前一篇整理的是 Machine Learning（機器學習）的基本概念，
以及 AI（人工智慧）如何透過資料學習規律來做出預測：
機器是透過資料學習規律來做出預測。
但這樣的學習方式，其實還有一個很大的限制是，
機器能理解的「特徵」，往往還是需要人類先幫它定義。
——Deep Learning的問世，就是為了讓機器能夠自己從資料中學習，
而不需要人類事先定義特徵。
從整體架構來看，Deep Learning 是 Machine Learning 的一部分
Deep Learning（深度學習） 是什麼？在做什麼？
那麼，Deep Learning 是怎麼做到這件事的呢？
簡單來說，Deep Learning 是 Machine Learning 的一種方法，
它透過多層的神經網路，讓機器可以從資料中逐層學習出不同層次的特徵。
如果說 Machine Learning 需要人類告訴機器該看什麼，
那麼 Deep Learning 想做的，就是讓機器自己決定該看什麼。
換句話說，Deep Learning 不是只學習結果，
而是連「如何理解資料」這件事，也交給機器自己去完成。
例如，在判斷一張圖片裡的動物是貓還是狗時，
傳統的 Machine Learning 可能需要人類先定義一些特徵，
像是「耳朵的形狀」、「臉部的輪廓」或「邊緣的變化」，
再讓模型根據這些特徵來判斷圖片中的動物種類。
但在 Deep Learning 中，模型可以從原始的像素資料開始，
逐層學習並自行組合出這些特徵， 最終完成辨識是貓還是狗。
Deep Learning 是怎麼做到的？多層神經網路的運作原理
那麼，模型是怎麼從原始的像素資料，
一步一步學會這些特徵的呢？
——這背後的關鍵，其實就是所謂的「多層神經網路」——
所謂的「多層」，指的是模型會經過一層一層的處理，
每一層都會從前一層的結果中，抽取出更進一步的特徵。
例如，第一層可能只學到簡單的線條與邊緣，
接下來的層則會逐漸組合出形狀、輪廓，
再往上則可能形成像「耳朵」、「眼睛」這樣的結構，
最終才能辨識出整體是貓還是狗。
其實我在看教材的時候，
一直也無法理解為什麼透過這樣的設計，
就可以讓機器「學會自我學習」。
科學家們會給出很多理論式的解說，
但我始終覺得好像還有哪裡沒有被說明到的感覺。
但由於神經網路的設計概念源自於人類大腦，
或許就像我們至今仍無法完全理解大腦的運作方式一樣，
科學家也無法明確解釋，
Deep Learning 從輸入到輸出之間，究竟是如何做出決策的。
這樣的過程通常被稱為「黑箱模型（Black Box）」。
對我來說，在理解到某個程度之後，
與其不斷追問它「為什麼能這樣運作」，
我傾向先接受一個事實——
它確實可以運作，而且效果還不錯。
即使我們無法完全理解其中的決策細節，
AI還是非常好用的工具。
Deep Learning 的常見模型與應用
在理解了 Deep Learning 的基本運作方式之後，
那麼，它在實際應用中又是如何被使用的呢？
人類可以用同一套大腦處理不同類型的問題，
但對於 AI 來說，
通常需要根據任務的特性，
使用不同的模型來處理不同形式的資料。
因此，在實際應用中，
也發展出了各種不同的模型架構，
讓機器可以處理不同類型的資料與任務。
常見的 Deep Learning 模型如下圖所示：
這些模型並不是彼此競爭的關係，
而是根據不同的資料形式與問題，發展出各自擅長的方向。
例如，在影像相關的任務中，
常會使用 CNN（Convolutional Neural Network，卷積神經網路），
透過卷積運算來抓取圖片中的空間特徵。
而在時間序列或語言處理的任務中，
RNN（Recurrent Neural Network，循環神經網路）
則擅長處理具有前後關係的資料。
至於近年最重要的架構之一 Transformer（轉換器架構），
則大幅提升了自然語言處理的能力，
是目前許多大型語言模型（例如 ChatGPT）背後的核心技術。
另外，在生成內容的任務中，
常會使用 GAN（Generative Adversarial Network，生成對抗網路），
透過兩個模型之間的對抗學習，
讓機器能夠生成出看起來接近真實的影像或資料。
在實際應用中，
這些模型也不一定是單獨使用的。
許多 AI 系統，往往會結合多種不同的模型，
讓各自擅長的能力彼此配合。
例如，在自動駕駛系統中，
可能會使用 CNN 來進行影像辨識， 判斷道路、車輛與行人；
同時再搭配其他模型來處理路徑規劃或決策，
讓整個系統能夠做出更完整的判斷。
也就是說，Deep Learning 不只是單一模型的運作，
更常見的是多種模型共同組成一個系統。
AI / All Around You
在多數時候，我們並不會特別意識到這些技術的存在。
就像電影播放前，那段低聲的音效示範帶，
“all… around… you”，
聲音從不同方向悄悄出現，卻不容易被單獨注意。
AI 也是如此。
它並不總是以顯眼的形式存在，
卻早已分散在我們生活的各個角落。
或許，在你沒有特別留意的時候，
它就已經在影響你看到的內容、做出的選擇，
甚至是你與世界互動的方式。
——AI, all around you.
👉 延伸閱讀：
如果你想先理解 Machine Learning，可以參考這篇：
Artificial Intelligence 自學筆記（1）——什麼是 Machine Learning？
