13. 下列何者不是生成式 AI 核心技術？
(A) Variational Autoencoders(VAE)
(B) Generative Adversarial Networks(GAN)
(C) Visual Geometry Group(VGG)
(D) Autoregressive Models(AR Model)

這題的正確答案是：

(C) Visual Geometry Group (VGG)

專業解析

作為 AI 規劃師，我們必須精確區分模型的「運作機制」與「核心用途」。這題的關鍵在於分辨該技術是為了「辨識資料」還是「創造資料」。

1. 為什麼 (C) VGG 不是生成式 AI？

• 本質分類： VGG（Visual Geometry Group）是一種經典且深層的 卷積神經網絡 (CNN) 架構。

• 核心功能： 它的設計目的是進行 「圖像分類 (Image Classification)」。

• 運作流程： VGG 接收一張圖片作為輸入，經過層層卷積運算提取特徵，最後輸出該圖片屬於哪一類（例如：貓、狗、車）的機率。它是一個典型的「判別式模型 (Discriminative Model)」，只能讀取現有資訊，無法從無到有生成新圖片。

2. 為什麼其他選項是生成式 AI 的核心？ 其他三個選項都是現代生成式 AI 賴以運作的三大支柱技術：

• (A) Variational Autoencoders (VAE，變分自編碼器)：

  • 透過將資料壓縮成「潛在空間 (Latent Space)」的分佈，再從中隨機採樣並解碼，從而生成出與原始資料相似但不完全相同的新樣本。

• (B) Generative Adversarial Networks (GAN，生成對抗網路)：

  • 由「生成器」與「判別器」相互競爭。生成器學習製造假資料來騙過判別器，最終達到生成逼真數據的能力。

• (D) Autoregressive Models (AR Model，自回歸模型)：

  • 這是文字生成（如 GPT 系列）與部分圖像生成的核心。它的原理是根據前面的序列資訊，預測並生成下一個字或像素，透過不斷接龍來完成創作。

規劃師觀點：VGG 在現代架構中的角色

雖然 VGG 本身不具備生成能力，但在 AI 專案規劃中，我們常將它作為「輔助工具」整合進生成式流程中。例如在「風格轉換 (Style Transfer)」或「超解析度 (Super Resolution)」的任務裡，我們會利用預訓練好的 VGG 模型來擔任「評審」，計算生成圖片與目標圖片在特徵上的差異（Perceptual Loss），藉此指導生成模型產出更自然的結果。