113 年 國立臺北大學資訊管理學系碩士班《計算機概論》

本題主要在探討雲端運算的概念、特性以及其在實際應用中的重要性。

(1) 公有雲對雲端遷移的重要性：
公有雲（Public Cloud）是雲端遷移之所以重要的關鍵原因，主要體現在以下幾點：

• 成本效益（Cost-Effectiveness）：公有雲提供按需付費（Pay-as-you-go）的模式，企業無需前期投入大量硬體設備購置成本，可以根據實際使用量支付費用，大幅降低了IT基礎設施的總體擁有成本（TCO）。
• 彈性與擴展性（Scalability and Elasticity）：公有雲服務商擁有龐大的計算資源，能夠根據業務需求快速擴展或縮減資源，應對突發流量或業務高峰，確保服務的可用性與效能。
• 可及性與便利性（Accessibility and Convenience）：公有雲服務可以透過網際網路隨時隨地存取，方便開發者、使用者和維運人員進行遠端協作與管理，加速了應用程式的部署和迭代。
• 專業管理與維護（Professional Management and Maintenance）：雲端服務商負責底層基礎設施的維護、安全更新、電源、冷卻等，減輕了企業IT團隊的負擔，使其能專注於核心業務應用開發。
• 創新與服務多樣性（Innovation and Service Diversity）：公有雲平台不斷提供最新的技術和服務，如大數據分析、機器學習、物聯網、容器化服務等，企業可以快速採用這些創新服務，提升競爭力。

(2) 雲端運算(Cloud Computing)的特性：
根據美國國家標準暨技術研究院（NIST）的定義，雲端運算具有五個核心的必要特性，此處列舉其中至少三項並加以說明：

• 隨處可用的存取（Ubiquitous Access）：資源可以透過標準的網路機制，從各種終端設備（如電腦、手機、平板）隨時隨地存取。
• 資源池化（Resource Pooling）：雲端供應商將計算資源（如儲存、處理、記憶體、網路頻寬）匯集起來，以多租戶（Multi-tenancy）模式提供給眾多消費者，資源可根據客戶需求動態分配和重新分配。
• 彈性與擴展性（Rapid Elasticity and Scalability）：資源可以快速且彈性地供給，在某些情況下可自動供給，並可擴展以應對需求，且可向供應商購買任意數量的資源。
• 按用量計費（Measured Service）：雲端系統自動控制和優化資源使用，並以計量能力為基礎，對資源使用進行監控、控制和報告，實現透明度，為雙方（供應商與消費者）提供資源使用的計量。
• 自我服務（On-demand Self-service）：消費者可以隨時隨地，在不需要與服務提供者互動的情況下，自行配置和管理計算能力（如伺服器時間、儲存空間）。

(3) 校園資訊中心雲端搬遷評估與規劃：
以校園資訊中心為例，可能面臨的資訊服務現況與適合雲端搬遷的評估、準則及規劃如下：

• 現況觀察：
  • 傳統服務：如學生資訊系統（選課、成績、學籍）、教職員差勤系統、郵件伺服器、校園網站、圖書館系統、檔案伺服器等，這些服務通常運行在資訊中心自建的實體或虛擬伺服器上。
  • 挑戰：硬體老化、維護成本高、擴展性不足（如開學季或考試季網站流量暴增時易造成服務癱瘓）、災難復原能力有限、人力資源投入於基礎設施維護而非創新服務。

本題旨在考察考生對三大公有雲（AWS, GCP, Azure）在不同服務模型（IaaS, PaaS, Serverless Logic, Container-based computing, Serverless platform）下所提供的具體服務名稱及其核心特色的理解。考生需要根據服務描述，從三大雲端廠商中選出對應的服務，並闡述其至少兩項關鍵特色。

以下為各服務類型的詳解：

IaaS (Infrastructure as a Service) - 服務描述：Virtual machines

• AWS: Amazon EC2 (Elastic Compute Cloud)
  • 特色 1：提供多種實例類型（Instance Types），涵蓋通用型、計算優化、記憶體優化、儲存優化、GPU 等，以滿足不同工作負載需求。
  • 特色 2：支援彈性擴展（Auto Scaling）和負載平衡（Elastic Load Balancing），確保應用程式的高可用性和效能。
  • 特色 3：提供多種作業系統選擇（Linux, Windows），以及 AMI（Amazon Machine Image）機制，方便快速部署。
• GCP: Google Compute Engine
  • 特色 1：提供彈性的虛擬機器配置，包括自訂機器類型（Custom Machine Types），可精確設定 vCPU 和記憶體。
  • 特色 2：支援即時遷移（Live Migration）功能，可在不中斷虛擬機器運行時進行主機維護。
  • 特色 3：提供持續可用性（Sustained Use Discounts）和預留執行個體（Committed Use Discounts），降低長期運行的成本。
• Azure: Azure Virtual Machines
  • 特色 1：提供廣泛的虛擬機器系列，針對不同工作負載（如通用、計算密集、記憶體密集、GPU）進行優化。
  • 特色 2：支援可用性設定組（Availability Sets）和可用性區域（Availability Zones），提高應用程式的可靠性。
  • 特色 3：提供 Azure Hybrid Benefit，允許使用現有的 Windows Server 和 SQL Server 授權來降低成本。

PaaS (Platform as a Service) - 服務描述：A flexible, zero-ops platform for building highly available apps, such as web applications.

