# 章節包：人工智慧導論（AI）W1（9/10）第 02 章「什麼是 AI：四種定義」
影片 1:35:03–1:49:36，YouTube ID KWGgi100YLY。Notion 章節頁 https://app.notion.com/p/3e7fc631b03081509ff5e74454b69167（頁 ID 3e7fc631-b030-8150-9ff5-e74454b69167），頁面標題「02 什麼是 AI：四種定義（1:35–1:49）」。
## 1. 第一行（直接照抄，不要改）
[人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27) › 02｜影片 [1:35:03–1:49:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=5703s)｜投影片 Ch1 p.2–9｜上一章 [01 課程定位、專題與問答（0:08–1:19）](https://app.notion.com/p/3e7fc631b0308121979ae73e99cd24d0)｜下一章 [03 AI 歷史：誕生與兩次寒冬（1:49–2:07）](https://app.notion.com/p/3e7fc631b03081879ed7e12de51a94f8)
## 1b. 最後一行（直接照抄，放在 Self-check 後面，當全頁最後一行）
讀完了嗎？下一章：[03 AI 歷史：誕生與兩次寒冬（1:49–2:07）](https://app.notion.com/p/3e7fc631b03081879ed7e12de51a94f8)｜回到週頁：[W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27)
## 2. 各段標題（照順序；每段一個 ## 標題，直接照抄連結）
- `## [1:35:03](https://www.youtube.com/watch?v=KWGgi100YLY&t=5703s) AI 的起點與定義難題` 老師講什麼：AI 這個詞在二戰後不久、1955 年出現；幾十年來定義一直沒有共識（例如 AGI 每個人講的都不一樣），可以從「怎麼思考」和「怎麼行動」兩個角度來定義。
- `## [1:36:48](https://www.youtube.com/watch?v=KWGgi100YLY&t=5808s) 像人一樣行動：Turing test` 老師講什麼：隔著布幕問問題，分不出回答的是人還是機器，機器就通過 Turing test；要做到需要 NLP、知識表示、自動推論、機器學習、電腦視覺、機器人。老師認為現在的 GPT 還沒通過，因為他還分得出來（例如報告完全沒有文法錯誤就是 AI 寫的）。
- `## [1:40:00](https://www.youtube.com/watch?v=KWGgi100YLY&t=6000s) 像人一樣思考：認知模型` 老師講什麼：要先知道人怎麼思考（反思、心理實驗、腦造影），認知科學把 AI 的電腦模型和心理學實驗結合。老師說目前我們連大型神經網路裡面怎麼運作、人腦怎麼聽懂話都說不清楚，所以這條路很難。
- `## [1:41:51](https://www.youtube.com/watch?v=KWGgi100YLY&t=6111s) 理性思考：邏輯學派` 老師講什麼：邏輯學派認為把道理寫成邏輯式就能推論、證明。兩個困難：非正式的知識（例如跟人說話該站多近的直覺）很難寫成邏輯；「理論上能解」和「實際上能解」差很遠，幾百條事實就可能耗盡運算資源。
- `## [1:44:11](https://www.youtube.com/watch?v=KWGgi100YLY&t=6251s) 理性行動：rational agent` 老師講什麼：只看行為合不合理：在有限資訊下做出最好（有不確定性時是期望最好）的選擇。比邏輯學派更通用，也更經得起科學檢驗；老師說這是幾十年來最能落地應用的一派。
- `## [1:45:34](https://www.youtube.com/watch?v=KWGgi100YLY&t=6334s) AI 的基礎學科` 老師講什麼：哲學（知識從哪來）、數學（偏微分、線性代數、機率）、經濟學（資源有限下最大化收益）、神經科學、心理學、電腦工程、控制理論、語言學都和 AI 有關，所以很多科系都在做 AI。
## 3. 老師強調／會考／不考的地方（原句已驗證；寫進筆記時 ASR 錯字要改正）
- (1:44:52) [強調] 「這個Rational Agent事實上在過去幾十年的發展過程當中，真正比較能夠落地應用的，大概就屬於這一種」 → 四種定義中，rational agent 是最能落地應用的一派
## 3b. 數學段候選（程式抓的，只是提示；寫「跳過提示」行用）
0 段候選（門檻 3.0 字／30 秒）
## 4. 這章摘要與重要度
用「思考 vs 行為」「像人 vs 理性」兩個軸切出四種 AI 定義（Turing test、認知模型、邏輯學派、rational agent），再列出和 AI 有關的基礎學科。（核心）
## 5. 整堂課的提醒（ASR 錯字、老師口誤、投影片缺公式等；只用跟這章有關的）
- 影片 0:00:00–0:08:21 是在設定直播，沒有上課內容，直接從 0:08:21 開始看。
- 01 章（0:08–1:20）是行政：考試日期、作業時程、評分比例已經整理在課程頁，這章只補課程頁沒有的（衛星課程、選題建議、這門課教什麼不教什麼、Slido 問答精選）。
- 朝陽科大是衛星學校：作業和學期分數由朝陽的協同教師陳榮靜老師負責（逐字稿 ASR 寫成「長陽科大的陳榮進老師」，0:14:32）。
- 老師說 Ch1、Ch2 都偏「聊聊天」，真正核心從 Ch3 開始（2:59:31）。這週 Ch2 只講到 p.12，p.13 起在 W2 接著講。
- 本機的 Lecture 0 投影片 PDF 是去年版（p.2 寫 114 學年、p.19 寫 12/11 考試與 12/18 報告）；今年老師口頭說的是 12/10 考試、12/24 報告，以老師口頭與 NTU COOL 為準。
- ASR 人名校名：「長陽科大的陳榮進」＝朝陽科大陳榮靜（0:14:32）；「鎮丘科大的施松春」＝正修科大施松村；「高雄科大的蕭宏傑」投影片（去年版）寫戴鴻傑，今年是否換人不確定。
- ASR 術語：混程式授權＝混成式授權；系統老師＝協同教師；頭影片＝投影片；TICA／拍卡＝TAICA；期末卡＝期末考；志工系館＝資訊系館；AIDAIGOCAGO＝Aidea、Aigo、Kaggle；Engineering AI／EngineeringAgent＝Agentic AI；ntu庫／ntu酷／MTU COOL＝NTU COOL；ChainGPT＝ChatGPT；Olama＝Ollama。
