第 1 章 大型語言模型：展現 AI 實力
1.1 ChatGPT 與大型語言模型的崛起
1.2 自然語言處理的起源與演進
1.2.1 統計模型與機器學習的引入
1.2.2 神經網路與深度學習的崛起
1.3 大型語言模型（LLM）的誕生
1.3.1 注意力機制的誕生與應用
1.3.2 Transformer 架構帶來突破
1.3.3 從 Transformer 到 GPT
1.3.4 NLP 發展的重要時間點
1.4 LLMs 有哪些應用？
1.4.1 語言建模
1.4.2 程式碼生成
1.4.3 內容生成
1.4.4 邏輯推理
1.4.5 其它各種應用
1.5 LLMs 有哪些不足之處？
1.5.1 訓練資料與偏見
1.5.2 控制 LLMs 輸出正確性的困難
1.5.3 LLMs 的永續性
1.6 重要 LLM 的發展歷程
1.6.1 OpenAI 的 ChatGPT
1.6.2 Google 的 Bard / LaMDA / PaLM / Gemini
1.6.3 微軟的 Bing AI / Copilot
1.6.4 Meta 的 LLaMA 與史丹佛的 Alpaca
1.6.5 橫空出世的 DeepSeek
1.7 總結
第 2 章 訓練大型語言模型（LLMs）
2.1 如何訓練 LLMs
2.1.1 從開放網路搜集資料
2.1.2 認識自迴歸模型與雙向模型
2.1.3 微調 LLMs
2.2 出人意料的 LLMs 突現特性
2.2.1 LLMs 的零樣本與少樣本學習能力
2.2.2 突現現象：是錯覺還是新能力？
2.3 大量訓練資料背後的難題
2.3.1 把偏見編碼進模型中
2.3.2 敏感資料
2.4 總結
第 3 章 LLMs 的隱私風險與法規應對
3.1 改善 LLMs 生成結果安全性的方法
3.1.1 後處理偵測
3.1.2 內容過濾、條件式預訓練
3.1.3 基於人類回饋的強化式學習（RLHF）
3.1.4 基於 AI 回饋的強化式學習（RLAIF）
3.2 使用者隱私與商用風險
3.2.1 無意間造成的資訊洩漏
3.2.2 與聊天機器人互動的建議
3.3 資料保護的政策與法規
3.3.1 國際標準與資料保護法
3.3.2 聊天機器人符合 GDPR 嗎？
3.3.3 美國校園中的隱私權管制
3.3.4 企業政策
3.4 總結
第 4 章 合成媒體創作與著作權爭議
4.1 深偽技術與合成媒體的崛起
4.1.1 創造合成媒體的常用技術
4.1.2 合成媒體的功與過
4.1.3 合成媒體的偵測技術與應對策略
4.2 以生成式 AI 翻轉創作過程
4.2.1 行銷上的應用
4.2.2 藝術創作
4.3 LLM 時代的著作權與訴訟案件
4.3.1 合理使用的概念與四大要素
4.3.2 LLM 企業面臨的法律訴訟
4.3.3 網路資料的使用與授權
4.4 總結
第5 章 LLMs 的濫用與對抗式攻擊
5.1 資訊安全與社交工程
5.1.1 生成式 AI 的雙面性
5.1.2 魚叉式釣魚攻擊的進化
5.1.3 ChatGPT 對釣魚與惡意程式的影響
5.1.4 程式碼即服務的資安威脅
5.1.5 資料下毒：模型訓練的隱藏威脅
5.1.6 提示詞注入與越獄攻擊
5.1.7 面對生成式 AI 威脅的解決之道
5.2 資訊失序：對抗性敘事
5.2.1 認知作戰的範疇與定義
5.2.2 生成式AI 的潛在濫用
5.2.3 深偽技術與政治戰
5.2.4 對抗性敘事的監管挑戰
5.2.5 建立全球性對策機構
5.3 政治偏見與競選活動
5.3.1 聊天機器人的政治立場
5.3.2 偏見的來源與中立挑戰
5.3.3 LLMs 對選舉的潛在影響
