生成式 AI 應用領域與常用工具：從文字到影像的 AI 全景

一、學習目標

讀完這篇，你會知道：

1. 生成式 AI 有哪幾大應用領域？各領域代表工具是什麼？
2. 文字、圖像、程式碼、音樂、影片生成工具各自的特色是什麼？
3. 生成式 AI 在哪些產業落地應用？具體用例有哪些？
4. 面對這麼多工具，如何根據場景選擇正確的工具？

---

二、核心內容

2-1｜生成式 AI 的六大應用領域

生成式 AI（Generative AI）不只是聊天機器人，它已經延伸到人類創作的各個領域。

生成式 AI 應用地圖
┌────────────────────────────────────────────────────┐
│                                                    │
│   文字生成          圖像生成         程式碼生成      │
│  (Text Gen)       (Image Gen)     (Code Gen)       │
│  ChatGPT          DALL-E          GitHub Copilot   │
│  Claude           Midjourney      Cursor           │
│  Gemini           Stable Diffusion                 │
│                                                    │
│   音訊 / 音樂生成    影片生成         資料分析        │
│  (Audio/Music)    (Video Gen)    (Data Analysis)   │
│  Suno, AIVA       Runway ML       Code Interpreter  │
│  ElevenLabs       Sora            (ChatGPT插件)     │
│                                                    │
└────────────────────────────────────────────────────┘

---

2-2｜文字生成（Text Generation）

白話解釋：輸入提示（Prompt），AI 根據對語言的理解生成連貫、有意義的文字——文章、摘要、翻譯、對話、程式碼注解，都屬於這個範疇。

生活比喻：就像你雇了一位「超級全能文書助理」，你只需要說清楚你要什麼（這就是 Prompt Engineering 的重要性），他就能幫你起草合約、寫行銷文案、翻譯文件、整理會議記錄。

工具	開發商	特色
ChatGPT	OpenAI	最廣為人知；GPT-4o 支援文字、圖片、語音多模態
Claude	Anthropic	長文本處理能力強（200K token 上下文），安全性設計嚴謹
Gemini	Google DeepMind	深度整合 Google 生態（Search、Docs、Gmail），原生多模態
Llama（Meta AI）	Meta	開源模型，可在地端（On-premise）部署，適合重視資料主權的企業
Mistral	Mistral AI	歐洲開源模型，參數效率高，適合資源有限的場景

主要應用場景：

• 客服自動化（FAQ 回覆、情緒識別）
• 文件摘要（法律合約、研究報告）
• 內容行銷（廣告文案、社群貼文）
• 多語言翻譯
• 會議記錄整理與行動項目擷取

考試重點：ChatGPT = OpenAI、Claude = Anthropic、Gemini = Google。Claude 的特色是長文本上下文（Long Context）；Llama 的特色是開源（Open Source），可本地部署。

---

2-3｜圖像生成（Image Generation）

白話解釋：用文字描述你想要的圖片，AI 憑空生成一張符合描述的全新圖像。技術核心是擴散模型（Diffusion Model）——從一張隨機噪音圖出發，逐步「去噪」，最終生成清晰圖像。

生活比喻：就像告訴一位超快速的畫家「幫我畫一幅日落時分、賽博龐克風格的台北 101」，幾秒鐘後，你就拿到一幅從未存在過的畫作。

工具	開發商	特色
DALL-E 3	OpenAI	深度整合 ChatGPT，自然語言描述直接生成，Prompt 理解力強
Midjourney	Midjourney Inc.	藝術感最強，風格統一，常用於概念藝術、品牌視覺
Stable Diffusion	Stability AI	開源，可本地執行，支援 ControlNet 等進階控制
Adobe Firefly	Adobe	深度整合 Photoshop，商業授權安全（訓練資料符合版權）
ImageFX	Google	與 Gemini 整合，快速生成

技術核心——擴散模型（Diffusion Model）：

生成過程示意：
隨機噪音 → 逐步去噪 → 清晰圖像
  [????]  →  [模糊輪廓] → [細節浮現] → [最終圖像]

  每一步都由 AI 模型預測「如何去掉一點噪音」
  反覆迭代（通常 20~50 步）後，得到最終圖像

考試重點：圖像生成的技術核心是擴散模型（Diffusion Model）。Midjourney = 藝術風格最強；Stable Diffusion = 開源；DALL-E = OpenAI 出品，整合 ChatGPT。

