AI到底是怎麼學會東西的？五個中學生也能懂的基本概念
2026年9月6日・AI學習筆記
原創／鄭文堡
今天在書店翻到劉潤的《進化的力量4》，裡面談到面對AI時，我們需要建立不同層次的知識。除了知道現在AI發展到哪裡、開始實際使用、多方探索之外，作者還提到一個我以前比較少碰的部分：就算不是資訊工程師，也可以稍微理解一些AI最基本的運作原理。
看到這裡，我第一個反應其實是：「我有需要學這麼深嗎？」
因為，我不會寫程式，也沒有打算成為AI工程師。這幾年我每天使用AI，主要是拿來整理資料、討論問題、協助寫作與研究，甚至慢慢把自己二十多年累積下來的八字經驗重新整理，發展成自己的十神心理學。對我而言，AI是一個工具，也是一個研究助手，我真正關心的是它能不能幫助我節省時間、打開思考，而不是有一天自己跑去訓練一套人工智慧。
可是，我後來想想，覺得懂一點基本原理還是有其必要。
就像我們每天開車，不需要知道怎麼製造引擎，也不需要先去念機械工程，但是油門、煞車、方向盤各自在做什麼，最好還是知道。否則每天都在使用一個東西，卻連它大概怎麼運作都完全沒有概念，好像也少了一點什麼。
所以我乾脆把書裡提到的幾個AI基本概念重新弄懂，再用自己看得懂的方式整理一次。沒有公式，也不談程式，程度大概就是一個普通中學生也能理解。
一、神經網路：讓AI從資料裡找出規律
假設今天給你看一千張狗的照片，裡面有黃金獵犬、柴犬、哈士奇，也有大狗、小狗、黑狗、白狗。看久了以後，即使下一張照片出現的是一隻你從來沒有看過的狗，你大概還是能夠判斷：「這是一隻狗。」
AI也需要學習辨認這些規律。
神經網路可以簡單理解成一套由許多數學節點彼此連接而成的系統。AI在訓練的過程中，會不斷調整裡面的數值與連結，慢慢從大量資料裡學到某些模式。至於背後那些複雜的數學，我覺得像我這樣的一般使用者其實不用硬學，只要先記住一句話就好：
神經網路，就是讓AI從資料裡學習規律的一種基本架構。
二、深度學習：把神經網路做得更深
如果把神經網路想像成一棟房子，那麼「深度學習」可以先粗略想像成：這棟房子有很多層。
當神經網路具有多層結構時，不同層次可以逐步處理資料中的不同特徵，最後組合成更加複雜的模式。今天AI之所以能夠辨認圖片、處理語音、分析文字，背後大量使用的就是深度學習相關技術。
所以這一個名詞，我也只留下一個最簡單的記法：
深度學習，就是利用多層神經網路學習更複雜的模式。
三、監督學習：老師拿著答案教學生
這個概念最好懂！
假設老師拿出一張照片告訴學生：「這是狗。」再拿出另外一張：「這是貓。」接下來再拿第三張：「這也是狗。」學生一開始可能會答錯，但是經過大量有答案的題目練習之後，慢慢就能找到規律，開始學會分辨狗和貓。
這就很接近監督學習的概念。
也就是我們提供帶有答案或標籤的資料，讓AI從這些例子裡學習輸入和答案之間的關係。所以我自己的記法非常簡單：
監督學習，就是拿有答案的題目教AI。
四、強化學習：從行動與回饋中調整策略
假設今天你第一次玩一款完全陌生的遊戲。一開始不知道規則，亂走一通，結果死掉了。第二次你開始知道：「這個地方可能不能走。」下一次換另外一條路，結果得到獎勵。玩久以後，你慢慢摸索出哪些策略比較容易得到好的結果。
強化學習可以先用這樣的方式理解。
系統透過行動與回饋，逐漸調整自己的策略，學習哪些做法比較能達成設定的目標。實際的AI訓練當然比這個例子複雜很多，但對一般使用者來說，先理解核心概念就夠了。
所以我把它記成：
強化學習，就是AI透過行動和回饋，慢慢調整策略。
五、模型參數：AI學習之後留下來的大量數值
這是我以前最看不懂的一個名詞。
我們常常在新聞上看到：「這個AI有幾十億參數」、「那個模型有幾百億參數」。第一次看到的時候，很容易以為參數越多，是不是代表AI腦袋裡面裝了幾百億條知識？
其實不能這樣理解。
AI經過大量訓練之後，模型內部會形成非常多經過調整的數值。這些數值共同影響模型接收到一個問題、一段文字或其他資訊之後，接下來如何運算與產生結果。因此，所謂幾百億個參數，並不代表AI裡面存放著幾百億條百科全書式的答案。
我最後還是把它簡化成一句自己記得住的話：
模型參數，就是AI經過訓練之後形成的大量數值設定。
懂到這裡，我覺得已經夠了！
把這五個概念弄懂之後，我反而有一種鬆了一口氣的感覺。
原來我不需要因為看不懂程式、演算法與數學公式，就覺得自己跟不上AI時代。每一個人的工作不同，需要理解AI的深度本來就不一樣。工程師可能需要知道模型怎麼訓練、演算法怎麼設計、程式怎麼寫；但對一個每天使用AI協助工作的人而言，至少知道自己正在使用的東西大概是怎麼運作的，就已經很有幫助。
最後，我把今天學到的五個概念再次濃縮：
神經網路：從資料中學習規律。
深度學習：用多層神經網路學習複雜模式。
監督學習：拿有答案的題目教AI。
強化學習：透過行動與回饋學習策略。
模型參數：AI訓練之後形成的大量數值設定。
這五句話，我覺得對我來說已經足夠。
因為我學AI的目的，並不是有一天成為AI工程師，而是希望知道AI能做什麼、不能做什麼，哪些地方可能出錯，又有哪些地方可以真正幫助我的工作。
尤其當我開始累積越來越多文章、講義、案例與研究資料之後，我現在更在意的是：未來能不能把這些散落的專業經驗，慢慢整理成可以搜尋、比較與交叉研究的知識資產，再利用AI協助我從大量資料裡找出以前一個人很難發現的關聯。
AI可以幫我整理，可以幫我比較，可以提出它看到的可能性，但最後這個觀點到底合不合理，還是要回到我的專業經驗與真實案例裡重新判斷。
這可能才是我現階段學習AI最重要的目的。
AI進步得非常快，今天很新的技術，幾年以後也可能變成非常普通的工具。我沒有必要每一項技術都追，也沒有必要什麼都學。
我只需要知道，怎麼讓AI替我省下時間、整理知識、協助研究，再把省下來的時間留給自己真正擅長，而且只有自己能夠完成的事情。
會開車的人，不需要學會製造引擎。
但至少知道油門、煞車和方向盤在做什麼，開車的時候，心裡會更有底。
---閱讀靈感｜劉潤《進化的力量4》
這篇文章的起點，來自我在誠品書店閱讀劉潤《進化的力量4》時，看到書中關於AI不同知識層次，以及一般人也值得理解AI基本原理的討論。本文再依照自己的學習需求，將其中提到的五個AI基本概念重新查證、理解，並整理成一般粉友也容易閱讀的版本。