“The pace of progress in artificial intelligence (I’m not referring to narrow AI) is incredibly fast. Unless you have direct exposure to groups like Deepmind, you have no idea how fast—it is growing at a pace close to exponential. The risk of something seriously dangerous happening is in the five-year time frame. 10 years at most.” —Elon Musk wrote in a comment on Edge.org

AI的應用

這幾年可以說是AI元年，各種AI應用如雨後春筍般冒出，用於聊天的大型語言模型ChatGPT、AI繪圖MidJourney、AI生成影片Sora、AI寫程式Copilot等等…，AI可以用於非常多的領域。

什麼是AI?

由這張圖可以看到，AI裡面包含機器學習(Machine Learning)和深度學習(Deep Learning)，而機器學習裡面又包含深度學習。

在介紹這兩個機器學習跟深度學習之前，我們先介紹演算法是什麼。

演算法的定義是解決問題的方法，可以把它想像成一個函數，我需要輸入資料，然後輸出答案。

假設我寫出了下圖的函數，這就是一個演算法，輸入是今天下雨的機率，輸出是明天下雨的機率。

這邊的x就是特徵(變量)，2就是這個特徵的權重。

有了特徵跟權重的概念後，我們來看什麼是機器學習和深度學習

機器學習跟深度學習跟演算法一樣，目的都是要找到一個函數，讓輸入資料後的輸出答案盡可能貼合正確的資料。只是在機器學習和深度學習中，我們稱函數為模型。

基本上在AI領域，這些模型的參數(特徵+權重總共的未知數)都是億起跳的，你可能很難想像這樣的函數，當然也不是人腦能形容的。所以AI被稱為黑盒子也不是沒有道理的，雖然一切都是以數學作為基礎，但是大量的參數與數據，實在是來自深淵的怪物。

那麼，機器學習跟深度學習是怎麼去構造出模型(函數)的?

深度學習跟機器學習到底差在哪?

身為AI浪潮中的散戶，我們能做些什麼?

下一篇會以簡單的方式做介紹！