機器學習、深度學習、生成式 AI 一次搞懂（含對照表）
機器學習、深度學習、生成式 AI 到底有什麼差別？本文用白話和圖表說明三者的包含關係、定義與應用例子，附上資料需求、可解釋性與應用場景的完整對照表，幫助備考 iPAS AI 應用規劃師的讀者一次釐清 AI 術語，打好概念基礎。
「機器學習跟深度學習有什麼不同？」「生成式 AI 是一種機器學習嗎？」
這三個詞常常被混用，卻代表 AI 發展史上三個不同層次的概念。搞懂它們的關係，是理解現代 AI 技術最重要的一步，也是 iPAS AI 應用規劃師考試的核心考點。
三者的包含關係
先把結論說清楚：這三者是包含關係，不是並列關係。
- 人工智慧（AI） 是最大的概念，泛指讓機器模擬人類智慧行為的一切技術
- 機器學習（ML） 是 AI 的子集，讓電腦從資料中自動學習規律，不需要人工逐條編寫規則
- 深度學習（DL） 是 ML 的子集，使用多層神經網路來學習複雜的特徵
- 生成式 AI 是以深度學習為基礎，專門用來產生新內容（文字、圖片、音訊等）的技術
各自的定義與例子
機器學習（Machine Learning）
讓程式從「已知數據」中學習規律，並對「未知數據」做出預測或分類。
例子：
- 電子郵件垃圾信過濾：系統學習「這類內容特徵 = 垃圾信」
- 貸款風險評分：從歷史還款記錄預測違約機率
- 電商推薦系統：根據購買歷史推測下一個可能喜歡的商品
機器學習包含多種演算法：決策樹、隨機森林、支援向量機（SVM）、K-近鄰等，這些都屬於「傳統機器學習」。
深度學習（Deep Learning）
深度學習是機器學習的一種，核心是多層神經網路（Deep Neural Network）。「深」指的是網路的「層數多」，讓模型可以自動學習從原始資料到高階特徵的複雜映射。
例子：
- 圖像辨識：讓系統辨識照片裡是貓還是狗
- 語音辨識：將語音轉換成文字（ASR）
- 醫療影像分析：從 X 光片偵測異常
深度學習最大的優勢是不需要人工設計特徵（feature engineering），模型會自己從大量數據中找出規律。但代價是：需要大量資料和運算資源。
生成式 AI（Generative AI）
生成式 AI 是近年最火熱的技術，它的目標不只是「分類」或「預測」，而是創造出新的內容。背後通常是大型語言模型（LLM）、擴散模型（Diffusion Model）等深度學習架構。
例子：
- ChatGPT、Claude：根據你的提問生成完整回答
- Midjourney、DALL-E：根據文字描述生成圖片
- GitHub Copilot：根據上下文自動補全程式碼
- 語音複製、影片生成
想深入了解大型語言模型的運作原理，可以參考 什麼是 LLM？大型語言模型完整解析。
三者完整對照表
| 比較維度 | 機器學習（ML） | 深度學習（DL） | 生成式 AI |
|---|---|---|---|
| 資料需求 | 中等（數千至數萬筆） | 大量（數十萬至百萬筆） | 極大量（數十億至兆級 token） |
| 運算資源 | 一般 CPU 可跑 | 需要 GPU | 需要大規模 GPU/TPU 叢集 |
| 可解釋性 | 較高（部分演算法可解釋） | 低（黑箱問題） | 極低（高度黑箱） |
| 輸出形式 | 分類標籤 / 數值 | 分類標籤 / 特徵向量 | 文字、圖片、音訊等新內容 |
| 主要任務 | 預測、分類、聚類 | 圖像辨識、語音處理 | 對話、創作、摘要、翻譯 |
| 代表技術 | 決策樹、SVM、XGBoost | CNN、RNN、Transformer | GPT、Llama、Stable Diffusion |
| 訓練成本 | 低 | 中至高 | 極高 |
應用場景分布
現階段各類 AI 技術在企業應用中的分布，以下圖表為概念示意（非實際統計）。根據 Databricks 2024 年的《State of Data + AI》報告（涵蓋逾 10,000 家客戶），生成式 AI 企業採用率已從 2023 年的 55% 攀升至 2024 年的 75%；自然語言處理（NLP）為企業資料科學與機器學習應用的第一大類別。
傳統機器學習（如 XGBoost 做風險預測、推薦系統）仍是許多企業的主力，但生成式 AI 的比重正在快速攀升。
資料量與模型能力的關係
深度學習和生成式 AI 有一個關鍵特性：資料越多，模型越強（Scaling Law）。這一現象已有大量學術研究支撐，包括 Kaplan et al. (2020) 在 arXiv 發表的《Scaling Laws for Neural Language Models》，以及 Hoffmann et al. (2022) 的 Chinchilla 研究，均指出損失（loss）隨資料量與參數規模按冪次律下降。
傳統機器學習在資料超過某個量之後，效果提升就趨於平緩；但深度學習模型在資料量持續增加時，能力可以持續上升。
上圖為概念示意（非實際統計）。實際 Scaling Law 研究中，模型效能依「損失下降幅度」衡量，且受模型架構、資料品質等多重因素影響，曲線形狀因任務而異。這也解釋了為什麼 GPT 等大型語言模型需要爬取整個網際網路的資料來訓練：模型的能力邊界直接受資料規模決定。
考試重點整理
準備 iPAS 考試時，這三者的常見考法是：
- 定義辨析：某個技術是屬於哪個層次？（例：Transformer 屬於深度學習）
- 應用場景判斷：給一個企業需求，判斷適合用 ML 還是深度學習還是生成式 AI
- 優缺點比較：可解釋性、資料需求、成本等面向的比較
把上面的對照表背熟，這類型的題目基本上都能應對。
這三個概念弄清楚之後，接下來可以進一步了解生成式 AI 的核心技術 LLM，詳見 什麼是 LLM？，或是回到 iPAS AI 考試全覽 繼續備考規劃。
想開始練習相關考古題？免費開始，CertFlow 針對 AI 概念題型設計了分類練習模式，幫你把每個觀念都考到位。
參考來源
- Neural scaling law — Wikipedia
- Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361
- Hoffmann, J. et al. (2022). Training Compute-Optimal Large Language Models (Chinchilla). arXiv:2203.15556
- Databricks (2024). State of Data + AI Report. databricks.com
圖表為概念示意（非實際統計）。Scaling Law 研究中的效能指標為模型損失（loss），與圖中「效能 %」表示方式不同，請以文字說明為主要參考。