生成式 AI 與傳統 ML

為什麼這項區別對 Generative AI Leader 至關重要

對於 Generative AI Leader 考試而言，最重要的概念基礎就是理解生成式 AI 與傳統預測型機器學習的差異。這不是學術上的區分——它直接影響預算規劃、招募方向、專案時程，以及主管最常問的問題：「我們該用 AI 處理這個嗎？要用哪種？」

身為商業領導者，你不需要撰寫程式碼。你的職責是認清一件事：生成式 AI 並非更好版本的機器學習，它是不同的能力類別。傳統 ML 回答的是關於既有資料的問題：「這筆交易是詐欺嗎？」「這家店下週會賣出多少件？」「哪些顧客即將流失？」生成式 AI 則能做到傳統 ML 根本無法達到的事——它能創造前所未有的全新內容：一份草擬的合約、一張產品圖片、一段程式碼、一份會議摘要、一段翻譯後的段落。

考試會一再測試你能否看著一個商業情境判斷：這是預測問題（傳統 ML，甚至是簡單規則），還是創作問題（生成式 AI）？選錯代價高昂。用大型語言模型去做一個試算表規則就能處理的工作，是在浪費金錢並承擔幻覺風險。而試圖讓傳統分類 ML「撰寫行銷文案」，根本行不通。本章節將透過具體的 Google Cloud 產品——Vertex AI、Gemini、AutoML、BigQuery ML 以及 Model Garden——為理論建立實務依據，讓你能將概念連結到真實的業務建議。

白話文解釋

生成式 AI 與傳統機器學習都可以稱為「AI」，因此很容易讓人混淆。但它們負責的工作截然不同，就像計算機和小說家都「處理資訊」，卻是完全不同的職業。以下三個類比將這項差異具體呈現，每個類比都連結到真實的 Google Cloud 產品，讓你能想像它在商業場景中如何出現。

類比一 — 品管員與工業設計師（預測型 ML 對比生成式 AI）

想像台灣一間電子工廠。生產線的一端站著一位品管員。她的職責單純而明確：每塊通過的電路板，她就蓋上「PASS」或「FAIL」的章。她看過數萬片電路板，因此能立即辨識出瑕疵的規律。她從不發明新的電路板——她只是判斷已經存在的電路板。這就是傳統預測型機器學習。在 Google Cloud 中，Vertex AI 上的 AutoML 或 BigQuery ML 的分類模型做的正是如此：你提供標記過的樣本，它針對每個新輸入給出一個類別、分數或數字。品管員快速、每件成本低、在她熟悉的領域高度精準——但請她設計一個新產品，她辦不到。

工廠另一端坐著工業設計師。給他一個提示——「設計一款適合都會年輕人的輕薄環保音箱」——他就能設計出從未存在過的草稿、材料選擇與文案。他汲取多年積累的設計知識，創造出全新事物。這就是生成式 AI。在 Google Cloud 中，Vertex AI 上的 Gemini 與 Imagen 扮演設計師的角色：從文字提示生成全新的文字、圖像或程式碼。品管員與設計師都是有價值的員工，但你絕對不會要求其中一人去做另一人的工作。能理解這點的 Generative AI Leader，永遠不會混淆「分類我們的瑕疵」（預測型 ML）與「生成新產品概念」（生成式 AI）。

類比二 — 圖書館分類員與說故事的人（判別式模型對比生成式模型）

走進一間公共圖書館。分類員接手每本新進的書，決定它屬於哪個位置：小說或非小說、哪個書架、哪個主題代碼。她非常擅長在類別之間劃定邊界。她自己從不寫書——她只是整理已經存在的書。用機器學習的術語來說，分類員就是判別式模型：它學習類別之間的分界線，回答「這屬於哪個類別？」大多數傳統商業 ML——詐欺偵測、垃圾郵件篩選、流失評分——都是判別式的。在 Google Cloud 上，BigQuery ML 的邏輯迴歸模型就是標準的判別式模型：它在「將流失」與「將留存」之間劃出一條線。

現在想像週末來到同一間圖書館的說故事人，他為孩子們即興創作故事。他讀過數千本書，因此將情節、人物與句子如何組合都內化於心。當一個孩子要求「一個害怕火的龍的故事」時，他創作出全新的故事。這就是生成式模型：它不是劃定邊界，而是充分學習資料的底層分佈，以便從中產生全新的樣本。Gemini 就是一個生成式模型。Generative AI Leader 考試非常喜歡這個對比：判別式模型分類與標記，生成式模型創造。兩者都讀過圖書館，但只有一個能寫出新故事——而這個差異正是考試的核心。

