從大腦啟發到深度學習：一窺 AI 找尋「資料背後特徵」的旅程
什麼是人工智慧（AI）與機器學習（ML）？
人工智慧（Artificial Intelligence, AI）是「打造智慧機器的科學與工程」（The science and engineering of creating intelligent machines）。而其中最核心的實踐方式就是機器學習（Machine Learning, ML）。
機器學習的經典定義來自 Arthur Samuel：「讓電腦具備在沒有明確程式設計下也能學習的能力」（The field of study that gives computers the ability to learn without being explicitly programmed）。這句話說明了 ML 的核心精神：從原始資料中學習並發現隱含的特徵。
一個簡單的例子：從 MRI 預測個人健康
讓我們以「從 MRI 影像預測一個人的健康狀況」為例，來理解 AI 模型的學習過程。
首先，模型會接收到 MRI 影像作為輸入 x，但原始影像對機器來說毫無意義。如下圖所示，即使人類能辨識大腦區域，模型仍無法直接從圖像中找出規律：
因此，我們需要先將影像轉換為機器能理解的形式，也就是向量化特徵 ϕ(x)，例如：
[0.1516516, 16516.51, ..., 15.5484984]
這樣的向量能作為模型的輸入，用來預測輸出 y。透過比較預測值 y 與真實標籤 t的差異（例如使用 L2 損失函數），模型就可以根據這個誤差來更新參數。整體架構如下：
f_w(φ(x)) → y （with ground-truth t）
這樣的設定就是我們熟知的 監督式學習（Supervised Learning），每個輸入 x 都有一個對應的正確答案 t。
特徵不是那麼容易找出來
然而，資料之間的特徵並不總是明顯。例如下圖左側，原始資料無法簡單用一條線就分開兩類：
這時我們可能會透過手工設計特徵（hand-designed features），例如使用：
φ₁(x) = √(x₁² + x₂²)
將資料重新映射到新的空間，如此一來分類邊界就變得簡單許多。但手工特徵設計成本高、彈性差，因此人們開始思考：是否能仿造人腦的結構來自動提取特徵？
仿腦啟發：從神經元到深度學習
人腦中有約 860 億個神經元（neurons），以及 1014 ~ 1015個突觸（synapses），這些結構成為 AI 架構設計的靈感來源。
1. Spiking Neural Networks（SNN）
這類架構模仿大腦的「積分放電」（integrate-and-fire）機制：
- 神經元持續對輸入脈衝進行電位積分
- 當電位高於閾值時發出脈衝（spike）
- 發放頻率或時間即用來編碼訊息
這是較生物真實的模擬方式，代表系統如 IBM 的 TrueNorth 晶片。
2. Artificial Neural Networks（ANN）
現今最廣泛應用的是類神經網路（ANN），其關鍵機制包含：
- 加權和（Weighted Sum）：每層神經元根據權重整合輸入
- 非線性（Nonlinearity）：如 ReLU 將結果變形，增加模型表現力
- 反向傳播（Backpropagation）：根據損失計算梯度，更新參數以學習資料中的特徵
這三者讓神經網路能自動從資料中學習複雜表示，而不需人為設計特徵。
深度學習：讓神經網路變「更深」
當我們將神經網路層數進一步加深，就形成了我們熟悉的「深度學習（Deep Learning）」。如下圖，每一層都像是在抽取資料中的一層意義：
這可用以下數學形式表示：
其中，每個 ϕi 代表第 i 層的處理函數，輸出作為下一層的輸入，形成一個逐層抽象的特徵階層（hierarchy of concepts/features）。
AI 發展三波：歷史中的演進
- 第一波：Cybernetics（控制論） | 1940s–1960s
→ 模仿神經元與控制迴路，代表模型為 McCulloch–Pitts，因技術限制未持續發展。
- 第二波：Connectionism（連結主義） | 1980s–1990s
→ 發展 Backpropagation，出現 MLP、Hopfield Net、Boltzmann Machine 等，但資料不足。
- 第三波：Deep Learning（深度學習） | 2006–至今
→ Hinton 提出 DBN，GPU 與大數據推動 CNN、RNN、Transformer 普及。
Big Data 時代：讓學習更簡單
過去，我們若只有少量資料，必須倚賴精心設計的演算法來彌補樣本不足；
但在 Big Data 時代：
- 訓練樣本大量增加
- 模型能在海量樣本中自動學習特徵
- 甚至簡單模型也能表現良好（不一定要設計很複雜）
這也是為什麼說：「大數據讓機器學習變得容易了」。
機器學習的三要素為：
- 模型（Hypothesis）
- 資料（Data）
- 學習演算法（Learning Algorithm）
只要資料足夠，就像給模型提供了強大燃料，它能自己學會你想要的東西。
總結
從 MRI 特徵提取，到模仿人腦結構的神經網路與深度學習，我們看到 AI 的核心就是從資料中找到特徵的能力。透過層層堆疊的函數結構，我們正逐步接近一種 自動理解世界的方式 —— 也就是今天深度學習的真正價值。