- ASR 歷史人名：McClouch／Macroch＝McCulloch；Dim Edelman＝Dean Edmonds；Marvin Vinsky＝Minsky；Claudius Shannon＝Claude Shannon；Harper Simon＝Herbert Simon；Prowe＝Judea Pearl；Yashua Bejo＝Yoshua Bengio；Bartol＝Barto；Rison and Hall＝Bryson and Ho；Dendro＝DENDRAL；MindC＝MYCIN；Base Network＝Bayesian network；被propagation＝back-propagation；Geometric Theory Prover＝Geometry Theorem Prover；ImgNet／Ingenet＝ImageNet；Lewis／New Year's＝NeurIPS；Hawking Face＝Hugging Face。
- ASR Ch2：a curator／Equator＝actuator；「回答他們提出一個系統叫Onimus／Oniverse」應是「輝達（NVIDIA）提出的 Omniverse」（2:53:52，推測）；CyberCat＝Tesla Cybercab；Athropic Cloud＝Anthropic Claude。
- 老師口誤：2:06:22 說「billions of dollars in 1980年」，投影片 p.21 是 1988；0:47:36 說 ChatGPT「大概在 2020 年左右」出來，實際是 2022 年 11 月；2:15:14 附近說訓練出「語音辨識」模型，前後文是 ImageNet 影像辨識。
- Samuel 的程式投影片 p.15 寫 checkers（西洋棋），但 checkers 其實是西洋跳棋，老師口頭也說西洋棋；考試寫 checkers。
- Omniscience：老師口頭（2:53:45）講的 omniscient 比較像 fully observable（環境資訊全都知道）；課本 p.7 的意思是「知道行動的真實結果」，並說理性不要求全知（rationality maximizes expected performance, while perfection maximizes actual performance）。考試寫課本版。
- 老師提到的 2026 年新聞（GPT-6 Astra、OpenAI 模型逃出沙盒侵入 Hugging Face、Meta 記錄員工滑鼠軌跡訓練模型）無法查證，筆記只當老師舉的例子轉述，不當事實寫。
- 本機 Lecture 0 PDF 是去年版：p.3 衛星學校列了 5 所（含南臺科大），今年老師口頭說只有 4 所（臺中科大、高雄科大、朝陽科大、正修科大）；p.19 日期 12/11、12/18 也是去年的，今年是 12/10 考試、12/24 報告。
- Lecture 0 p.17 的圖（AI ⊃ ML ⊃ DL ⊃ GenAI）在本機是去年版；老師說今年的投影片在 GenAI 裡多畫了 Agentic AI（0:47:59）。
## 6. 投影片文字（這章範圍）
**這幾頁的公式或內容只在圖裡（文字檔抓不到），寫 Exam-ready 與公式前先用 Read 看這幾張圖：**
- Ch1 p.4 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p004.png
--- Ch1 p.2 ---
• AI started in earnest soon after World War II, and the name itself was coined in
1955.
What is AI?
2
thought process
behavior
--- Ch1 p.3 ---
• A computer passes the Turing test if a human interrogator (訊問者), after
posing some written questions, cannot tell whether the written responses come
from a person or from a computer.
• The computer needs
• Natural language processing
• Knowledge representation
• Automated reasoning
• Machine learning
• Computer vision
• Robotics
Acting Humanly: The Turing Test
3
--- Ch1 p.4 ---
• We must have some way of determining how humans think
• Through introspection (反思)
• Through psychological experiments
• Through brain imaging
• Cognitive science brings together computer models from AI and experimental
techniques from psychology to construct precise and testable theories of the
human mind.
Thinking Humanly: Cognitive Modeling
4
--- Ch1 p.5 ---
• By 1965, programs existed that could, in principle, solve any solvable problem
described in logical notation. The so-called logicist tradition within artificial
intelligence hopes to build on such programs to create intelligent systems.
• Two main obstacles
• It’s not easy to take informal knowledge and state it in the formal terms
required by logical notation.