類比三 — 初學學徒對比已博學多才的大師工匠（預訓練與基礎模型）

在傳統 ML 中，每個專案都從一無所知的學徒開始。若要為一家電信公司建立流失模型，團隊必須收集電信公司自有的標記資料，然後為這一個單一任務從頭訓練模型。如果同一家公司後來想要需求預測模型，他們就得再從零開始培養第二位學徒。每個模型都是全新的單一技能員工——有用，但訓練成本高昂，且無法轉移知識。

基礎模型則完全相反：它是一位在你遇見他之前已經苦讀多年的大師工匠。Google 在大量多元的文字、圖像與程式碼語料庫上訓練 Gemini——這個稱為大規模預訓練的過程耗費數百萬美元與數個月的運算時間。當企業透過 Vertex AI 或 Model Garden 「雇用」Gemini 時，它已經能理解語言、摘要、翻譯、推理與程式碼。企業不需要從頭訓練它；只需要提示它，或用少量公司資料對其進行輕量調整。一個基礎模型可以起草電子郵件、摘要合約、回答支援問題、生成程式碼——一位預訓練的「員工」能勝任多種工作。這就是生成式 AI 改變了 AI 經濟學的原因：與其為每個問題培養一個新的單一技能學徒，你只需租用一位幾乎無所不知的多才工匠，他只需要了解你的業務背景。

傳統機器學習實際上做什麼

傳統機器學習——有時稱為預測型 ML 或古典 ML——涵蓋了生成式 AI 浪潮之前產業所建立的一切。它的核心行為是：以既有資料為輸入，輸出預測、分類、分數或分群結果。它不創造新內容。

三種經典學習範式都屬於傳統 ML：

監督式學習

模型在標記資料上訓練——每個樣本都附有正確答案。看過足夠多的樣本後，它便能預測新的、未見過輸入的標籤。商業範例：信用卡詐欺偵測（標籤 ＝ 詐欺或非詐欺）、房屋價格估算（標籤 ＝ 金額）、客戶流失預測（標籤 ＝ 已流失或留存）。絕大多數企業 ML 都是監督式。在 Google Cloud 上，監督式模型可透過 AutoML Tabular、Vertex AI 自訂訓練 或 BigQuery ML 建立。

非監督式學習

模型接收未標記資料，自行發掘隱藏的結構。最常見的應用是顧客分群：在沒有任何人事先定義群組的情況下，將百萬名顧客分成自然的集群。異常偵測與主題發現也屬於非監督式。BigQuery ML 提供 k-means 分群正是為此目的。

強化學習

代理程式在環境中透過試誤來學習，收集獎勵或懲罰。Google 曾著名地使用強化學習來降低資料中心的冷卻耗能。在主流商業情境中很少是正確答案，但你應該認識它是第三種截然不同的學習範式。

核心心智模型：傳統 ML 是決策引擎。給它某個東西，它告訴你它屬於哪個桶或預期什麼數字。它的輸出永遠受限於它所學習的類別或數值範圍。流失模型只能說「流失」或「留存」——它永遠無法撰寫挽留電子郵件。

生成式 AI 實際上做什麼

生成式 AI 是一類 AI，它會根據提示產生全新的原創內容——文字、圖像、音訊、影片或程式碼。它建立在深度學習之上，對於文字與多模態任務，則建立在驅動**大型語言模型（LLM）**的 transformer 架構之上。輸出的不是來自固定清單的標籤，而是一個剛才還不存在的全新產物。

在 Google Cloud 上，生成式 AI 透過 Generative AI on Vertex AI 提供，主要能力如下：

• Gemini — Google 原生多模態基礎模型家族。接受文字、圖像、音訊與影片為輸入，生成文字、程式碼或結構化輸出。Gemini Flash 與 Gemini Pro 等變體在速度與推理深度之間取得平衡。
• Imagen — 文字轉圖像生成，適用於行銷素材與產品視覺。
• Model Garden — Google、合作夥伴與開源基礎模型的目錄，企業可部署與調整。
• Vertex AI Agent Builder — 建立以公司自有資料為基礎的對話式代理程式與助理。

