從模型、系統到應用：生成式 AI 的三層概念

1. 論文結構

本文首先從數學原理出發，區分生成式與判別式模型的本質差異，隨後建立由模型（Model）、系統（System）到應用（Application）的三層架構，系統性地梳理生成式 AI 的技術演進。接著，文章切入社會技術系統（Socio-technical View）視角，探討人機協作模式從「委任」轉向「共創」的質變，最後識別當前技術限制並為資訊系統（IS）領域提出研究議程。

2. 研究背景

生成式 AI（Generative AI）的爆發式成長正重新定義知識工作與創意產出的邊界。過去認為僅人類具備的創造性任務（如寫作、設計、編程），正透過深度神經網路以難以區分的方式被自動化。隨著 GPT-4 與 Copilot 等工具的普及，這項技術預計將顯著提升全球 GDP 並影響數億個職位，因此亟需從商務與資訊系統工程（BISE）的角度，對其帶來的社會技術變革進行嚴謹的學理建構。

3. 研究缺口

現有的生成式 AI 文獻多聚焦於特定演算法（如語言模型）或特定應用領域（如行銷、教育），缺乏一個能整合數學原理、技術基礎設施與組織應用的統一概念框架。此外，既有的資訊系統研究對於人機互動的理解多停留在單向的自動化或輔助決策，未能充分捕捉生成式 AI 作為具備主動性（Agentic）技術人工製品所觸發的協同演化特徵。

4. 研究目的

本文旨在透過多層次的視角對生成式 AI 進行概念化，釐清模型層、系統層與應用層的互動邏輯。具體目標包含：解釋生成式建模的數學基礎、定義各類技術架構（如 Transformer、Diffusion）、探討人機共創下的社會技術變遷，並為 BISE 社群標定具備學術影響力的研究方向。

5. 核心理論

本文採用社會技術系統（Socio-technical Systems）理論與 IT 代理（IT Agency）觀點。核心假設在於：生成式 AI 不僅是分析工具，更是具備高度自主性的「代理型人工製品」。它透過與人類的持續對話（Prompting），將傳統的「委任（Delegation）」層級打破，演變為一種「共創（Co-creation）」模式。在此框架下，混合智慧（Hybrid Intelligence）的定義不再僅是分工，而是人類直覺與機器生成能力的深度融合與互補。

6. 文獻回顧

傳統 AI 研究多聚焦於區分數據類別的判別式模型，側重於學習決策邊界以進行分類或預測（Ng and Jordan 2001），而生成式模型則透過推論數據的聯合概率分布，賦予系統創造全新樣本的能力。隨着 Transformer 架構與強化學習（RLHF）的技術整合，生成式 AI 演進為具備突現性（Emergence）與同質化（Homogenization）特徵的基礎模型（Foundation Models），使技術屬性從單純的序列處理轉向具備創造力的智能代理。這種演進不僅打破了過去認為藝術創作僅限於人類的假設，也促使資訊系統領域必須從社會技術系統的視角，重新審視人機協作中的代理性權力分配與內容生成邊界，進而推導出本文對模型、系統與應用層級的結構化概念框架。

7. 研究命題與假設

本文為概念型論文，未設置實證假設，但提出了一系列學理命題：生成式 AI 的價值實現取決於從基礎模型、系統接口到具體業務應用的有效鏈接；其效能提升不僅來自計算規模，更源於人機共創模式對傳統決策層級的重構；且技術的侷限性（如幻覺、時效限制）將決定其在組織中被採納與信任的軌跡。

8. 研究架構

研究框架將生成式 AI 拆解為三大組成維度：1. 模型層（核心算法如 GANs、LLMs）；2. 系統層（包含數據處理、用戶界面與擴展功能如內容檢索）；3. 應用層（具體業務問題的解決方案）。這三層結構嵌入在社會技術環路中，透過人機之間的 Prompt 交互與回饋機制，驅動從單純分析到主動生成的跨度，最終達成組織層級的創新與效率提升。

9. 研究方法

本文為概念性評述研究（Catchword article），採納歸納式合成法對生成式 AI 進行結構化定義。研究透過提取 2023 年前主流技術（如 GPT-4、Stable Diffusion、AlphaCode）的技術特徵，並對照數學原理（如 $P(X, Y)$ 分布推論）與訓練機制（如 GANs、RLHF、擴散模型），建立了一個包含模型層、系統層與應用層的三維分析架構。文中亦結合行業報告與學術文獻，對技術在商業與資訊系統工程（BISE）領域的潛在衝擊進行了定性分類。

10. 資料分析與結果

分析路徑側重於生成機制與數據模態的比較，指出生成式模型相較於判別式模型在數學邏輯上的根本轉型。研究發現，RLHF 機制成功將人類偏好嵌入模型輸出，解決了生成內容的對齊問題。透過對不同應用案例（如 SEO 內容、代碼生成、蛋白質建模）的歸納分析，支持了生成式 AI 具備「代理性 IT 人工製品」特徵的觀點。分析結果強調，雖然生成式 AI 能提升組織效能，但其價值實現仍受限於訓練數據的截斷點、內容幻覺以及技術在組織內部的採納軌跡。

11. 研究發現

研究發現，生成式 AI 正促成從「分析型 AI」向「生成型 AI」的典範轉移，使 AI 具備了以往認為僅人類擁有的共創能力。基礎模型表現出「突現」特性，能處理未經明確訓練的任務。然而，技術上仍面臨「幻覺（Hallucinations）」、訓練數據截止期（Cut-off dates）及智慧財產權爭議等關鍵侷限，這些因素將顯著影響其在法律、醫療等高風險領域的應用可行性。

12. 理論與實務意涵

理論貢獻在於將生成式 AI 重新定義為社會技術系統中的「共創代理人」，擴展了混合智慧與 IT 代理的學理範疇。實務貢獻則在於為企業提供了模型、系統、應用的層級管理框架，提醒管理者在追求生成效率的同時，需建立校準過的信任機制並管理技術伴隨的倫理與法律風險。

13. 研究限制與未來研究

受限於 Catchword 的評論性質，本文未能提供大規模的量化實證來驗證共創模式對工作產出的具體因果影響。未來研究應深入探討生成式 AI 在不同組織文化下的採納差異，以及長期的「人機共生」如何重塑人類專家的知識結構與技能演進。