人工智能基础概念
基础AI ⊃ 机器学习 ⊃ 深度学习。机器学习从大量例子自己学规律；训练是学（喂资料调参数），推断是用（对新输入给答案）。资料质素决定模型质素；AI 会出错会幻觉，重要决定要人覆核。
- 三层关系：AI 包住机器学习，机器学习包住深度学习。
- 机器学习 = 从大量例子自己学规律，不是逐条规则写死。
- 训练是学（预测、对答案、调参数），推断是用（判断新输入）。
文体小知识：原理讲解课先讲清楚概念和规则，再用实例演示，令抽象的设计方法变得具体易明。
§课文原文 Passage
1人工智能（AI）是令机械做到需要人类智慧的工作的技术：听懂说话、认出图像、下棋翻译。实现 AI 的主流方法叫机器学习（Machine Learning）：不是由程式员逐条规则写死，而是喂大量例子给电脑，让它自己从中学出规律。深度学习（Deep Learning）又是机器学习的其中一支，用模仿脑神经连接的神经网络，是图像识别和聊天机械人背后的核心技术。三层关系由大到小：AI 包住机器学习，机器学习包住深度学习。
2两个关键词要分清楚：训练（Training）是学习阶段 — 喂给模型十万张已标签的猫狗照片，模型不断预测、对答案、调整内部参数，规律就是这样磨出来的。推断（Inference）是使用阶段 — 训练完成的模型见到一张从未见过的新照片，输出「猫，信心 92%」。就像学生：温书是训练，考试做新题目是推断。
3AI 早已融入香港日常：手机面容解锁用图像识别、Siri 和语音输入法用语音识别、网购平台用推荐系统估你想买什么、电邮服务用垃圾邮件过滤器拦住诈骗邮件、公立医院用 AI 协助分析 X 光片。这些应用背后都是「从大量资料学规律」的机器学习模型。
4但 AI 不是万能。它只认得训练资料里见过的规律：资料有偏差，学出来的规律就跟著歪；它不明白内容的真正意思，所以可能一本正经地讲出完全错误的答案（称为幻觉，Hallucination）。模型的质素直接取决于资料的质素 — 垃圾资料入，垃圾结果出。所以重要决定必须由人覆核，AI 只可以是助手。
1重点摘要 Summary
AI ⊃ 机器学习 ⊃ 深度学习。机器学习从大量例子自己学规律；训练是学（喂资料调参数），推断是用（对新输入给答案）。资料质素决定模型质素；AI 会出错会幻觉，重要决定要人覆核。
2生字卡 Vocabulary
令机械执行需要人类智慧的任务的技术，例如识别语音、图像和翻译。
AI 的主流方法：不写死规则，让电脑从大量例子中自行学出规律。
机器学习的分支，用模仿脑神经的神经网络学习，擅长图像、语音和语言任务。
模仿脑神经连接的分层计算结构，是深度学习的基本构件。
用大量例子教模型的阶段：预测、对答案、调整内部参数，反复进行。
训练完成的模型应用到新输入、给出答案的阶段。
训练产出的成品：内含学到的规律和参数，可以对新输入做判断。
训练用的一大批例子，例如十万张已标明是猫还是狗的照片。
AI 一本正经地讲出与事实不符的内容；因为它不懂真实意思，只会估规律。
3逐步讲解 Steps
- 分清三层关系人工智能（AI）、机器学习（Machine Learning）、深度学习（Deep Learning）是三个常被混用的词，实际是「大圈包小圈」的关系。AI 是最大的圈，泛指一切令机械做出需要人类智慧工作的技术，包括早期的下棋程式、专家系统；机器学习是 AI 的一个子集，指「从资料中自己学出规律」的方法；深度学习又是机器学习的一个分支，使用模仿脑神经连接的神经网络。举例：手机面容解锁属于深度学习，所以它同时属于机器学习，也属于 AI；但早期会走迷宫的机械人属于 AI，却未必用机器学习。三层关系是考试常见的选择题考点。
- 写死规则与机器学习传统程式与机器学习的分别，用垃圾邮件过滤说明最清楚。传统做法（写死规则）：程式员逐条写下「内容含有『免费中奖』便拦截」，起初有效，但骗徒把字眼改写或用图片夹带文字，规则立即失效，程式员要不停追著修补。机器学习做法：把一万封已由人工标签「垃圾」或「正常」的邮件喂给系统，让它自己从中找出垃圾邮件的特征（用字、连结、发送模式）；遇到新花招的邮件，由于系统已掌握一般规律，仍能认出大部分。真实的电邮服务正是采用机器学习过滤，并随新资料持续更新。
- 训练过程逐步看以训练「猫狗分类器」为例，机器学习的训练分五步：第一步，准备资料集——十万张相片，每张由人工标明「猫」或「狗」，标签就是标准答案；第二步，模型看一张相片后给出预测，例如「狗」；第三步，对答案——其实是猫，预测错了；第四步，模型根据误差调整内部数以百万计的参数，令下次预测更接近正确；第五步，重复第二至四步十万次，模型的准确率由起初胡乱猜测，逐步升至九成以上。训练的关键在于资料量与资料质素：例子越多、标签越准，学出的规律越可靠。
