StackPenguin

Artificial Intelligence / 人工智慧

AI (Artificial Intelligence) 是讓機器表現出類似人類智慧行為的技術總稱，例如：

• 理解語言 / understanding language
• 做決策 / making decisions
• 解決問題 / solving problems
• 辨識圖片 / recognizing images
• 生成文字、圖片、音樂 / generating text, images, music

AI 是最大的概念，Machine Learning、Deep Learning、Generative AI 都可以視為 AI 的子領域。

1
AI
2
└── Machine Learning
3
    └── Deep Learning
4
        └── Generative AI / LLMs

Machine Learning / 機器學習

Machine Learning (ML) 是一種讓電腦從資料中找出模式，而不是完全由人類手寫規則的方法。

英文重點：

Machine learning uses statistical techniques to help computers find patterns in data and make predictions or decisions.

中文理解：

機器學習本質上是借用統計方法，讓模型從資料中學習規律，進而預測、分類或做決策。

範例：

• 用植物照片和品種標籤訓練模型辨識植物
• 用客戶資料預測誰可能取消訂閱
• 用天氣資料預測明天是否下雨

Generative AI / 生成式人工智慧

Generative AI 是會「產生新內容」的 AI。

它可以生成：

• 文字 / text
• 圖片 / images
• 音樂 / music
• 影片 / video
• 程式碼 / code
• 摘要 / summaries

英文重點：

Generative AI creates new content based on patterns learned from training data.

中文理解：

生成式 AI 不是只判斷或分類，而是根據訓練資料中的模式產生新的內容。

常見例子：

• ChatGPT 產生文章或回答
• 圖像生成工具產生圖片
• AI 幫你想標題、摘要、草稿

定義

Supervised learning 使用「已標記資料 / labeled data」來訓練模型。

英文：

Supervised learning trains a model using examples that include both input data and the correct answer.

中文：

監督式學習會給模型資料和正確答案，讓模型學會從輸入推測輸出。

什麼時候使用？

當你有「輸入」和「正確答案」時，通常使用 supervised learning。

適合情境：

• 有圖片，也知道圖片中的植物品種
• 有房屋資料，也知道成交價格
• 有 Email，也知道是不是垃圾郵件
• 有評論文字，也知道情緒分類
• 有歷史客戶資料，也知道誰最後取消訂閱

常見任務

Supervised learning 通常分成兩大類：

1. Classification / 分類
2. Regression / 迴歸

Binary Classification / 二元分類

Binary classification 是只有兩個類別的分類。

適合情境：

• 是垃圾郵件 / 不是垃圾郵件
• 會流失客戶 / 不會流失客戶
• 有病 / 沒有病
• 通過 / 不通過
• 詐騙交易 / 正常交易

英文重點：

Binary classification is used when the model must choose between two possible classes.

中文重點：

只要答案只有兩種，就通常是二元分類。

範例：

1
Input: Email text
2
Output: Spam or Not Spam

Multiclass Classification / 多類別分類

Multiclass classification 是有三個以上類別的分類。

適合情境：

• 植物品種分類
• 手寫數字 0 到 9
• 情緒分類：positive / neutral / negative
• 問卷答案：strongly agree / neutral / strongly disagree
• 動物圖片分類：cat / dog / bird / fish

英文重點：

Multiclass classification is used when the output can belong to one of three or more categories.

中文重點：

如果答案是三個以上的類別，就屬於多類別分類。

測驗中的例子：

1
strongly agree / neutral / strongly disagree

這是 supervised learning + multiclass classification，因為：

• 有標記資料
• 要預測的是三個類別之一

定義

Unsupervised learning 使用「沒有標籤 / unlabeled data」的資料，讓模型自己找出模式或群組。

英文：

Unsupervised learning finds patterns, structures, or groups in data without labeled answers.