• There is a big difference between solving a problem “in principle” and
solving it in practice. Even problems with just a few hundred facts can
exhaust the computational resources.
Thinking Rationally: Law of Thought
5
--- Ch1 p.6 ---
• A rational agent is one that acts so as to achieve the best outcome or, when
there is uncertainty, the best expected outcome.
• Two advantages
• It is more general than the “laws of thought” approach because correct
inference is just one of several possible mechanisms for achieving
rationality.
• It is more amenable (經得起檢驗) to scientific development than other
approaches based on human behavior or human thought.
Acting Rationally: Rational Agent
6
--- Ch1 p.7 ---
• Philosophy
• Can formal rules be used to draw valid conclusions?
• How does the mind arise from a physical brain?
• What does knowledge come from?
• How does knowledge lead to action?
• Mathematics
• What are the formal rules to draw valid conclusions?
• What can be computed?
• How do we reason with uncertain information?
Foundations of AI
7
--- Ch1 p.8 ---
• Economics
• How should we make decisions so as to maximize payoff?
• How should we do this when others may not go along?
• How should we do this when the payoff may be far in the future?
• Neuroscience
• How do brains process information?
Foundations of AI
8
--- Ch1 p.9 ---
• Psychology
• How do humans and animals think and act?
• Computer Engineering
• How can we build an efficient computer?
• Control theory and cybernetics
• How can artifacts operate under their own control?
• Linguistics
• How does language relate to thoughts?
Foundations of AI
9
## 7. 逐字稿（1:35:03 前後各多 1 分鐘，原始行）
[01:34:18] 謝謝
[01:34:25] 現在臉這兒可以上
[01:34:26] 好
[01:34:27] 看看
[01:34:35] 好
[01:34:38] 好
[01:34:39] 我們要回來上課囉
[01:34:41] 那個
[01:34:43] 先確認一下
[01:34:45] 線上能不能聽到聲音
[01:34:47] 好
[01:35:01] 那我們開始
[01:35:03] 正式上課
[01:35:04] 好
[01:35:05] 那我們接下來呢
[01:35:06] 要開始講的是第一章
[01:35:07] 好
[01:35:08] 那其實前兩章呢
[01:35:09] 都比較像是在
[01:35:10] 聊聊天的啦
[01:35:12] 所以我們很快來進入一下
[01:35:13] 第一章
[01:35:16] 有沒有聲音呢
[01:35:17] 看一下
[01:35:18] 照理講應該要有聲音的
[01:35:29] 好
[01:35:30] OK
[01:35:31] 好來第一章
[01:35:32] 首先開宗明義
[01:35:33] 什麼是AI
[01:35:34] OK
[01:35:35] 那事實上呢
[01:35:36] AI這個詞呢
[01:35:37] 是在二次世界大戰之後
[01:35:38] 就已經開始了
[01:35:40] 好
[01:35:41] 大約出現在1955年
[01:35:44] 到1956年這時候
[01:35:46] 好
[01:35:47] 那
[01:35:48] 如果
[01:35:49] 有一些同學
[01:35:50] 應該都知道說
[01:35:51] 電腦是什麼時候發明的
[01:35:53] 大概二次世界大戰之後
[01:35:55] 幾年就發明瞭電腦
[01:35:58] 好
[01:35:59] 所以其實AI這個詞呢
