[人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27) › 01｜影片 [0:08:21–1:19:54](https://www.youtube.com/watch?v=KWGgi100YLY&t=501s)｜投影片 Lecture 0 p.1–19｜上一章 無｜下一章 [02 什麼是 AI：四種定義（1:35–1:49）](https://app.notion.com/p/3e7fc631b03081509ff5e74454b69167)
## 重點
- 這門課是 TAICA（教育部主導、讓各校共享 AI 課程的聯盟）的課。朝陽科大是衛星學校：朱老師上課出作業，作業和學期成績由朝陽的協同教師陳榮靜老師負責。
- 這門課教的是「十年內不會變」的 AI 基礎觀念，講得廣、不深、也不新。不教 PyTorch、LLM、agent 工具怎麼用，但期末專題歡迎用。
- 期末考幾乎都是問答題、不考手寫程式，英文出題、可以用中文作答。期末專題分數高低的關鍵，是有沒有用到這門課學的觀念。
## Exam-ready
- **Course focus**: "Knowing basics and categories of artificial intelligence"（Lecture 0 p.16）
- 中文：這門課要讓你認識人工智慧的基礎，以及 AI 分成哪些類別。白話：先看懂 AI 這張大地圖。basics（基礎）、categories（類別、分支）。
- **Course focus**: "Basic algorithms and applications of AI"（Lecture 0 p.16）
- 中文：介紹 AI 的基本演算法和它們的應用。白話：學幾種經典的 AI 方法，看它們能拿來做什麼。algorithms（演算法）、applications（應用）。
- **Broad scope**: "We introduce artificial intelligence in a broad range"（Lecture 0 p.18）
- 中文：這門課用很廣的範圍來介紹人工智慧。白話：每一塊都講一點，但不鑽很深。broad range（廣泛的範圍）。
- **Not the focus**: "We will NOT focus on practical applications or recent techniques, like GenAI, Stable diffusion, LLM, …"（Lecture 0 p.18）【老師強調】(0:50:16)
- 中文：這門課不把重點放在實用應用或最新技術，例如生成式 AI、Stable Diffusion、大型語言模型。白話：最紅的工具不教，因為很快就過時。practical（實用的）、recent techniques（最新技術）、LLM（大型語言模型）。
- **Not the focus**: "We will NOT focus on how to use Pytorch, Tensorflow, …"（Lecture 0 p.18）
- 中文：這門課不教怎麼使用 PyTorch、TensorFlow 這類寫深度學習模型的工具。白話：工具要自己學，課堂只教觀念。focus on（把重點放在）。
- **All aspects of AI**: "NO! We will cover all aspects in AI."（Lecture 0 p.17）
- 中文：這門課不是只教大家以為的那一小塊（深度學習、生成式 AI），而是涵蓋 AI 的各個面向。白話：教的是最外面那一大圈。cover（涵蓋）、aspects（面向）。
- **Final project**: "Solve the target problem by the developed methods"（Lecture 0 p.13）【老師強調】(0:43:07)
- 中文：用你們發展出來的方法（自己設計、而且用到這門課觀念的方法），去解決選定的問題。白話：不能只拿現成工具兜一兜，要有自己的東西。target problem（目標問題）、developed methods（發展出來的方法）。