中文：

非監督式學習沒有標準答案，模型要自己從資料中找出結構。

什麼時候使用？

當你沒有正確答案，但想探索資料結構時，使用 unsupervised learning。

適合情境：

• 將客戶自動分群
• 發現購物行為模式
• 找出異常交易
• 將文章依主題分群
• 找出資料中的隱藏結構

範例：

1
Input: Customer purchase histories
2
Output: Group A, Group B, Group C

模型不會知道哪一群叫「高價值客戶」，但它可以先把相似行為的人分在一起。

常見任務

• Clustering / 分群
• Dimensionality reduction / 降維
• Anomaly detection / 異常偵測

定義

Self-supervised learning 是介於 supervised 和 unsupervised 之間的重要方法。它不需要人工標籤，而是從資料本身創造訓練目標。

英文：

Self-supervised learning creates labels or prediction tasks from the data itself.

中文：

自監督式學習不靠人工標籤，而是把資料的一部分拿掉，讓模型學會預測被遮住或缺失的部分。

什麼時候使用？

當你有大量未標記資料，但人工標註成本太高時，可以使用 self-supervised learning。

適合情境：

• 訓練大型語言模型
• 訓練文字模型預測下一個字
• 訓練影像模型補齊圖片缺失部分
• 從大量網頁、書籍、文章中學習語言模式

LLM 就大量使用類似自監督的方式學習語言模式。

範例：

1
Sentence: The cat sat on the ___.
2
Model learns to predict: mat

或：

1
Prompt: I want to learn machine
2
Next token prediction: learning

定義

Reinforcement learning (RL) 是讓 agent 透過「行動、獎勵、懲罰」學會策略的方法。

英文：

Reinforcement learning trains an agent to make decisions by receiving rewards or penalties from its environment.

中文：

強化學習不是直接給正確答案，而是讓系統嘗試行動，根據 reward 逐漸學會更好的策略。

核心元素

什麼時候使用？

當問題重點是「學會一連串行動」而不是單次分類或預測時，適合 reinforcement learning。

適合情境：

• 遊戲 NPC 學會更好的策略
• 機器人學走路或抓取物品
• 自動駕駛在模擬環境中學決策
• 推薦系統根據使用者互動調整策略
• 系統需要根據 reward 改善長期結果

測驗例子：

1
NPC gets points or rewards for good behavior.

這是 reinforcement learning。

Reinforcement Learning vs Supervised Learning

Q-value 是什麼？

Q-value 可以理解成：

1
在某個 state 做某個 action 的預期價值

英文：

A Q-value estimates how valuable an action is in a given state.

範例：

1
State: NPC is near an enemy.
2
Action A: attack
3
Action B: run away
4
Q-learning learns which action leads to better rewards over time.

Discriminative AI / 判別式 AI

Discriminative AI 用來判斷、分類、預測。

英文：

Discriminative AI learns the boundary between categories and predicts labels or outcomes.

中文：

判別式 AI 的重點是「判斷這是什麼」或「預測結果」。

適合情境：

• 判斷 Email 是否為垃圾郵件
• 預測客戶是否會流失
• 分類圖片中的物種
• 判斷交易是否異常

測驗例子：

1
A system analyzes customer data to predict customer behavior.

這是 discriminative AI，不是 generative AI。

Generative AI / 生成式 AI

Generative AI 用來創造新內容。

英文：

Generative AI produces new content such as text, images, audio, or code.

中文：

生成式 AI 的重點是「產生東西」，不是只做分類判斷。

適合情境：

• 產生文章標題
• 寫 Email 草稿
• 生成圖片
• 摘要長篇文章
• 協助產生程式碼

快速判斷

Training Set / 訓練集

Training set 是用來讓模型學習的資料。

英文：

The training set is the data used to teach the model.

中文：

訓練集是模型用來學習模式的資料。

Test Set / 測試集

Test set 是保留下來，訓練時不給模型看，用來檢查模型是否真的學會的資料。

英文：

The test set is held back and used to evaluate how well the model performs on unseen data.

中文：

測試集用來檢查模型面對新資料時表現如何。

為什麼要切分？

如果模型只在訓練資料上表現好，不代表它真的會泛化到新資料。

英文：

A model should perform well not only on training data, but also on new, unseen data.

