第 1 天：什麼是 AI、機器學習、深度學習

3 分鐘秒懂

AI(人工智慧) 是最大的概念，指的是讓機器表現出「像人一樣思考、判斷、解決問題」的能力。比如讓電腦下棋、讓手機辨識你的臉、讓 ChatGPT 幫你寫週報，這些都可以算在 AI 的範圍裡。

ML(機器學習) 是 AI 的一種做法。它的核心想法是：不要每一步都由工程師手把手寫規則，而是讓電腦從大量資料中自己找規律。好比你不是直接告訴小孩「貓的耳朵長這樣、鬍鬚長這樣」，而是給他看一千張貓照片和一千張狗照片，讓他慢慢學會分辨。

DL(深度學習) 又是 ML 裡的一種方法。它使用 neural network(神經網路) 這類模型，尤其擅長處理圖片、語音、文字這些複雜資料。現在很多熱門 AI，例如語音轉文字、圖片生成、LLM(大型語言模型)，背後都大量使用深度學習。

所以三者關係可以想成同心圓：AI 最大，ML 在 AI 裡面，DL 又在 ML 裡面。不是三個互相競爭的詞，而是「大分類、子分類、再子分類」。

為什麼這重要

你之後學 AI，會一直看到這三個詞。如果一開始混在一起，後面學 prompt(指令)、model(模型)、training(訓練)、data(資料) 時就很容易霧煞煞。

例如你在公司聽到同事說：「我們要導入 AI 來自動分類客服訊息。」這句話其實很大，可能只是用簡單規則，也可能是用機器學習模型，甚至可能接上大型語言模型來讀懂客戶語氣。不同層級，成本、資料需求、準確率、維護方式都不一樣。

再比如你用 ChatGPT 寫週報，它看起來像「會聊天」，但背後不是有一個真人躲在雲端回你，而是模型從大量文字資料中學到語言規律，根據你的輸入預測接下來最可能出現的內容。理解這點，你就會知道它很厲害，但也不是神；它可能幫你整理、改寫、發想，也可能一本正經地講錯。

把 AI、ML、DL 分清楚，就像先拿到一張城市地圖。你不一定馬上會開車到每條巷子，但至少知道自己現在站在哪裡，接下來要往哪個方向學。

核心概念分解

第一層：AI(人工智慧)。AI 是目標，不一定限定某一種技術。只要機器能完成原本被認為需要人類智慧的任務，就可能被稱為 AI。早期的 AI 可以是規則系統，例如「如果客戶訊息包含退貨，就分到售後服務」。這種方法像寫一本很厚的員工手冊：遇到 A 做 B，遇到 C 做 D。

第二層：ML(機器學習)。機器學習不再只靠人寫死規則，而是讓電腦從例子中學。假設你有十萬則 Discord 訊息，標記哪些是廣告、哪些是正常聊天，模型就能從中學出廣告訊息的常見特徵。以後新訊息進來，它就能判斷「這看起來有點像廣告」。

第三層：DL(深度學習)。深度學習使用多層神經網路。你可以把它想像成一條加工線：第一層先看很簡單的特徵，第二層組合成更複雜的特徵，越後面越能理解高階模式。辨識貓照片時，前面可能先抓邊緣、顏色，後面逐漸組合成耳朵、眼睛、臉部形狀。

近年 AI 爆紅，主要是幾個條件一起成熟。第一，資料變多：網路、社群、電商、影音平台每天產生海量內容。第二，算力變強：GPU(圖形處理器) 讓訓練大型模型變得更可行。第三，演算法進步：像 transformer(變換器) 這類架構，讓模型更擅長處理語言與長篇內容。第四，產品化變好：以前 AI 多在實驗室，現在你打開瀏覽器就能用 ChatGPT、通義千問、文心一言。

因此，AI 不是突然從天上掉下來，而是資料、硬體、方法、產品四件事慢慢累積，終於在最近幾年一起開花。

實際例子

例子一：ChatGPT 寫週報。你輸入：「請幫我把以下工作紀錄整理成主管看得懂的週報。」這裡你使用的是 AI 應用；背後的核心多半是大型語言模型；而大型語言模型主要建立在深度學習方法上。它不是照固定模板填空，而是根據大量文字訓練後，學會如何組織語句、整理重點、調整語氣。

例子二：Discord 社群防廣告。最簡單做法是規則式 AI：只要訊息包含「免費領取」「加群賺錢」就刪除。但廣告商會變形文字，例如把「免費」寫成「免 費」。這時可以用機器學習，讓模型看大量正常訊息與廣告訊息，學會更彈性地判斷。若再使用深度學習，模型甚至可能理解上下文，知道某些看似普通的句子其實在誘導私訊。

例子三：通義千問回答問題。你問：「幫我用國中生能懂的方式解釋量子力學。」它能產生一段自然語言回答。這屬於生成式 AI，也就是能產生新內容的 AI。它背後通常與深度學習、大型語言模型密切相關。你會發現，這種 AI 不只做分類，還能寫、改、翻譯、摘要、對話。

透過這三個例子，你可以看到：AI 是你看到的能力與應用，機器學習是讓系統從資料進步的方法，深度學習則是現在最強大、最常被用在複雜任務上的機器學習方法之一。

常見誤解

誤解一：AI 就等於 ChatGPT。其實 ChatGPT 只是 AI 的一種應用，而且是很熱門的一種。AI 還包括推薦系統、導航路線規劃、信用卡盜刷偵測、工廠瑕疵檢測、人臉辨識等。

誤解二：機器學習會自己變聰明，所以不用人管。機器學習需要資料、目標、評估方式與人類調整。資料如果有偏差，模型也會學到偏差。就像學生如果只看錯誤教材，考試也很難答對。

誤解三：深度學習一定比所有方法都好。不一定。深度學習很強，但通常需要大量資料與算力。如果只是判斷表單欄位是否填完整，用簡單規則可能更快、更便宜、更穩定。不是越高級越好，而是要看問題大小與場景需求。

誤解四：AI 會像人一樣真正理解所有事情。現在的 AI 很會找模式、生成內容，但它不一定具備人類那種生活經驗、責任感與常識判斷。使用 AI 時，最好把它當成很強的助理，而不是永遠正確的老師或主管。

建立後續學習地圖

今天先把大地圖攤開：第一站是 AI、ML、DL 的關係；第二站會開始理解資料為什麼重要；第三站會學模型怎麼訓練；第四站會接觸大型語言模型與提示技巧；第五站再看 AI 在工作、學習、創作中的實際應用。

你不需要一開始就會寫程式或看懂數學公式。先建立正確概念，就像學開車前先知道方向盤、油門、煞車各自做什麼。等概念穩了，再學工具和技術，會輕鬆很多。

請記住今天最重要的一句話：AI 是大目標，機器學習是實現 AI 的重要方法，深度學習是機器學習中非常強大的分支。最近 AI 爆紅，不是因為一夕之間出現魔法，而是資料、算力、演算法與產品體驗一起成熟。