- **Deep learning allowed**: "We allow/welcome you to use deep learning in final project"（Lecture 0 p.18）
- 中文：期末專題允許、也歡迎使用深度學習。白話：課堂不教，但專題可以用。allow（允許）、welcome（歡迎）。
- **Textbook**: "Stuart Russell and Peter Norvig, Artificial Intelligence: A Modern Approach 4th edition, Pearson, 2020."（Lecture 0 p.9）
- 中文：課本是 Russell 和 Norvig 寫的《人工智慧：現代方法》第 4 版，2020 年出版。白話：老師口中的「AI 聖經」。edition（版本）。
## [0:08:21](https://www.youtube.com/watch?v=KWGgi100YLY&t=501s) 直播與 Slido 發問規則
影片前 8 分鐘在設定直播，上面的連結已經直接從 0:08:21 開始。這門課成大教室和線上同時上：現場同學直接舉手問；線上同學把問題打在 Slido（一個即時提問網站），老師上到一個段落會一起回答。YouTube 留言一律不回，Slido 上跟課程無關的留言助教會直接刪掉。
為什麼這麼嚴？一門課一千人，老師只能從一個固定的地方收問題，不然根本看不完。比喻：像大型演唱會只開一個官方提問箱，場外喊話一律不算。這段是行政規定，不是考試內容（我判斷）。
老師原話是什麼？
「你只要是在YouTube上面留言」「我們一概不予理會」(0:09:44)
「我們助教看到就會把它刪掉」(0:10:36)
## [0:11:30](https://www.youtube.com/watch?v=KWGgi100YLY&t=690s) TAICA 聯盟與衛星課程
TAICA（臺灣大專院校人工智慧學程聯盟）是教育部主導的計畫：產業缺 AI 人才，各校開課能量又不一樣，所以把好的課開放給所有聯盟學校一起上。今年聯盟有 63 校，這門課帳面上超過 1000 人修。好處之一是不同學校的同學可以合作，過去就有跨校同學一起組隊做期末專題。
一千人的作業不可能全由成大改，所以用「混成式授權」分成兩種。鏡像課程：朱老師的團隊上課、改作業、打學期分數。衛星課程：一樣由朱老師上課出作業，但由各校的協同教師改作業、打分數。今年衛星學校只有 4 所：臺中科大、高雄科大、朝陽科大、正修科大。所以對你的影響是：朝陽同學的作業和學期成績，由陳榮靜老師負責。
TAICA 另外把課組成幾個「學分學程」（一組修完可以拿證書的課）。下面這張圖是學程地圖，紅框就是這門課：
圖上重點：這張圖在講「TAICA 有哪幾組課、每組要先修什麼再修什麼」，箭頭由上往下就是建議的修課順序。
- 最上面四個大標題是四個學分學程（英文 Program＝學程）：探索應用（Applied AI Exploration）、工業應用（Industrial Applications）、自然語言技術（Natural Language Technology）、視覺技術（Computer Vision and Imaging Technology）。
- 圖下方的圖例：綠色圓圈＝先修課、紅色膠囊＝核心課、黃色膠囊＝進階課、藍色膠囊＝應用課；星星越多代表越難，圓圈數字 3 代表 3 學分。
- 紅框是這門「人工智慧導論／生成式人工智慧導論」：在探索應用學程裡是紅色的核心課，上面接著綠色的「機率」和「程式設計」先修課。
- 自然語言技術學程最上面那顆紅色核心課，也寫著「生成式人工智慧導論／人工智慧導論」，所以這門課同時屬於兩個學程。
這門課是「探索應用學分學程」的核心課，上面接著「機率」和「程式設計」兩門先修課，所以修之前最好有這兩門的基礎。它也是「自然語言技術學分學程」的核心課。
學分學程的證書怎麼拿？
- 今年有五個學分學程：探索應用、工業應用、自然語言技術、智慧視覺技術、資訊安全技術。
- 總共修 15 學分，至少 12 學分不能屬於自己的主修、輔系或其他學程。
- 抵免最多 3 學分，要送校內學程委員會審查。
- 要拿教育部的證書，至少三分之一的課要是主導課程（像這門課這種由聯盟主導教師開的課）。
- 跟各校自己的學程差在：TAICA 的證書是教育部發的。到 2026 年 8 月已經有接近 30 位同學拿到證書。