• AWS: AWS Elastic Beanstalk
  • 特色 1：自動處理部署、容量預置、負載平衡、自動擴展和應用程式健康監控，實現零營運（Zero-Ops）的開發體驗。
  • 特色 2：支援多種程式語言（Java, .NET, PHP, Node.js, Python, Ruby, Go, Docker），並可部署至 Amazon EC2 或 AWS Lambda。
  • 特色 3：提供應用程式版本控制和回滾功能，方便管理應用程式的更新。
• GCP: Google App Engine
  • 特色 1：提供標準環境（Standard Environment）和柔性環境（Flexible Environment），標準環境可自動擴展，柔性環境則提供更多控制與自訂 Docker 映像。
  • 特色 2：支援自動擴展，根據流量自動調整資源，無需手動配置伺服器。
  • 特色 3：內建多種服務，如資料儲存、快取、佇列，簡化應用程式開發。
• Azure: Azure App Service
  • 特色 1：提供高度可擴展、自我修復的雲端運算服務，用於託管 Web 應用程式、REST API 和行動後端。
  • 特色 2：支援 Windows 和 Linux 作業系統，以及 .NET, .NET Core, Java, Node.js, Python, PHP 等多種語言。
  • 特色 3：與 Visual Studio Team Services、GitHub 等 CI/CD 工具深度整合，簡化開發流程。

Serverless logic - 服務描述：A lightweight fully managed serverless execution environment for building and connecting cloud services.

• AWS: AWS Lambda
  • 特色 1：事件驅動（Event-driven）的計算服務，根據事件觸發執行程式碼，無需管理伺服器。
  • 特色 2：按實際執行時間計費，提供極高的成本效益，沒有閒置成本。
  • 特色 3：支援多種程式語言（Node.js, Python, Java, C#, Go, Ruby），並可透過 VPC 存取內部資源。
• GCP: Google Cloud Functions
  • 特色 1：無伺服器事件驅動計算服務，可響應 GCP 服務、HTTP 請求或第三方服務的事件。
  • 特色 2：支援 Node.js, Python, Go, Java, .NET, Ruby 等多種語言。
  • 特色 3：自動擴展，僅在程式碼執行時計費，提供高彈性和成本效益。
• Azure: Azure Functions
  • 特色 1：事件驅動、無伺服器計算服務，可以根據各種事件（如 HTTP 請求、佇列訊息、定時器）執行程式碼。
  • 特色 2：支援 C#, F#, Java, JavaScript, PowerShell, Python, TypeScript 等多種語言。
  • 特色 3：提供多種託管選項，包括Consumption Plan（按執行付費）、Premium Plan（預熱執行個體，無冷啟動）和 App Service Plan（共享資源）。

Container-based computing - 服務描述：Cluster manager and orchestration engine built on container experience.

• AWS: Amazon Elastic Kubernetes Service (EKS)
  • 特色 1：完全託管的 Kubernetes 服務，簡化了在 AWS 上部署、管理和擴展容器化應用程式的流程。
  • 特色 2：與 AWS 的其他服務（如 IAM, VPC, ELB）緊密整合，提供安全、可擴展的容器運行環境。
  • 特色 3：支援自動化 Kubernetes 控制平面管理（如修補、升級），節省營運負擔。
• GCP: Google Kubernetes Engine (GKE)
  • 特色 1：提供託管的 Kubernetes 叢集，簡化容器化應用程式的部署、管理和擴展。
  • 特色 2：提供自動升級、自動修補、自動擴展等功能，減輕叢集管理負擔。

好的，這題主要是在探討不同層級和類型的 AI，特別是 AGI、GAI 和 Generative AI，並要求我們比較它們的能力、理論基礎、應用，以及它們各自解決的 AI 領域挑戰。這題的重點在於釐清這幾個概念的定義、差異，以及它們在 AI 發展中的角色。

---

第 3 題詳解

本題旨在釐清並比較三種重要的人工智慧概念：通用人工智慧（AGI）、廣泛應用的人工智慧（GAI，有時也稱為 Narrow AI 或 Weak AI），以及生成式人工智慧（Generative AI）。題目要求我們深入探討它們各自的能力、理論基礎、潛在應用，並說明它們如何應對 AI 領域不同的挑戰與目標。