核心特徵：生成式 AI 是創作引擎。要求它「摘要這份 40 頁報告」、「起草一封友善的投訴回覆」、「為這個問題撰寫一段 SQL 查詢」或「生成三個口號選項」，它就會產生量身打造的全新內容。這是傳統分類或迴歸模型完全無法做到的事。

判別式模型與生成式模型

在商業框架之下，考試期望你在概念層面認識一個精確的技術區別。

判別式模型

判別式模型學習類別之間的邊界。它回答的問題是：「給定這個輸入，哪個類別最有可能？」它對輸入與標籤之間的關係建模，只需精確到足以將它們分開。垃圾郵件篩選器、詐欺分類器、流失模型與圖像分類器都是判別式的。它們在單一任務中高效精準，是傳統 ML 的支柱。BigQuery ML 的邏輯迴歸流失模型就是一個判別式模型。

生成式模型

生成式模型學習資料本身的底層分佈——深入到足以產生新的、合理的樣本。它不只是在「貓」與「狗」之間劃線，而是充分學習貓和狗的外觀，以便生成一張新的圖像。像 Gemini 這樣的大型語言模型是生成式的：它們如此徹底地學習語言的統計結構，以至於能夠產生連貫的新文字。這就是生成式模型能創造而判別式模型只能判斷的原因。

為什麼這個差異是實務問題，而非純理論

判別式模型需要一組清晰、固定的標籤，以及每個任務的大量標記樣本。建立在預訓練基礎模型之上的生成式模型，幾乎不需要任務專屬的訓練資料就能處理開放式任務——通常只需要一個寫得好的提示。這種彈性正是商業上的突破，也是為什麼單一 Gemini 部署可以涵蓋數十個使用案例，而這些案例過去需要數十個獨立的判別式模型。

基礎模型與大規模預訓練

現代生成式 AI 背後的引擎是基礎模型。理解這個概念對 Generative AI Leader 考試至關重要，因為它解釋了生成式 AI 的能力與成本結構。

基礎模型是一種在廣泛、大規模資料集上預訓練的大型模型，使其能適應許多下游任務。Gemini 是 Google 的旗艦基礎模型。核心概念如下：

• 大規模預訓練 — 模型在龐大而多元的文字、程式碼與圖像語料庫上訓練。這個階段極為昂貴，需要大型加速器叢集運行數個月。只有少數幾家組織，Google 是其中之一，能夠負擔這項支出。
• 廣泛、可遷移的能力 — 因為它學習了語言、推理與視覺的通用模式，一個基礎模型無需從頭重新訓練，就能應用於摘要、翻譯、分類、程式碼生成等任務。
• 調整而非重新訓練 — 企業透過提示工程、接地（透過 Vertex AI Search 將其連結到自有資料）或輕量調整來低成本地客製化基礎模型——絕對不需要自行支付完整預訓練費用。

為什麼基礎模型改變了經濟效益

在傳統 ML 的世界中，每個新的使用案例都需要一個新模型、一個新的標記資料集與一個新的訓練專案。基礎模型顛覆了這一切：Google 只需一次性承擔數百萬美元的預訓練成本，每個客戶就能租用其成果。中型企業現在無需研究實驗室就能使用世界級的 AI 能力。這是生成式 AI 迅速在商業中普及的核心原因——進入門檻從「建立模型」崩塌為「撰寫提示」。

生成式 AI 何時是正確工具

當業務成果是新內容或開放式語言理解時，生成式 AI 是正確的建議。強項包括：

• 內容起草 — 行銷文案、產品描述、電子郵件回覆、職缺描述。Gemini 生成初稿，再由人工編輯。
• 摘要 — 將冗長的報告、合約、通話記錄或支援串，濃縮成重點。
• 對話式代理程式 — 以 Vertex AI Agent Builder 建立、以公司政策為基礎的全天候客服助理。
• 程式碼協助 — 生成、補全與解釋程式碼，加速開發人員工作。
• 翻譯與在地化 — 以細膩的語感將內容跨語言調整。
• 知識搜尋 — 以自然語言回答員工對內部文件的問題。

