人工智慧為什麼能夠這麼厲害？這就得提到三個讓AI持續變強的秘密武器：機器學習、深度學習和強化學習。這三種技術就像AI的超級教練，讓它能自己學習、解決問題。接下來，我們就一起來看看這「法寶」到底是什麼吧！

一、機器學習 (Machine Learning)
利用投餵不同的數據資料去訓練人工智慧，進而讓它能夠自動學習並做出決策，而不需要明確的規則編程。
如同我們在學校老師上課教導我們課本內容、訓練我們思考，進而發展出屬於自己的自主學習模式。

依照投餵不同的數據可分為：

1. 監督式學習(Supervised Learning)：被動學習
   簡單來說，以一個電腦未知的資料去對應一個標籤，如：給出雞的照片告訴你這就是雞。
   每一筆資料都對應了一個標準答案（標籤），不斷的對比、修正的過程中讓電腦學會如何精準預測。
   其中，很大的缺點在於我們人類必須不斷製造資料與標籤才能擴張電腦的認知範圍，不然機器也不會自己學習。

2. 非監督式學習（Unsupervised Learning）：自行摸索
   在沒有基礎認知下先依靠自己的觀察和理解能力先做題目，主要以歸類為主，如：給出各種不同動物的照片，叫你歸類出哪些是兩隻腳的動物、哪些為四隻腳的動物。
   此時我們只需給出一堆數據資料，讓電腦摸索其規律性，不斷地重複並提高自己的認知範圍。
   其隱藏的缺點在於，機器分類過程中可能造成不具重要性的特徵被過度放大，產生無意義的分類結果。

3. 強化學習：獎懲機制
   像訓練狗一樣，跟他說握手、達成了就有飼料吃。讓機器自行與自然互動，透過環境的正向、負向回饋形成不同的刺激，每一次的 ”Trial and Error” 能夠讓它對其認知領域更加熟悉了解。

＊延伸：強化學習中的馬可夫決策過程（MDP）
描述在一系列狀態和行動中，如何通過選擇最佳行動來最大化累積獎勵的問題，它描述了狀態、行動、獎勵和轉移概率之間的關係。

MDP由以下幾個要素構成：

• 狀態：當前情況或環境。例如，遊戲中AI角色的位置、健康值、敵人位置等。
• 行動：可以做出的行動。在每個狀態下，AI可以選擇不同的行動來改變其狀態。
• 獎勵：做出某個行動後獲得的反饋。獎勵可以是正的（如達成某個目標）或負的（如失敗或受到懲罰）。
• 轉移概率：從當前狀態轉移到下一個狀態的可能性。AI通過多次嘗試學習狀態之間的轉移規律。
• 折扣因子：對未來獎勵的重視程度，通常值在0到1之間。越接近1，越重視長期回報。

二、深度學習（Deep Learning）
在了解深度學習之前，要先了解神經網路，神經網路由輸入、隱藏圖層、輸出組成，觀察資料輸入後經圖層中如大腦般不同節點的傳輸處理，新結果在輸出出來。而深度學習就是由數十、百層神經網路組成的，讓機器能夠如同一個類人腦一樣處理資料。
這項技術綜合了上述的三種學習模式，讓深度學習可以分析更複雜的資料、降低錯誤率、提高精確度。深度學習被認為是推動AI革命的重要技術，從圖像識別、語言處理到遊戲AI，它能夠發揮的功能相當廣泛，這項技術可以說是推動現在各式AI百花齊放的主要推手之一。

＊延伸：深度學習底下的重要技術、常見應用
深度學習底下的重要技術和數學關聯性較大也較為複雜，以下是他們的簡單解釋：

1. 激活函數
   一種數學函數，用於神經網絡中，決定每個神經元的輸出並引入非線性，使網絡能夠學習和擬合複雜的數據模式

2. 反向傳播（Backpropagation）
   是一種神經網絡訓練算法，通過計算損失函數後最小化預測錯誤

3. 梯度下降（Gradient Descent）
   梯度用於指示如何調整損失函數的參數以減少損失，而梯度下降是基本原理是根據損失函數的梯度，調整權重以減少損失。

常見應用：

1. 圖像識別－卷積神經網絡（CNN）
   CNN提取圖像中的局部特徵（如邊緣和紋理），並減少特徵維度。最終，這些特徵會被用於圖像分類或物體檢測。
   例如，Google的Inception和ResNet模型在圖像分類中取得了優異的成績。
2. 語音識別-循環神經網絡（RNN） 和長短期記憶網絡（LSTM）
   處理序列數據，學習語音信號中的時間依賴性。
   例如，Google的DeepMind開發的語音識別系統能夠將語音轉換為文本，並在語音助手中廣泛應用。
   

機器學習、深度學習和強化學習就是AI不斷強大的三大絕技，也是它不斷進化的關鍵。隨著這些技術越來越成熟，以後AI和我們成為工作夥伴就會變成新常態。