---

2-4｜程式碼生成（Code Generation）

白話解釋：AI 根據自然語言描述或現有程式碼的上下文，自動補全、生成、解釋或重構程式碼。這是目前在職場影響最直接的 GenAI 應用之一。

生活比喻：就像有一位資深工程師坐在你旁邊，你說「我想寫一個把 CSV 讀進來然後畫成折線圖的 Python 程式」，他馬上幫你把程式碼打出來，還會解釋每一行的意思。

工具	特色	適合場景
GitHub Copilot	深度整合 VS Code、JetBrains，即時行內補全	日常編程輔助
Cursor	以 AI 為核心的程式碼編輯器，支援整個 Codebase 問答	複雜專案理解與重構
Amazon CodeWhisperer	深度整合 AWS 服務，資安掃描功能強	AWS 雲端開發
Tabnine	支援私有模型部署，企業資料不離開內部	高合規要求企業
Replit AI	雲端 IDE 內建 AI，適合快速原型	學習、快速驗證

常見用途：

• 程式碼自動補全（Auto-completion）
• Bug 修復建議
• 測試案例（Unit Test）自動生成
• 程式碼解釋與文件生成
• 程式語言轉換（如 Python 轉 JavaScript）

考試重點：GitHub Copilot = GitHub（Microsoft / OpenAI）出品，是目前市佔最高的 AI 程式碼助理。Cursor 是近期快速崛起的 AI-first 編輯器。

---

2-5｜音訊與音樂生成（Audio / Music Generation）

白話解釋：AI 根據描述或風格指示，生成完整的音樂、人聲或音效。甚至能複製特定人聲的音色（聲音克隆，Voice Cloning）。

生活比喻：以前要製作一首背景音樂，你需要作曲家、錄音師、混音師，花上數週時間和大筆費用。現在你告訴 AI「幫我生成一首 30 秒的、帶有爵士風格的輕鬆背景音樂」，幾十秒後就能試聽。

工具	功能類型	特色
Suno	音樂生成	輸入歌詞和風格描述，生成完整歌曲（含人聲）
AIVA	音樂作曲	專注古典/電影配樂風格，作曲家導向
Udio	音樂生成	高品質音樂生成，風格多元
ElevenLabs	語音合成 / 聲音克隆	極度擬真的 TTS，支援 Voice Cloning
Whisper（OpenAI）	語音轉文字（STT）	開源的高準確度語音辨識模型

考試重點：ElevenLabs = 最知名的 AI 語音合成與**聲音克隆（Voice Cloning）**工具。Whisper = OpenAI 開源的語音轉文字（Speech-to-Text）模型。Suno = 最多人用的 AI 音樂生成工具。

---

2-6｜影片生成（Video Generation）

白話解釋：從文字描述或靜態圖片出發，AI 直接生成動態影片片段。這是目前技術進展最快也最具爭議性的領域。

生活比喻：以前一支 30 秒的商業廣告可能要數十萬製作費、幾週拍攝時間。現在能用 AI 工具在幾分鐘內生成一支視覺效果驚人的概念影片，用於提案或社群行銷。

工具	開發商	特色
Runway ML（Gen-3）	Runway	目前最成熟的商業影片生成工具，支援文字轉影片、圖片轉影片
Sora	OpenAI	能生成最長 60 秒、高度物理一致性的影片（目前逐步開放）
Kling	快手（Kuaishou）	中國領先的影片生成模型，真實感強
Pika Labs	Pika	易用性高，適合行銷短片製作
HeyGen	HeyGen	專注 AI 數位人（Avatar）影片生成，常用於行銷影片配音

考試重點：Runway ML 是目前最成熟的商業影片生成工具；Sora 是 OpenAI 發布、引發廣泛關注的影片生成模型。兩者都是 iPAS 考試常出現的選項。

---

2-7｜資料分析（Data Analysis）

白話解釋：讓 AI 直接分析上傳的資料集，自動生成圖表、統計分析，甚至提供洞察和建議——無需寫程式。

生活比喻：以前要分析一份 Excel 銷售資料，你需要會用 pivot table、VLOOKUP、甚至 Python pandas。現在你把檔案丟給 ChatGPT 的 Code Interpreter，說「幫我分析哪個月份銷售最好、找出趨勢」，它會自己寫程式、執行、然後用圖表告訴你結果。

工具	特色
Code Interpreter（ChatGPT）	在對話中直接執行 Python，上傳 CSV/Excel 即可分析
Julius AI	專注資料分析，支援多種資料格式，視覺化豐富
Noteable	Jupyter Notebook + AI 協作
Microsoft Copilot for Excel	Excel 內建 AI，自然語言查詢表格資料