共同脈絡：期望的輸出是生成式的——某種被撰寫、繪製或創作的東西——且輸入通常是非結構化的語言。

傳統 ML 或簡單規則何時更合適

Generative AI Leader 的信譽來自於知道何時不要使用生成式 AI。以下情況傳統 ML 是更好的工具：

• 輸出是精確的數字或類別 — 需求預測、詐欺分數、流失機率、價格估算。迴歸或分類模型更精準、每次預測成本更低，且比語言模型更容易稽核。
• 決策必須精確、可解釋且可稽核 — 信貸審核或法規申報需要能追溯邏輯的模型。搭配 Vertex Explainable AI 的判別式模型遠比自由格式文字生成更容易辯護。
• 量體龐大且任務重複 — 每天對數百萬筆交易評分，使用輕量的 BigQuery ML 模型比 LLM 呼叫便宜得多。

有時答案是完全不需要 AI。如果一個問題可以用確定性的商業規則解決（「標記任何來自新帳戶、超過新台幣一百萬元的交易」），簡單規則更便宜、即時、完全可預測，且完全沒有幻覺風險。考試獎勵能認識到規則 → 傳統 ML → 生成式 AI 是一個能力與成本複雜度遞增階梯的領導者——只爬到問題所需的那一層即可。

生成式 AI 是全新的能力類別，而非「更好的 ML」

一個常見的領導者錯誤——也是常見的考試干擾項——是將生成式 AI 定位為傳統 ML 的升級版，彷彿它只是取代了舊有方式。事實並非如此。兩者是互補的能力類別，解決不同的問題，並且經常在同一個系統中協同運作。

考慮一個保險理賠工作流程。Document AI 這個傳統 ML 服務，從掃描的 PDF 中萃取結構化欄位（理賠號碼、日期、金額）。一個傳統分類模型接著對每筆理賠進行詐欺風險評分。最後，Gemini 為客戶生成一封清晰、個人化的說明信。三種能力、三項工作——萃取、預測與生成——在同一個流水線中協作。用 LLM 取代詐欺模型會讓系統更慢、成本更高且更難稽核。用分類器取代 Gemini 會讓那封信根本無從寫起。

領導層的結論：生成式 AI 擴展了 AI 組合，而非取代它。最佳的 AI 策略是將每種能力放在最擅長的地方。這個均衡的觀點直接連結到建立健全的 GenAI 導入策略。

決策者的並排比較

考試期望你能流暢地對比兩種能力類別：

輸入與輸出

傳統 ML 主要接受結構化資料，輸出標籤、分數或數字。生成式 AI 接受提示（通常是非結構化語言或多模態輸入），輸出新內容。

資料需求

傳統 ML 通常需要大量、已標記、任務專屬的資料集，而資料標記往往是最昂貴的階段。生成式 AI 依賴預訓練基礎模型，因此企業幾乎不需要標記資料就能獲得價值——通常只需要好的提示與一些接地資料。

建置投入與速度

傳統 ML 代表每個使用案例都是一個專案：收集資料、訓練、評估、部署。生成式 AI 讓團隊能在數天內完成原型，因為 Gemini 已經訓練完畢——工作重心轉移到提示設計、接地與評估。

成本模型

傳統 ML 的成本主要集中在訓練與每次預測的服務費。生成式 AI 通常依文字模型的輸入與輸出 token 數計費。高量、重複性的評分任務通常用傳統 ML 更便宜。

風險概況

傳統 ML 的風險包括偏差與模型飄移，但其輸出有邊界且可稽核。生成式 AI 額外帶來一種獨特風險——幻覺，即模型產生流暢但不正確的內容。管理這項風險至關重要，詳見幻覺與模型限制。

Transformer 架構如何賦能生成式 AI

文字與多模態任務的生成式 AI 之所以實用，來自於一項突破：transformer 架構。考試不需要你懂數學，但你應該認識到 transformer 讓模型能透過衡量每個字與其他所有字的關係來處理語言，以大規模捕捉上下文與語意。這就是讓像 Gemini 這樣的大型語言模型能夠摘要、推理、翻譯與連貫生成的原因。傳統 ML 演算法——決策樹、邏輯迴歸——從未被設計來進行這種開放式語言生成。更深入的運作機制詳見 transformer 模型與 LLM。

Google Cloud 產品對應各能力類別

將概念轉化為建議，需要將產品對應到能力類別：

傳統 / 預測型 ML 產品

• BigQuery ML — 直接在資料倉儲上用 SQL 訓練分類、迴歸、分群與時間序列模型。
• Vertex AI 上的 AutoML — 無程式碼訓練表格式、圖像或文字資料的自訂預測模型。
• Vertex AI 自訂訓練 — 提供資料科學團隊完整控制的訓練環境。
• Document AI — 從表單與發票中萃取結構化欄位的預訓練模型。

