# 章節包：人工智慧導論（AI）W1（9/10）第 03 章「AI 歷史：誕生與兩次寒冬」 影片 1:49:36–2:07:29，YouTube ID KWGgi100YLY。Notion 章節頁 https://app.notion.com/p/3e7fc631b03081879ed7e12de51a94f8（頁 ID 3e7fc631-b030-8187-9ed7-e12de51a94f8），頁面標題「03 AI 歷史：誕生與兩次寒冬（1:49–2:07）」。 ## 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) › 03｜影片 [1:49:36–2:07:29](https://www.youtube.com/watch?v=KWGgi100YLY&t=6576s)｜投影片 Ch1 p.10–21｜上一章 [02 什麼是 AI：四種定義（1:35–1:49）](https://app.notion.com/p/3e7fc631b03081509ff5e74454b69167)｜下一章 [04 深度學習崛起與 AI 風險（2:07–2:31）](https://app.notion.com/p/3e7fc631b030813ba471f1cdc276f72c) ## 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：[04 深度學習崛起與 AI 風險（2:07–2:31）](https://app.notion.com/p/3e7fc631b030813ba471f1cdc276f72c)｜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） - `## [1:49:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=6576s) 用 Turing Award 看 AI 史`　老師講什麼：得獎者依序是知識表示與推論（Minsky、McCarthy）、符號模型（Newell、Simon）、專家系統（Feigenbaum、Reddy）、機率推論（Pearl）、深度學習（Bengio、Hinton、LeCun）、強化學習（Barto、Sutton），剛好就是 AI 研究重心的移動。 - `## [1:52:24](https://www.youtube.com/watch?v=KWGgi100YLY&t=6744s) 開端 1943–1956`　老師講什麼：1943 年 McCulloch 和 Pitts 提出人工神經元的數學模型；1949 年 Hebb 提出更新神經元連結強度的規則；1950 年 Minsky 和 Edmonds 做出第一台神經網路電腦；Turing 1947 年就在課堂談過相關概念。 - `## [1:53:40](https://www.youtube.com/watch?v=KWGgi100YLY&t=6820s) 1956 Dartmouth 研討會`　老師講什麼：McCarthy 找 Minsky、Shannon、Rochester 在 Dartmouth 開了兩個月的研討會，定下 Artificial Intelligence 這個名字；提案裡的主題（用語言寫程式、神經網路、自我改進、抽象、創造力）到今天還在做。 - `## [1:56:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=6996s) 早期狂熱 1952–1969`　老師講什麼：Newell 和 Simon 的 General Problem Solver（第一個走「像人一樣思考」路線的程式）與符號系統假說、IBM 的早期 AI 程式、Geometry Theorem Prover、Samuel 的跳棋程式、McCarthy 的 Lisp、Minsky 學生的 microworld（最有名的是 blocks world）。 - `## [2:00:49](https://www.youtube.com/watch?v=KWGgi100YLY&t=7249s) 第一次寒冬：理論可行不等於實際可行`　老師講什麼：冷戰時把俄文翻成英文的機器翻譯做不好（the spirit is willing but the flesh is weak 被翻成 the vodka is good but the meat is rotten），美國國防部砍經費，1960 年代末到 1970 年代初進入第一次寒冬；原因是 scalability：理論上能解不代表實際上能解。 - `## [2:03:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=7416s) 專家系統 1969–1986`　老師講什麼：改成鎖定小範圍，把領域專家的診斷規則寫進程式；DENDRAL 從質譜資料推分子結構，MYCIN 約 450 條規則診斷血液感染，表現比年輕醫師好。限制是只能用在知識能清楚寫成規則的領域。 - `## [2:06:10](https://www.youtube.com/watch?v=KWGgi100YLY&t=7570s) AI 產業泡沫與第二次寒冬`　老師講什麼：1980 到 1988 年 AI 產業從幾百萬美元暴增到數十億美元（老師說這場景「似曾相識」），但專家系統公司無法持續賺錢，1980 年代末很快進入第二次寒冬。 ## 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） （無） ## 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 從 Turing Award 得主看研究重心的移動，再依時間講 1943 年的神經元模型、1956 年 Dartmouth 命名、早期狂熱、第一次寒冬、專家系統與第二次寒冬。（一般） ## 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.10 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p010.png - Ch1 p.11 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p011.png - Ch1 p.13 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p013.png - Ch1 p.15 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p015.png - Ch1 p.16 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p016.png - Ch1 p.18 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p018.png - Ch1 p.20 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p020.png - Ch1 p.21 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p021.png --- Ch1 p.10 --- • One quick way to summarize AI history – by the ones who won Turing Award • Marvin Minsky (1969) and John McCarthy (1971) defined the foundations of the field based on representation and reasoning • Allen Newell and Herbert Simon (1975) for symbolic models • Ed Feigenbaum and Raj Reddy (1994) for developing expert systems • Judea Pearl (2011) for developing probabilistic reasoning techniques • Yoshua Bengio, Geoffrey Hinton, and Yann LeCun (2019) for making deep learning • Andrew G. Barto and Richard S. Sutton (2024) for developing the conceptual and algorithmic foundations of reinforcement learning History of AI 10 --- Ch1 p.11 --- • The inception (開端) of artificial intelligence (1943–1956) • Warren McCulloch and Walter Pitts (1943) proposed a model of artificial neuron. They showed that any computable function could be computed by some network of connected neurons, and logical connectives could be implemented. • Donald Hebb (1949) demonstrated a simple updating rule for modifying the connection strengths between neurons. • Marvin Minsky and Dean Edmonds built the first neural network computer in 1950. • Alan Turing gave lectures on the topic as early as 1947. History of AI 11 --- Ch1 p.12 --- • The birth of artificial intelligence (1955-56) • John McCarthy convinced Minsky, Claude Shannon, and Nathaniel Rochester to help him bring together U.S. researchers interested in automata theory, neural nets, and the study of intelligence. They organized a two-month workshop at Dartmouth in the summer of 1956. History of AI 12 Founding fathers of AI. Courtesy of scienceabc.com --- Ch1 p.13 --- • The birth of artificial intelligence (1955-56) • Automatic computers • How can a computer be programmed to use a language • Neuron nets • Theory of the size of a calculation • Self-improvement • Abstractions • Randomness and creativity • The proposers: Claude E. Shannon, Marvin L. Minsky, Nathaniel Rochester, John McCarthy History of AI 13 --- Ch1 p.14 --- • Early enthusiasm, great expectations (1952–1969) • Newell and Simon’s early success was followed up with the General Problem Solver (GPS). GPS was probably the first program to embody the “thinking humanly” approach. • Newell and Simon (1976) formulated the physical symbol system hypothesis -- any system (human or machine) exhibiting intelligence must operate by manipulating data structures composed of symbols. History of AI 14 --- Ch1 p.15 --- • Early enthusiasm, great expectations (1952–1969) • At IBM, Nathaniel Rochester and his colleagues produced some of the first AI programs. • Herbert Gelernter (1959) constructed the Geometry Theorem Prover, which was able to prove theorems. • Starting in 1952, Arthur Samuel wrote a series of programs for checkers (西洋棋) that eventually learned to play at a strong amateur level. History of AI 15 --- Ch1 p.16 --- • Early enthusiasm, great expectations (1952–1969) • In 1958, McCarthy defined the high-level language Lisp, which was to become the dominant AI programming language for the next 30 years. He described the Advice Taker, a hypothetical program that can be seen as the first complete AI system. • Minsky supervised a series of students who chose limited problems that appeared to require intelligence to solve. These limited domains became known as microworlds. • Early work building on the neural networks of McCulloch and Pitts also flourished. History of AI 16 --- Ch1 p.17 --- • Early enthusiasm, great expectations (1952–1969) • The most famous microworld is blocks world History of AI 17 --- Ch1 p.18 --- • A dose of reality (1966–1973) • AI researchers’ overconfidence was due to the promising performance of early AI systems on simple examples. • A typical story occurred in early machine translation efforts. The famous retranslation of “the spirit is willing but the flesh is weak” (心有餘而力不 足) as “the vodka is good but the meat is rotten” illustrates the difficulties. • Scalability: A program can find a solution in principle does not mean that the program contains any of the mechanisms needed to find it in practice. • Some fundamental limitations on the basic structures being used to generate intelligent behavior. History of