- 修的是成大開的課，不影響證書申請；只要課都屬於 TAICA 聯盟就算。
- 詳細規定以 TAICA 網頁為準，老師說可能有修正。
投影片跟今年講的有什麼不同？
- 注意：本機的 Lecture 0 投影片是去年版。p.3 列了 5 所衛星學校（含南臺科大）；今年老師口頭說只有 4 所。
- 注意：學程地圖是去年版，只畫四個學程；老師說今年有五個（多了資訊安全技術）。
- 高雄科大的協同教師，去年投影片寫戴鴻傑老師，今年是否換人不確定。
這門課在 TAICA 開過幾次？
- 今年是第三次。113 學年第 1 學期，這門課是聯盟第一批 5 門課之一（成大 1 門、清大 2 門，老師記得臺大 2 門）。
- 第一次全部是鏡像課程：25 校的學生都由成大打分數（投影片 p.7 叫「封閉型授權」）。
- 114 學年起改成鏡像＋衛星的混成式授權，今年（115 學年）也一樣。
## [0:20:34](https://www.youtube.com/watch?v=KWGgi100YLY&t=1234s) 課程目標、課本與 NTU COOL
課程目標有兩件事：廣泛認識 AI 的基礎和各個分支，以及實際動手做一個 AI 專題。內容涵蓋智慧代理人、搜尋演算法、統計學習、深度學習和 AI 應用。課本是 Russell 和 Norvig 的 AIMA 第 4 版，老師稱它是 AI 的「聖經」，一千多頁，只挑部分章節上。課本不一定要買，投影片內容已經夠。
這幾個分支先用一句話認識（我補充，後面幾週會細講）：智慧代理人（agent）是「會看環境、自己決定下一步做什麼」的程式；搜尋演算法是「在很多可能的走法裡，有系統地找出一條通到目標的路」；統計學習是「從大量資料裡算出規律，再拿規律去猜新的情況」；深度學習是統計學習的一種，用很多層的類神經網路。
所有課務都在 NTU COOL（台大的線上課務平台，作業、公告、考卷都在這）。一定要到學校官方 email 收邀請信並接受。為什麼不能用 Gmail？因為 NTU COOL 靠 email 認出你是哪一校，打完分數才知道要把成績送回哪裡。上課當天還有約 700 人沒接受邀請。
比喻：課本像一套很厚的百科全書，老師只帶你讀其中幾冊。下表是課本的六大部分，對照去年課表（投影片 p.11）哪些會上：
| 課本部分 | 內容 | 會不會上 |
|---|---|---|
| Part 1 Artificial Intelligence | AI 的定義、歷史、智慧代理人 | 會（第 1–2 週） |
| Part 2 Problem Solving | 搜尋演算法 | 會（第 3–4 週） |
| Part 3 Knowledge, Reasoning, and Planning | 邏輯推理、規劃 | 去年課表沒有 |
| Part 4 Uncertain Knowledge and Reasoning | 機率、不確定性 | 會（第 5 週） |
| Part 5 Machine Learning | 從例子學習、機率模型、深度學習 | 會（第 6–10 週） |
| Part 6 Communicating, perceiving, and acting | 自然語言、電腦視覺 | 會（第 11–12 週） |
| Generative AI | 課本外的補充 | 會（第 13 週） |
注意：老師口頭說只挑 Part 1、4、5、6，但課表第 3–4 週的搜尋屬於 Part 2，所以 Part 2 也會上（我補充）。
還沒進 NTU COOL 的話怎麼辦？
- 加退選期間或帳號有問題時，先看老師個人網頁底下的課程網頁（上課時間、地點、投影片）。老師只會更新兩三週，之後一律用 NTU COOL。
- 上課時間：週四 13:10–16:00，配合成大的時間。休息時間不固定，講到一個段落才休息。
- 實體教室：成大資訊系館 4264（第一週多借了 4261）。
- 課程問題先找助教，助教解決不了再跟老師約時間。
## [0:30:39](https://www.youtube.com/watch?v=KWGgi100YLY&t=1839s) 五個作業與期末考時程
五個作業其實是把期末專題切成幾個檢查點。作業一就是專題提案：找組員、想題目、寫書面 proposal；作業三是期中回報；作業五幾乎要把專題做完。每兩週一個作業，交的同一天公布下一個。作業形式可能是書面報告、寫程式或成果影片。分組可以一人一組，最多大約四人。日期和評分比例已整理在課程頁。