5.3.4 馬斯克對 AI 的批評與探索
5.4 AI 幻覺的成因與改善方法
5.4.1 LLMs 的運作方法所導致
5.4.2 知識圖譜與 LLMs 內隱知識
5.4.3 改善幻覺的策略
5.5 專業領域中的濫用
5.5.1 律師濫用的案例
5.5.2 賺錢建議的魅力與濫用隱憂
5.5.3 醫療領域的成就與局限
5.5.4 投資顧問的挑戰與監管問題
5.5.5 生成式 AI 的倫理與責任
5.5.6 使用者與開發者的共同責任
5.6 總結
第 6 章 善用 AI 工具提高生產力
6.1 在醫療、法律、金融等專業領域中運用
6.1.1 協助醫師處理行政作業、提高與病人互動品質
6.1.2 在法律案件研究、證據開示和文書上的應用
6.1.3 為金融投資與銀行客服加持
6.1.4 與 LLMs 共同創作
6.2 AI 程式設計輔助工具
6.2.1 自動撰寫程式碼說明
6.2.2 自動撰寫正規表達式
6.2.3 AI 程式助手 vs. 程式討論平台
6.3 工作與生活中的應用
6.3.1 學習方式的改變
6.3.2 重新定義購物體驗
6.3.3 AI 代理能與環境互動並靈活調整
6.3.4 代理化 LLMs：拓展 AI 的應用潛力
6.3.5 善用聊天機器人設計個人化計畫
6.3.6 從行政工作到未來內容生態的變革
6.4 生成式 AI 在教育中的足跡
6.4.1 教育工作者對 ChatGPT 的正反面態度
6.4.2 引入 AI 科技對學習的好處
6.5 偵測 AI 生成文本
6.5.1 離群值偵測技術
6.5.2 用 DetectGPT 檢測機率曲率
6.5.3 分類器偵測技術
6.5.4 文字浮水印技術
6.6 LLM 對工作和經濟的影響
6.6.1 正面的觀點
6.6.2 負面的觀點
6.6.3 生成式 AI 對就業的影響
6.7 總結
第 7 章 與聊天機器人建立人機連結
7.1 以社交互動為目的的聊天機器人
7.1.1 從情感陪伴到倫理爭議
7.1.2 人機情感連結的商業化應用
7.2 向聊天機器人尋求陪伴的原因
7.2.1 孤獨流行病
7.2.2 情感依附理論與聊天機器人
7.3 人機關係的好與壞
7.3.1 基於規則 AI 聊天機器人的優勢
7.3.2 從社會滲透論看人機關係
7.3.3 人機關係的商業化與社會影響
7.3.4 性別觀念影響對話式 AI 技術開發
7.4 探索與聊天機器人良性互動之道
7.4.1 避免一味追求互動的榨取式科技、欺騙性設計
7.4.2 朝負責任科技方向轉型
7.4.3 Character.AI 平台的用戶行為
7.4.4 開發商的道德責任與技術手段
7.5 總結
第 8 章 生成式 AI 的未來發展與監管方向
8.1 自然語言成為與電腦溝通的介面
8.2 AI Agents（代理）將解鎖更多可能性
8.3 客製化個人助理
8.4 從倫理角度看 AI 監管
8.4.1 北美的監管狀況
8.4.2 歐盟的監管狀況
8.4.3 中國的監管狀況
8.4.4 企業自律
8.5 邁向全球 AI 治理架構
8.6 總結
第 9 章 拓展視野：AGI、AI 意識、環境影響、開源 LLM
9.1 通用人工智慧 AGI
9.1.1 AGI 是什麼？
9.1.2 山姆．阿特曼對 AGI 的願景
9.1.3 優生學、超人類主義、後人類
9.1.4 長期主義對 AGI 的憂慮
9.2 AI 的感知與意識
9.2.1 感知與意識是什麼？
9.2.2 意識從哪裡產生？
9.2.3 意識思考與後設認知
9.2.4 AI 意識的研究持續進行
9.3 LLM 對環境的影響
9.3.1 從硬體生產到運算需求的全面影響
9.3.2 生成式 AI 的環境成本與碳足跡報告
