電子報
隨著生成式AI的興起，AI不再僅限於資料分析與自動化，無論是文本、圖像、語音還是其他形式的創作，皆能創造出全新的內容。並且對於提升工作效率、改善決策品質，更是開創全新的服務模式，其提供了巨大的創新潛力。然而，要充分發揮AI的價值，首先必須深入了解其運作原理、技術演進以及當前主流的AI模型。本期電子報由
自ChatGPT3問世以來，AI可說是近年的熱門話題，但AI其實早在1950年代就已出現!由美國普林斯頓大學的兩個研究生Marvin Minsky和Dean Edmonds就已開發了第一個人工神經網路「SNARC」，他們使用了 3,000 個真空管模擬 40 個神經元的網路來進行建置，此概念當時被應用於模型識別及西洋跳棋程式當中。後來1960-1970年代逐漸發展出「專家系統」應用於醫療診斷及金融分析，1980-1990年代將機器學習演算應用於資料探勘及預測建模，並發展出語言翻譯的統計方法，為未來的機器翻譯奠定日後成功的基礎。
過去機器學習研究的主要是基於電腦運算效能的增強為基礎，在20世紀末期逐漸由工業時代轉換為網路時代，WWW(全球資訊網)在1995年如雨後春筍般的漫延擴散到世界各個角落、各個領域、各種層次，影像辨識及自然語言處理開始發跡。
隨著電腦效能大幅增強及傳輸速度快速飛升，AI領域逐漸萌芽，2010年APPLE公司收購了我們熟知的SIRI公司，再重新開發後成為了APPLE裝置內建軟體。2012年，Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky推出深度CNN架構，贏得了ImageNet挑戰賽，觸發了深度學習研究和實施的爆炸式增長；Ian Goodfellow等人發明了用於生成照片、轉換圖像和創建deepfake機器學習框架的生成對抗網路（GAN）。2017年，Google研究人員開發Transformer模型，激發後續對工具的研究，能自動將未標記文字解析為大型語言模型（LLM）所理解格式，隨之隔年OpenAI發布GPT模型，在今年2月推出了最新的GPT-4.5，後面將進行更詳細的介紹。
(以上統整自Ron Karjian(2024)、數位發展部簡報(2024))
不同模型與演算法有它們擅長的領域，根據任務需求選擇合適架構的AI模型是很重要的，但可概略分為以下四種訓練類型：
監督式學習、非監督式學習、半監督式學習、強化式學習等，監督式學習使用標記數據訓練模型，適合分類與預測任務，非監督式學習則用於發現數據中的隱藏模式。
深度學習是機器學習的一個分支，基於深度神經網路 (Deep Neural Networks) 來模仿人類大腦的學習方式，適合處理高複雜度任務。
核心理念是「集眾之力」，將結合多個弱模型（Weak Learners）或基礎模型（Base Models）的組合在一起，透過協同合作來提升預測準確性和穩定性的機器學習方法。
專為處理序列數據設計的深度學習架構，廣泛應用於自然語言處理（NLP）、圖像識別及語音處理等領域，並透過預訓練與微調 (Fine-Tuning) 技術，實現快速適應不同任務並提供高效解決方案，常見的ChatGPT 系列便是基於 Transformer 架構開發。
雖然生成式 AI 在文本生成上表現出色，但實際上它只是一個非常擅長背誦的機器，並不具備真正的常識推理能力。生成式 AI是依據統計方式來預測答案，而非理解背後的邏輯或概念。但目前每隔幾日就推陳出新的AI模型，在推理能力表現上越來越出色。
AI 的輸出品質取決於訓練數據，所以了解數據來源的可靠性與時效性至關重要。若數據存在偏見或過時，將可能導致生成的結果不準確或具有會誤導的可能，對於AI所提供資料，仍是要親自檢視並判斷正確性！
生成式 AI 可能會記憶投入提問的敏感訊息，因此選擇具備資料保護或刪除機制等較高保護性質的模型極為重要，以避免個人或公司潛在機密資訊的洩露風險。
隨著人工智慧技術的蓬勃發展，各種AI模型蜂擁而至，面對琳瑯滿目的AI模型產品，常常無從下手。筆者統計現行多數人推薦或自身使用過的AI模型(表1、表2)。有興趣的讀者不妨可以花一點時間來嘗試使用看看各AI模型的專長與特色，並將工作所遇到重複性高又繁瑣的問題請AI協助解決，相信只要選對好的工具，勢必能有效解決實際問題，讓工作或學習事半功倍。
.JPG)
.jpg)
OpenAI 於 2025 年 2 月27日正式推出 GPT-4.5，率先開放給 ChatGPT Pro 訂閱用戶使用，但報導指出API費用為每百萬輸入/輸出 token 75/150 美元，相較 GPT-4o 的輸入成本高出 30 倍，輸出成本高出 15 倍，其高昂的費用背後究竟是有多高的產出價值呢? 我們一起來看看新款推出的GPT-4.5有甚麼特色吧!