[01:36:01] Artificial Intelligence
[01:36:03] 這個詞在1955年就已經發生了
[01:36:05] 那在這幾十年的發展過程當中呢
[01:36:08] 有各式各樣不同的觀點
[01:36:10] 來說什麼樣叫做AI
[01:36:12] 其實一直到了今天
[01:36:14] 都依舊有很多不同的定義
[01:36:17] 就好像說最近因為
[01:36:19] GPT-Astra出來之後
[01:36:21] 黃仁勛比如出來講嘛
[01:36:23] 他說AGI的時代已經來臨了
[01:36:25] 好
[01:36:26] 但是到底什麼叫做AGI
[01:36:28] Artificial General Intelligence
[01:36:30] 其實不同的人的定義都不一樣
[01:36:32] 那像這邊也是
[01:36:34] 不過整體整理起來
[01:36:36] 我們大概可以從
[01:36:38] 今天你是怎麼思考的
[01:36:40] 以及你所開發出來的系統
[01:36:44] 是怎麼去動作的
[01:36:46] 從這幾個不同的角度
[01:36:48] 來定義什麼叫做AI
[01:36:51] 所以有一些人認為說
[01:36:53] 你的行為要像是一個人
[01:36:57] 你這個系統的行為要像是一個人
[01:37:00] 它才叫做是AI
[01:37:02] 那其中這個有一個著名的
[01:37:05] 這個判斷的方式
[01:37:07] 就所謂的Turing Test
[01:37:09] 那Turing呢我們都知道
[01:37:11] 大部分人應該都知道說
[01:37:13] 它其實就是我們Complete Science的主師爺嘛
[01:37:16] 所以以前大家應該有學過Turing Machine
[01:37:20] 反正就是說呢
[01:37:21] 他當時提的這個Turing Test是指說
[01:37:24] 如果有一個機器
[01:37:26] 假設我們現在在一個房間裡面
[01:37:28] 這個房間呢用一個不透的
[01:37:31] 不透明不透光的一個布幕
[01:37:33] 隔成兩塊的話
[01:37:36] 在布幕的一邊是一臺電腦
[01:37:39] 或者一個系統
[01:37:40] 布幕的另外一邊是一個人的話
[01:37:43] 今天人去問布幕另外一邊的東西
[01:37:49] 是什麼東西不知道
[01:37:50] 可能是人可能是東西
[01:37:52] 那布幕那一邊所回應的結果
[01:37:56] 讓我們這邊的人
[01:37:58] 無法區分它是真正的人
[01:38:01] 或者是一臺機器的話
[01:38:03] 那就代表說
[01:38:04] 如果那一臺機器可以做到這件事情
[01:38:06] 就代表那個機器已經通過了Turing Test
[01:38:09] Turing Test
[01:38:10] 圖利測試這樣
[01:38:12] 那要達到這件事情
[01:38:14] 顯然的它要有很多能力喔
[01:38:17] 而這些能力事實上也就是我們在資訊工程裡面
[01:38:21] 很多不同的這個
[01:38:25] 很多不同的這個研究主題
[01:38:28] 比如說自然語言處理啦
[01:38:30] 知識的表達啦
[01:38:32] 自動的推論啦
[01:38:33] 機器學習啦
[01:38:34] 電腦視覺啦
[01:38:35] 機器人等等的
[01:38:37] 所以
[01:38:39] 有一派的人覺得說
[01:38:42] 你的行為要像是一個人
[01:38:44] 它才叫做AI
[01:38:46] 如果說以現在這個
[01:38:48] 從這個評判的角度來講
[01:38:49] 大家覺得
[01:38:52] 現在的GPT-6
[01:38:54] Altra
[01:38:55] 有沒有通過Turing Test
[01:38:57] 你想一下
[01:38:58] 你覺得
[01:38:59] 那每個人標準可能不一樣
[01:39:03] 對我來講
[01:39:04] 我會覺得
[01:39:05] 完全不是
[01:39:06] 為什麼呢
[01:39:08] 如果今天這個機器
[01:39:10] 這個工具真的厲害到
[01:39:12] 我都分辨不出來的話
[01:39:14] 我才可以覺得說
[01:39:15] 它是AI嘛
[01:39:16] 但是我現在可以很輕易的分辨
[01:39:18] 這是不是AI做出來的
[01:39:21] 比如說你們寫的報告
[01:39:23] 我可以很輕易就可以看出它是不是AI寫的
[01:39:25] 你用英文寫報告
[01:39:26] 只要沒有任何一個英文文法錯誤
[01:39:28] 那一定是AI寫的嘛
[01:39:30] 你們寫的一定會有英文文法錯誤嘛
[01:39:32] 然後你們畫出來的圖
[01:39:34] 會毫無瑕疵
[01:39:35] 是不是看起來很清楚
[01:39:37] 那就是AI弄的嘛
[01:39:38] 所以以這個角度來講
[01:39:39] 我們幾乎可以說
[01:39:41] 我都還可以區分出
[01:39:42] 對面是一臺機器還是一個人
[01:39:45] 這是我的觀點
[01:39:47] 不同人的觀點不一樣
[01:39:49] 所以有的人認為說
[01:39:50] 行為要像是一個人
[01:39:52] 才叫做AI
[01:39:54] 一個能夠被稱呼是一個AI的系統
[01:39:58] 必須行為像是一個人
[01:40:00] 那有的人認為說
[01:40:02] 不是
