生成式AI的人文導論
Introducing Generative AI for the Humanities
學期
114-2
學分
3
學分
當期課號
578100
永久課號
AAAI30016
開課單位
AI聯盟學分學程(研究所)
授課教師
謝舒凱
類別
選修
上課時間表
| 節 | 週五 |
|---|---|
3 10:10–11:00 | 生成式AI的人文導論 3 節連堂 |
4 11:10–12:00 | |
N 12:20–13:10 |
* 根據陽明交大上課時間表所列
概述
隨著AI科技的迅速發展,人類社會的各個面向都開始受到了不同層面的衝擊。生成式 AI迅速與多樣化產製內容的能力,不論在知識傳承,或是實務創作上也帶給人文社會領域新的養分與挑戰。 本堂課是特別針對人文領域的學生設計的 AI 技術與應用入門課。在內容安排與講解上,與一般純粹以技術入門的導論課有所不同。本堂課將以人本為核心關懷出發,以直觀概念與模擬來講解 AI 模型的基礎與發展,並搭配與人文主題相關的實作練習,特別是文史哲議題、語言與溝通、藝術音樂與遊戲創作等等。
先修科目
本課程的作業與練習,從傳統偏重工程或程式碼的細節,轉向以直覺、風格和語義驅動的「Vibe Coding」實踐。不具備 python 程式知識亦可。但是要具有開放、樂於學習新事物的精神與毅力,才能有所收穫。
評分方式
● 課堂參與20% ● 每週課後作業 40% ● 期末測驗或專案展演 40%
週次計畫
| 週次 | 主題 |
|---|---|
| 第 1 週 | 課程內容說明 |
| 第 2 週 | 和生成式AI模型說話:提示的語言工程 (1)(Prompting LLM) 1. 探討如何透過設計有效提示來影響生成式AI 模型的輸出。 2. 了解提示詞語言的結構與技巧,並掌握提示設計的原則。 |
| 第 3 週 | 和生成式AI模型說話:提示的語言工程 (2)(Prompting LLM) 3. 認識各種提示類型與策略。 4. 評測方式及其應用場景。 5. Vibe Coding 基礎:風格與情境的敘事提示,如何用高度語義化、敘事化的語言,精確引導 AI 產出符合特定文學風格、歷史背景、藝術情緒的內容。對應人文領域學生擅長的文本分析與美學鑑賞。 |
| 第 4 週 | 生成式AI /大型語言模型原理 (1) Tokenization and Embeddings explained 1. 介紹符元化與嵌入向量作為語言模型資料表徵的核心概念,將詞語轉化為符元與多維連續向量,便於模型理解和處理。 2. 探討嵌入向量如何捕捉詞語之間的語義關係,使模型能夠在語義空間中進行語詞相似度比較。介紹嵌入向量生成的基本方法技術。 3. 實作練習:利用向量視覺化工具,觀察不同詞語在嵌入空間中的位置分佈與語義距離。 |
| 第 5 週 | 生成式AI /大型語言模型原理 (2) Tokenization and Embeddings explained 介紹 Transformer 作為生成式 AI 模型的基本核心架構,強調其基於「注意力機制」的特性。探討自注意力機制(Self-Attention)如何使模型關注輸入序列中不同詞語之間的相對關係。 |
| 第 6 週 | 推理模型與應用評測Reasoning Models/Evaluation and Benchmark 1. 介紹模型的推理能力訓練與進展。 2. 講解常見的基準測試(Benchmarking)方法,包括 BLEU、ROUGE、Perplexity 等指標 ,評估模型生成的品質。 3. 了解人類評測與自動化評測的異同,分析兩者在評估生成式模型中的優缺點。解釋特定應用場景(如文本生成、對話系統)的評估需求,並設計量身訂制的測試集和指標。 |
| 第 7 週 | 讓生成式AI模型(們)一起合作 Agentic Network 1. 介紹agent的概念,讓多個生成式 AI 模型彼此交互,協作處理任務。 2. 探討每個生成式模型在agent 網路中的角色分配、職責與階層組織,與agent之間的通訊協議與協同策略,來實現有效率的互動並提高生成結果的品質。 3. 設計多個 AI Agent,不僅是分工,更是角色扮演和視角模擬。 |