GPT-4.5是迄今為止Open AI最大、最好的聊天模型，具備更強的模式識別、聯繫建立及創造性見解能力。當使用者表達心情低落時，傳統 AI 可能會直接提供建議，而 GPT-4.5 則會表達關心並給出更符合人際互動邏輯的回應，使其更具人性化。
如前文所述，GPT-4.5 的輸入成本比 GPT-4o 高出 30 倍，輸出成本高出 15 倍，成為 OpenAI 史上成本最高的模型，但由AAAI 研究報告及nature 在2025年3月4日報告中指出，超過四分之三的業界專家認為，透過持續擴大AI模型來提升性能的方式，可能無法達到通用人工智慧(AGI)(Francesca Rossi, AAAI、Nature Portfolio news)。因此，近期越來越多科技巨頭在持續擴展規模來訓練AI模型上遇到瓶頸，反而朝向開發推理模型。
新推出的GPT-4.5 屬於「非推理」模型與 GPTo 系列（如 GPT o1、GPT o1-mini、GPT 4o 等）的「推理」模型不同，主要透過非監督式學習（Unsupervised Learning）來增強模式識別與內容生成能力，包括 GPT-3.5、GPT-4 和 GPT-4.5 在內，皆採用此方式，進一步降低了幻覺現象並提升準確性，但根據 OpenAI 的 SimpleQA 測試，GPT-4.5 在事實性回答上的準確率為 62.5%、幻覺率為 37.1%，雖然是最精準、最少幻覺的模型，但還是亟需人為的校正及核對。
因為GPT-4.5缺乏思維鏈推理，並且由於規模較大，所以速度較慢，知名科技部落客Simon Willison也實測請GPT-4.5畫向量圖，結果它花了112秒，才完成一張「鵜鶘騎腳踏車」的圖片(Simon Willison
，2025)，顯示「速度慢」是目前大模型無可避免的缺點。而此模型也不會產生音訊或視訊等多模式輸出，價格昂貴又速度慢等缺點令許多人遭到質疑。
(以上統整自：未來商務、Simon Willison’s Weblog及郭宇璇、Open AI官網，2025)
對於需要蒐集國際新聞趨勢的單位而言，過往方式皆須花費許多人力進行
會議已是每天辦公必不可少的事項，對於會議進行許久或是中途加入，都能請AI協助總結當前進度及摘要，快速掌握會議目前狀況。若無法參加會議，也可以請它代替你參加且自動記錄會議內容，包含建議任務分配和負責人，協助迅速了解會議重點，並在會議結束後，自動整理摘要及待辦事項並進行通知。
在當今這個資訊爆炸的年代，許多的文件與書籍往往讓人難以消化，因此，如何高效整理資訊並掌握內容，成為值得關注的課題。筆者介紹一個在知識管理上很好用的工具－NotebookLM。
NotebookLM是Google針對組織筆記開發的一套筆記型AI，不僅可以上傳文件、文章或研究資料，還可以上傳YouTube 連結，解析影片的文字記錄，提供主題摘要與詳細資訊，甚至能將研究內容轉換為 AI 音檔，讓使用者透過音訊形式獲取資訊（圖四）。
上傳資料後，使用者可在左側的來源中選取要分析的來源。除了可以進行摘要、對話及提問功能外，NotebookLM也能分析多個來源的資料，並且標註原文的位置，方便點擊進行檢閱，亦可以將對話內容新增於右側之記事本內，方便日後重複閱讀與回顧 (圖五)。
農業部在114年補助計畫中也有「全國農地資料庫分析應用研究計畫」，此計畫預計將已蒐集之航照、UAV、衛照等影像，整合農地資料庫及訓練資料圖台進行農地影像農作物分析及相關評估。同計畫中也期望利用國科會發展的TAIDE為基礎，進行農業領域知識進行微調（Fine-Tune），打造農業專業領域的客製化大型語言模型（LLM），再結合本部全國農地資料等農業相關資料，運用檢索增強生成（RAG）技術，建立智慧農業服務平台，促進農業知識傳播並提升農業決策效率(全國農地資料庫分析應用研究計畫，2025)。
