解析：
人工成本：600 x 50 = 30,000 元/月。API 成本：600 x 2000 / 1000 x 0.8 = 960 元/月。每月節省：30,000 - 960 = 29,040 元。回收期：200,000 / 29,040 ≈ 6.9 個月，約 7 個月。
搜尋意圖： 如果你在找「生成式預訓練模型 是什麼」或「生成式預訓練模型 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： GPT是一種基於Transformer架構的大型語言模型，透過預訓練學習大量文本資料，用於生成文本、翻譯語言、回答問題等。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
你有沒有打幾句話，就讓 AI 幫你寫出一整段內容？
你可以把 GPT 想成先看過很多文字，再學會接著寫下去的模型。 它不是先背答案，而是先學語言規律，再把這些規律拿來生成、改寫、摘要和對話，所以很適合處理文字工作。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
GPT vs BERT vs 大型語言模型 GPT 偏生成，適合往下寫和對話 BERT 偏理解，適合分類和抽取 大型語言模型是總稱，GPT 只是其中一種
預訓練 vs 微調 預訓練先學通用語言規律 微調再把模型拉向特定任務 最關鍵的區別是學通用能力還是學專門行為
記住這句就好
先學通用語言，再學怎麼回答你的問題。
實際案例
客服自動回覆 電商把 GPT 接到客服系統，先處理物流、退貨、帳號等固定問題，再把複雜案件轉人工，人工負擔就會明顯下降。
寫作和摘要 學生拿 GPT 幫忙整理長文、改寫成白話，或把會議記錄壓成重點，省下的是整理時間，不是思考本身。
深入了解
GPT 的核心是自回歸生成，前面的文字會影響下一個詞的機率分佈。 它的能力來自資料夠大、模型夠大、訓練夠穩，實務上還會受提示、成本和安全性影響。
情境判斷
Q1： 你想把一段中文翻成英文，應該用 GPT 還是 BERT？ → 用 GPT。翻譯需要生成目標語言的句子，GPT 的生成架構比較合適。
Q2： 公司想用 GPT 摘要法律文件，但怕它亂編法條，應該怎麼做？ → 搭配 RAG 和人工審核，不要只靠模型記憶回答。
常見問題
GPT 真的理解語言嗎？
它能抓到大量語言模式，但是否算真正理解，學界仍有爭論。
訓練 GPT 很貴嗎？
很貴，因為需要大量資料和算力，所以多數團隊會用現成模型再做微調。
GPT 生成的內容有版權嗎？
各國規定還不一致，通常要看是否有人類實質創作參與。
範例考題
某機構計畫導入生成式 AI 旅遊資訊服務對話系統自動生成多語言對話。目前每月需人工翻譯 600 則訊息，每則成本 50 元；若改用 ChatGPT API，每則訊息需 2000 Tokens，而 Token 成本 0.8 元/1000 Tokens，但需額外投入系統整合費用 20 萬元。關於投資報酬率（Return on Investment, ROI）評估，下列何者最為正確？
- A. 每月節省成本 29,040 元，系統整合成本約 7 個月回收 ✓ 正確答案
- B. 每月節省成本 30,000 元，系統整合成本約 7 個月回收
- C. 每月節省成本 28,040 元，系統整合成本約 8 個月回收
- D. 每月節省成本 25,000 元，系統整合成本約 8 個月回收
在規劃生成式 AI 解決方案時，下列何種應用場景最適合採用 GPT-Realtime 類型模型？
- A. 需長時間批次處理的大規模報表生成任務
- B. 即時資料查詢與結構化資訊檢索系統
- C. 即時語音客服與互動式 AI 代理 ✓ 正確答案
- D. 以高一致性為優先的法規文件自動摘要
解析：
GPT-Realtime 類型模型專為即時互動設計，支援語音輸入輸出與低延遲對話，最適合即時語音客服與互動式 AI 代理等需要即時回應的場景。