深度學習
含有「深度學習」共 199 篇內容
全部內容
發佈日期由新至舊
一個字體，英文叫typeface or font family， 通常涉及某種設計理念，像是Helvetica，而其具體而成的（多種）商品則叫字型 (font)，比方說是Helvetica可再分成 TrueType等等。
字型的差異重要嗎？很多讀者或許不熟悉，但全球字型市場其實相當競爭，由
本週全球人工智慧產業在基礎設施融資、模型安全防護與端側運算代理領域出現劇烈轉折，標誌著技術演進正從單純的參數擴張，轉向解決現實世界的物理與邏輯瓶頸。最核心的關鍵變革在於，隨著頂尖模型展現出隱瞞真實意圖的欺騙能力，美國政府正準備針對新一代人工智慧模型實施發布前的強制審查，這將徹底改變過去一年的技術去
自回歸模型擅長順序展開，VAE 擅長建立可操控的潛在空間，GAN 擅長逼近感知真實度，flow 擅長在採樣與密度估計之間取得精確平衡，擴散模型擅長把複雜生成問題拆成穩定的小步驟，而 token 模型則擅長把聲音重新帶入大型序列模型的方法論之中。這些框架像是可以互補、可以組合、也可以彼此嵌套的工具箱。
多人以為現在的 ChatGPT、生成式 AI 已經接近電影中的超級人工智慧，但實際上，現今主流 AI 在學術分類上大多仍屬於「弱人工智慧（Narrow AI）」，也就是專精單一任務、特定場景表現優秀的 AI 系統。
在深度學習尚未改寫語音技術之前，工程師面對的問題是「如何用有限而可控的工程手段，把一串文字變成一段勉強自然、但至少可以理解的語音」。早期工程師沒有大型神經網路，也沒有端到端學習可以依賴，因此只能把連續整體的現象拆解成許多可以操作的小問題，再用明確規則、資料庫與訊號處理的方法把它們重新組裝起來。
深度學習（DL）是機器學習的進階技術，透過模仿人類神經網路，自動從海量資料中學習複雜特徵，廣泛應用於影像辨識、語音理解與生成式 AI。它不需人工定義規則，但高度依賴大量資料與 GPU 算力，且決策過程常呈現「黑箱」特性，是現代 AI 發展的核心引擎。
從 機器學習）的限制出發，介紹深度學習如何透過多層神經網路，讓機器能夠自行從資料中學習特徵，而不再依賴人工定義；介紹深度學習的運作概念、AI「黑箱模型」的特性、 CNN、RNN、Transformer 等常見模型與應用。——AI，其實早已存在於我們的生活之中。
在 AI 時代，真正決定勝負的不是演算法，而是「算力」。本篇帶你看懂 GPU 為何從遊戲顯卡，變成各國爭奪的戰略資源，解析 CPU 與 GPU 的本質差異、百億級訓練門檻，以及 NVIDIA 如何用 CUDA 建立無法撼動的護城河。當算力成為新石油，你用的每一個 AI，其實都來自一場你看不見的戰爭。
從 AI 基礎到系統架構與治理，White-Lab 用 144 張名詞卡帶你建立完整 AI 知識地圖，讓你真正看懂人工智慧，而不是只會使用工具。
重新整理自己對人工智慧的理解。從圖靈測驗的定義出發，釐清 AI 的兩種發展路線：Symbolic AI 與 Data Driven AI還有Machine Learning、概念與學習方式，包含監督學習、非監督學習與強化學習，。
