---
title: "生成式預訓練模型（GPT）"
slug: gpt
language: zh-TW
source: https://aiterms.tw/terms/gpt
updated_at: 2026-04-29
tags: [大型語言模型, 生成式AI, 自然語言處理, 深度學習, 模型訓練]
ipas_term: false
---

# 生成式預訓練模型（GPT）

> **你有沒有打幾句話，就讓 AI 幫你寫出一整段內容？**
>
> 你可以把 GPT 想成先看過很多文字，再學會接著寫下去的模型。
> 它不是先背答案，而是先學語言規律，再把這些規律拿來生成、改寫、摘要和對話，所以很適合處理文字工作。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **GPT vs BERT vs 大型語言模型**
> GPT 偏生成，適合往下寫和對話
> BERT 偏理解，適合分類和抽取
> 大型語言模型是總稱，GPT 只是其中一種
>
> **預訓練 vs 微調**
> 預訓練先學通用語言規律
> 微調再把模型拉向特定任務
> 最關鍵的區別是學通用能力還是學專門行為
>
### 記住這句就好

> 先學通用語言，再學怎麼回答你的問題。

### 實際案例

> **客服自動回覆**
> 電商把 GPT 接到客服系統，先處理物流、退貨、帳號等固定問題，再把複雜案件轉人工，人工負擔就會明顯下降。
>
> **寫作和摘要**
> 學生拿 GPT 幫忙整理長文、改寫成白話，或把會議記錄壓成重點，省下的是整理時間，不是思考本身。
>
### 深入了解

> GPT 的核心是自回歸生成，前面的文字會影響下一個詞的機率分佈。
> 它的能力來自資料夠大、模型夠大、訓練夠穩，實務上還會受提示、成本和安全性影響。

### 情境判斷

> **Q1：** 你想把一段中文翻成英文，應該用 GPT 還是 BERT？
> → 用 GPT。翻譯需要生成目標語言的句子，GPT 的生成架構比較合適。
>
> **Q2：** 公司想用 GPT 摘要法律文件，但怕它亂編法條，應該怎麼做？
> → 搭配 RAG 和人工審核，不要只靠模型記憶回答。
>
### 常見問題

> **Q：GPT 真的理解語言嗎？**
> 它能抓到大量語言模式，但是否算真正理解，學界仍有爭論。
>
> **Q：訓練 GPT 很貴嗎？**
> 很貴，因為需要大量資料和算力，所以多數團隊會用現成模型再做微調。
>
> **Q：GPT 生成的內容有版權嗎？**
> 各國規定還不一致，通常要看是否有人類實質創作參與。
>
### 相關術語

> - **大型語言模型**：先看清 GPT 所屬的大類，再理解它和其他模型的差別
> - **轉換器架構**：GPT 的底層架構，理解它才能看懂生成機制
> - **微調**：把通用模型變成專用工具時最常用的方法
> - **提示工程**：不用改模型也能把 GPT 用好的實務技能
> - **AI 幻覺**：先認識 GPT 的主要風險，才知道怎麼補救

---

來源：https://aiterms.tw/terms/gpt
快查頁：https://aiterms.tw/terms/gpt
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-gpt