AI不僅能辨識車牌、人臉，還能進行語音辨識、指紋辨識，還能閱讀文章理解其語意幫我們摘要，它之所以能像人類一樣彷彿擁有五官以及思考能力的「大腦」究竟是如何運作、又用到了何種技術呢？讓我們一起來看看吧。

一、人工神經網絡（ANN）：模仿人腦神經元相互連接的多層架構
我們的大腦是由數十億個神經元組成並透過神經突觸互相連結，ANN中的「神經元」也組成不同層級，並通過數學方式模擬信息的傳遞與處理。

原理：

1. 神經元接收輸入訊息（輸入層）-可能是圖片的像素值、聲音數據、或者數字資料
2. 通過特定的公式進行處理（隱藏層）-根據「權重」（每個輸入的重要性）加上「偏置」（類似於一個修正因素）產生輸出
3. 過神經元傳遞輸出（輸出層）
4. 計算預測結果與實際值之間的差距，這個差距反映了模型預測的準確性（損失層）透

例如：
在圖片識別中，第一層神經元可能處理的是圖片的像素，後面的層會逐步處理更複雜的特徵，如邊緣、形狀，一層層處理後後才會辨識出一隻貓或狗。

對應我們人類大腦處理圖像時：
當我們觀看一個物體時，大腦首先辨識簡單的線條、區塊和顏色、然後逐步進行細節的觀察，最後才會成功辨別是什麼物體

• 「深度神經網路架構」的應用
  如同先前機器學習的單元中提到，深度學習的人工智慧就是由數百層的神經網絡所組成，也就是一個輸入層、中間經好幾層個隱藏層處理、由輸出層輸出、最後一個損失層計算誤差，隨著層數越多、能處理的資訊就多越詳細。

例如：

1. 電腦視覺-
   自動駕駛：識別道路標誌和其他道路使用者
   內容審核：從影像和影片封存中移除不安全或不當的內容
   影像標籤：可識別品牌標誌、服裝、安全裝備和其他影像詳細資訊

2. 語音識別-將對話即時轉化為文件、為影片和會議錄音提供準確的字幕

3. 自然語言處理-虛擬客服人員、對長篇文件進行商業智慧分析、主題的文件摘要和文章產生

• 類型

1. 前饋神經網絡：信息單向流動，不會回饋到先前的節點
2. 回饋網絡：具有內部記憶，能夠處理具有時間順序的數據（如序列數據）
3. 反向傳播演算法：
   前向傳播：輸入數據層層傳遞，最後得到一個預測結果
   反向傳播：計算預測結果和實際結果之間的誤差，然後將這個誤差從輸出層逐步往回傳，更新每一層的權重、減少誤差（梯度下降法），透過試錯的過程，使每一次預測結果更接近真實值

<正則化技術 (Regularization)：處理過擬合>

什麼是「過擬合」：在訓練數據上表現得非常好，但在未見過的測試數據上表現差，表示模型過度適應了訓練數據中的噪聲或特異性，而不是學習到一般化的規則或模式。就像一個學生對於課本上的題目很熟練，但對於變化性高的題目卻束手無策。

如何解決-Dropout：
在訓練過程中，隨機地「丟棄」一定比例的神經元，防止神經網絡過於依賴某些特定的神經元，促進更好的特徵學習。

二、卷積神經網絡（Convolutional Neural Networks, CNNs）
接下來要介紹的也是神經網絡底下最重要的類型之一、更是日常中最常見的AI應用：圖片辨識

1. 核心結構：

• 輸入層：接收圖像的像素值，例如一張28x28像素的黑白圖片會轉化為784個像素點，每個點都有一個灰度值。
• 多層卷積層：卷積層模擬視覺皮層的工作方式，使用卷積核滑動過圖片，檢測局部特徵如邊緣、角落和顏色等。層數增加、可以看到或辨識到更複雜的特徵，如：通過觀察線條最後辨識出文字。卷積層實際上是在不同層次上「看」圖片
• 池化層：池化層用來縮減數據的維度、將圖片的解析度降低，只保留重要的特徵。
• 全連接層：類似於傳統的神經網絡，根據提取出的特徵進行分類或預測。

2. 訓練與學習：通過前面所提到的反向傳播演算法不斷的調整權重

總結來說，AI之所以能像人類一樣處理各種複雜的任務，無論是語音辨識、圖片分類，還是文本理解，都是靠著他們萬能的「大腦」-神經網絡架構。