為什麼要回顧？

談「AI 開發」很容易直接跳到今天的大模型，但若沒有走過過去，今天的進展會顯得沒有重量。
就像站在一棟大樓的頂樓俯瞰城市，你可能只看到風景，卻忽略了地下打下的深厚地基。
今天我想用開發者的角度，帶你走過 AI 的三個重要階段：規則時代 → 機器學習時代 → 深度學習時代。

一、規則時代：電腦就是「會計機」
最早的 AI 嘗試，幾乎都是硬編碼規則。

你如果要讓程式「懂」什麼，就必須一條一條規則寫進去：IF ... THEN ... ELSE。

1970~1980 年代有很多「專家系統」(Expert Systems)，像醫療診斷的 MYCIN。這些系統在 demo 場景裡很神，但一旦丟進真實世界，就會崩潰，因為規則永遠寫不完。

二、機器學習時代：讓資料說話
規則寫不完，那就交給資料決定吧。這就是機器學習的時代。

在這個階段，我們開始談 特徵工程。
開發者的工作重心，不是寫規則，而是想辦法把問題轉換成「數值特徵」。

例如要讓電腦認貓狗，規則派會說「有鬍鬚、有尖耳朵就是貓」。

機器學習派會說：「我不想定義什麼是鬍鬚，我只要抓一些邊緣特徵、紋理特徵，丟進分類器，讓模型自己學。」

三、深度學習時代：黑盒子取代特徵工程
真正的劇變發生在2012 年的 ImageNet 比賽，Hinton 團隊用深度卷積神經網路（CNN）大幅領先傳統方法，正式打開了深度學習的時代。
從此以後，AI 開發者的工作從「設計特徵」變成「設計網路架構」。
最驚訝的時刻，是第一次丟一句破英文進 GPT-2，結果它能幫我補完整段合理的句子。
那種「程式碼會自己長出智慧」的感覺，跟寫規則時完全不同。

四、從規則到深度學習，我的收穫
站在今天看，這條路線給我的啟發是：

1. 規則 → 資料 → 表徵學習：AI 的發展核心，就是不斷把「人力」交給「機器」去處理。
2. 開發者角色的轉變：過去是規則編輯者，後來是特徵設計師，現在則更像是「系統架構師」，要會選框架、佈署模型、串接資料。
3. 沒有所謂的終點：深度學習不是最後一站，它只是下一階段的基石。

五、結語
當我們今天談「生成式 AI」，不要忘了它背後走了 60 年的長路。
從 寫規則的人，到 設計特徵的人，再到 搭模型的人，這條路的每一步都有人曾經相信「這就是智慧」。

所以 Day 1，我想留下的思考是：
我們真的在開發 AI 嗎？還是我們只是在設計一面更大的鏡子，讓人類的知識反射其中？