人工智慧與機器學習：概念、訓練與工作機會

閱讀目標

讀完本頁，你將能夠：理解人工智慧是什麼，以及它與傳統計算的差別；識別並比較主要 AI 技術；認識常見產品和行業裡的 AI 應用；分辨真正的 AI 能力與營銷宣傳；在自己的工作中尋找適合使用 AI 的機會。

本頁先呈現知識正文，再保留四段配套影片的完整中文文字稿。它們有內容重疊，也有各自獨有的例子，可以選擇先讀正文，再順著文字稿聽懂講解。

一、人工智慧入門

什麼是人工智慧

人工智慧（Artificial Intelligence，AI）指能夠執行通常與人類思考相關任務的計算機系統，例如識別模式、理解語言、作出決策，以及從經驗中學習。

它與傳統計算有什麼區別

兩種方法的根本差別，在於問題如何得到解決。這也決定了它們分別適合哪些挑戰。

這裡有五個核心概念：

• 資料（Data）：系統用來學習的原始資訊，包括影象、文字、聲音和數字。
• 演算法（Algorithm）：處理資料所用的指令或數學過程。
• 模型（Model）：用來表示系統所學內容的統計結構。
• 訓練（Training）：調整內部引數、建立模型的過程。
• 推斷（Inference）：用訓練好的模型，對新資料作出預測或判斷。

核心要點是：機器學習系統從資料裡學習模式，再把模式用於新的情境。

譯註：本頁把學習型 AI 與手寫規則作對比，是為了介紹機器學習。AI 的範圍更廣，也包含基於規則和知識表示的系統；“能學習”並不是所有 AI 的必要定義。已經部署的模型通常也不會因為多看一次輸入就自動更新，需要相應訓練或更新機制。

檢視圖解文字說明

上方訓練路徑把歷史樣本交給模型，比較預測與目標，再透過最佳化更新引數。下方推理路徑把新訂單輸入儲存的模型，得到預測；使用次數增加不表示引數自動學習。

二、主要的 AI 技術

機器學習

機器學習讓系統從資料中改善表現，而不是為每種情況都編寫明確規則。這裡先介紹兩種主要學習方式。

監督學習使用帶標籤的資料，也就是已經給出正確答案的例子。模型學習怎樣預測新資料的標籤。垃圾郵件過濾、信用評分和疾病診斷是常見例子。可以把它想象為在有人及時反饋的情況下學習。

無監督學習使用沒有標籤、沒有預設類別的資料。系統自行尋找隱藏模式或分組，例如客戶細分和某些異常檢測任務。它更像在沒有嚮導的情況下探索一座陌生城市。

神經網路

神經網路是一類受到人腦結構啟發的機器學習模型。它的基本結構包括：

• 輸入層：接收原始資料。
• 隱藏層：處理資訊。
• 輸出層：給出最終預測或判斷。
• 權重：決定節點之間相互影響程度的數值。

對傳統程式設計或較簡單的機器學習方法難以解決的複雜模式識別問題，神經網路往往有用。

自然語言處理

自然語言處理（Natural Language Processing，NLP）讓計算機能夠處理、解釋和生成人類語言。常見應用包括：

• 郵件分類：把郵件分到不同類別。
• 情感分析：判斷文字表達了正面、負面還是中性的態度。
• 語言翻譯：在保留含義的同時轉換語言。
• 聊天機器人和虛擬助手：理解問題並生成有幫助的回答。

計算機視覺

計算機視覺讓機器能夠從影象和影片中提取並解釋視覺資訊。它可用於安防中的人臉識別、自動駕駛的物體檢測、醫學影像分析，以及製造業的質量檢查。

這類系統將影象表示為畫素，並透過分析模式、形狀、顏色和邊緣來處理視覺內容。

檢視圖解文字說明

AI 是更大的領域；機器學習從資料擬合模型，深度學習使用多層神經網路。符號與規則方法不必屬於機器學習。語言、視覺、推薦等任務可以採用或組合不同方法。

三、日常生活中的 AI

AI 已經融入許多常見產品和服務。

不同行業的應用

醫療健康：從醫學影象輔助診斷疾病、遠端監測患者、藥物發現、提供個性化治療建議。

金融：欺詐檢測、演算法交易、信用風險評估、個性化財務建議。

零售：庫存管理、需求預測、個性化營銷、視覺搜尋。

製造：質量控制、預測性維護、供應鏈最佳化、機器人引導。

客戶服務：用聊天機器人處理常見諮詢，分析客戶反饋的情緒，分配電話並確定優先順序，預測客戶行為。

AI 如何改善使用體驗

個性化使內容和體驗更符合個人偏好；自動化處理重複任務，為人留出更多創造性工作的時間；增強搜尋嘗試理解意圖，而不只是匹配關鍵詞；語音介面、影象描述和實時翻譯則能改善無障礙使用。

