AI 發展的核心，可以分成「機器學習」和「深度學習」兩個階段。這兩者名稱相似，但差別其實不小。

機器學習 (ML) 的想法是：讓電腦從資料中學規則，而不是人類手動寫程式。以垃圾郵件分類為例，傳統寫規則很麻煩，但如果我們丟給電腦一堆標記好的郵件，它就能自己學會哪些特徵代表垃圾信。這種方式很有效，但需要工程師幫忙設計「特徵」，也就是哪些資料可能重要。

深度學習 (DL) 則是機器學習的一種進化版，核心是「人工神經網路」。和傳統方法不同，深度學習能自動從大量資料中學到特徵。以影像辨識為例，它會自己學會先抓邊緣、再辨識形狀，最後判斷整張圖是貓還是狗。

深度學習的爆發，靠三大因素：GPU 算力提升、網路帶來的大數據，以及演算法的改良。2012 年的 ImageNet 競賽，深度學習模型 AlexNet 一戰成名，之後 AI 就徹底被改寫。

可以這樣比喻：
機器學習是「需要人劃重點的學生」。
深度學習是「能自己抓重點的學生」。
今天我們用的 ChatGPT，就是建立在深度學習之上的成果。如果說機器學習讓 AI 能「看懂資料」，那深度學習就是讓它「更像人類思考」。