「神經網路不是會自動萃取特徵嗎？為什麼還要做特徵工程？」

走進某場大型產研合作研討會，台上剛講完幾套傳統統計與特徵工程的篩選流程，坐在第一排、穿著名牌西裝的長官舉起手。語氣裡沒有惡意，更多的是一種發自內心的好奇與不解——彷彿在他所接收到的科技新知裡，深度學習早就進化到無所不能，不懂我們這群工程師為何還要花大把時間在底層做手工細活。

老實說，遇到這種好奇發問的長官已經算運氣非常好了。在產業界更常見的極端狀況，是某些業主或長官「非類神經網路不可」——開口閉口拿著科技新聞追問架構，只要你的提案裡底層不是深度神經網路，就直接扣上一頂「不夠前瞻、不算 AI」的帽子打回票。

但在實務現場，這件事到底有多危險？

回顧這十幾年來市面上非常常見的 AI 科普演講、顧問簡報或是各類入門培訓，幾乎所有推廣的標準流程全都是同一套起手式：

1. 第一步，先從 2012 年 ImageNet 影像辨識大賽的 AlexNet 奇蹟開始講起，順便秀一下模型如何輕易分辨照片裡到底是「貓」還是「狗」。

2. 第二步，投影片切換成幾張圖文並茂的醫療影像，展示 AI 如何在毫秒間圈出肺部結節。

3. 第三步，放幾張工廠產線的瑕疵檢測照片，證明演算法能精準抓出金屬表面的微小刮痕。

以科普推廣來說，這展現了簡報者的智慧。早期大眾對 AI 還不熟悉，影像直觀、貓狗分類圖文並茂，最容易讓人留下深刻印象。如果一開頭就跟台下講工業現場環境有多複雜、資料有多破碎，這場演講根本不利於推廣。

但所有講者在台上不會、也不利於跟觀眾說明的，是藏在這些「科技奇蹟」背後的環境落差與嚴格前提。

醫療影像的相對可控，與工廠現場的半開放殘酷

為什麼在影像領域，大家敢宣稱「特徵不需要工程師手動挑，神經網路會自己抽」？

因為那些能拿來發論文、打比賽的資料庫，背後的取樣環境是「相對可控」的。

從網路上抓幾百萬張照片標註貓狗、或是打 ImageNet 大賽，那是全世界數以萬計的工程師與工讀生，一張一張手工清洗、去噪、對齊標籤後的標準考卷；而醫學影像之所以能大量落地，一方面具備高度標準化的設備規範與 DICOM 協議，另一方面則是受檢者在流程上的積極配合——放射師把病人推定位，大喊一聲「吸氣！閉氣！」，在那個當下，病人只能乖乖屏住呼吸、身體僵直不敢動彈。

它的背景相對單純、擺位受規範約束、設備遵從醫療標準，取樣條件相較於外部世界是極端可控的。更關鍵的是，影像具備天然的空間幾何局部性（Spatial Locality），神經網路（CNN）利用相鄰像素之間的天然拓撲，當然能順藤摸瓜地從邊緣紋理一層層抽到高階語意特徵。

但工業現場哪有這種好條件？實體環境的苛刻，遠比相對可控的醫學資料複雜得多。

工廠裡的許多機台與產線，受限於整體動線與設備體積，先天就只能是「半開放式」的環境。機台在運轉、吊車在頭頂跑、堆高機隨時在旁邊進出，根本不可能把整條產線封進無塵暗箱裡。工程師當然可以用盡一切手段去降低外在干擾：在地板上鋪黑布吸光、架設遮光板、用同軸光源硬壓反光，但外在變異永遠都在發生。午後夕陽稍微從鐵皮屋縫隙斜射進來、沖壓機一震動讓鏡頭晃動、切削油霧附著在鏡片上，如果團隊以為「神經網路會自動搞定一切」而省去硬體防護與前處理，昨天訓練好的模型當場就變成了瞎子。

這兩年業界甚至換了個更新潮的名詞，叫多模態視覺語言模型（VLM），但骨子裡的偷懶毛病完全一模一樣：「現在連大模型都看得懂圖片了，我們直接把產線照片丟給大模型，不是連特徵都不用挑了嗎？」