解題過程：

首先，我們需要精確定義 AGI、GAI 和 Generative AI。接著，我們將針對這三者，從「能力 (Capabilities)」、「理論基礎 (Theoretical Frameworks)」、「潛在應用 (Potential Applications)」，以及「解決的挑戰與目標 (Challenges and Objectives Addressed)」這四個面向進行詳細的比較。

(a) 定義與差異 (Definition and Differentiation)

• 通用人工智慧 (Artificial General Intelligence, AGI)

  • 定義： AGI 指的是一種能夠理解、學習並應用其智能於任何智力任務，就像人類一樣，而不需要針對特定任務進行預先訓練或設計。AGI 擁有廣泛的認知能力，能夠進行推理、規劃、解決問題、抽象思考、理解複雜概念、學習快速且從經驗中學習，並能在各種不同的情境下表現出靈活性和適應性。
  • 差異： AGI 是 AI 的終極目標之一，追求的是「類人」的全面智能，而非單一能力的專精。

• 廣泛應用的人工智慧 (General AI, GAI) / 狹義人工智慧 (Narrow AI, NAI) / 弱人工智慧 (Weak AI)

  • 定義： GAI（在學術和產業中，更常被稱為 Narrow AI 或 Weak AI）指的是在特定領域或執行特定任務時表現出智能的 AI 系統。它被設計來解決一個非常有限的問題，例如語音辨識、圖像分類、下棋、推薦系統等。雖然在特定任務上可能超越人類，但它無法將其能力泛化到其他未經訓練的任務。
  • 差異： GAI/NAI 是目前絕大多數 AI 應用的真實寫照，強調的是在特定範疇內的優異表現。

• 生成式人工智慧 (Generative AI)

  • 定義： Generative AI 是一種能夠創造新內容（如文本、圖像、音訊、程式碼、影片等）的人工智慧。它通常是基於深度學習模型，特別是生成對抗網路 (GANs)、變分自編碼器 (VAEs) 和大型語言模型 (LLMs) 等架構。這些模型透過學習現有數據的模式，然後生成與原始數據相似但全新的輸出。
  • 差異： Generative AI 是一種「能力」或「技術類別」，它可以被應用於 GAI 任務，也可以是未來 AGI 的一部分。它的核心在於「創造」，而非單純的「識別」、「分類」或「預測」。

(b) 詳細比較 (Detailed Comparison)

面向	通用人工智慧 (AGI)	廣泛應用的人工智慧 (GAI/NAI)	生成式人工智慧 (Generative AI)
能力 (Capabilities)	廣泛的認知能力：推理、學習、規劃、解決問題、抽象思考、理解複雜概念、跨領域學習與適應。	單一或有限的特定任務能力：例如，識別圖像中的貓、翻譯語言、玩圍棋、預測股票價格。	創造新內容：生成文本（文章、詩歌、程式碼）、圖像（繪畫、照片）、音訊（音樂、語音）、影片等。
理論基礎 (Theoretical Frameworks)	認知科學、神經科學、符號邏輯、機器學習（特別是強化學習、遷移學習、元學習）、通用學習理論。目標是模擬或超越人類的全面智能。	專門的機器學習演算法：監督式學習、非監督式學習、強化學習。模型針對特定任務進行優化，如卷積神經網路 (CNN) 用於圖像，循環神經網路 (RNN) 或 Transformer 用於序列數據。	深度學習模型：生成對抗網路 (GANs)、變分自編碼器 (VAEs)、Transformer 架構（特別是 LLMs）、擴散模型 (Diffusion Models)。強調從大規模數據中學習分佈並進行採樣。
潛在應用 (Potential Applications)	廣泛且顛覆性：科學研究、複雜決策支援、自主機器人、教育、創意輔助（全面性）、解決全球性問題。	特定領域的自動化與優化：醫療診斷、金融風控、自動駕駛、客戶服務、內容推薦、圖像/語音辨識、語言翻譯。	內容創作：寫作助手、藝術生成、音樂創作、遊戲開發、虛擬角色、軟體程式碼生成、數據增強。
解決的挑戰與目標 (Challenges and Objectives Addressed)	挑戰：實現真正意義上的智能、機器意識、倫理與安全問題。目標：創造能夠與人類在任何智力任務上匹敵的機器。	挑戰：提高特定任務的準確性、效率和魯棒性。目標：將 AI 應用於解決現實世界的具體問題，提高生產力與便利性。	挑戰：生成內容的真實性、原創性、偏見、版權問題；提高生成效率和多樣性。目標：賦能使用者創造新穎、有用且具吸引力的內容，擴展人類的創造力。

(c) 各類 AI 如何應對不同的挑戰與目標