中文：

好模型不是背答案，而是要能處理沒看過的新資料。

測驗例子

如果你要建立一個天氣預測模型，正確流程是：

1
Find labeled weather data,
2
create a training set,
3
and set aside more data for the test set.

也就是：

1. 找有標籤的天氣資料
2. 用一部分資料訓練
3. 保留另一部分資料測試

定義

Overfitting 是模型太貼合訓練資料，導致面對新資料時表現不好。

英文：

Overfitting happens when a model learns the training data too closely and fails to generalize to new data.

中文：

過度擬合就像模型把考古題背起來，但遇到新題目就不會了。

常見原因

• 模型太複雜
• 參數太多
• 訓練資料太少
• 訓練太久
• 訓練資料有雜訊但模型也一起背下來

測驗例子

如果一個模型有非常多參數，例如 1100 個參數，但：

• 很耗資源
• 預測效果不好
• 對新資料表現差

這通常是 overfitting。

如何改善？

可能方法：

• 使用更多訓練資料
• 降低模型複雜度
• 使用 regularization
• 使用 validation set 調整模型
• 早停 / early stopping

為什麼重要？

在高風險領域，黑箱問題特別嚴重，例如：

• 醫療診斷
• 貸款審核
• 招募錄取
• 司法風險評估
• 保險價格

如果模型拒絕某人的貸款，但無法解釋原因，就會產生公平性、責任與信任問題。

定義

LLM (Large Language Model) 是訓練在大量文字資料上的模型，能理解與生成自然語言。

英文：

Large language models use probability to predict the next words or tokens in response to a prompt.

中文：

LLM 的核心是根據 prompt 和上下文，用機率預測下一個 token。

Token 是什麼？

Token 可以是：

• 一個字
• 一個詞的一部分
• 一個標點符號
• 一段常見字串

簡化理解：

1
Prompt: Artificial intelligence is
2
Model predicts likely next tokens:
3
- useful
4
- changing
5
- a
6
- transforming

LLM 不等於真正理解

LLM 能產生像人類的文字，但不代表它真的有意識、經驗或情感。

測驗中的「愛」的問題重點：

AI does not truly experience love. It compiles and generates responses based on patterns in human-created content.

中文：

AI 不是真的體驗愛，而是根據人類創造的內容整理出看起來合理的回答。

定義

Reasoning engine 是能根據資料進行推理、整理、決策、摘要或解決問題的系統。

英文：

A reasoning engine draws conclusions, makes decisions, summarizes information, and solves problems based on available data.

中文：

推理引擎會根據可用資料進行判斷、摘要、解題與推論。

它可以做什麼？

• 理解問題
• 分析資料
• 比較不同觀點
• 摘要文章
• 推導可能答案
• 協助腦力激盪

例如：

1
Use ChatGPT to request article titles on a topic.

這是 reasoning engine 很適合做的任務。

Crawling 是什麼？

Crawling 是搜尋引擎不斷瀏覽網頁、發現新頁面、更新索引的過程。

英文：

Crawling is a continuous process that helps a search engine keep its index up to date.

中文：

爬取是搜尋引擎持續掃描網頁、蒐集資訊、更新索引的過程。

Crawling vs Searching

定義

Hallucination 是 AI 自信地產生錯誤內容。

英文：

A hallucination occurs when an AI system presents a confident response that is actually false.

中文：

AI 幻覺是指 AI 看起來很有把握，但內容其實是錯的。

為什麼危險？

因為 AI 的語氣可能很肯定，使用者容易相信。

常見形式：

• 編造不存在的引用
• 說錯法律、政策或日期
• 產生錯誤的技術步驟
• 把不確定資訊講得像事實

如何降低風險？

• 要求提供來源
• 查核重要資訊
• 對醫療、法律、財務資訊特別小心
• 不要只因為語氣自信就相信

定義

Bias 是 AI 系統在資料、設計或輸出中呈現不公平或片面的傾向。

英文：

Bias occurs when an AI system produces unfair, incomplete, or one-sided results because of its data, design, or assumptions.

