人工智能基礎概念
基礎AI ⊃ 機器學習 ⊃ 深度學習。機器學習從大量例子自己學規律；訓練是學（餵資料調參數），推斷是用（對新輸入給答案）。資料質素決定模型質素；AI 會出錯會幻覺，重要決定要人覆核。
- 三層關係：AI 包住機器學習，機器學習包住深度學習。
- 機器學習 = 從大量例子自己學規律，不是逐條規則寫死。
- 訓練是學（預測、對答案、調參數），推斷是用（判斷新輸入）。
文體小知識：原理講解課先講清楚概念和規則，再用實例演示，令抽象的設計方法變得具體易明。
§課文原文 Passage
1人工智能（AI）是令機械做到需要人類智慧的工作的技術：聽懂說話、認出圖像、下棋翻譯。實現 AI 的主流方法叫機器學習（Machine Learning）：不是由程式員逐條規則寫死，而是餵大量例子給電腦，讓它自己從中學出規律。深度學習（Deep Learning）又是機器學習的其中一支，用模仿腦神經連接的神經網絡，是圖像識別和聊天機械人背後的核心技術。三層關係由大到小：AI 包住機器學習，機器學習包住深度學習。
2兩個關鍵詞要分清楚：訓練（Training）是學習階段 — 餵給模型十萬張已標籤的貓狗照片，模型不斷預測、對答案、調整內部參數，規律就是這樣磨出來的。推斷（Inference）是使用階段 — 訓練完成的模型見到一張從未見過的新照片，輸出「貓，信心 92%」。就像學生：溫書是訓練，考試做新題目是推斷。
3AI 早已融入香港日常：手機面容解鎖用圖像識別、Siri 和語音輸入法用語音識別、網購平台用推薦系統估你想買什麼、電郵服務用垃圾郵件過濾器攔住詐騙郵件、公立醫院用 AI 協助分析 X 光片。這些應用背後都是「從大量資料學規律」的機器學習模型。
4但 AI 不是萬能。它只認得訓練資料裡見過的規律：資料有偏差，學出來的規律就跟著歪；它不明白內容的真正意思，所以可能一本正經地講出完全錯誤的答案（稱為幻覺，Hallucination）。模型的質素直接取決於資料的質素 — 垃圾資料入，垃圾結果出。所以重要決定必須由人覆核，AI 只可以是助手。
1重點摘要 Summary
AI ⊃ 機器學習 ⊃ 深度學習。機器學習從大量例子自己學規律；訓練是學（餵資料調參數），推斷是用（對新輸入給答案）。資料質素決定模型質素；AI 會出錯會幻覺，重要決定要人覆核。
2生字卡 Vocabulary
令機械執行需要人類智慧的任務的技術，例如識別語音、圖像和翻譯。
AI 的主流方法：不寫死規則，讓電腦從大量例子中自行學出規律。
機器學習的分支，用模仿腦神經的神經網絡學習，擅長圖像、語音和語言任務。
模仿腦神經連接的分層計算結構，是深度學習的基本構件。
用大量例子教模型的階段：預測、對答案、調整內部參數，反覆進行。
訓練完成的模型應用到新輸入、給出答案的階段。
訓練產出的成品：內含學到的規律和參數，可以對新輸入做判斷。
訓練用的一大批例子，例如十萬張已標明是貓還是狗的照片。
AI 一本正經地講出與事實不符的內容；因為它不懂真實意思，只會估規律。
3逐步講解 Steps
- 分清三層關係人工智能（AI）、機器學習（Machine Learning）、深度學習（Deep Learning）是三個常被混用的詞，實際是「大圈包小圈」的關係。AI 是最大的圈，泛指一切令機械做出需要人類智慧工作的技術，包括早期的下棋程式、專家系統；機器學習是 AI 的一個子集，指「從資料中自己學出規律」的方法；深度學習又是機器學習的一個分支，使用模仿腦神經連接的神經網絡。舉例：手機面容解鎖屬於深度學習，所以它同時屬於機器學習，也屬於 AI；但早期會走迷宮的機械人屬於 AI，卻未必用機器學習。三層關係是考試常見的選擇題考點。
- 寫死規則與機器學習傳統程式與機器學習的分別，用垃圾郵件過濾說明最清楚。傳統做法（寫死規則）：程式員逐條寫下「內容含有『免費中獎』便攔截」，起初有效，但騙徒把字眼改寫或用圖片夾帶文字，規則立即失效，程式員要不停追著修補。機器學習做法：把一萬封已由人工標籤「垃圾」或「正常」的郵件餵給系統，讓它自己從中找出垃圾郵件的特徵（用字、連結、發送模式）；遇到新花招的郵件，由於系統已掌握一般規律，仍能認出大部分。真實的電郵服務正是採用機器學習過濾，並隨新資料持續更新。
- 訓練過程逐步看以訓練「貓狗分類器」為例，機器學習的訓練分五步：第一步，準備資料集——十萬張相片，每張由人工標明「貓」或「狗」，標籤就是標準答案；第二步，模型看一張相片後給出預測，例如「狗」；第三步，對答案——其實是貓，預測錯了；第四步，模型根據誤差調整內部數以百萬計的參數，令下次預測更接近正確；第五步，重複第二至四步十萬次，模型的準確率由起初胡亂猜測，逐步升至九成以上。訓練的關鍵在於資料量與資料質素：例子越多、標籤越準，學出的規律越可靠。