[01:40:03] 我是要看他怎麼思考的
[01:40:04] 他是不是思考的像是一個人
[01:40:07] 那在研究思考是不是像人
[01:40:09] 那就
[01:40:10] 這就關係到
[01:40:11] 可能跟心理學
[01:40:13] 可能跟哲學有關
[01:40:14] 比如說
[01:40:15] 我們人怎麼思考的
[01:40:17] 我們人有直覺
[01:40:19] 我們人有反思的能力
[01:40:21] 然後呢
[01:40:22] 在心理學那一邊
[01:40:24] 在神經科學那一邊
[01:40:26] 會有所謂的認知科學
[01:40:28] 專門在研究我們腦
[01:40:30] 當我們遇到一個什麼刺激的時候
[01:40:32] 我們腦子會怎麼樣去進行變動
[01:40:34] 所以有的人認為說
[01:40:36] 你這個系統的整個
[01:40:39] 思考的過程思考的方式
[01:40:42] 思考的模式
[01:40:44] 要像是一個人
[01:40:45] 才叫做人工智慧
[01:40:47] OK
[01:40:48] 好以這個觀點來講
[01:40:49] 你覺得現在的系統像是
[01:40:53] 一個完整的系統嗎
[01:40:55] 其實一定還不是
[01:40:57] 如果是從這個觀點來看的話
[01:40:59] 事實上我們現在根本就不知道GPD-6
[01:41:02] 這個模型裡面
[01:41:04] 哪一個
[01:41:05] 有啦有很多的研究在研究說
[01:41:06] 是不是這個神經元
[01:41:09] 就是代表一個什麼事情
[01:41:10] 但是現在已經有幾十個billion
[01:41:15] 更多billion
[01:41:16] 幾兆個參數
[01:41:18] 在描述這些類神經網路裡面的神經元
[01:41:21] 到底裡面確切是怎麼跑的
[01:41:25] 以及為什麼這樣子跑
[01:41:26] 可以跑出一個什麼結果
[01:41:29] 其實我們根本都還不知道
[01:41:31] 或者反過來講
[01:41:33] 我們根本也就不知道
[01:41:34] 我們人的腦袋
[01:41:35] 當我們為什麼你現在
[01:41:37] 聽我講話
[01:41:39] 你可以聽得懂
[01:41:41] 其實你也搞不清楚
[01:41:43] 你很難說得清楚
[01:41:45] 但是怎麼樣
[01:41:46] 所以從這個角度來講
[01:41:48] 這個可以很難
[01:41:49] 思考像是一個人
[01:41:51] 有的人認為說
[01:41:52] 你不要講思考像是一個人
[01:41:54] 你只要合理的思考就好了
[01:41:57] rational就是指的是
[01:41:59] 理性的合理的思考
[01:42:03] 所以比如說
[01:42:05] 在這邊就有一派的人會覺得說
[01:42:08] 如果我可以把要做的事情
[01:42:11] 它的邏輯
[01:42:13] 它背後的原則
[01:42:15] 如果能夠寫出來的話
[01:42:18] 我根據這個原則跟邏輯來做事情
[01:42:22] 它就可以成為是一種AI
[01:42:25] 所以早在1965年代
[01:42:27] 就已經有一派的學者
[01:42:30] 是所謂的邏輯學家
[01:42:32] 他們認為說
[01:42:34] 我們這個宇宙裡面的道理
[01:42:37] 都可以描述成一堆邏輯的描述跟判斷
[01:42:44] 一堆的Expression
[01:42:46] 那你靠這樣子的原則跟邏輯
[01:42:50] 你可能就可以做一些推演
[01:42:53] 你可以做一些數學的證明
[01:42:55] 你可以做很多事情
[01:42:58] 有人認為說這樣就叫AI
[01:43:01] 不過這一派的想法
[01:43:03] 很明顯會遇到一些困難
[01:43:06] 比如說
[01:43:07] 很多非正式informal的知識
[01:43:12] 你就很難寫成是一個邏輯
[01:43:14] 就好像說
[01:43:16] 我們人跟人在對談相處的時候
[01:43:20] 我們就是有一種感覺
[01:43:22] 當我在跟他對談的時候
[01:43:25] 這樣子就有一點太近了
[01:43:28] 怪怪的
[01:43:29] 所以我會稍微遠一點
[01:43:31] 這樣懂我意思嗎
[01:43:33] 你也說不出為什麼
[01:43:35] 但是
[01:43:36] 就是一種直覺
[01:43:38] 一種感覺
[01:43:39] 像這種東西很難寫成一個邏輯的
[01:43:42] 除非你是要跟他罵
[01:43:44] 要罵人
[01:43:45] 你鼻子貼在對面的鼻子
[01:43:47] 好像拳擊手視線在畫像那樣
[01:43:50] 所以說
[01:43:51] 這個就很難寫成一個邏輯規則
[01:43:54] 再來就是說
[01:43:55] 有一些問題在概念上
[01:43:58] 理論上可以寫成邏輯規則的
[01:44:01] 可是在實際運作的時候
[01:44:02] 它就不是這麼做的
[01:44:04] 所以你很難把
[01:44:05] 這個世界上實際的很多的
[01:44:07] 很多實際的問題
[01:44:08] 真的是寫成邏輯跟規則
[01:44:11] 那還有一派就是說
[01:44:13] 我
[01:44:15] 是去看
[01:44:16] 他的行為
[01:44:18] 只要夠合理就好了
[01:44:21] 所以這一類呢
[01:44:22] 這一類的系統
