鬧鐘還沒響,手錶已經知道你「快醒了」
吃驚點:智慧手錶的「智慧鬧鐘」不是看時間,是看你的睡眠階段——它挑你進入淺眠的那一刻叫你,所以起床才不痛苦。
手錶整晚收集加速度計與心率訊號,用訓練好的模型把每一段時間「分類」成深睡、淺睡、快速動眼期。這正是最經典的監督式學習:分類問題——用大量「已標註答案」的睡眠資料教出來的。
監督式學習分類 Classification感測器資料
初級《人工智慧基礎概論》— 監督式學習的定義與分類任務;考題最愛問「這屬於哪種學習類型?」
你看了手機一眼,它就開了
吃驚點:解鎖的瞬間,手機朝你的臉打出 30,000 個看不見的紅外線光點,建出 3D 臉部模型,再由晶片裡的神經網路比對——全程不用連網。
Face ID 這類臉部辨識是電腦視覺 + 卷積神經網路(CNN)的日常代表作,而且模型直接跑在手機晶片上(On-device / 邊緣 AI),所以你戴眼鏡、留鬍子、剛睡醒都認得,你的臉部資料也不必上傳雲端。
電腦視覺CNN邊緣 AI(On-device)
🤯 30,000 個紅外線光點建 3D 臉模
初級《人工智慧基礎概論》— 電腦視覺應用、生物辨識;邊緣運算 vs 雲端運算的取捨也是常考題。
滑一下天氣 App:要不要帶傘?
吃驚點:傳統天氣預報要超級電腦算上好幾個小時;AI 氣象模型(如 GraphCast)不到 1 分鐘就能產出未來 10 天的全球預報,九成以上驗證指標還贏過傳統數值預報。
它不解物理方程式,而是用圖神經網路(GNN)從 40 年的歷史氣象資料裡「學」出大氣怎麼變化。你手機上那個小小的降雨機率,背後是深度學習吃下整顆地球的資料。
深度學習圖神經網路 GNN大數據
🤯 10 天全球預報 < 1 分鐘
中級《機器學習技術與應用》— 深度學習模型家族與應用場景;《大數據處理分析與應用》— 大規模資料訓練。
電子鍋比你會煮飯——而且它是 30 年前的 AI
吃驚點:早在 1990 年代,日系電子鍋就把「Neuro Fuzzy」印在機身上——模糊邏輯 + 類神經網路,依米量、水溫動態調整火力曲線。AI 進你家廚房,比進你手機早了 20 年。
模糊邏輯(Fuzzy Logic)讓機器能處理「有點多、稍微硬」這種不非黑即白的判斷,是 AI 發展史上「專家系統」時代的親戚。洗衣機的「智慧水位」也是同門師兄弟。
模糊邏輯AI 發展史
初級《人工智慧基礎概論》— AI 發展歷程(符號主義、專家系統到機器學習);考古題出現過「模糊邏輯屬於哪個時期」。
導航說 8:12 到,它是怎麼「未卜先知」的?
吃驚點:Google 地圖導入 DeepMind 的圖神經網路之後,部分城市的即時到達時間(ETA)預測準確度最高提升近 50%。它不只看現在塞不塞,還預測你「到那裡的時候」塞不塞。
路網被切成一段段「Supersegment」組成的圖,模型同時吃歷史車流與即時回報,做的其實是時空序列的迴歸預測——猜一個連續數字(分鐘數),和猜類別的分類問題正好是一對。
圖神經網路 GNN迴歸 Regression時序預測
🤯 ETA 準確度最高提升近 50%
中級《機器學習技術與應用》— 迴歸 vs 分類的辨別;《AI 技術應用與規劃》— 即時預測系統的技術選型。
上國道:沒停車、沒人看,錢就扣了
吃驚點:台灣的 ETC 靠 AI 影像辨識車牌。遠通電收導入深度學習後,年錯誤案件從約 75 件降到 8 件,人工辨識人力少了六成;這套技術還輸出泰國,泰文車牌辨識率達 98%。
車牌辨識 = CNN 影像辨識 + OCR 文字辨識的組合技,還要克服落葉遮擋、逆光、雨天等真實世界的髒資料——所以工程師用多門架交叉比對、AI 預判光線調整相機參數。你每天經過的門架,就是全台最大的電腦視覺考場。
電腦視覺CNNOCR
🤯 年錯誤案件 75 件 → 8 件 (台灣在地!)
