AI Capabilities Lesson 2：什麼是生成式 AI？和你每天用的 AI 差在哪
Anthropic 官方免費課程 AI Capabilities and Limitations 第二課中文筆記。分辨生成式 AI 與分類型 AI 的本質差異，認識能力—限制連續光譜，一次看懂四大特性：Next Token Prediction、知識、工作記憶、可引導性的能力區與限制區，附實作練習。
- 分類
- 工具
- 發布
- 閱讀
- 約 5 分鐘
曲目表
你身邊絕大多數的 AI，例如垃圾郵件過濾、影片推薦與盜刷偵測，其實都不是生成式 AI。本課先釐清這門課所說的「AI」指的是什麼：會產生新內容的 Transformer 文字模型。接著建立全課程最重要的觀念，也就是能力與限制的連續光譜：AI 的強項與弱點來自同一個機制，你的任務落在光譜的哪個位置，決定你感受到的是能力還是限制。文末會先預覽四大特性各自的能力區與限制區。
分辨某個功能是不是生成式 AI，可以看它是否會產生新的文字、圖片或程式碼。判斷時把它當成工具來看，就能更清楚它適合與不適合的任務。
| 課程單元 | Lesson 2｜What We Mean by AI |
|---|---|
| 預估時間 | 約 20 分鐘（含練習） |
| 難度 | 入門，無需任何技術背景 |
| 官方單元連結 | What We Mean by AI（英文） |
本課學習目標
讀完這一課，你將能夠：
- 分辨生成式 AI 與你每天接觸的分類／預測型 AI 有什麼本質不同
- 理解生成式 AI 的特性存在於一條從能力到限制的連續光譜上
- 預覽四大核心特性：下一個 Token 預測、知識、工作記憶、可引導性
你身邊大多數的 AI，其實不是生成式 AI
「AI」這個詞的範圍太廣了，開始之前得先畫清界線。想想你今天已經遇過哪些 AI：
- 幫你挑下一部影片的推薦引擎
- 信箱裡的垃圾郵件過濾器
- 標記可疑刷卡交易的盜刷偵測模型
- 把你的客服來電轉接到正確窗口的路由系統
這些全都是 AI，但它們什麼都沒有「生成」。它們做的是分類、排序、預測——處理已經存在的內容。這類系統極其有用、極其普遍，但不是這門課的主角。
近年真正改變局面的是生成式 AI（Generative AI）的崛起：不是替既有內容分門別類，而是產生全新的內容——文字、圖片、程式碼、音訊、影片。從這裡開始，整門課說的「AI」，指的都是生成式 AI。
對既有內容做分類、排序、預測。
例：垃圾郵件過濾、影片推薦、盜刷偵測、人臉標記。
產生全新的內容。
例：Claude、ChatGPT 等聊天助手、圖片生成、程式碼生成。這門課講的是這種。
生成式 AI 裡面，也還有分別
即使同屬生成式 AI，底層技術也不一樣。圖片生成通常用擴散模型（diffusion model）：從一片雜訊開始，一步步「雕」出一張圖。而文字生成——你正在對話的那種——用的是 Transformer：一次一個 token，預測接下來該出現什麼。（另外還有 GAN、VAE 與各種混合架構。）
這門課的四大特性，描述的正是 Transformer 文字模型——也就是你用聊天機器人、寫作助手時面對的那種 AI。其中不少概念也能轉移到其他生成式 AI 上，但核心對象是文字模型。
核心觀念：能力—限制連續光譜
上一課提過這門課的中心思想，這裡正式展開：AI 不是全能，也不是全不可靠，它的強與弱分布在四條特定且可預測的軸線上。而且每條軸線都是連續光譜——同一個機制，既給你能力，也給你限制。你的任務越往光譜右側移動，就越需要查證與補位。
任務落在這裡：放心委派
任務飄到這裡：加強查證
以下是四大特性的完整預覽。每項特性都用一個「核心問題」來記，之後 L4–L11 會逐一深入：
💡 **校準信任（calibrated trust）：**聰明的 AI 使用者不是「全盤相信」或「全盤不信」，而是先定位任務在光譜上的位置，再決定該給多少信任、做多少查證。這就是這張表的用法。
重點整理（Key Takeaways）
- 生成式 AI 產生新內容，而不是替既有內容分類。
- AI 不是全能也不是全不可靠，它沿著四條可預測的軸線有強有弱：下一個 Token 預測、知識、工作記憶、可引導性。
- 每項特性都是連續光譜，同一個機制同時給你能力與限制。
- 校準信任的意思是：定位你的任務在光譜上的位置，而不是全盤給予或全盤收回信任。
實作練習：生成式，還是分類式？
你剛學會了生成式 AI 與分類型 AI 的根本差異，現在把這個區分用在自己的生活經驗上。
**步驟一：**列出你這週接觸過的 5 個 AI 功能，範圍可以放寬一點，例如輸入法自動完成、照片人臉標記、垃圾郵件過濾、聊天機器人回答、翻譯、商品推薦與語音助理等。
步驟二：逐一判斷：它是在產生新內容，還是在分類、排序既有內容？寫下你的答案。
**步驟三：**把清單丟給 AI 請它批改。答錯或不確定的項目，請它用一句話解釋差別在哪。然後再問一句：「這 5 個裡面，哪一個最可能有這門課會幫我理解的失誤模式？」
**步驟四：**回到你在 Lesson 1 做的任務清單，替每項任務貼上一個你直覺認為最相關的「特性問題」標籤：
- 🎲 答案是從哪裡來的？（下一個 Token 預測）
- 📚 它知道這件事嗎？（知識）
- 🧠 它現在注意著什麼？（工作記憶）
- 🧭 我有多少控制權？（可引導性）
📎 貼錯沒關係！這一步不是要你答對，而是建立「預測」——接下來四個特性的課程，就是拿來檢驗這些預測的。
課後反思
- 「生成式 vs 分類式」的區分，有沒有改變你對某個常用工具的看法？
- 回看你貼的標籤：有沒有哪個任務感覺同時屬於不只一個特性？（記住這個感覺，L12「當特性互相衝突」會正面處理它。）
下一課預告
正式進入四大特性之前，還有一個必答題：AI 為什麼會有「個性」？它為什麼有禮貌、樂於助人、會拒絕某些要求、有時又太容易附和你？下一課拆解預訓練與微調如何一步步塑造 AI 的性格——這個塑造過程，會在後面所有特性上留下指紋。
常見問題 FAQ
算，而且是目前世界上運作中最普遍的 AI。但它們屬於分類／預測型 AI，做的是對既有內容分類、排序與預測，不會產生新內容，因此不在這門課的討論範圍。
Claude 和 ChatGPT 都是生成式 AI 中「基於 Transformer 的文字模型」的產品實例：以一次一個 token 的方式產生文字。這門課的四大特性描述的正是這類模型的共通性質。
部分適用。圖片生成多半使用擴散模型，與文字模型的 Transformer 架構不同；本課的四大特性是針對文字模型設計的，其中不少觀念（如訓練資料決定知識範圍）可以轉移，但不是一對一適用。
指不對 AI 全盤相信、也不全盤否定，而是根據任務落在能力—限制光譜上的位置，動態決定要給多少信任、做多少查證。這是整門課要培養的核心能力。
本文為 Anthropic 官方課程之中文學習筆記。原課程建立於 Prof. Rick Dakan（Ringling College of Art and Design）與 Prof. Joseph Feller（University College Cork）發展的 AI Fluency Framework 之上，以 CC BY-NC-SA 4.0 授權釋出。Copyright 2026 Anthropic.