[01:44:24] 叫做Rational Agent
[01:44:25] 就是具備理性
[01:44:27] 合理的行為模式的
[01:44:30] 這種Rational Agent
[01:44:31] 我就認為它是一種AI
[01:44:34] 所以一個Rational Agent
[01:44:36] 怎麼樣叫做合理呢
[01:44:37] 基本上就是
[01:44:39] 在你接收到有限的資訊的情況之下
[01:44:43] 它能夠做出
[01:44:44] 在這樣的情況之下
[01:44:46] 最好的一個選擇
[01:44:48] 這樣子就叫做Rational Agent
[01:44:52] 這個Rational Agent
[01:44:53] 事實上在過去幾十年的發展過程當中
[01:44:57] 真正比較能夠落地應用的
[01:45:00] 大概就屬於這一種
[01:45:02] 就是我在
[01:45:04] 我有限的情況下
[01:45:06] 我能夠盡可能達到最好的一個結果
[01:45:09] 那它這個做法呢
[01:45:11] 更為實際
[01:45:12] 這樣子做法一般來講更為實際
[01:45:15] 然後
[01:45:17] 它比所謂的去探究背後的邏輯
[01:45:22] 更容易落實到空間當中
[01:45:24] 也更經得起檢驗
[01:45:27] 好那
[01:45:28] 所以在很多實際應用的系統裡面
[01:45:31] 都是所謂的Rational Agent
[01:45:34] 好那在各種不同的定義之下
[01:45:38] 其實跟AI有關的學問有哪些呢
[01:45:43] 其實非常非常的多
[01:45:45] 比如說哲學
[01:45:47] 哲學是在探究說
[01:45:49] 我今天
[01:45:51] 我們人為什麼會思考
[01:45:54] 我們人的知識從哪裡來
[01:45:56] 我們如何學的知識
[01:45:57] 我們如何表達知識
[01:45:59] 你說這個是不是對於
[01:46:02] 我們在
[01:46:03] 這個
[01:46:04] 發展AI的系統裡面
[01:46:06] 是非常的重要
[01:46:07] 對不對
[01:46:08] 以目前來講
[01:46:09] 目前看起來最成功的
[01:46:11] 似乎是利用大量的
[01:46:14] 語言跟訓練的資料
[01:46:17] 把它壓縮成一個
[01:46:19] 把它壓縮成高微的向量
[01:46:22] 我們說Token
[01:46:23] 似乎到目前為止
[01:46:25] 我們人類社會
[01:46:26] 到今天為止
[01:46:28] 看起來是最有效的
[01:46:29] 但是它一定是這樣嗎
[01:46:31] 不好說
[01:46:32] 未來一定會再變
[01:46:33] 好
[01:46:34] 所以一定跟哲學有關
[01:46:36] 也一定跟數學有關
[01:46:38] 比如說事實上
[01:46:39] 我們類神經網路裡面
[01:46:40] 有一堆
[01:46:41] 我們在學習這些
[01:46:42] 類神經網路的
[01:46:44] 這些神經元的
[01:46:45] waiting的時候
[01:46:46] 它的參數的時候
[01:46:48] 裡面有用到很多的數學
[01:46:51] 比如說
[01:46:52] 你要做偏微分
[01:46:54] 你要有先進代數
[01:46:55] 你要舉證相稱等等的
[01:46:57] 當然跟數學有關
[01:46:59] 那你要如何表達
[01:47:01] uncertain的information
[01:47:03] 很多時候我們的資訊
[01:47:05] 只有一部分
[01:47:06] 那我們要引入機率
[01:47:08] 來去推斷
[01:47:11] 我們某件事情發生的
[01:47:13] 可能性有多大
[01:47:15] 跟經濟學有關
[01:47:17] 為什麼跟經濟有關
[01:47:18] 因為經濟基本上就是在
[01:47:21] 研究說
[01:47:23] 當我的資源有限
[01:47:25] 某種資源
[01:47:26] 有某些限制的情況之下
[01:47:28] 我要如何去最大化
[01:47:30] 我可以獲得的結果
[01:47:32] 這個當然跟經濟有關
[01:47:34] 當然跟神經科學有關
[01:47:36] 因為有的人認為就是說
[01:47:38] 要模擬人的思考的過程
[01:47:40] 所以說
[01:47:41] 在更早之前
[01:47:43] 100年前
[01:47:44] 心理學家
[01:47:46] 認知心理學家
[01:47:47] 腦科學家
[01:47:48] 就發現說
[01:47:49] 我們人的這個
[01:47:50] 腦細胞裡面有很多的
[01:47:51] 有很多神經元
[01:47:53] 然後它彼此之間
[01:47:54] 會透過電傳導
[01:47:55] 傳遞資訊什麼等等的
[01:47:57] 那當然會有關
[01:47:58] 跟psychology
[01:48:02] 跟心理學有關
[01:48:03] 比如說
[01:48:04] 人跟動物
[01:48:06] 有什麼樣的一個區別
[01:48:08] 人是如何思考
[01:48:11] 跟如何行動的
[01:48:13] 跟電腦科學當然有關
[01:48:15] 比如說我們要如何去
[01:48:17] 建立一個有效率的電腦
[01:48:21] 所以晶片的設計
[01:48:23] 這當然有關
[01:48:24] 控制的理論