為什麼還沒上課就要交提案？老師要逼大家一開學就開始找資料、想怎麼用 AI 做一件事。研究生最好選跟自己論文有關的題目，讓這門課真的幫到論文，不只是拿學分。
下圖是作業怎麼一路接到期末報告：
```mermaid
flowchart LR
A["作業一：專題提案（9/17 公布）"] --> B["作業二：寫程式"]
B --> C["作業三：專題期中回報（10/29 交）"]
C --> D["作業四：寫程式"]
D --> E["作業五：專題幾乎做完（11/26 交）"]
E --> F["挑出前 15 組"]
F --> G["12/24 上台報告"]
E --> H["其他組：專題分數就是作業五分數"]
```
老師會讓前 15 組的分數明顯高於其他組，用這個落差鼓勵大家好好做。另外 12/10 下午 1–4 點有期末紙筆考，一定要能同步考；那個時段不能考的人，老師說就不要修。
期末考實際怎麼進行？
- 成大同學：在借好的教室紙筆考。
- 其他學校：學校借電腦教室、派人監考。時間一到，NTU COOL 開放 Word 試題，下載作答後再上傳。
- 網路只能連 NTU COOL，而且 IP 鎖在那間教室，在家下載沒用。
- 要回自己「學籍」所在的學校考，不能因為住臺南就跑去成大考。
- 老師可能出國開會，10/1、12/17 那週可能改看預錄影片（還沒確定）。
## [0:40:12](https://www.youtube.com/watch?v=KWGgi100YLY&t=2412s) 期末專題怎麼選題
題目可以從 Aidea、Aigo、Kaggle 這些競賽平台找，或用自己的論文、專題。分數的關鍵只有一個：你用了這門課哪些觀念，跟直接套一個現成工具差在哪【老師強調】(0:43:07)。只把現成工具兜起來，分數就相對低。
這三個平台是什麼（我補充）：Kaggle 是全球最大的資料科學競賽網站，主辦單位放出資料和題目，大家上傳預測結果比排名；Aidea 是臺灣工研院辦的 AI 競賽平台，題目多半來自臺灣企業的真實問題；Aigo 是經濟部推動的 AI 應用媒合計畫，企業提出想用 AI 解決的問題，讓學生或團隊來解題。好處是題目和資料都現成，不用自己找。
為什麼股市預測被叫做千年老題目？因為做了幾十年還是做不好，股價受太多外在因素影響。老師建議找新問題，例如在模擬環境裡訓練機器人。比喻：像料理比賽，端出加熱的調理包，評審一定問「你自己做了什麼？」
下表整理老師舉的題目和評語：
| 題目類型 | 老師舉的例子 | 老師的評語 |
|---|---|---|
| 資料預測 | 房價走勢、颱風後菜價、太陽能發電 | 常見，可以做 |
| 物件偵測 | 用 YOLO 數畫面裡有幾個人 | 網路上都有 code，只套這個「就很爛了」 |
| 影像分類辨識 | 花卉分類、商品辨識（投影片 p.14） | 可以做 |
| 瑕疵檢測、物件追蹤 | 組裝線損壞、棒球揮棒 3D 軌跡、球的追蹤 | 可以做 |
| 強化學習、情緒分析 | 讓 AI 自動玩遊戲 | 可以做 |
| 千年老題目 | 預測股市、偵測有沒有戴口罩 | 建議不要再做 |
| 新問題 | 在模擬環境訓練機器人 | 老師推薦 |
選題本身不是考試內容（我判斷），但它決定專題分數。
去年同學做過什麼？
- 用 latent diffusion model（一種生成影像的模型）做醫療影像轉換。
- 瑕疵偵測（defect detection）。
- AI trip planner：給幾個旅遊景點，規劃一條路線。
- 太陽能發電預測：用感測器數據預估發電量。
- 每組都要做 YouTube 影片來 demo。
- 專題不一定要訓練模型：老師說 LLM workflow 這類 agent 做法也可以。理論、創新應用都可以做。
老師原話是什麼？
「那都是現有的tool」「你把它兜一兜就出來的嘛」「那你的分數就相對低」(0:42:46)
「那這個就是你分數是否能夠高的一個關鍵」(0:43:07)
