AI 是什麼？人工智慧、機器學習與深度學習一次分清楚

修 IBM 的入門課之前，我把「AI」「機器學習」「深度學習」當成三個可以互換的流行詞。分清楚之後，很多科技新聞與產品文案突然就看得懂了。

這篇用入門者的視角，把人工智慧的基礎觀念整理成一篇：三個詞的關係、機器到底怎麼學、你每天已經在用哪些 AI，以及為什麼「負責任」從第一天就該學。

AI 是什麼：讓機器做需要智慧的事

人工智慧（Artificial Intelligence）最直白的定義是：讓機器執行原本需要人類智慧才能完成的任務，例如理解語言、辨識影像、做決策、解決問題。它不是某一項單一技術，而是一整個領域的總稱，底下涵蓋許多不同的方法與流派。

三層同心圓：AI、機器學習、深度學習

• 人工智慧：最外圈。一切讓機器展現智慧行為的技術都算，包括早期靠人手寫規則的專家系統。
• 機器學習：中間那圈。不再靠人寫死規則，而是讓演算法從資料中自己找出規律，資料越多通常學得越好。
• 深度學習：最內圈。用多層類神經網路的機器學習方法，擅長影像、語音、自然語言這類複雜資料，也是近年 AI 突破的主要引擎。

舉個例子就懂了：早期的垃圾郵件過濾器靠工程師手寫規則（出現某些字就擋），那是最外圈的傳統 AI；後來改用機器學習，讓模型從大量郵件裡自己學會分辨；如今的影像辨識與語音助理，背後則多半是深度學習。方法一路演進，目標始終沒變：讓機器把事情做對。

機器怎麼學：三種學習方式

• 監督式學習：用「有標準答案」的資料訓練。例如給模型看大量標好「貓 / 狗」的照片，讓它學會分類沒看過的新照片。
• 非監督式學習：資料沒有標籤，讓模型自己找出結構。例如把消費行為相似的客戶自動分群。
• 強化學習：靠嘗試與回饋學習，做得好得到獎勵、做不好受到懲罰，常用於遊戲對弈與機器人控制。

三種方式沒有優劣之分，只有適不適合：有標準答案的預測問題交給監督式，想從資料裡挖出未知結構用非監督式，需要在環境裡邊做邊學的控制問題則交給強化學習。實務上，一個產品背後常常三種都有。

你每天已經在用的 AI

AI 不是未來式。手機相簿自動認出誰是誰，是電腦視覺；語音助理聽懂你說話，靠語音辨識與自然語言處理；影音平台知道你想看什麼，是推薦系統；信箱幫你擋掉垃圾郵件，是分類模型。這些都是 AI，只是它們安靜到你不會注意。

下次看到「AI 驅動」的產品介紹，可以先問一句：它背後是哪一種方法、用什麼資料訓練？這個小習慣會讓你更快看穿行銷話術。

生成式 AI 帶來什麼改變

傳統模型主要做辨識與預測；生成式 AI 則能創造新內容：寫文章、畫圖、作曲、生成程式碼。它的基礎是在海量資料上預訓練的大型模型，你透過提示（prompt）與它互動。這也是為什麼近年 AI 突然變得人人可用：你不需要會寫程式，會描述需求就能讓它工作。

用 AI 也要負責任

入門階段就該建立的觀念是：AI 的輸出取決於訓練資料，資料有偏見，模型就會放大偏見；模型可能一本正經地說錯話，重要決策要保留人工把關；涉及個人資料時，隱私與透明度不是可選項。懂得 AI 能做什麼，也懂得它不該做什麼，才算真的入門。