初級《人工智慧基礎概論》— 影像辨識應用;中級《AI 技術應用與規劃》— 導入 AI 的效益評估(人力成本、錯誤率)。
📜 歷史彩蛋:CNN 之父楊立昆(Yann LeCun)的 LeNet,早在 1996 年就被裝進銀行的支票判讀機——到 2001 年,全美約 10% 的支票(一天 2,000 萬張)是神經網路讀的金額。你以為深度學習是這十年的事?它悄悄上班快三十年了,喵。
打開信箱,乾乾淨淨——你沒看到的才是重點
吃驚點:Gmail 的機器學習每天默默攔下 99.9% 的垃圾信與釣魚信;導入 TensorFlow 深度學習模型後,一天又多抓 1 億封漏網之魚。
垃圾郵件過濾是機器學習教科書的第一課:二元分類(垃圾/不是垃圾)。從早期的樸素貝氏(Naive Bayes)統計字詞頻率,進化到今天的深度學習讀懂語意——你的「檢舉垃圾信」按鈕,就是在幫模型標註訓練資料。
二元分類樸素貝氏NLP
🤯 99.9% 垃圾信被擋在你看到之前
初級《人工智慧基礎概論》— 分類經典應用;「使用者回饋改善模型」= 資料標註概念,考題常見。
刷卡買咖啡的那 0.001 秒,AI 幫你抓過小偷
吃驚點:你「嗶」下去的大約 1 毫秒內,Visa 的 AI 已經比對了 500 多項風險特徵,幫這筆交易打完盜刷風險分數——一年幫發卡機構擋下約 250 億美元的詐欺。
這是異常偵測(Anomaly Detection):模型學會你的消費習慣(地點、金額、時段、商家類型),一旦出現「不像你」的交易就立刻示警。所以人在台北、卡在國外被刷,銀行常常比你先知道。
異常偵測即時推論
🤯 1 ms 內比對 500+ 項風險特徵
中級《機器學習技術與應用》— 異常偵測與不平衡資料(盜刷樣本極少);這是「非監督/半監督應用」的高頻考點。
午餐的薯條,每一根都被 AI 看過
吃驚點:國際大型薯條與馬鈴薯產線,普遍用 AI 光學分選機高速掃描每一根薯條——瑕疵、黑點、異物,在輸送帶上就被氣槍瞬間打掉。
食品分選是電腦視覺的隱形主場:鏡頭 + 光譜感測器拍下影像,模型即時分類「良品/瑕疵品」,速度遠超人眼。同樣的技術也在挑咖啡豆、堅果、回收瓶罐。你只是吃個薯條,其實吃的是一條深度學習產線的畢業作品。
電腦視覺分類即時影像處理
初級《人工智慧基礎概論》— 製造業 AI 應用(瑕疵檢測);考題常以「工廠品檢」情境出現,答案幾乎都是電腦視覺。
你打字,AI 幫你選字——輸入法就是迷你 LLM
吃驚點:注音打「ㄐㄧㄤˇ」,它知道你要「講」不是「獎」——因為輸入法一直在做語言模型做的事:根據前文預測下一個字。ChatGPT 的核心原理,你 20 年前打簡訊就在用了。
選字、自動修正、預測文字,全是 NLP 語言模型的日常版;開會時的即時字幕則是語音辨識(STT)。差別只在規模:輸入法是小模型,LLM 是把同一件事放大一億倍,大力出奇蹟。
語言模型NLP語音辨識
初級《生成式 AI 應用與規劃》— 語言模型「預測下一個 token」的核心原理;拿輸入法當例子,考試想忘都難。
問公司 AI:「特休怎麼算?」它還附出處
吃驚點:公司的 AI 客服不是「背過」員工手冊——它是先檢索、再回答:即時翻出內部文件裡最相關的段落,餵給 LLM 照著答。這招叫 RAG(檢索增強生成),是企業 AI 的當紅主流架構。
RAG 讓模型「開書考」而不是「憑記憶亂掰」,大幅減少幻覺(Hallucination),文件更新也不用重新訓練模型。這類服務多半跑在 Azure、AWS、GCP 的雲端 AI 平台上,用 API 呼叫就能組出來。
RAGLLM向量資料庫雲端 AI 服務
初級《生成式 AI 應用與規劃》— RAG 流程與幻覺對策,近年配分最重的新考點之一;雲端 AI 服務選型亦常考。
和 ChatGPT 聊天:它怎麼接得住你的每一句話?
吃驚點:你看到的回答像是一口氣寫完,其實 ChatGPT 會先把文字切成 token,一次只預測「下一個 token 最可能是什麼」;每生成一個,就把它接回上下文再猜下一個。
背後的核心架構叫 Transformer。它的 Self-Attention(自注意力)會在每一步重新衡量前文中哪些 token 最重要,再把可能的下一個 token 排成機率分布,反覆生成後才成為完整回答。文字很流暢不代表內容已查證——它是在預測合理文字,所以仍可能產生幻覺。
TransformerSelf-AttentionToken 預測LLM
🤯 每一步只預測 1 個 token,再接著猜下一個
初級《生成式 AI 應用與規劃》— Transformer、自注意力、token 與下一詞元預測;也要理解流暢回答仍可能出現幻覺。
網購:「猜你喜歡」怎麼真的猜中了?