---

2-8｜企業產業應用

生成式 AI 在各產業的落地應用已從實驗階段進入大規模部署。

產業	應用場景	代表工具 / 技術
行銷（Marketing）	廣告文案生成、社群媒體貼文、個人化 Email 行銷	ChatGPT、Jasper、Copy.ai
教育（Education）	個人化學習內容生成、自動作業批改、智慧家教	Khan Academy Khanmigo、Duolingo AI
醫療（Healthcare）	醫療報告自動生成、藥物研發輔助（分子生成）	BioMedLM、Med-PaLM 2
金融（Finance）	風險評估報告撰寫、市場分析摘要、詐騙偵測	Bloomberg GPT、FinBERT
法律（Legal）	合約審閱與風險標記、判決書摘要、法律研究	Harvey AI、CaseText
製造（Manufacturing）	設計優化建議、品質管理文件生成、預測性維護報告	Siemens Industrial Copilot

行銷應用深度解析：

生活比喻：以前一個行銷文案撰寫師一天能產出 510 個廣告變體；現在配合 AI，同樣的人可以在一天內產出 50100 個變體，讓 A/B 測試更精準。

醫療應用深度解析：

生活比喻：新藥開發以前要花 10~15 年、數十億美元，AI 可以在幾週內分析數百萬個分子結構，大幅縮短候選藥物的篩選時間——就像用 AI 幫你在一座超大圖書館裡快速找到最有可能的答案。

考試重點：Bloomberg GPT 是金融領域的代表性 LLM；Med-PaLM 2 是 Google 醫療領域的大型語言模型；Harvey AI 是法律領域的代表性 AI 工具。

---

2-9｜如何選擇正確的工具？

面對眾多工具，選擇框架如下：

Step 1：確認輸出類型

• 需要文字 → 文字生成工具（ChatGPT / Claude / Gemini）
• 需要圖像 → 圖像生成工具（DALL-E / Midjourney / Stable Diffusion）
• 需要程式碼 → 程式碼工具（GitHub Copilot / Cursor）
• 需要影片 → 影片工具（Runway ML / Sora）

Step 2：確認使用情境

優先考量	推薦方向
易用性最重要	ChatGPT、DALL-E（介面最友善）
藝術品質最重要	Midjourney（圖像）、Suno（音樂）
開源 / 可本地部署	Llama、Stable Diffusion、Whisper
企業合規 / 資料主權	Llama（自架）、Tabnine（程式碼）、Adobe Firefly（圖像版權安全）
整合現有 Google 生態	Gemini
整合現有 Microsoft 生態	Copilot（整合 Office 365、Azure OpenAI）

Step 3：確認成本與授權

• 商業用途要確認生成內容的著作權歸屬（Midjourney 商業版、Adobe Firefly 授權明確）
• 考量 API 呼叫成本 vs 固定訂閱費

生活比喻：選 GenAI 工具就像選交通工具——短距離就用 YouBike（免費、方便），跨城市用高鐵（快但要買票），搬家要租貨車（大容量但最貴）。沒有一種工具適合所有情境，關鍵是配對需求。

---

三、關鍵名詞中英對照

中文	英文	一句話解釋
生成式 AI	Generative AI (GenAI)	能夠生成新內容（文字、圖像、程式碼等）的 AI 系統
大型語言模型	LLM (Large Language Model)	以大量文字資料訓練、能理解和生成文字的模型
提示	Prompt	輸入給 AI 的指令或問題，決定 AI 輸出的品質
提示工程	Prompt Engineering	設計和優化提示以獲得更好 AI 輸出的技術
擴散模型	Diffusion Model	從噪音逐步還原圖像的圖像生成技術核心
文字轉圖像	Text-to-Image	用文字描述生成對應圖片的 AI 能力
文字轉影片	Text-to-Video	用文字描述生成對應影片的 AI 能力
聲音克隆	Voice Cloning	AI 複製特定人聲音色的技術
語音轉文字	STT (Speech-to-Text)	將語音轉換為文字的 AI 技術
文字轉語音	TTS (Text-to-Speech)	將文字轉換為語音的 AI 技術
程式碼自動補全	Code Auto-completion	AI 根據上下文自動建議後續程式碼的功能
多模態	Multimodal	能同時處理多種形式輸入（文字、圖像、語音）的 AI
數位人	AI Avatar	由 AI 驅動的虛擬人物形象，可生成說話影片
上下文視窗	Context Window	LLM 一次能處理的最大文字量（以 Token 計算）
幻覺	Hallucination	AI 生成看似合理但實際上錯誤的內容的現象

