導言：機器是如何「學習」的？

你有沒有想過，你的智能電話是如何識別你的臉，或者應用程式如何透過一張照片來翻譯菜單？這看起來可能像魔法，但實際上這是一個稱為人工智能 (Artificial Intelligence, AI) 的特定過程。在本章中，我們將探索 AI 的「大腦」：它是如何接收資訊（數據）並使用特殊的規則（演算法）從中學習的。

如果起初覺得這很複雜，請不要擔心！你可以把 AI 系統想像成一名學生。就像你透過閱讀書籍和做練習來學習一樣，AI 系統透過觀察數以千計的例子來學習，直到它找到當中的規律。


1. AI 處理週期

在以前的資訊及通訊科技（ICT）課中，你學過電腦遵循一個簡單的週期：輸入 \( \to \) 處理 \( \to \) 輸出。AI 系統也遵循相同的路徑，但「處理」部分則先進得多。

  • 輸入：AI 接收數據，例如文字、圖像或聲音。
  • 處理：AI 使用機器學習 (Machine Learning) 或深度學習 (Deep Learning) 來分析數據。
  • 輸出：AI 提供結果，例如預測（「這是一隻貓」）或採取行動。

學習重點：AI 不僅僅是遵循固定的指令列表；它還會利用數據來改進處理資訊的方式。


2. AI 如何處理不同類型的數據

人類能自然地看見圖像和聽到聲音。然而，電腦只能理解數字（二進制碼）。為了「理解」我們的世界，AI 必須將不同類型的數據轉換為它可以處理的格式。

A. 文字（自然語言處理）

當你向聊天機器人輸入訊息時，AI 並不像我們那樣看待「文字」。它會將句子分解成較小的碎片，並將它們轉換成數值模式。這有助於 AI 理解詞語之間的關係（例如，「國王」和「皇后」的關係，與「男人」和「女人」的關係相似）。

B. 圖像（電腦視覺）

AI 將圖像看作是一個巨大的數字網格。每個數字代表單個像素 (pixel) 的顏色和亮度。透過分析這些數字，AI 可以檢測邊緣、形狀，最終識別出汽車或人臉等物體。

C. 音頻（語音識別）

聲音以波的形式傳播。AI 將這些聲波轉換為數碼訊號（數字），然後在這些訊號中尋找規律，以識別特定的詞語，甚至是一個人的情緒。

你知道嗎？ 對 AI 來說，一張小狗的照片只是長長的一串數字列表！


3. AI 「學習」的基本原理

AI 系統主要有兩種學習方式：機器學習和深度學習。

機器學習 (Machine Learning)

在傳統的編程中，人類會寫下每一條規則。但在機器學習中，我們會給予電腦一個演算法（一套數學規則）和大量數據，電腦隨後會自行找出當中的規則。

例子：為了教 AI 找出垃圾郵件，我們給它看 10,000 封垃圾郵件和 10,000 封正常的電子郵件。AI 會學習哪些詞語通常出現在垃圾郵件中。

深度學習 (Deep Learning)

深度學習是機器學習的進階版本。它的靈感來自人類大腦的運作方式，並使用一種稱為神經網絡 (Neural Networks) 的結構。

  • 這些網絡有很多「層」處理工序。
  • 每一層負責尋找不同的特徵（例如，一層負責尋找線條，下一層尋找圓形，最後一層則識別出人臉）。
  • 因為層數非常多，所以被稱為「深度」學習。

快速複習：機器學習使用演算法來尋找規律；深度學習則使用具有多個層級的「神經網絡」來解決非常複雜的問題。


4. 訓練數據的重要性

要讓 AI 變得「聰明」，我們必須對它進行訓練 (train)。這就像給學生一本教科書來研讀一樣。

訓練與測試

1. 訓練階段：我們向 AI 展示一個訓練數據集（例如，標記為「狗」或「不是狗」的照片）。AI 會嘗試猜測，並在出錯時得到修正。

2. 測試階段：我們向 AI 展示它從未見過的新數據，看看它的準確度如何。

垃圾進，垃圾出 (Garbage-In, Garbage-Out)

如果訓練數據很差，AI 的表現也會很差。例如：
- 如果你只給 AI 看白狗的照片，它可能無法識別黑狗。
- 這會導致偏見 (Bias)（不公平），我們將在「AI 倫理」章節中詳細討論。

學習重點：數據的質素和多樣性是影響 AI 學習效果的最重要因素。


5. 總結清單

請檢查一下你是否理解以下關鍵點：

  • 數據轉換：AI 將文字、圖像和聲音轉換為數字以進行處理。
  • 機器學習：AI 在沒有被明確告知每一步做法的情況下，從數據中尋找規律的過程。
  • 深度學習：一種模仿人類大腦、使用「神經網絡」的學習方式。
  • 數據的角色：AI 需要大量高品質的數據才能達到準確。
  • 演算法：AI 用於學習的數學「食譜」或一組規則。

助記法：記住 AI 效能的「三大關鍵」：數據（食材）、演算法（食譜）及運算能力（爐具）！