生成式 AI 產品

• Vertex AI 上的 Gemini — 用於文字、程式碼與推理的多模態基礎模型。
• Imagen — 文字轉圖像生成。
• Vertex AI Agent Builder — 有接地的對話式代理程式與助理。
• Model Garden — 基礎與開源模型的目錄，供部署與調整。

兩個類別都在 Vertex AI 的統一平台下，這就是為什麼無論問題需要哪種能力，Generative AI Leader 都推薦 Vertex AI 作為統一平台。

商業框架：與主管溝通

當主管問「我們應該用 AI 處理這個嗎？」，Generative AI Leader 將這個問題轉譯為能力語言。首先，識別期望的輸出：是決策還是創作？其次，衡量成本：規則最便宜，傳統 ML 適中，生成式 AI 功能強大但依 token 計費。第三，衡量風險：受監管、高風險的決策偏向可稽核的傳統 ML；內容與對話偏向有人工審核的生成式 AI。第四，考慮時程：傳統 ML 是每個使用案例數月的專案，而生成式 AI 可以在基礎模型上數天內完成原型。

這樣框架下，AI 策略成為組合決策，而非單一技術押注——而這種組合思維正是 Generative AI Leader 認證所要驗證的。

常見問題

生成式 AI 與傳統 ML 的核心差異是什麼？

答： 傳統（預測型）機器學習分析既有資料以輸出預測、分類、分數或分群——它判斷與標記。生成式 AI 創造新內容——文字、圖像、音訊、程式碼——以回應提示。傳統 ML 是決策引擎；生成式 AI 是創作引擎。它們是不同的能力類別，而非同一事物的好與壞版本。

判別式模型與生成式模型有何不同？

答： 判別式模型學習類別之間的邊界，回答「這屬於哪個類別？」——垃圾郵件篩選器與詐欺分類器都是判別式的。生成式模型充分學習資料的底層分佈，以便從中產生新樣本——像 Gemini 這樣的大型語言模型是生成式的。判別式模型分類與標記；生成式模型創造。

什麼是基礎模型？它對商業有何意義？

答： 基礎模型是一種以大規模成本在廣泛資料集上預訓練的大型模型——Google 的 Gemini 就是一例。它的意義在於，昂貴的預訓練由 Google 一次性完成，企業透過提示或接地廉價地調整，而非從頭訓練模型。這使成本門檻大幅降低：企業無需自有研究實驗室就能使用世界級 AI。

企業何時應選擇傳統 ML 而非生成式 AI？

答： 當輸出是精確的數字或類別（需求預測、詐欺分數、流失機率）、當決策必須為監管機構提供可稽核與可解釋的依據，或當任務量龐大且重複使得每次預測成本至關重要時，選擇傳統 ML。有時簡單的確定性規則更勝一籌——更便宜、即時，且完全沒有幻覺風險。

生成式 AI 會取代傳統機器學習嗎？

答： 不會。生成式 AI 擴展了 AI 組合，並不取代傳統 ML。許多真實系統同時使用兩者——例如，Document AI 萃取資料，分類模型評估風險，Gemini 撰寫客戶信件。最佳策略是將每種能力放在最擅長的地方，而非強迫一個工具承擔所有工作。

我需要具備程式設計技能才能通過 Generative AI Leader 考試嗎？

答： 不需要。Generative AI Leader 認證是以商業領導者為對象的非技術性考試。你需要理解能力類別、何時使用生成式 AI 對比傳統 ML 對比規則、基礎模型，以及 Vertex AI 和 Gemini 等 Google Cloud 產品如何對應到商業問題。程式設計能力在工程類認證中測驗，不在本考試範圍內。

總結：Generative AI Leader 的生成式 AI 與傳統 ML

Generative AI Leader 不建立模型——但必須自信地分類任何商業問題。傳統預測型機器學習透過監督式、非監督式與強化學習分析既有資料，輸出預測、分類、分數與分群；其模型主要是判別式的。生成式 AI 使用像 Gemini 這樣的基礎模型****創造新內容，這些基礎模型由 Google 以大規模成本預訓練，由企業低成本調整。應用動詞測試——預測 / 分類指向傳統 ML，創作 / 起草 / 摘要指向生成式 AI——記住簡單規則可能勝過兩者，並將兩種能力類別視為 Vertex AI 下的互補組合。掌握這個框架，你就能為任何主管提供建議，並回答考試呈現的任何能力分類問題。