- 推斷是怎樣發生訓練完成後便進入「推斷」（Inference）階段：模型應用於從未見過的新資料。例子：訓練好的貓狗分類器收到一張新相片，內部運作是把相片的特徵——毛色、耳形、臉部比例、鬍鬚——與學到的規律比對，最後輸出「貓，信心 92%」。重點：模型並非記住十萬張相片，而是學到一套判斷規律，正如學生不是背下所有練習題，而是掌握解題方法。所以模型可以處理全新的相片；但也因此，若新相片與訓練資料差異太大（例如畫風抽象的貓圖），模型可能判錯——它只認得「見過的世界」。
- 四類日常應用對號入座機器學習已滲入香港日常，四大類應用對號入座。圖像識別：手機面容解鎖、相簿自動把相片分類成人像與風景、公立醫院用 AI 協助分析 X 光片。語音識別：語音輸入法打出廣東話、智能音箱聽懂指令。推薦系統：網購平台首頁的「你可能喜歡」、影片平台自動播放下一集，都是模型根據你的瀏覽紀錄預測喜好。自然語言處理：聊天機械人回答客戶查詢、翻譯應用程式即場翻譯菜單。辨識練習：見到任何智能功能，先問「它從什麼資料學出什麼規律」，多數能猜中背後的技術。
- 資料質素決定一切模型質素的上限由資料質素決定，行內說法是「垃圾入，垃圾出」。例子一：想訓練分辨水果成熟度的模型，資料集只有青蘋果相片，模型便會把紅蘋果全部判為「不成熟」或「異常」——因為它從未見過紅色。例子二：訓練人臉辨識的資料集若以某一膚色為主，對其他膚色的辨識準確率便會明顯較低，構成不公平。所以建立資料集要遵守三項要求：量大（例子足夠多）、準確（標籤正確無錯）、覆蓋廣（包含各種情況：不同光線、角度、類型）。日後若你訓練模型，花在整理資料的時間通常遠多於訓練本身。
- AI 的兩大局限AI 有兩個根本局限，必須認清。第一，不懂便會編造：大型語言模型本質是預測「下一個最像樣的字」，問它一條不存在的歷史事件，它可能一本正經地編出年份、人物、細節，這叫「幻覺」（Hallucination），答案看似流暢卻完全虛構。第二，只認見過的規律：訓練資料全是日間交通相片，夜間相片便可能認不出；規律有偏差，學出來的判斷便跟著偏差。因此醫療診斷、法律意見、信貸審批等重大決定，AI 只能輔助，最終必須由人覆核。使用 AI 的正確態度：把它當博學但會出錯的助手，答案必須查證，不可照單全收。
- 正確使用 AI 的操守作為學生，認識 AI 也要懂得正確使用。學習用途：用 AI 解釋不懂的概念（例如請它用三種不同方法解釋完全平方公式）、生成分類練習題自測，都是好的用法；直接抄襲 AI 寫的功課，既違反學校規則，也令自己失去練習機會——考試時 AI 幫不了你。私隱守則：不要把個人資料（姓名、學號、住址、相片）輸入公開的 AI 服務，這些資料可能被儲存或用於訓練。查證習慣：AI 答案必須用課本、官方網站核對。香港的中學已陸續把 AI 素養納入課程，初中建立正確觀念，對高中選修與日後升學就業都有長遠益處。
4圖解 Diagrams
5例題示範 Example
例題：分辨以下四項哪些屬於機器學習、哪些屬於傳統程式：(a) 計數機做加數 (b) 手機面容解鎖 (c) 用公式把攝氏轉華氏 (d) 電郵垃圾郵件過濾。
- (a) 計數機：加數有固定算法，程式員逐條寫死 → 傳統程式。
- (b) 面容解鎖：要從千變萬化的面孔、光線、角度中辨認，無法寫死規則，靠大量人臉資料訓練 → 機器學習。
- (c) 攝氏轉華氏：公式 F = C × 95 + 32 固定不變 → 傳統程式。
- (d) 垃圾郵件過濾：詐騙手法不斷變化，要從大量已標籤郵件學規律、持續更新 → 機器學習。
- 答案：(b) 和 (d) 屬於機器學習；(a) 和 (c) 屬於傳統程式。判斷準則：需要從資料中學規律的是機器學習，規則可以一次寫死的是傳統程式。
6常見錯誤 Mistakes
75 題快測 Quick check
Q1AI、機器學習、深度學習的正確包含關係是？A. 深度學習 ⊃ AI ⊃ 機器學習 B. AI ⊃ 機器學習 ⊃ 深度學習 C. 三者互不相干
Q2模型訓練和推斷的分別是什麼？
Q3「面容解鎖」屬於哪類 AI 應用？A. 圖像識別 B. 語音識別 C. 推薦系統
Q4AI 的「幻覺」（Hallucination）是指什麼？
Q5為什麼重要決定（例如醫療診斷）不能全交給 AI？
8重點回顧 Recap
- 三層關係：AI 包住機器學習，機器學習包住深度學習。
- 機器學習 = 從大量例子自己學規律，不是逐條規則寫死。
- 訓練是學（預測、對答案、調參數），推斷是用（判斷新輸入）。
- 日常應用四類：圖像識別、語音識別、推薦系統、自然語言。
- 資料質素決定模型質素；AI 會出錯會幻覺，重要決定由人覆核。