[01:48:26] 比如說機器人
[01:48:28] 我們現在要慢慢進入到
[01:48:31] 機器人的這個世界
[01:48:33] 它有很多的元件
[01:48:35] 除了思考之外
[01:48:37] 它還有很多
[01:48:38] 我們稱呼是
[01:48:39] 機器人有大腦跟小腦
[01:48:41] 小腦來決定說
[01:48:42] 你各個不同的機器
[01:48:44] 機件的部位
[01:48:45] 要如何協調
[01:48:46] 維持平衡
[01:48:47] 然後你要動手的時候
[01:48:50] 你要走的時候
[01:48:51] 你要怎麼去控制它
[01:48:52] 以及語言
[01:48:54] 當然跟語言學有關
[01:48:56] 目前看似最成功的案例
[01:48:59] 就是Large Language Model
[01:49:01] 這當然跟語言學有關
[01:49:03] 所以說整體而言
[01:49:05] 你AI
[01:49:07] 為什麼現在AI對於
[01:49:09] 這整個世界有這麼大的一個影響
[01:49:12] 因為它其實跟各個學問都有關係
[01:49:15] 那你也聽到很多
[01:49:18] 很多的科系
[01:49:20] 很多的老師
[01:49:22] 都說他在做AI的研究
[01:49:25] 或者他採用AI在做研究
[01:49:28] 這事實上是非常常見
[01:49:30] 也非常合理的
[01:49:32] 因為AI的範圍
[01:49:33] 就是這麼寬
[01:49:35] 好
[01:49:36] 那整個AI的歷史
[01:49:37] 其實可以從過去幾十年來
[01:49:41] 贏得Turing Award的這些學者們
[01:49:47] 他的研究
[01:49:48] 我們可以大致的看出
[01:49:50] 整個AI發展的歷史
[01:49:52] Turing Award
[01:49:53] 就是我們剛剛前面
[01:49:54] 已經有出現過Turing
[01:49:55] 就是我們資工的主師爺
[01:49:58] Alan Turing
[01:49:59] 為了紀念他所設立的一個獎項
[01:50:02] 他其實就是資訊界的諾貝爾獎
[01:50:05] 在1969年
[01:50:07] Marvin Minsky跟1971年John McCarthy
[01:50:11] 他們因為知識的表達
[01:50:15] 跟這個所謂的理論的推論
[01:50:19] 的貢獻
[01:50:21] 獲得了Turing Award
[01:50:23] 所以你看
[01:50:24] 在1960年代1970年代初
[01:50:27] 當時的研究重點在於
[01:50:29] 知識的表達跟推論
[01:50:31] 跟邏輯的推論
[01:50:34] 1975年呢
[01:50:36] Alan Newell跟Harper Simon
## 8. 寫作規則
（這是 `_筆記SOP.md` 第 3.1、4、5、6 節的濃縮版。兩者衝突時以 SOP 為準。）
讀者：碩士生，兩門課期末是英文考試。要只看筆記就能學會，講得比老師好懂。畫面要簡潔。
**概念優先（2026-09-26 主理人）**：主理人只想懂概念，不想補數學、不想看程式碼和座標圖。兩門課的考試也都是問答題、不考算式（AI W1 1:16:52；NLP W3 1:47:41、2:48:36）。所以：
- 每段預設看得到的只有：白話摘要（2–4 句）＋**一句生活比喻**（例：模擬退火像投資理財，年輕時敢冒險、越老越保守）＋「考試可能怎麼問」一句。
- 數學推導、公式、手算、程式碼、座標圖，全部收進標題寫「（進階，可跳過）」的摺疊，例如「它到底怎麼運作？（進階，可跳過）」。每段最多一個進階摺疊，不要寫長篇計算。
- 演算法要能「用文字說出步驟」（考試可能要你描述），這一點放在預設看得到的地方，不用數字。
- **重心比例**：白話理論與概念模式（它在解決什麼問題、核心想法、跟別的方法差在哪、優缺點、生活比喻）占主要篇幅；數學與程式細節只用一兩句帶過，細節收進進階摺疊。
**圖文並茂（2026-09-26 主理人：不要只有文字）**：
- 每章至少 2–3 個圖，放在**預設看得到**的地方，每個圖前後各用一兩句白話說明「這張圖在看什麼」。
- 流程、步驟、因果、比較 → 用 mermaid 流程圖（```mermaid，flowchart LR 或 TD；節點文字用中文、加雙引號；一張圖不超過 10 個節點）。
- 投影片上的示意圖、架構圖 → 用 [[IMG: …]] 放投影片圖。
- 仍守「每個 ## 段落最多一種視覺元素」。
### 輸出兩個檔
1. `chNN.md`（Notion 寫法，不含頁面標題），結構固定：
- 第一行：章節包第 1 節那行，原樣照抄。
- 第二行起（有數學段才寫）：**跳過提示**，每段一行，讓主理人看影片時知道從哪跳到哪。用章節包第 3b 節的候選當提示，對照第 7 節逐字稿確認（只標老師連續講公式、推導、矩陣、微積分、機率計算、程式細節超過約 1 分鐘的段落；概念講解和比喻不算）：
`跳過提示：(1:31:02–1:35:40) 老師在推導梯度公式，聽不懂可以直接跳到 [1:35:40](YouTube 連結)，接著講「步長 α 怎麼選」。`
- `## 重點`：三點中文，每點一到兩句。
- `## Exam-ready`：3–10 行英文，**從章節包的投影片文字逐字抄**，每行 `- **Term**: "原句"（Ch3 p.14）`。老師有明確證據才在行尾加 `【老師強調】(h:mm:ss)`。
**每一行下面一定要有一行縮排的中文解釋**（主理人英文不好，看不懂的英文等於沒用）：
```
