上一篇中，大致了解 AI 產業發展是一個分層的產業生態系：基礎層、技術層和應用層。其中，基礎層涵蓋了晶片、大數據與網路等硬體和資料基礎；技術層則是人工智慧的核心，包含機器學習、自然語言處理和電腦視覺等關鍵技術；而最終，這些技術的價值需要透過應用層在不同場景中落地，才能產生龐大的商業價值。

人工智慧（AI）的發展核心在於讓機器能夠自主學習與分析，而非僅僅依賴於預設的程式碼。目前，AI 主要聚焦在三大領域：機器學習、自然語言處理和電腦視覺，各自擁有獨特的技術與廣泛的應用。

1. 機器學習：AI 的學習引擎

機器學習（Machine Learning） 是讓電腦從數據中自動學習並建立模型，進而做出預測與決策的核心技術。

• 深度學習：作為機器學習的關鍵分支，它採用多層次的神經網路來模擬人腦運作，能自動從大量數據中提取複雜特徵。
• AlphaGo 的啟示：AlphaGo Zero 的成功證明了機器可以透過強化學習與自我對弈，在沒有任何人類指導的情況下，也能獨立學習並超越人類。
• 開源生態推動：Google 的 TensorFlow 和 Microsoft 的 Caffe 等開源框架，降低了技術門檻，加速了 AI 技術的普及與發展。

2. 自然語言處理（NLP）：讓機器聽懂人類語言

自然語言處理（NLP）旨在讓電腦能夠理解和生成人類語言。

• 語音辨識：這是 NLP 的基礎，讓機器能「聽懂」人類語言。這項技術透過深度神經網路，已能達到與人類相似的準確率。其運作流程包含聲音預處理、特徵提取與模型建構等步驟。
• NLP 模型：
  • Word2vec：將詞彙轉換成向量，用來量化詞彙之間的相似性。
  • 循環神經網路（RNN）：適合處理如文本般的序列數據。
  • 門控循環單元（GRU）：一種更進階的 RNN 模型，能更有效地處理長篇文本。

3. 電腦視覺：讓機器看見世界

電腦視覺（Computer Vision）讓機器能夠「看懂」影像與影片內容，核心在於透過特徵提取和分析來辨識物體。

• 運作流程與應用：從圖像採集、目標提取到目標分析，電腦視覺技術已廣泛應用於即時監控、車輛辨識等領域，大幅減輕了人工負擔。
• 人臉辨識：一種基於人臉特徵的身份識別技術。它分為1:1 對比（用於身分驗證）和1:N 對比（用於大規模搜尋）。儘管準確率持續提升，但面對雙胞胎或整形後的人臉，仍存在技術挑戰。活體檢測技術則有效防堵了照片詐騙。

4. 產業生態與發展趨勢

AI 產業生態圈涵蓋了從技術研發到市場應用的多種角色，並呈現出多樣化的商業模式。

• 主要參與者：
  • 科技巨頭：如 Google，透過整合硬體與軟體，打造完整的 AI 生態系統。
  • 傳統廠商：如 科大訊飛，憑藉深厚的技術累積，專注於特定垂直領域。
  • 新創公司：以其靈活度，專攻利基市場，填補了巨頭們的空缺。
• 應用模式：AI 服務主要分為 2B（企業級）、2C（消費者級） 和 2B2C 三大類，服務範圍從技術支援到終端產品都有涵蓋。