這是一份為您準備的 AI 技術深度導讀。我們將從最基礎的數學骨架開始，一路攀升到當前最前沿的智慧體架構。
第一階段：機器學習與深度學習的基石
1. 機器學習 (Machine Learning, ML) 與 深度學習 (Deep Learning, DL)
機器學習是人工智慧的一個子集，核心思想是「不直接編寫規則，而是讓電腦從數據中學習模式」。
深度學習則是機器學習的一種特殊形式，它模仿人類大腦的神經元連接，利用「深層」的神經網絡來處理複雜數據（如影像、聲音）。兩者的關係就像是：機器學習是交通工具，而深度學習則是高性能的噴射飛機。
2. 多層神經網絡 (Multilayer Neural Networks)
這是深度學習的物理結構。它由輸入層、多個「隱藏層」和輸出層組成。每一層都由許多神經元組成，神經元之間透過「權重（Weight）」連接。所謂的「深度」，指的就是隱藏層的數量很多。
3. 損失函數 (Loss Function) 與 梯度下降 (Gradient Descent)
* 損失函數：衡量機器人「預測結果」與「真實答案」之間差距的尺。差距越大，數值越高。
* 梯度下降：這是一種優化算法。想像你在山上（高損失），目標是走到山谷（最低損失）。梯度下降會告訴你往哪個方向走（斜率），以及走多大步，直到找到最準確的模型參數。
4. 連鎖律 (Chain Rule) 與 反向傳播 (Backpropagation)
這是神經網絡學習的數學心臟。
* 連鎖律：微積分中的基本法則，用於計算複合函數的導數。
* 反向傳播：當模型出錯時，誤差會從輸出端「往回傳遞」。透過連鎖律，我們能計算出每一層權重對總誤差的「貢獻度」，進而精準地調整每個零件，讓下次預測更準。
第二階段：經典架構的演進
5. 卷積神經網絡 (CNN)
CNN 是視覺處理的王者。它模仿人類視覺皮層，透過「濾鏡（Filter）」在圖片上滑動（卷積），提取特徵（如邊緣、形狀、眼睛）。它極大地減少了處理影像所需的參數，是自動駕駛和臉部辨識的基礎。
6. 遞回神經網路 (RNN)
RNN 專門處理「序列數據」（如文字、氣象預報）。它的特點是擁有「記憶」，能將之前的資訊傳遞給當前步驟。但 RNN 存在「長短期記憶障礙」，處理太長的句子時會忘記開頭。
7. Transformer 模型
這是現代 AI 的轉折點。2017 年 Google 提出，徹底捨棄了 RNN 的順序處理，改用「注意力機制 (Attention Mechanism)」。它能同時看整個句子（並行處理），並理解單字之間的長距離關聯。這也是 GPT 系列中「T」的由來。
第三階段：大型語言模型 (LLM) 與 規模定律
8. 大型語言模型 (LLM) 與 規模定律 (Scaling Law)
* LLM：指的是參數規模達到數十億甚至數兆門檻的 Transformer 模型。
* 規模定律：研究發現，當計算量、模型參數、數據量同步增長時，模型的智能會呈現可預測的提升。這證實了「大力出奇蹟」在 AI 領域是成立的。
9. 預訓練 (Pre-training) 與 微調 (Fine-tuning)
* 預訓練：讓模型在網際網路的海量文字中進行「自我學習」，獲得基礎常識和語法能力。
* 微調：針對特定任務（如醫療諮詢、寫程式），在較小的專業數據集上進行訓練，讓通用模型變成專家。
10. PEFT 與 LoRA (高效微調技術)
* PEFT (參數高效微調)：因為 LLM 太大，調整所有參數成本太高，PEFT 只調整極少數參數。
* LoRA (低秩改編)：PEFT 中最流行的方法。它在原有權重旁增加一條「旁路」，只訓練這條窄小的旁路矩陣。這就像是在原本的巨型大腦旁掛一個「小插件」，既能學會新技能，又省資源。
第四階段：增強智慧與未來形態
11. 思考鏈 (Chain of Thought, CoT)
這是一項提示工程 (Prompt Engineering) 技術。透過要求模型「請一步步思考」，引導模型在給出答案前進行邏輯推演。CoT 極大地提升了模型處理數學和邏輯問題的能力。
12. RAG (檢索增強生成)
LLM 雖然聰明，但有「幻覺」且資訊更新慢。RAG 讓模型在回答前先去「查字典」（外部資料庫、公司內部文檔），將查到的資訊附加在問題中。這解決了知識過時與瞎編的問題。
13. AI Agent (人工智慧代理)
這是目前的最高形態。AI Agent 不僅會聊天，還會「行動」。它具備目標拆解、記憶能力、工具使用（如上網查資料、操作電腦）。
* 定義：Agent = LLM + 規劃 + 記憶 + 工具調度。
🤖 總結對照
我們可以把這些理論想像成在打造一個「數位人類」：
* 深度學習與神經網絡：是它的神經系統與大腦結構。
* CNN/RNN/Transformer：是它的視覺中心、語文中心與注意力機制。
* LLM 與 Scaling Law：是它透過大量閱讀積累的博學知識。
* RAG 與 CoT：是它在思考時翻閱參考書與列草稿紙的習慣。
* LoRA/PEFT：是它快速學習新專業知識的技巧。
* AI Agent：則是它最終長出手腳，能夠自主完成任務的樣子。