9.4 改變 LLM 生態的開源社群
9.4.1 LlaMA 洩漏權重，促進開源 LLM 快速發展
9.4.2 DeepSeek-R1 權重開源，打破美國技術壟斷
9.4.3 開源與封閉 LLM 的優缺點
9.4.4 如何為開源社群盡一份心力
9.5 總結
| FindBook |
|
有 1 項符合
dhamani的圖書 |
 |
$ 493 ～ 551 | 生成式 AI 入門 – 揭開 LLM 潘朵拉的秘密 : 語言建模、訓練微調、隱私風險、合成媒體、認知作戰、社交工程、人機關係、AI Agent、OpenAI、DeepSeek
作者：Numa Dhamani、Maggie Engler ／ 譯者：黃駿 出版社：旗標科技股份有限公司 出版日期：2025-02-21 語言：繁體書  共 2 筆 → 查價格、看圖書介紹
|
|
|
圖書介紹 - 資料來源：TAAZE 讀冊生活 評分：
圖書名稱：生成式 AI 入門 – 揭開 LLM 潘朵拉的秘密 : 語言建模、訓練微調、隱私風險、合成媒體、認知作戰、社交工程、人機關係、AI Agent、OpenAI、DeepSeek
【掌握生成式 AI 與 LLM 的發展與應用】
近年來，AI 已經成為社會關注的焦點，幾乎所有人都在討論它的強大影響力！生成式 AI、LLM、ChatGPT、OpenAI、Copilot、Gemini、DeepSeek… 這些科技術語鋪天蓋地而來，甚至美國各大企業相繼大規模裁員，顯然大事發生了，但究竟怎麼一回事？又是如何改變我們的世界？在這場生成式 AI 熱潮與搶購 NVIDIA（輝達） GPU 的 AI 軍備競賽中，我們亟需一本能夠深入淺出解釋複雜概念的書籍，幫助讀者理性認識這場技術革命的全貌。
本書不需要數學基礎，也不用具備程式設計或人工智慧的知識。只要你對生成式 AI 如何影響世界感興趣，本書就是你進入這個領域的最佳指引。我們將解析大型語言模型（LLM）的運作原理，探索 LLM 如何塑造科技產業的未來，並剖析生成式 AI 在社會、經濟、法律與政治各領域帶來的機遇與風險。
【全方位認清楚生成式 AI 的問題與爭議】
你將學習如何在日常生活與工作中有效應用生成式 AI，同時也會了解其安全性與倫理挑戰，例如資料安全與隱私問題、合成媒體與著作權爭議、LLM 的偏見來源、人機關係帶起的孤獨流行病等當前重要議題。此外，還會談到即將到來的 AI Agent，以及將通用人工智慧（AGI）、優生學及超人類主義連結，藉由科技將人類進化為後人類的未來議題（雖然看起來科幻，但確實是有計畫地進行中）。
生成式 AI 在認知作戰與惡意應用方面，包括深偽技術濫用以及詐騙成本降低，也對社會帶來重大的影響。此外，將藝術家、設計師、漫畫家、攝影師作品，以及程式碼與書籍內容等，在未經授權之下被用於訓練生成式模型，這一連串訴訟以及 "合理使用" 的範圍到底包括哪些的爭議，我們都會依據最新發展做分析。
對於 LLM 與生成式 AI，許多人往往一開始就一頭栽進技術細節。而本書希望讓你站在制高點俯視這一切，幫助你建立對生成式 AI 的全面性理解，成為宏觀的理性思考者。因為，生成式 AI 不僅是一場技術革命，更是一場深刻影響未來的變革，而我們正參與其中。
本書特色:
●解析大型語言模型 LLM 的運作原理
●AI 軍備競賽下的大型語言模型發展
●將生成式 AI 融入工作與日常生活中
●在創新應用中兼顧安全性與倫理責任
●資料安全與隱私保護的政策與法規
●生成式媒體的應用範圍與著作權爭議
●聊天機器人偏見、群眾外包的心理創傷
●探索與聊天機器人良性互動之道
●北美、歐盟、中國對 AI 的監管狀況
●AGI、AI 的感知與意識、超人類主義、後人類