吃驚點:它不用認識你,只要找到「跟你買過同樣東西的陌生人」——他們還買了什麼,就推給你什麼。這招叫協同過濾,是推薦系統的看家本領。
另一路是購物籃分析(關聯規則):從百萬張發票裡挖出「買 A 的人常順手買 B」的隱藏規律,決定商品怎麼擺、優惠怎麼綁。你的每一次點擊、停留、加入購物車,都是餵給大數據管線的訓練資料。
推薦系統協同過濾關聯規則大數據
中級《大數據處理分析與應用》— 協同過濾、關聯規則(支持度/信賴度)是計算題常客,用逛蝦皮的記憶去背,喵。
拍晚餐:路人一抹就消失,背景自己長出來
吃驚點:「魔術橡皮擦」擦掉路人後,那塊背景不是本來就在——是生成模型憑周圍像素「腦補」出來的(影像修補 Inpainting)。你手機裡早就內建了生成式 AI。
人像模式的夢幻散景,是影像分割先把人和背景切開、再用演算法模擬大光圈;夜景模式是多張連拍 + AI 合成。現在的手機攝影,一半是光學,一半是深度學習變魔術。
生成式 AI擴散模型/Inpainting影像分割
初級《生成式 AI 應用與規劃》— 影像生成應用(Stable Diffusion 同族技術);生成 vs 判別模型的差異是必考觀念。
相簿自動幫「阿嬤」開了一個資料夾
吃驚點:從來沒人告訴手機「這是阿嬤」,它卻把阿嬤的照片全歸在一起——因為它根本不需要知道答案,只要發現「這些臉長得像」就夠了。
這是非監督式學習:分群(Clustering)的教科書示範。模型先把每張臉轉成一串數字(特徵向量 Embedding),再把距離近的向量歸成一群。沒有標準答案也能找出資料結構——這正是它和監督式學習最大的分界線。
非監督式學習分群 Clustering特徵向量 Embedding
初級《人工智慧基礎概論》— 監督 vs 非監督的辨別題;中級《機器學習技術與應用》— K-means 等分群演算法。
追劇:你以為是你在選片?
吃驚點:Netflix 上你看的內容,約 80% 來自推薦系統;YouTube 全站觀看時數的 70% 是演算法推給你的。今晚「你挑的」那部片,其實是模型早就替你排好的。
串流平台的推薦引擎混用協同過濾、內容特徵與深度學習排序模型,連封面圖都會針對你的口味個人化 A/B 測試——同一部片,愛看愛情片的你和愛看動作片的朋友,看到的封面可能不一樣。
推薦系統深度學習排序A/B 測試
🤯 Netflix 80% / YouTube 70% 來自推薦
中級《大數據處理分析與應用》— 推薦系統架構與評估指標;《AI 技術應用與規劃》— 個人化服務的商業效益。
掃地機器人夜巡:它在畫你家的地圖
吃驚點:它邊掃邊做 SLAM(同步定位與地圖建構)——在完全陌生的房間裡,一邊搞清楚「我在哪」一邊畫地圖。新機種還特別訓練了電腦視覺辨識寵物的「意外」,看到就繞道,甚至有品牌敢為此打包票。
避開電線、辨識拖鞋、規劃最省時的清掃路徑——一台掃地機器人同時用上感測器融合、物件偵測與路徑規劃,是你家裡自主性最高的 AI 載體,自駕車的迷你遠親。
SLAM物件偵測路徑規劃
中級《AI 技術應用與規劃》— 機器人與自駕領域的感知/決策/控制架構;SLAM 一詞在情境題出現過。
你睡了,AI 沒睡:它在幫地球省電
吃驚點:你今天的照片、訊息、雲端硬碟都躺在資料中心裡;DeepMind 用強化學習控制 Google 機房冷卻系統,像打電動一樣「試錯拿獎勵」,直接省下 40% 冷卻用電。
強化學習(Reinforcement Learning)不靠標準答案,而是靠「行動 → 環境回饋 → 獎勵」不斷修正策略——和訓練 AlphaGo 下棋是同一套邏輯。你一整天用的雲端 AI 服務(Azure/AWS/GCP),就運行在這些被 AI 優化的機房裡:AI 管理著跑 AI 的機器,喵。
強化學習獎勵函數雲端 AI 服務MLOps
🤯 機房冷卻用電 −40%
初級《人工智慧基礎概論》— 強化學習的「代理人/環境/獎勵」三要素,和監督式的差異是超高頻考點。