VLM 確實降低了通用常識的辨識門檻，但它這輩子唯一沒看過的，就是你家產線上的特殊工況！只要你端出來辨識的物件，是連普羅大眾看一眼都會皺著眉頭說一聲「蛤？這啥？」的冷門工業瑕疵（例如特定聚合槽內的樹脂裂化、晶圓邊緣微裂紋），通用模型立刻被打回原形。偏偏在製造業裡，這些外人一聽只會說「蛤？」的冷門領域，才是決定工廠幾千萬損益的命脈。沒有領域專家的特徵定義與引導，最新最潮的 AI 在現場一樣只會跟著大家一起發出「蛤？」。

更不用提 AlphaGo 的圍棋奇蹟了。十九路乘十九路的黑白棋盤，規則嚴絲合縫、勝負邊界完全封閉，既沒有原料批次晃動，也沒有現場人員插單干擾。拿封閉棋盤與相對可控的醫療影像，去套用在連遮光板都要人工膠帶貼半天的半開放工廠現場？這從一開始就是一場美麗的誤會。

破除迷思：數據量不夠大時，類神經網絡連傳統機器學習都打不過

「如果神經網路真的能自動萃取一切特徵，那特徵工程在網路上的討論聲量，現在應該早就趨近於零了。」

類神經網路與特徵工程從來不是非此即彼的對立面。即使你今天要用類神經網路，前面扎實做完特徵工程，神經網路收斂的速度會快上數倍，泛化能力也更穩健！

更現實的一點是：類神經網絡是極端飢渴的「數據吞噬怪獸」，在工業實體資料量不夠大時，它的表現往往比傳統機器學習還要差得多！

在影像與語音領域，因為有海量的預訓練權重與空間結構可借鑑，神經網路確實強大；但在工廠每天面對的結構化表格資料中，欄位之間充斥著時間滯後與真實的物理因果。當你的有效資料只有幾百筆、幾千筆，或者有效瑕疵樣本極其有限時，深度神經網路的多層參數只會迅速過擬合（Overfitting），把隨機雜訊當成神明供奉。這時候，能快速正交切分臨界點的傳統機器學習（如隨機森林、XGBoost）或統計模型，在穩定度與表現上往往能輕易把深層神經網路按在地上打。

退一步說，就算你的工廠每秒採樣、坐擁幾千萬筆海量數據，只要各欄位缺乏影像的幾何拓撲關係，跳過特徵物理因果梳理的神經網路，只會以極高算力更快地把感測器漂移、停機雜訊與虛假相關，自動萃取成致死的假象。

特徵工程是神經網路的營養來源，而不是被它革職的替代品。

在企業數位轉型的斑斑血淚裡，往往能看到幾億、甚至幾十億的專案最後落得慘劇收場，本質上就是科普教材給了業主虛幻期待，而外部不良廠商又順水推舟，共同促成了這場「跳過特徵理解、堅持算法非用神經網路硬套不可」的鬧劇！

在產線現場，模型上線不是結束，而是漫長維運的開始。當你硬塞進一個上百萬參數的深層神經網路，一旦幾個月後產線微調、原料批次變更，系統指標往往瞬間雪崩。

在那個當下，災難爆發了：指標一崩潰，現場根本沒有任何一個人知道黑盒子裡到底是「哪根神經在抽筋」！

你找不到失效的因果鏈、無法向盤控人員交代為什麼昨天可以今天不行，外部廠商兩手一攤說環境漂移要重新報價，而產線為了避免產品報廢，現場只能被迫全線切斷系統，退回人工手動操作。 耗資上億打造的智慧中控台瞬間淪為擺設，巨額投資直接打水漂，這就是「非神經網路不用」所換來的沉痛代價。

甲乙雙方的避坑指南：別讓「神經網路」成為專案的催命符

正因為「硬塞神經網路」與「跳過特徵篩選」在實務中太過普遍、踩坑的代價太過昂貴，這兩套避坑防線必須反覆強調：

• 身為甲方（發包方／業主企業）：小心開口閉口「用神經網路就不用特徵篩選」的廠商。 在專案招標或技術對齊時，只要遇到外部廠商宣稱「我們用最前瞻的深度學習架構，丟原始資料進去就會自動萃取特徵，貴司不用辛苦整理物理欄位」，請立刻提高警覺。這類廠商要麼是只在學術無菌室刷過榜的團隊，要麼就是打算拿現成套件交差了事；他們不敢花成本去理解你的產線物理邏輯，只想用黑盒子交出一份好看的離線報告，等到系統上線被打回原形時，拍拍屁股留下一地雞毛的只會是甲方。