●LLM 生命週期對環境帶來的影響以及碳權問題
●LLM 開源或權重開源對社群帶來的影響
作者簡介：
[作者 1]
Numa Dhamani 是一位工程師兼研究員，工作橫跨科技與社會領域。她是自然語言處理的專家，主攻認知戰以及安全隱私議題。Numa 曾為財富 500 強企業、社群媒體平台、新創公司，以及非營利組織開發過機器學習系統，並向多家公司及組織提供諮詢服務。其亦擔任美國國防部研究計畫的首席研究員，並在多個國際同儕審查期刊上發表過文章。她也積極關注科技政策領域，支持智庫和非營利組織進行資料和AI 治理工作。在打擊網路不實資訊方面的成果曾被包括《紐約時報》和《華盛頓郵報》等多家媒體報導。Numa 對打造健康網路環境及建立負責任 AI 充滿熱情，並大力推動科技界的資訊透明與究責。她擁有德州大學奧斯汀分校物理與化學雙學位。
[作者 2]
Maggie Engler 是一位工程師兼研究員，目前致力於 LLM 的安全性研究。她專注於將資料科學與機器學習應用在對抗網路濫用行為上，也是一位資安及信任領域專家。Maggie 曾為偵測惡意軟體與詐欺、內容審核，以及風險評估建立過機器學習系統。她曾為新創公司與非營利組織提供資料基礎設施和隱私方面的諮詢，並為創投公司進行技術盡職調查。她也是一位富有熱忱的教育溝通者，在德州大學奧斯汀分校的資訊學院擔任兼職講師。她對科技政策的投入極深，同時也與公民團體合作，共同推行負責任 AI 與資料治理。她擁有史丹佛大學電機工程學士和碩士學位。
[譯者]
黃駿 於國立臺灣大學腦與心智科學研究所碩士班畢業後，曾擔任過行銷、產品設計等工作。有 Java 與 Python 程式語言基礎，對於科學與科技議題抱有高度興趣，隨後投入翻譯工作，目前譯有《無限的力量》《深度強化式學習》《深度學習的 16 堂課》《核心開發者親授！PyTorch 深度學習攻略》《Excel 儀表板與圖表設計 + Power BI 資料處理》《AI 必須！從做中學貝氏統計》《簡約的體開發思維》等，同時經營自己的英文部落格：Neurozo Innovation Blog。
目錄
第 1 章 大型語言模型：展現 AI 實力
1.1 ChatGPT 與大型語言模型的崛起
1.2 自然語言處理的起源與演進
1.2.1 統計模型與機器學習的引入
1.2.2 神經網路與深度學習的崛起
1.3 大型語言模型（LLM）的誕生
1.3.1 注意力機制的誕生與應用
1.3.2 Transformer 架構帶來突破
1.3.3 從 Transformer 到 GPT
1.3.4 NLP 發展的重要時間點
1.4 LLMs 有哪些應用？
1.4.1 語言建模
1.4.2 程式碼生成
1.4.3 內容生成
1.4.4 邏輯推理
1.4.5 其它各種應用
1.5 LLMs 有哪些不足之處？
1.5.1 訓練資料與偏見
1.5.2 控制 LLMs 輸出正確性...
1.1 ChatGPT 與大型語言模型的崛起
1.2 自然語言處理的起源與演進
1.2.1 統計模型與機器學習的引入
1.2.2 神經網路與深度學習的崛起
1.3 大型語言模型（LLM）的誕生
1.3.1 注意力機制的誕生與應用
1.3.2 Transformer 架構帶來突破
1.3.3 從 Transformer 到 GPT
1.3.4 NLP 發展的重要時間點
1.4 LLMs 有哪些應用？
1.4.1 語言建模
1.4.2 程式碼生成
1.4.3 內容生成
1.4.4 邏輯推理
1.4.5 其它各種應用
1.5 LLMs 有哪些不足之處？
1.5.1 訓練資料與偏見
1.5.2 控制 LLMs 輸出正確性...
顯示全部內容
|