譯註：這些是應用方向，不代表每個系統都已在所有場景達到可靠水平。醫療、貸款等會影響個人權益的用途，還需要各自的驗證、人工監督和適用條件。

四、尋找適合 AI 的工作機會

分辨實際能力與宣傳

在討論學習型 AI 時，可以觀察它是否從資料中學習、能否應對變化和邊緣情況，以及能否處理文字、影象等複雜的非結構化資料。不要只看產品是否自稱“智慧”。

譯註：手工編寫的對話樹與“透過訓練得到的決策樹模型”是兩回事。這裡討論的是前者，不能據此說決策樹演算法不屬於機器學習。

從四類任務裡尋找機會

1. 重複而且需要識別模式的任務：檔案分類、質量檢查、資料錄入與核驗、報告裡的趨勢分析。
2. 依賴預測的活動：需求預測、維護排程、風險評估、資源分配。
3. 涉及非結構化資料的任務：郵件分類、客戶反饋分析、影象與影片處理、會議錄音轉寫。
4. 需要大規模個性化的任務：客戶溝通、產品推薦、學習與發展、內容分發。

決定是否值得做之前，問四個問題

資料夠不夠？ 原文以數百或數千個例子說明學習需要資料。真正所需數量取決於任務、資料質量、模型以及是否使用預訓練模型，不能把這個數量當作統一門檻。

潛在收益是否值得投入？ 優先找有價值的問題：即使只有小幅改進，也能帶來明顯收益。

有沒有所需的能力與資源？ 可以考慮內部能力、無程式碼平臺，或與外部團隊合作。

AI 是否適合這個問題？ 有時，基於明確規則的簡單自動化更有效率。

知識正文小結

本頁用“從資料學習模式”解釋機器學習與傳統程式設計的差別，介紹了機器學習、神經網路、自然語言處理和計算機視覺，並把它們連線到日常產品和行業任務。Teachable Machine 等無程式碼工具讓沒有程式設計基礎的人也能嘗試建立簡單模型。尋找機會時，可以從模式識別、預測、非結構化資料和個性化出發，同時檢查資料、投入與更簡單的替代方法。

影片文字稿一：什麼是人工智慧

人工智慧到底是什麼？它與傳統計算有什麼不同？下面從這些基礎問題出發，認識後面會反覆用到的概念。AI 正越來越多地進入商業、教育和日常生活，因此需要弄清楚它究竟能做什麼，也知道哪些能力不能只憑名字就認定。

說到 AI，我們指的是能執行一些通常與人的思考相關任務的計算機系統，例如識別模式、理解語言，或者從經驗中學習。

可以用一個簡單的比喻理解：想象你在教一個孩子認貓。你不會先遞給他一份判斷清單，而是給他看照片，告訴他“這是一隻貓”。看過足夠多的例子之後，他就能認出沒見過的貓。學習型 AI 的做法與此類似：處理資料，從中識別模式。

先明確幾個詞。資料是 AI 用來學習的原始資訊，可以是影象、文字、數字，或其他能用於學習的數字資訊。演算法是這些系統處理資料和解決問題的方法。在這裡，它們不是簡單的“如果……那麼……”規則，而更像尋找模式、作出預測的一套操作方法。

把資料交給機器學習演算法後，演算法在這個過程中從資料裡學習。學習的結果，就是訓練好的模型。它用數學形式表示系統所學到的內容，可以類比為一種內部表徵。

用演算法處理資料、建立模型的過程叫作訓練。訓練時，系統會調整引數，使自己更好地完成任務。訓練好以後，模型對新的資料作出推斷、預測或判斷，把學到的模式用於新的情形。

它和傳統計算的區別在哪裡？傳統計算裡，人會寫出明確指令：“如果出現這個條件，就做這件事。”例如，如果郵件主題裡出現“緊急”，就把郵件標成高優先順序。計算機嚴格執行規則，但這個過程本身沒有讓它學會新的判斷方法。

現代機器學習採取另一條路徑。人不是先手寫全部規則，而是給系統很多例子，例如數千封已經標記為“緊急”或“不緊急”的郵件。系統分析這些例子，尋找模式，形成自己的判別規律。訓練完成後，它可以將這些規律用於以前沒有見過的新郵件。