## [0:44:45](https://www.youtube.com/watch?v=KWGgi100YLY&t=2685s) 這門課教什麼、不教什麼
這門課是介於大學部基礎課和研究所進階課之間的中介課程，設定給大三到碩一。講得廣，但不深、也不新；教的是幾十年來一直沒變的東西。
AI 的範圍很大，大家最近聽到的東西只是裡面一小圈。下圖由外到內，每一層都是上一層的子領域：
```mermaid
flowchart LR
A["人工智慧 AI：整個大範圍"] -->|包含| B["機器學習 ML：2000–2010 年蓬勃發展"]
B -->|包含| C["深度學習 DL：2012 年後搶走風采"]
C -->|包含| D["生成式 AI：ChatGPT 之後"]
D -->|包含| E["Agentic AI：2026 年最熱"]
```
很多人以為這門課教最右邊那幾圈，其實教的是最左邊整個 AI。Agentic AI（會自己規劃步驟、使用工具完成任務的 AI）聽起來很新，但它的根就是第 2 章的 agent（智慧代理人）觀念（我補充）。
為什麼不教最紅的工具？老師說兩個月後就過時，而且用工具學生比老師厲害；要教就教十年內不會變的基礎觀念。比喻：駕訓班不教某一款車的中控台怎麼按，而是教交通規則和駕駛原理，換哪台車都用得到。考試可能問：「AI、ML、DL 是什麼關係？」（我判斷）
投影片點名「不教」的幾個工具是什麼（我補充）：PyTorch、TensorFlow 是寫深度學習程式用的工具箱，幫你把類神經網路的計算包好，像做菜用的現成廚具；LLM（大型語言模型）是讀過海量文字、會接著寫出通順文字的模型，ChatGPT 就是一種；Stable Diffusion 是輸入一段文字描述就畫出圖片的生圖模型。這些都是「拿來用的工具」，這門課教的是它們背後的觀念。
老師原話是什麼？
「我們講的東西會很廣」「但是我們沒有辦法講得很深」「我們甚至不會講得很新」(0:46:00)
「這個東西應該是在未來十年」「不會變的東西」(0:50:16)
「因為兩個月後他就過時了」(0:50:28)
有哪些地方要小心？
- 注意：老師口頭說 ChatGPT「大概在 2020 年左右」出來，實際是 2022 年 11 月。
- 注意：本機投影片 p.17 是去年版，只畫到 GenAI；老師說今年在 GenAI 裡多畫了 Agentic AI。
- 老師舉了一個最近出來、能操控電腦做代理工作的新模型當例子，這則新聞查不到，只當老師的舉例。
- 課堂不教 Deep Learning、GenAI、agent 工具怎麼用，但專題絕對歡迎用。
## [0:51:26](https://www.youtube.com/watch?v=KWGgi100YLY&t=3086s) 選課注意事項
先備能力是程式設計，有機率和演算法更好。「會程式」的標準是：能把作業要求轉成程式並跑出結果，不看是哪種語言。作業格式要百分之百照規定，因為可能用程式自動批改，程式讀不到就是你的責任。
可以同步上課或看錄影，但 12/10 考試一定要同步；被選上的組 12/24 也要同步報告。注意：本機投影片 p.19 是去年版，寫的是 12/11 考試、12/18 報告；今年以 12/10、12/24 為準。不要讓同一門課出現兩筆修課紀錄，臺灣綜合大學（成大、中正、中山、中興）的學生特別注意，別從兩個管道都選了這門課。
為什麼選了課卻沒收到邀請信？因為選課紀錄不會馬上進 NTU COOL，中間有時間差：
```mermaid
flowchart LR
A["你在自己學校選課"] --> B["學校每隔一段時間彙整名單"]
B --> C["名單送進 NTU COOL"]
C --> D["NTU COOL 寄邀請信到學校 email"]
D --> E["你用學校 email 接受邀請"]
```
所以沒收到信可以先等幾天。加選、退選的問題要找自己學校的承辦人，老師碰不到各校的選課系統。比喻：作業格式像考卷劃卡，劃錯欄位機器讀不到，不會有人幫你改。
老師原話是什麼？
「因為我們可能會寫程式來改你的程式」(0:52:38)
「所以請這個百分之百要符合」「我們作業規定的一個格式」(0:52:56)
## [0:56:31](https://www.youtube.com/watch?v=KWGgi100YLY&t=3391s) Slido 問答精選
考試幾乎都是問答題、不考手寫程式【老師強調】(1:00:10)。英文出題、可以用中文作答；考試時只能連 NTU COOL，不能用 Google、AI 或翻譯。作業和專題可以用 AI，老師預期大家都會用，只看用得好不好。