最後，筆者想簡單介紹一下ChatGPT上的一個開源GPTs 「GeoAssist」(圖七)，它是由muhammad hafiz開發用於解決森林、山崩（地滑）和水壩的GIS相關問題。GeoAssist的資料訓練來源包含公開的 GIS 資料庫（如 USGS、NASA、Copernicus）、學術論文與報告、政府與環保組織數據、常見的GIS工具與技術文獻（QGIS、ArcGIS、GEE 等），以下為幾個測試的應用範例，顯見GeoAssist能提供專業的工具與技術資訊，並以簡單且清晰方式呈現 (圖八、九、十)，其他更多應用示範案例，將於下集電子報再與大家進行分享!
生成式 AI 的快速發展，從早期的機器學習到如今的深度學習與 Transformer 模型，不僅展示了技術的躍進，也開啟了無數應用場景的可能性。許多重複性高且耗時的任務，尤其是需統計大量資料、細碎待辦事項通知、信件回覆草稿、會議記錄、語音翻譯等工作，可減少產值低且頻繁瑣碎事項的情況，皆可優先考慮導入 AI 來提升工作效率與便利性。然而，為了充分發揮這項技術的潛力，仍必須深入理解其架構與運作原理，並審慎評估 AI 生成內容的事實性與可靠性，避免引用到幻覺言論或者錯誤資訊。
最後，資料品質與隱私安全等問題仍須審慎應對。訓練數據若存在品質不足或偏頗，可能導致模型產生偏見或不準確的回應。然而在AI時代下，如何保障網路安全資訊更是各單位部署AI時的主要考量，在隱私安全方面，涉及機密資訊、個人資料或密碼等敏感內容時，必須經過嚴格評估與防護措施，避免成為有心人士的攻擊目標。
- Ron Karjian(2024)。The history of artificial intelligence: Complete AI timeline。TechTarget。24 Sep 2024。https://www.techtarget.com/searchEnterpriseAI/tip/The-history-of-artificial-intelligence-Complete-AI-timeline
2.數位發展部(2024)。政府生成式 AI 的應用與發展趨勢。2024年10月29日。
3.葉長霖(2024)。AI 模型訓練是什麼？5 步驟了解 AI 模型開發流程。 Solwen AI。https://solwen.ai/posts/ai-model-training
4.卡米爾股份有限公司(2024)。讓生成式 AI 幫我做大事。
5.許炘志(2025)。農村水保署 AI 線上工具資源服務平台工作坊。
6.洪子淵(2024)。農業科研AI小助手。農業科技研究院產發中心。
7.陳正文(2024)。農業生成式AI應用現況。農業科技研究院動物科技研究所。
8.未來商務。https://fc.bnext.com.tw/articles/view/3799?
9.Simon Willison’s Weblog。https://simonwillison.net/2025/Feb/27/introducing-gpt-45/
10.郭宇璇(2025)。GPT-4.5高貴但好用？優缺點實測揭曉。遠見雜誌。https://www.gvm.com.tw/article/119683
11.Francesca Rossi(2025)。AAAI 2025 Presidential Panel on the Future of AI Research。 AAAI 。https://aaai.org/about-aaai/presidential-panel-on-the-future-of-ai-research/
12.Nature Portfolio news。https://www.nature.com/articles/d41586-025-00649-4