| 第 8 週 | 讓生成式AI模型少說錯:Context Engineering 1. 探討如何運用檢索增強生成(RAG)技術,從外部知識庫獲取精確資訊來輔助 AI 回應。 2. 了解向量資料庫(VectorDB)的基本原理,並學習如何使用語義搜索來提高信息檢索的準確性。 3. 透過 RAG 框架,學習生成式 AI 與即時檢索的整合,以支持動態回應、減少錯誤。 4. 探索如何根據使用場景設計適合的知識庫和向量索引,使 AI 回答更具實證性。 |
| 第 9 週 | 讓生成式AI模型學點新東西 Fine-Tune 1. 介紹微調技術,通過額外訓練資料來更新模型的參數,達到擴展知識的目的。 2. 解說如何選擇和準備高質量的資料,以加強模型對特定主題或領域的理解。 3. 了解微調流程中的重要步驟,包括資料清理、標註、訓練與驗證,確保模型穩定學習新內容。 4. 分析不同微調方法對生成品質的影響,例如少樣本微調與零樣本學習。 |
| 第 10 週 | 生成式AI的語音與多模態 Speech and Multimodal LLMs 1. 介紹語音生成與識別技術如何融入生成式AI,使模型能夠理解和生成自然語音。 2. 探討多模態大語言模型(Multimodal LLMs),如何通過整合語音、文字、圖像等多種 數據類型來增強理解能力。 3. 解釋跨模態學習(Cross-Modal Learning),如何幫助模型將語言與視覺或語音訊息聯繫起來,提升回答的全面性。 |
| 第 11 週 | 跨界策展:用 AI 進行文學/藝術的數位轉譯與風格混搭 1. 介紹生成式 AI 如何通過模式學習,模擬藝術風格和音樂結構,創造具個性化的視覺和聲音作品。 2. 探討藝術創作模型的技術基礎,如風格轉移(Style Transfer)和自動編曲,讓 AI 能夠模仿特定藝術風格或音樂類型。 3. 了解多模態模型如何整合視覺、聽覺數據,協同創作出具備視覺與聲音和諧的多感官藝術作品。 4. 分析生成式音樂模型如何使用音符、節奏和和聲嵌入,來生成具有情感的音樂片段。 |
| 第 12 週 | AI連結人文 AI and the Humanities 1. 語音與聲音的情感設計:如何用 vibe coding /平台生成符合特定戲劇/影視情境的情感語音或背景音樂;探討聲音的情感政治、音樂符號學或戲劇理論中的氛境(Atmosphere)營造。 2. 從技術分析轉向策展與再創作。對歷史畫作、文學場景、或抽象概念進行數位轉譯與風格混搭;探討藝術史中的風格變遷、文化挪用(Cultural Appropriation)與數位美學等議題。 3. 討論偏見、公平性、Vibe Coding 帶來的新倫理議題(如深度偽造Deepfakes)中的情感操縱、風格與創造性的歸屬權等等) |
| 第 13 週 | 業師演講 Guest lectures(物理AI、世界模型) |
| 第 14 週 | 數位分身的社會學與倫理:從虛擬形象到自我敘事Digital Avatar 1. 介紹數位分身的概念,解釋如何透過虛擬形象將個人特徵、行為模式數位化,實現線上與線下的延展存在。 2. 探討人機共存的未來圖景,數位分身如何作為代理協助日常任務、互動學習,甚至在社交場合中代表用戶。了解數位分身在語言、情緒模擬等方面的技術,以及其在教育、娛樂等多領域的應用潛力。並分析人機互動中的倫理與隱私挑戰,探討如何在提升體驗的同時保障使用者權益。 |
| 第 15 週 | 期末專案展演 鼓勵學生以「Vibe-Driven Project」取代傳統的技術展示,文學場景再現、社會議題模擬等。 1. 讓學生準備個人或團隊專案展示,將學期內學到的技術與知識應用到實際項目中,展現學習成果。 2. 設計多樣化的展演形式,如實作展示、互動演示、海報講解等,讓觀眾能全方位了解專案內容與創新之處。 3. 鼓勵學生針對專案設計呈現的重點,展示如何解決特定問題或應對挑戰,並強調其應用價值或社會意義。 4. 邀請校內外評審參與,提供建設性回饋,幫助學生進一步完善並提升專案。評分標準可包含創意性、技術運用、可行性、展示效果等,激勵學生全力以赴。 |
| 第 16 週 |
教科書
(以上課分享之論文與教材為主,以下僅提供進修參考) - Raschka, S. (2024). Build a Large Language Model from Scratch. Manning. - Porter, L. and D. Zingaro. (2024). Learn AI-assisted Python Programming. Manning. - 程世嘉 (2024). AI 世界的底層邏輯和生存法則. 天下文化.