下面表格會提到兩個硬體詞（我補充）：GPU（顯示卡）原本用來畫遊戲畫面，因為能同時做大量簡單的計算，現在是訓練 AI 模型的主力，沒有它訓練會慢上幾十倍；Google Colab 是 Google 提供的線上寫程式網頁，打開瀏覽器就能借用它的 GPU，免費版有時間限制。所以對你的影響是：作業要訓練模型時，先用 Colab，不用自己買顯示卡。
為什麼考問答題就不用背程式？因為考的是「解釋觀念」：這方法在解決什麼問題、為什麼這樣做。比喻：像把口試寫在紙上。下表整理其他常見問題：
| 問題 | 老師的回答 |
|---|---|
| 考試全英文出題嗎？ | 是，投影片也幾乎全英文；但可以寫中文回答 |
| 考試能用什麼？ | 只能連 NTU COOL 下載試題；Google、AI、翻譯都不行 |
| 作業、專題能用 AI 嗎？ | 可以，這個年代沒有人不用 |
| 可以一人一組嗎？ | 可以；組員要自己找，可在 NTU COOL 討論區徵求 |
| 作業要寫程式嗎？ | 作業二、四要寫，語言隨便，做得出來就好 |
| 有提供 GPU 嗎？ | 沒有，請用 Google Colab；運算很重的要自己找管道 |
| 非衛星學校怎麼考？ | 聯盟學校有義務借實體教室、派人監考 |
| 學校沒助教沒老師，問題找誰？ | 找 NTU COOL 上的助教，或在平台上發問 |
| 成績會調分嗎？ | 不調分布，最多 59 分拉到 60；成績打得不甜 |
| 沒進前 15 組能拿八九十分嗎？ | 很困難 |
| 大一能修嗎？ | 不建議，最好先有程式、機率、演算法 |
| 何時知道要不要上台？ | 盡量在期末考那一週通知 |
還有哪些小問題？
- 上課不用簽到；旁聽直接看 YouTube，不需要修課紀錄，旁聽生作業不改。
- 外國交換生可以修：課用中文上，但老師會用 AI 產生中英文字幕。
- 成大加簽：名額 130，有人退才補；優先加資工系人工智慧學程的學生（這門課對他們是必修）。外校名額約 50，照各校加退選程序。
- 老師說課程難不難看個人，下一兩週上課就會感受到。
- 沒有資訊背景能修嗎？看個人實作能力，老師不以科系決定。想不出專題題目，可以先約助教或老師給粗略建議。
- 專題沒有指定題目範圍，也沒有範本，但作業說明會交代格式。期末報告最好全組一起上台。
- 要求加分（例如 89 拉到 90、93 想加到 95）老師一概不理；太在意 GPA 的人，老師說不適合修這門課。
- 能來考試但學校擋修，要自己跟學校溝通；考試當天一定要出現。
老師原話是什麼？
「期末考試幾乎都是問答題」(1:00:10)
「但是你可以寫中文回答」(1:05:21)
「我們這門課成績打得不甜」(1:08:41)
「現在這個年代應該沒有不用AI的」(1:13:26)
「考試都是問答題」(1:16:55)
## 補充：老師直接用、沒解釋的詞
老師用 AI、ML、DL、生成式 AI、Agentic AI 的五層圖說明這門課教最外圈，選題時也提到 YOLO，但沒解釋這些詞各是什麼。這裡補白話（我補充）。
AI、ML、DL、生成式 AI、Agentic AI 各是什麼？
- AI（人工智慧）：讓電腦做需要智慧的事，不一定要學習。搜尋演算法、邏輯推論、MYCIN 那種專家寫好的規則都算 AI（見 03 章）。
- ML（機器學習）：不寫規則，餵資料讓電腦自己找出規律。例：給一萬封標好「垃圾信／正常信」的郵件，它自己學會分辨。
- DL（深度學習）：ML 的一種，用很多層的類神經網路，連「該看哪些特徵」都自己學（見 04 章）。
- 生成式 AI（Generative AI）：DL 的一種，不只判斷，還會產生新東西，例如 ChatGPT 寫文章、生圖模型畫圖。
- Agentic AI：生成式 AI 再加上自己規劃步驟、呼叫工具、看結果再調整，把一件事分幾步做完。
- 五層是包含關係，不是取代：新的一層出現，外面那層的方法沒有消失。
所以對你的影響是：考「AI、ML、DL 是什麼關係」時，除了說一層包一層，再補一句「AI 不一定會學習，例如搜尋和專家系統」，答案會完整很多。
YOLO 是什麼？
