完整定義
GPT (Generative Pre-trained Transformer) 是一種基於 Transformer 架構的大型語言模型,用於生成文本。它透過在大量未標記的文本資料上進行預訓練,學習語言的模式和結構,能夠生成連貫、有意義且多樣化的文本。常見應用包括文本生成、語言翻譯、問答系統和程式碼生成。
白話說明
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。
記住這句
先學通用語言,再學怎麼回答你的問題。
比喻:GPT 就像一個博覽群書的「語言大師」-- 它讀過幾乎所有網路上的文字,所以能理解、生成各種風格的文本,就像什麼話題都能聊、什麼文章都能寫。
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
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
它能抓到大量語言模式,但是否算真正理解,學界仍有爭論。
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。
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
ChatGPT、Gemini 等對話型生成式 AI 工具所依據的基礎模型技術,下列何者正確?
- A決策樹(Decision Tree)
- B大型語言模型(Large Language Model, LLM)
- C生成對抗網路(Generative Adversarial Network, GAN)
- D圖卷積網路(Graph Convolutional Network, GCN)
正解是 B:大型語言模型(Large Language Model, LLM)
解析:ChatGPT 和 Gemini 等對話型生成式 AI 工具的核心技術是大型語言模型(LLM),基於 Transformer 架構,透過大量文本資料訓練而成,能進行自然語言理解與生成。
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
- D以高一致性為優先的法規文件自動摘要
正解是 C:即時語音客服與互動式 AI 代理
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。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本