---

四、考試重點提示

必背清單：

1. 三大文字生成 LLM：ChatGPT（OpenAI）、Claude（Anthropic）、Gemini（Google）
2. 三大圖像生成工具：DALL-E（OpenAI）、Midjourney（藝術風格強）、Stable Diffusion（開源）
3. 程式碼生成代表：GitHub Copilot、Cursor
4. 影片生成代表：Runway ML（最成熟商業工具）、Sora（OpenAI）
5. 語音合成代表：ElevenLabs（Voice Cloning）
6. 語音辨識代表：Whisper（OpenAI，開源）
7. 音樂生成代表：Suno、AIVA
8. 圖像生成技術核心：擴散模型（Diffusion Model）
9. Claude 特色：長上下文（Long Context）；Llama 特色：開源（Open Source）
10. 金融 LLM：Bloomberg GPT；醫療 LLM：Med-PaLM 2；法律 AI：Harvey AI

易混淆比較：

常搞混的	差別在哪
ChatGPT vs Claude vs Gemini	三者都是 LLM，但開發商不同（OpenAI / Anthropic / Google）；Claude 長文本更強
DALL-E vs Midjourney	DALL-E 整合 ChatGPT、Prompt 理解強；Midjourney 藝術風格最強
Stable Diffusion vs Adobe Firefly	Stable Diffusion 開源可自架；Firefly 商業版權安全、整合 Photoshop
Runway ML vs Sora	Runway 已商用成熟；Sora 是 OpenAI 發布的研究成果，物理一致性更強
ElevenLabs vs Whisper	ElevenLabs = TTS（文字轉語音）+ Voice Cloning；Whisper = STT（語音轉文字）
STT vs TTS	STT（Speech-to-Text）= 語音轉文字；TTS（Text-to-Speech）= 文字轉語音

Q1. 以下哪個工具是由 Anthropic 開發，且以長文本上下文處理能力著稱？

• (A) ChatGPT
• (B) Gemini
• (C) Claude
• (D) Llama

Q2. 圖像生成 AI 的技術核心是什麼？

• (A) 卷積神經網路（CNN）直接從像素生成圖像
• (B) 擴散模型（Diffusion Model），從噪音逐步還原圖像
• (C) 循環神經網路（RNN）逐像素生成
• (D) 決策樹（Decision Tree）根據輸入選擇最接近的圖片

Q3. 下列哪個是 OpenAI 開源的語音轉文字（Speech-to-Text）模型？

• (A) ElevenLabs
• (B) Suno
• (C) AIVA
• (D) Whisper

Q4. 以下哪個工具最適合企業需要「商業版權安全的圖像生成，且需整合現有設計工具」的需求？

• (A) Midjourney
• (B) Stable Diffusion
• (C) Adobe Firefly
• (D) DALL-E 3

Q5. 目前在企業「法律科技」領域中，哪個是代表性的 AI 工具，主要用於合約審閱和法律研究？

• (A) Bloomberg GPT
• (B) Harvey AI
• (C) Med-PaLM 2
• (D) GitHub Copilot

---

解答與解析

題號	答案	解析
Q1	(C)	Claude 是由 Anthropic 開發的 LLM，特色是超長的上下文視窗（Context Window，最高達 200K Token），擅長長文件分析、法律文書、程式碼庫審閱。ChatGPT = OpenAI，Gemini = Google，Llama = Meta。
Q2	(B)	現代主流圖像生成 AI（DALL-E、Midjourney、Stable Diffusion）的技術核心都是擴散模型（Diffusion Model），原理是從一張隨機噪音圖出發，AI 逐步「去噪」，經過多次迭代後還原出清晰圖像。
Q3	(D)	Whisper 是 OpenAI 開源的語音辨識（STT，Speech-to-Text）模型，支援多語言，準確率高。ElevenLabs 是 TTS（文字轉語音）+ 聲音克隆工具，Suno 和 AIVA 是音樂生成工具，方向完全不同。
Q4	(C)	Adobe Firefly 的最大優勢是：訓練資料來源明確合法（Adobe Stock + 公有授權素材），商業使用的版權問題最清晰；同時深度整合 Photoshop，適合設計師工作流。Midjourney 版權爭議多，Stable Diffusion 需自架，DALL-E 也有一定版權爭議。
Q5	(B)	Harvey AI 是法律科技領域最知名的 GenAI 工具，專注於合約審閱、法律文件分析、判決書摘要和法律研究。Bloomberg GPT 是金融領域，Med-PaLM 2 是醫療領域，GitHub Copilot 是程式碼生成，三者與法律無關。