# 0610-01-生成式AI的發展與應用-廖世偉教授
# AI生成重點摘要

### 1️⃣ AI Trilogy

- 由三大核心構成：
- **Foundation（Trustworthy AI）**：專注AI的合法性、倫理性及社會穩健性。
- **Manufacturing（System AI）**：從IDC到ADC的AI資料中心架構演進。
- **Application（Agentic AI）**：結合LLM、大模型與自主代理，推動AI應用落地。
- 強調以**案例驅動學習**（如Cambridge Analytica、IDC Frontier、Agentic Crypto）來警示AI風險與挑戰。

---

### 2️⃣ 同態加密（FHE）及相關隱私保護

- **FHE（Fully Homomorphic Encryption）**：允許在加密資料上直接執行任意計算（加、減、乘、除）。
- **技術分類**：
- **PHE**：單一運算（加法或乘法）。
- **SHE**：支援有限次的同類運算。
- **FHE**：支援任意運算，具備最高安全性。
- **應用**：
- eKYC（跨機構加密身份驗證）
- 雲端AI運算、醫療、金融、物聯網隱私分析
- **挑戰**：
- 運算資源消耗大、金鑰管理複雜。
- 結合TFHE、ONNX模型與量化技術提升效能。
- **延伸技術**：零知識證明（zk）、多方計算（MPC），支援安全資料共享及跨域協作。

---

### 3️⃣ Trustworthy AI（可信賴的AI）

- **核心原則**（歐盟AI倫理準則）：
- 法律遵循（Lawfulness）
- 倫理責任（Ethics）
- 技術穩健性（Robustness）
- **子原則**：可解釋性、問責、公平性、透明度、隱私與安全。
- **挑戰案例**：
- Cambridge Analytica（社群數據濫用）
- Amazon AI招聘偏見
- Google Gorilla（影像分類錯誤）
- **重點**：
- AI模型需全生命週期內都符合上述標準。

---

### 4️⃣ system AI: IDC to ADC

- **IDC（Internet Data Center）**：傳統以網路和儲存為主的資料中心。
- **ADC（AI Data Center）**：
- 專注於AI大模型的高效運算需求，強調GPU/TPU的運算能力。
- 特點：高速網路、液態冷卻、綠能。
- 案例：阿里雲（中國）、IDC Frontier（日本）、Stargate（美國）。
- **挑戰**：能源消耗、設備成本及運算安全。

---

### 5️⃣ GLOBAL AI data centers

- 全球主要AI資料中心運算能力（EFLOPS等級）：
- 阿里雲（中國）12 EFLOPS
- Google Cloud（美國）9 EFLOPS
- xAI（美國）1.8 EFLOPS
- Stargate（美國）21.6 EFLOPS（預計2026）
- **設備**：大量採用NVIDIA H100/GB200等GPU。
- **特色**：
- 強調綠能部署與液態冷卻。
- 支援大型語言模型及多模態AI訓練。
- **趨勢**：生成式AI與多代理AI（MAS）需求推動資料中心持續擴張。

---

### 6️⃣ LLM (THE ROAD TO LARGE LANGUAGE MODEL)

- **定義**：透過Transformer架構的語言模型，具備上下文推理及語言生成能力。
- **技術演進**：
- Prompt Engineering（Zero-shot、Few-shot、Chain-of-Thought）
- LangChain（多步推理及工具結合）
- **應用**：
- ChatGPT、Google Gemini等大模型。
- 迷因生成、AI DAO、跨域應用。
- **挑戰**：
- 大模型需龐大計算資源與資料隱私保護（結合FHE、zk等）。

---

### 7️⃣ GPT

- **GPT（Generative Pre-trained Transformer）**：
- 透過大規模資料訓練，具備語言生成及多步推理能力。
- 架構：Transformer（Self-Attention機制、Position Encoding）。
- **應用**：
- 對話生成、程式碼生成、情感分析、Agentic AI。
- GPT-3.5、GPT-4等版本持續演進，結合多模態能力。
- **趨勢**：
- 結合記憶模組、工具介面與自治代理，推動多代理系統（MAS）發展。

---

### 8️⃣ MACHINE LEARNING

- **定義**：AI子領域，透過資料驅動的模型訓練進行模式辨識與預測。
- **範疇**：
- 監督式學習、非監督式學習、強化學習。
- 深度學習（MLP、CNN、RNN等架構）支援影像、語音、文本多模態分析。
- **挑戰**：
- 資料量需求大、運算資源消耗、模型過擬合、解釋性問題。
- **應用**：
- AI訓練推論、智慧製造、醫療分析、語音與影像辨識。
- **工具**：
- Python、TensorFlow、PyTorch、ONNX等。

---

## 🌟 總結

- AI發展呈現從資料治理（Trustworthy AI）、運算基礎（System AI）到應用落地（Agentic AI）的三部曲架構。
- 同態加密（FHE）及相關技術成為AI隱私保護及多方協作的關鍵工具。
- LLM與GPT推動語言生成及智慧代理系統的快速發展。
- 全球AI資料中心及深度學習技術是支撐AI應用的運算基石。
- 未來AI的核心挑戰：兼顧隱私保護、運算效能、治理法規與公平性。