中文：

偏見可能來自訓練資料、設計假設、社會文化背景或使用者提示。

測驗例子

如果 AI 回答政治制度問題時，只提到：

1
federal and state governments

它可能呈現美國或西方中心觀點，而忽略其他國家的制度。

這就是：

1
The system is displaying bias toward a Western perspective.

常見偏見來源

• 訓練資料不平衡
• 特定文化或語言資料過多
• 歷史資料本身有歧視
• 測試資料不足
• 開發團隊缺乏多元觀點

生成式 AI 與著作權

測驗中的觀念包括：

• AI 生成圖片是否能受著作權保護，是一個重要法律問題
• AI 服務可能使用公開資料或使用者上傳資料進行訓練
• 是否能使用某些藝術作品，必須看 licensing agreement

英文重點：

A key ethical and legal question is whether the system can use the art within the current licensing agreement.

中文重點：

使用 AI 生成或訓練內容時，要確認素材是否在授權範圍內。

實務提醒

這類規則會因國家、年份、法院判例、平台條款而不同。測驗答案反映的是課程脈絡，不應直接當成法律意見。

實務上應檢查：

• 使用者條款 / Terms of Service
• 授權條款 / Licensing agreement
• 作品來源 / Source of content
• 是否允許商業使用 / Commercial use
• 是否允許訓練 AI / AI training permission
• 當地最新法律與政策 / Current law and policy

定義

Transparency 是讓使用者、客戶或利害關係人理解 AI 系統如何使用資料、如何做決策，以及有什麼限制。

英文：

Transparency means giving users meaningful insight into how AI systems work, make decisions, and use data.

中文：

透明度是讓人知道 AI 系統如何運作、如何使用資料、如何產生決策。

測驗重點

如果公司說客戶應該了解 AI 系統如何運作，這代表需要：

1
greater transparency into how these systems are making decisions

也就是：

1
讓使用者更清楚 AI 如何做出決策

缺乏透明度的風險

• 使用者不知道資料被如何使用
• 使用者不知道資料是否會被出售
• 客戶無法理解 AI 決策原因
• 難以追究責任
• 降低信任

測驗例子：

1
They were not transparent about how they use or potentially sell your data.

清楚的隱私政策很重要

如果一家公司使用 AI 系統，但沒有清楚說明資料如何被收集、使用、分享或出售，這是重大問題。

英文：

A company should share a clear and transparent privacy policy.

中文：

公司應該提供清楚透明的隱私政策，讓使用者知道資料如何被處理。

應該說明的內容

• 收集哪些資料
• 為什麼收集
• 資料會保存多久
• 是否分享給第三方
• 是否用於 AI 訓練
• 使用者能否刪除或退出

定義

Responsible AI governance 是組織為了安全、公平、透明、可問責地使用 AI 所建立的政策、流程與責任架構。

英文：

Responsible AI governance provides policies, procedures, and accountability structures for ethical AI development and use.

中文：

負責任 AI 治理是建立制度，確保 AI 的開發與使用符合倫理、安全、公平與透明原則。

測驗重點

如果公司要導入 AI，重要步驟包括：

1
Create a Responsible AI Policy and Governance framework.

以及：

1
Ensure that policies and procedures exist for ethical concerns.

Responsible AI Governance 應包含

• Ethical principles / 倫理原則
• Data privacy rules / 資料隱私規範
• Human oversight / 人類監督
• Bias testing / 偏見測試
• Transparency requirements / 透明度要求
• Security controls / 安全控管
• Risk assessment / 風險評估
• Accountability / 問責機制
• Safe-use boundaries / 安全使用邊界

Classification vs Regression

Supervised vs Unsupervised

Generative vs Discriminative

LLM vs Search Engine

如果看到 labeled data

想到：

1
Supervised learning

如果答案是類別：

1
Classification

如果答案是數字：

1
Regression

如果看到 reward

想到：

1
Reinforcement learning

如果提到 agent 學習哪個 action 最好：

1
Q-learning

如果看到 no labels

想到：

1
Unsupervised learning

如果是大量未標記資料但模型自己創造預測任務：

1
Self-supervised learning

如果看到 create / generate

想到：

1
Generative AI

如果看到 predict / classify / detect

想到：

1
Discriminative AI

如果看到 confident but false

想到：

1
Hallucination

如果看到 cannot explain decision

想到：

1
Black box

如果看到 ethical policy / procedures

想到：

1
Responsible AI governance