這個差別很關鍵。傳統計算接收輸入，執行人寫好的規則，再產生輸出；機器學習則從輸入及示例輸出中學習規律，再把規律應用於新輸入。也就是說，系統從例子中發現規律。

這種做法的力量在於：它可以尋找複雜到人難以明確程式設計的模式，也有可能應對新的情境。概括地說，這段講解關注從資料學習、從例子建立模型、再利用模型預測或判斷的系統。接下來再看這些系統有哪些主要技術型別，以及如何用於不同行業。

譯註：這是學習過程的類比，不表示模型像孩子一樣具有人類理解能力；前文關於學習型 AI 範圍的說明同樣適用。

影片文字稿二：主要技術型別

瞭解了 AI 的基本含義及其與傳統計算的差別，接著看推動現代應用的幾類主要技術。

先看機器學習。它讓系統透過資料改善表現，而不是完全依賴明確編寫的程式。假設要預測房價：系統不是直接套用一個人寫死的公式，而是分析數千條歷史成交記錄，學習房屋特徵與價格之間的關係。

這裡先介紹兩種方式。第一種是監督學習，使用有標籤的資料，也就是附有正確答案的例子。做垃圾郵件過濾時，可以提供已經標記為垃圾或正常的郵件。模型學習區分兩類郵件的模式，再對新郵件分類。這類似於在有人反饋答案的情況下學習。

第二種是無監督學習。資料沒有標籤，系統自行發現隱藏模式。做客戶細分時，它可能找出偏愛折扣與偏愛高階商品的不同群體，即使人沒有提前告訴它這些類別。這有點像沒有嚮導，自己探索一座新城市。

接著看神經網路。這是一類受到人腦啟發的模型，由相互連線、分層排列的節點構成，節點也被稱作“神經元”。每個節點接收資訊、處理資訊，再把結果傳給下一層。節點之間的連線有權重，決定影響的大小。訓練時調整權重，模型就逐漸學到模式。

它的基本結構包括接收原始資料的輸入層、處理資訊的隱藏層，以及給出預測的輸出層。

自然語言處理使計算機能夠處理和生成人類語言。Siri、Alexa 一類語音助手會先將語音轉換成文字，再解釋意圖、組織答覆。郵件分類、商品評論的情感分析和語言翻譯，也都屬於這類應用。

最後是計算機視覺，它讓機器處理並解釋視覺資訊。系統可以在圖片或影片中檢測物體、人物和動作。手機相機對準人臉聚焦，或照片服務建議人物標籤時，都可能用到計算機視覺。系統透過模式、形狀、顏色和邊緣等資訊處理畫面。

相關用途包括人臉識別、自動駕駛、醫學影像分析和製造業質量控制。

不同技術擅長的問題不同。傳統機器學習方法常用於結構化資料，神經網路常用於語言和影象等複雜任務。機器學習、神經網路、自然語言處理和計算機視覺，共同支撐了大量現實應用。接下來看看這些技術如何出現在日常產品和不同行業中。

譯註：這幾項不是互斥分類。神經網路屬於機器學習方法，而 NLP 和計算機視覺是應用與研究領域，常常也使用神經網路。

影片文字稿三：AI 在生活與行業中

前面已經認識 AI 及其主要技術。現在看看它們如何出現在每天使用的產品和服務裡，又怎樣影響不同行業。

AI 往往在後臺執行，因此你不一定注意得到。Netflix 的節目建議、Amazon 的商品推薦、Spotify 的播放列表，都使用推薦系統。以影片推薦為例，系統可以分析觀看了什麼、什麼時候看、是否已經看過，以及在哪裡暫停等行為，再據此推薦可能讓人繼續觀看的內容。

Siri、Alexa 等語音助手結合了語音識別、自然語言處理和語言生成。你詢問天氣時，系統需要在口音和背景噪聲中辨認詞語，理解你關心的是當地天氣，再用自然的方式呈現資訊。

Google Maps 一類導航應用會分析實時使用者資料、歷史模式，以及可能影響交通的事件，預測路況並建議路線。手機鍵盤的輸入預測也可能隨使用逐步適應寫作習慣，改善推薦。

