- C. 使用SVM分析風險
- D. 創建更好的分類演算法
詳細解析
正確答案：A. 模擬交通場景以訓練自動駕駛模型
生成式 AI 模擬交通場景（生成合成數據，Synthetic Data Generation）來訓練鑑別式（Discriminative）的自動駕駛模型，是典型的支援案例。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 模擬交通場景以訓練自動駕駛模型 （正確）
生成式 AI 可以生成大量的合成數據（例如模擬交通場景），這些數據可以用來擴充訓練集，進而提升鑑別式 AI 模型（如自動駕駛的物件辨識或決策模型）的性能和魯棒性。
B. 使用CNN對腫瘤分類 （不正確）
使用 CNN（卷積神經網路）對腫瘤分類是典型的鑑別式 AI 應用，其目標是區分不同類別，過程中沒有生成式 AI 的參與。
C. 使用SVM分析風險 （不正確）
使用 SVM（支援向量機）分析風險也是鑑別式 AI 的應用，它透過學習數據的邊界來進行分類或迴歸，不涉及數據生成。
D. 創建更好的分類演算法 （不正確）
創建更好的分類演算法是演算法研究與開發，屬於 AI 理論和工程範疇，並非生成式 AI 支援鑑別式 AI 的實際應用案例。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 iPAS AI 應用規劃師初級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。