- **Hill climbing**: "It keeps track of one current state and on each iteration moves to the neighboring state with highest value."（Ch4 p.5）
- 中文：爬山法只記住「現在這一個狀態」，每一輪都移到分數最高的鄰居。白話：一直往比較高的地方走一步。
```
中文要先把句子意思講清楚，再補一句白話；最後用「英文（中文）」列出這句裡 1–3 個難字，例：sparse（稀疏）、distinct terms（不重複的字）。
**一行只放一句投影片原句**。同一頁有多句要考就拆成多行，每行各接一行中文；不要用分號串三句以上，不要把計算量 O(...) 塞進去。
- 章節包第 2 節的每一段：`## [h:mm:ss](連結) 標題`（照抄），下面 2–4 句白話摘要，其餘全部收進摺疊：
```
問句（例：用生活例子講，BFS 在做什麼？）
內容
```
摺疊種類（需要才放）：用生活例子講？／它到底怎麼運作？／要先懂什麼？（老師假設你會的數學或概念，短版教學）／老師原話是什麼？（「原話」(h:mm:ss)，只放重要的，最多 5 句）。
- 「它到底怎麼運作？」要用一組小數字把這段的演算法**真的跑 1–3 步**（例：算出梯度、更新一次、比較兩個 α），不是只示範定義的加減乘除。全章盡量沿用同一組數字，讓前一段的答案能在下一段被驗證。
- 每段正文要回答讀者最可能卡住的一個「為什麼」。投影片公式方向跟題目相反、或投影片說「解不出來」時，用一兩句講出原因，自己補的標（我補充）。
- 投影片句子停在公式前（公式在圖裡）時：Exam-ready 在粗體詞條上補公式、引號內保持原句；正文寫出同一條式子。公式圖看章節包第 6 節列出的 PNG。
- `## Self-check`：2–4 題英文考題，答案收摺疊。**至少一題考老師強調的內容**；只出 explain／why／compare 這類問答題，**不出要代數字計算的題目**（考試不考算式）；不出「老師和投影片哪裡不同」這類不會考的題目。每題格式：
```
Q1. English question?（中文：中文題目）
**Answer**: English answer.
中文：把答案完整講一遍（不是只翻一句），讓看不懂英文的人也知道要怎麼答。
```
- **最後一行**：章節包第 1b 節那行（下一章連結），原樣照抄。讓讀完的人直接點下一章。
- 不要把章節包或這份規則裡的指示句寫進筆記（例如「寫筆記時照投影片寫」「已改正 ASR 錯字」）。
- 長度：全文不超過 16,000 字元（跟 check_note.py 同一個數字）。**不要為了壓字數反覆刪改**（實測一章最多花 12 輪在刪字）；超過時只刪進階摺疊裡的第二組算例，比喻、比較表、圖說、「老師說不用背」的提醒都不刪。
- 預設看得到的正文不放計算量 O(...)、代號對照（例如 SMART 字母）、課本出處考據，一律移進進階摺疊。
2. `chNN.concepts.json`：JSON 陣列，4–12 個考試可能問的術語，每個物件：
`name`（英文）、`zh`、`type`（概念／演算法／公式／人物事件／前置知識／行政）、`signal`（"老師說會考"／"老師強調"／"核心（我判斷）"／""）、`evidence`（有 signal 前兩種時必填：原句＋時間）、`definition_en`（投影片原句；沒有就註明 (textbook)／(lecture)／(my wording)）、`plain`（一句中文）、`a4`（≤150 字元英文，可夾極短中文；期末拼貼用的小方塊）、`time`、`slides`、`prereq`（英文名陣列）。
### 風格鐵律
- 不用 emoji 或裝飾符號（✓✗★⚠ 都不要；→ 可以）。不用 callout。不用 `$`。時間不要用 code 樣式。
- 每個 `##` 段落最多一種視覺元素：一張圖、或一個表格、或一個 mermaid。
- 摺疊標題是問句，前面不加符號。
- 圖片最多 3 張，只放文字取代不了的圖。放法：單獨一行 `[[IMG: | 中文圖說]]`，PNG 用 `slides_to_png.py <圖片資料夾> <頁> --dpi=110` 產生。
- 考試訊號只在老師明確說時標。老師只說「不用背」「不講」就寫「注意：……」。
- 老師口誤或跟投影片不同：照投影片寫，加「注意：老師口頭說的是……」。
- 引用老師的話時，ASR 錯字改成正確的字。
### 沒有投影片時
不要憑記憶逐字重現課本段落或數值表。英文定義用自己的話寫、句尾標 (my wording)；Exam-ready 每行標「（自擬，投影片待補）」。例子只用老師講的。
### 寫完之後（只做一次）
跑檢查：
`C:\Users\user\.cache\meeting-record\venv\Scripts\python.exe C:\Users\user\.claude\scripts\check_note.py --transcript <逐字稿> --slides <投影片 txt …> --start <起> --end <訖> --vid <影片 ID>`
- STYLE／VISUAL／TIME／FORMAT：全部改掉。
- QUOTE：確認是不是你改正了 ASR 錯字（是就保留），不是就改成原文或拿掉引號。
- ENGLISH：確認是不是投影片斷行造成的（是就保留），不是就改成投影片原句。
**省額度守則**：章節包裡已經有你需要的全部資料。不要再去讀整份逐字稿、整份投影片、segments.json 或手冊。一次寫好整個檔（Write 一次），檢查後集中修改。