YOLO（You Only Look Once）是一個現成的物件偵測模型：丟一張圖進去，它把圖裡的人、車等物件框起來並標上名字；整張圖只看一次就找完，所以快到能處理即時影像。它的底層是 04 章講的 CNN（卷積神經網路）。因為它現成、網路上到處都有程式，只拿它數人數，專題裡就沒有你自己的東西，這就是老師說「很爛」的原因。
## Self-check
Q1. What is the relationship among AI, machine learning, deep learning, and generative AI?（中文：AI、機器學習、深度學習、生成式 AI 之間是什麼關係？）
**Answer**: They are nested fields. Machine learning is a subfield of AI, deep learning is a subfield of machine learning, and generative AI (with agentic AI inside it) grew out of deep learning. AI as a whole is much broader than deep learning; it also covers agents, search, and probabilistic reasoning.
中文：它們是一層包一層的關係。機器學習是 AI 的一個子領域，深度學習又是機器學習的一個子領域，生成式 AI（裡面再包含 Agentic AI）是從深度學習發展出來的。所以整個 AI 比深度學習大得多，還包括智慧代理人、搜尋、機率推理等等。
Q2. Why does this course teach fundamental concepts instead of tools such as PyTorch or LLM frameworks?（中文：為什麼這門課教基礎觀念，而不教 PyTorch 或 LLM 工具？）
**Answer**: Tools become outdated within months, while the fundamental concepts of AI stay valid for about ten years. The course introduces AI in a broad range so that students understand the ideas behind any new tool. Students may still use deep learning or generative AI in the final project.
中文：工具幾個月就過時，但 AI 的基礎觀念大約十年都不會變。所以這門課用很廣的範圍介紹 AI，讓你懂得每個新工具背後的想法。不過期末專題還是可以用深度學習或生成式 AI。
Q3. What makes a final project score high rather than low?（中文：期末專題怎樣會拿高分、怎樣會拿低分？）
**Answer**: A project scores low if it only combines existing tools without anything of the team's own. It scores high when the team solves the target problem with its own developed methods and can explain which concepts from this course it applied and how that differs from simply using a tool.
中文：只把現成工具兜起來、裡面沒有自己的東西，分數就低。要拿高分，得用自己發展出來的方法解決問題，並說得出用了這門課的哪些觀念、跟直接套工具差在哪裡。
讀完了嗎？下一章：[02 什麼是 AI：四種定義（1:35–1:49）](https://app.notion.com/p/3e7fc631b03081509ff5e74454b69167)｜回到週頁：[W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27)