• 身為乙方（系統整合商／技術顧問）：小心「非類神經網路（NN）不用」的業主。 當業主主管把「有沒有用 Neural Network」當作唯一的驗收標準，甚至堅持「這案子用規則或傳統機器學習就是不夠前瞻」時，你千萬別暗自慶幸案子好蒙混。遇上這種業主，往往意味著現場對問題定義與物理特徵毫無掌控力；你硬著頭皮塞進深層神經網路交差，上線幾個月後指標一旦雪崩，現場無人能解，業主第一個究責砍頭的絕對就是接案的乙方。

摘掉浮誇的名詞，回歸 f() 的本質

說到底，這個世界不需要那麼多「屌炸天」的最新名詞。

演算法的本質，就只是一個映射函數 f()。我們在第十一章提過的那些規則防線、統計公式，以及機器學習與神經網路，都只是工具箱裡的不同檔位而已。

統計學大師喬治·博克斯（George Box）有一句傳世名言：

「All models are wrong, but some are useful.（所有模型都是錯的，但有些是有用的。）」

演算法從來不是去複製上帝眼中的絕對真理。它的目的，是在我們定義好的物理邊界內，針對輸入的 X 與目標 Y，能不能建立起一個足夠好、足夠穩定、且能扛住現場惡劣環境變異的對應關係。

• 如果一條透明清晰的多元線性回歸線，就能穩定控制住反應爐的壓力波動，那它就是價值連城的好模型。

• 如果一組帶有上下限防呆的規則引擎，就能攔截掉 80% 的產線跳車風險，你何必非得塞進一個連自己都解釋不了的多層神經網路？

在工業落地的真實世界裡，挽起袖子走進油污滿佈的現場，搞清楚每一個欄位背後的物理因果、過濾掉雜訊、親手把關鍵特徵挑出來，這永遠不是過時的土炮，而是讓演算法在現實重力下能夠活著運轉的唯一根基。

小結：神經網路取代不了特徵工程，更取代不了其他演算法

類神經網路不是點石成金的魔術棒。它既沒有辦法取代扎實的特徵工程，也沒有辦法全盤取代其他層級的演算法。 特徵工程能替神經網路鋪平道路、大幅加速計算，而透明的低層級模型往往能替產線保住最寶貴的可解釋性。

在十四天摸底期的尾聲，當團隊試圖用「神經網路會自己抽特徵」來掩飾對資料因果的一無所知時，身為在第一線扛維運責任的工程師，請務必保持清醒——因為當指標崩潰、黑盒子無人能解而被迫全線退回人工手動時，那筆幾千萬甚至幾十億硬套黑盒所換來的慘烈學費，黑盒子裡的神經元可不會替你扛下任何責任。

【下一篇預告】

既然知道了演算法的本質就是 f()，那麼在專案摸底的關鍵時刻，最重要的命題隨即浮出水面：到底該如何客觀評量 Y 與 X 的對應關係是真正「良好」且能用的？

很多團隊指著簡報上超過 99% 的準確率歡呼，卻沒看出現場製程本來就極端穩定，模型根本只是寫了一行極端平庸的常數在「猜平均」；而在離散分類的戰場上，更有過往產線血淚案例那樣，表面上 Precision 和 Recall 雙雙破九成，丟到現場卻因為極端不平衡資料導致誤報率一塌糊塗、整天狼來了擾民的慘劇。

當鼎鼎大名的 SPC 管制圖在工廠被罵到臭頭、毫無後續行動綁定的預測月報變成浪費碳粉匣時，我們到底該如何畫出動態的「閾值曲線（Threshold Curve）」、算清代價矩陣，建立起真正的權責治理？

下一篇，我們來拆解專案落地的第五個致命盲區：《第十五章｜危險徵兆 5：驗收標準的障眼法——被「猜平均」掩蓋的誤報災難》。