- 推断是怎样发生训练完成后便进入「推断」（Inference）阶段：模型应用于从未见过的新资料。例子：训练好的猫狗分类器收到一张新相片，内部运作是把相片的特征——毛色、耳形、脸部比例、胡须——与学到的规律比对，最后输出「猫，信心 92%」。重点：模型并非记住十万张相片，而是学到一套判断规律，正如学生不是背下所有练习题，而是掌握解题方法。所以模型可以处理全新的相片；但也因此，若新相片与训练资料差异太大（例如画风抽象的猫图），模型可能判错——它只认得「见过的世界」。
- 四类日常应用对号入座机器学习已渗入香港日常，四大类应用对号入座。图像识别：手机面容解锁、相簿自动把相片分类成人像与风景、公立医院用 AI 协助分析 X 光片。语音识别：语音输入法打出广东话、智能音箱听懂指令。推荐系统：网购平台首页的「你可能喜欢」、影片平台自动播放下一集，都是模型根据你的浏览纪录预测喜好。自然语言处理：聊天机械人回答客户查询、翻译应用程式即场翻译菜单。辨识练习：见到任何智能功能，先问「它从什么资料学出什么规律」，多数能猜中背后的技术。
- 资料质素决定一切模型质素的上限由资料质素决定，行内说法是「垃圾入，垃圾出」。例子一：想训练分辨水果成熟度的模型，资料集只有青苹果相片，模型便会把红苹果全部判为「不成熟」或「异常」——因为它从未见过红色。例子二：训练人脸辨识的资料集若以某一肤色为主，对其他肤色的辨识准确率便会明显较低，构成不公平。所以建立资料集要遵守三项要求：量大（例子足够多）、准确（标签正确无错）、覆盖广（包含各种情况：不同光线、角度、类型）。日后若你训练模型，花在整理资料的时间通常远多于训练本身。
- AI 的两大局限AI 有两个根本局限，必须认清。第一，不懂便会编造：大型语言模型本质是预测「下一个最像样的字」，问它一条不存在的历史事件，它可能一本正经地编出年份、人物、细节，这叫「幻觉」（Hallucination），答案看似流畅却完全虚构。第二，只认见过的规律：训练资料全是日间交通相片，夜间相片便可能认不出；规律有偏差，学出来的判断便跟著偏差。因此医疗诊断、法律意见、信贷审批等重大决定，AI 只能辅助，最终必须由人覆核。使用 AI 的正确态度：把它当博学但会出错的助手，答案必须查证，不可照单全收。
- 正确使用 AI 的操守作为学生，认识 AI 也要懂得正确使用。学习用途：用 AI 解释不懂的概念（例如请它用三种不同方法解释完全平方公式）、生成分类练习题自测，都是好的用法；直接抄袭 AI 写的功课，既违反学校规则，也令自己失去练习机会——考试时 AI 帮不了你。私隐守则：不要把个人资料（姓名、学号、住址、相片）输入公开的 AI 服务，这些资料可能被储存或用于训练。查证习惯：AI 答案必须用课本、官方网站核对。香港的中学已陆续把 AI 素养纳入课程，初中建立正确观念，对高中选修与日后升学就业都有长远益处。
4图解 Diagrams
5例题示范 Example
例题：分辨以下四项哪些属于机器学习、哪些属于传统程式：(a) 计数机做加数 (b) 手机面容解锁 (c) 用公式把摄氏转华氏 (d) 电邮垃圾邮件过滤。
- (a) 计数机：加数有固定算法，程式员逐条写死 → 传统程式。
- (b) 面容解锁：要从千变万化的面孔、光线、角度中辨认，无法写死规则，靠大量人脸资料训练 → 机器学习。
- (c) 摄氏转华氏：公式 F = C × 95 + 32 固定不变 → 传统程式。
- (d) 垃圾邮件过滤：诈骗手法不断变化，要从大量已标签邮件学规律、持续更新 → 机器学习。
- 答案：(b) 和 (d) 属于机器学习；(a) 和 (c) 属于传统程式。判断准则：需要从资料中学规律的是机器学习，规则可以一次写死的是传统程式。
6常见错误 Mistakes
75 题快测 Quick check
Q1AI、机器学习、深度学习的正确包含关系是？A. 深度学习 ⊃ AI ⊃ 机器学习 B. AI ⊃ 机器学习 ⊃ 深度学习 C. 三者互不相干
Q2模型训练和推断的分别是什么？
Q3「面容解锁」属于哪类 AI 应用？A. 图像识别 B. 语音识别 C. 推荐系统
Q4AI 的「幻觉」（Hallucination）是指什么？
Q5为什么重要决定（例如医疗诊断）不能全交给 AI？
8重点回顾 Recap
- 三层关系：AI 包住机器学习，机器学习包住深度学习。
- 机器学习 = 从大量例子自己学规律，不是逐条规则写死。
- 训练是学（预测、对答案、调参数），推断是用（判断新输入）。
- 日常应用四类：图像识别、语音识别、推荐系统、自然语言。
- 资料质素决定模型质素；AI 会出错会幻觉，重要决定由人覆核。