再看行業。醫療健康領域的 AI 可以分析醫學影象，輔助疾病診斷，也可用於遠端監測、藥物發現和個性化治療建議。文字稿將部分診斷表現描述為可與專業影像人員比較。

金融領域，欺詐檢測系統能實時標記可疑交易；演算法交易根據市場情況迅速作出決定；貸款評估系統則可能利用更廣泛的資料評估信用情況。

零售企業使用 AI 預測需求，改善庫存，並按照不同客戶的偏好開展個性化營銷。

製造領域，質量檢查系統可以高速檢測缺陷，預測性維護則分析裝置資料，在故障發生前尋找徵兆。

客戶服務中，聊天機器人可以全天候處理常見問題，情感分析工具則監測社交平臺與客戶反饋，識別滿意度變化。

除了具體行業，AI 還會從幾個方面改善體驗。個性化讓內容更符合個人偏好；自動化承擔重複工作，為創造性任務釋放時間；增強搜尋嘗試理解意圖，而不只匹配關鍵詞；無障礙支援藉助語音介面、影象描述和翻譯，讓更多人能使用技術。

AI 已成為許多數字體驗和業務流程的一部分，常在後臺改善產品和服務。後續可以藉助容易上手的工具，自己嘗試建立模型。

譯註：關於診斷準確率的表述沒有在文字稿中給出具體研究、病種、資料或比較條件，因此不能理解為所有醫學 AI 都達到專業人員水平。對具體產品行為的描述是講解示例，也不替代產品當時的功能和隱私說明。

影片文字稿四：識別真正的機會

下面練習分辨 AI 能力與營銷話術，並尋找自己工作裡可能有價值的應用。AI 成為流行詞後，一些產品即使只有基礎自動化，也會聲稱自己使用 AI。判斷具體能力，有助於理解它可能增加什麼價值。

在這段以學習型 AI 為重點的講解中，有三個觀察角度。第一，它從資料學習，而不只是執行規則；系統分析資料，並能透過更多示例和相應訓練改進。第二，它能否應對變化、邊緣情況和不完美輸入；傳統系統可能在條件改變時失效。第三，它能否處理複雜的非結構化資料，如文字、影象和聲音。

用幾個例子檢查理解。傳統計算器遵循固定規則，沒有學習過程。Netflix 推薦會分析觀看資料，形成個性化建議。客服聊天機器人則要看具體實現：如果只是沿著預設對話樹選擇答覆，就不能因為它能聊天便認定有學習能力。Google Translate 的神經機器翻譯從大量語言材料中學習語言之間的對應關係。

在自己的工作中，可以找四類任務。第一是反覆識別模式：如果需要不斷排序、分類或尋找模式，就可能有自動化空間。例如，模型幫助檢查合同，找出指定條款。

第二是涉及許多變數的預測：如果依據歷史資料預測未來，機器學習可以納入比人工通常考慮得更多的變數，嘗試改善預測。

第三是非結構化資料處理：如果仍在手工處理檔案、郵件、錄音或圖片，可以探索相關方法。例如，用 NLP 根據內容給支援工單分類。

第四是大規模個性化：如果目前向所有人提供相同內容，但希望因人而異，AI 可能使這種安排更可行。例如，營銷團隊按興趣和行為調整內容。

評估時繼續問三個實際問題。有足夠的資料嗎？ 這段文字稿用“數十萬示例”描述某些學習需求。潛在收益值得投入嗎？ 應優先考慮能為業務帶來明顯改善的高價值問題。有必要的能力和資源嗎？ 可以建設內部能力、使用無程式碼平臺，或尋求外部合作。

還要記住，AI 並不總是合適的解決辦法。有時，基礎自動化等更簡單的方法已經足夠，而且效率更高。

至此，你已經初步認識 AI 的含義、主要技術、應用方式，以及尋找工作機會的思路。沿著後面的閱讀，還可以進一步瞭解每類技術和模型如何運作。

譯註：這裡的“數十萬示例”與知識正文的“數百或數千”並不一致，兩處都已保留並指出。所需資料量沒有一個適用於所有 AI 專案的統一數字；使用預訓練模型、微調模型和從頭訓練模型，條件可能差別很大。

關聯閱讀

如果你想繼續區分“分析內容”和“產生內容”，可以接著讀生成式 AI 入門；把這些能力用於工作，則可從機會識別練習開始。

參考與延伸閱讀

以下為編輯補充的查詢與學習入口，可按需要繼續閱讀。

• Google：什麼是機器學習？（中文）：區分監督學習、無監督學習、強化學習，以及分類和迴歸。
• Google：神經網路（中文）：繼續理解輸入、隱藏層與輸出之間的關係。
• Google Teachable Machine（互動工具／英文）：用影象、聲音或姿態樣例體驗訓練與分類。