AI 18 --- Ch1 p.19 --- • Expert systems (1969–1986) • Previous methods are weak methods, which don’t scale up to large or difficult problems. • The alternative to weak methods is to use more powerful, domain-specific knowledge that allows larger reasoning steps and can more easily handle typically occurring cases in narrow areas of expertise. • The DENDRAL program (Buchanan et al., 1969) was developed to solve the problem of inferring molecular structure from the information provided by a mass spectrometer. History of AI 19 --- Ch1 p.20 --- • Expert systems (1969–1986) • Feigenbaum and others at Stanford developed MYCIN to diagnose blood infections. With about 450 rules, MYCIN was able to perform as well as some experts, and considerably better than junior doctors. • The importance of domain knowledge was also apparent in the area of understanding natural language. History of AI 20 --- Ch1 p.21 --- • Expert systems (1969–1986) • The AI industry boomed from a few million dollars in 1980 to billions of dollars in 1988, including companies building expert systems, vision systems, robots, and software and hardware specialized for these purposes. • Soon after that came a period called the “AI Winter,” in which many companies fell by the wayside as they failed to deliver on extravagant promises. History of AI 21 ## 7. 逐字稿（1:49:36 前後各多 1 分鐘，原始行） [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 [01:50:39] 他因為符號模型 [01:50:42] 他將一些知識的表達 [01:50:45] 以符號來進行 [01:50:47] 然後推出了一些理論 [01:50:51] 所以說慢慢演入到符號邏輯 [01:50:55] 1994年 [01:50:56] 這兩位學者 [01:50:58] 他因為開發了專家系統 [01:51:01] 那等一下我們講說 [01:51:03] 為什麼後來又變成專家系統 [01:51:05] 他因為專家系統 [01:51:06] 而獲得Turing Award [01:51:08] 所以基本上大概在1980年代 [01:51:11] 是專家系統發展最繁盛的那個年代 [01:51:15] 那1990年代 [01:51:16] 這個人就獲得了Turing Award [01:51:23] 事實上呢 [01:51:24] 當我以前 [01:51:25] 我還是大學生的時候 [01:51:27] 我們的老師就是在教專家系統 [01:51:31] 那個年代是這樣 [01:51:33] 2011年 [01:51:35] Prowe呢 [01:51:36] 因為機率推論的貢獻 [01:51:39] 獲得Turing Award [01:51:40] 所以你看一路演進 [01:51:42] 前面都還沒有機率 [01:51:44] 到了2011年 [01:51:46] 得Turing Award的人 [01:51:47] 他把機率引進來 [01:51:49] 事實上 [01:51:50] 他大概在1990年代 [01:51:51] 就把機率引入 [01:51:52] 再進行推論 [01:51:54] 2019年 [01:51:55] Yashua Bejo [01:51:56] Jeffrey Hinton [01:51:57] 跟Yann LeCun [01:51:58] 因為Deep Learning的貢獻 [01:52:00] 然後 [01:52:01] 獲得了Turing Award [01:52:03] 事實上呢 [01:52:04] 最主要的Deep Learning的爆發時間點 [01:52:07] 是在2012年 [01:52:09] 好 [01:52:10] 到了2024年呢 [01:52:12] 這個Bartol跟Sutton [01:52:14] 因為強化學習 [01:52:16] Reinforcement Learning [01:52:18] 獲得了Turing Award [01:52:19] 所以一路你可以看到說 [01:52:21] 他整個研究發展的軌跡是這樣 [01:52:24] 所以很快的講一下 [01:52:26] 其實整個的開端呢 [01:52:28] 從1943年就開始了 [01:52:31] 1943年呢 [01:52:32] 這個McClouch跟這個Pitts [01:52:34] 他當時呢 [01:52:35] 就已經根據 [01:52:37] 因為認知學者 [01:52:38] 知道說 [01:52:39] 我們腦內就是有神經元 [01:52:41] 神經元有突出 [01:52:43] 會經過電傳導來傳動訊號 [01:52:45] 那他就已經開發出一個數學模型 [01:52:48] 來描述這樣的一個訊號 [01:52:51] 描述這樣子的一個模型 [01:52:53] 這是一個理論模型 [01:52:55] 1949年呢 [01:52:56] Hebb這個人呢 [01:52:57] 他就展示了說 [01:52:59] 那我有這個神經元 [01:53:00] 有這個神經元 [01:53:01] 有這個數學模型 [01:53:02] 那我的突出 [01:53:03] 我的Age [01:53:04] 我連出去的這些上面的 [01:53:06] 這些權重 [01:53:08] 我有一個數學的方法 [01:53:10] 來進行這個Weight的update [01:53:13] 這些Weight的變動 [01:53:15] 1950年呢 [01:53:16] Marvin Vinsky跟Dim Edelman [01:53:19] 就建構了第一個 [01:53:21] 類神經網路的電腦 [01:53:23] 當然當時是非常非常 [01:53:25] 體積非常龐大 [01:53:27] 但是能夠做出的事情 [01:53:28] 非常簡單的那種電腦 [01:53:30] 那1947年呢 [01:53:31] Alan Turing呢 [01:53:32] 曾經在他上課的時候 [01:53:34] 已經有講過一些對應的一個概念 [01:53:37] 當時還沒有AI這個詞 [01:53:40] 一直到1955年 [01:53:42] 年底1956年的時候 [01:53:45] 美國有一群學者 [01:53:46] 就這些人 [01:53:48] John McCarthy [01:53:49] 他就說服了 [01:53:51] Marvin Vinsky [01:53:52] Claudius Shannon [01:53:53] Rochester [01:53:54] 這些人 [01:53:55] 聚集在Dartmouth [01:53:57] 做了兩個月的 [01:53:59] 腦力激盪 [01:54:01] 因為當時世界大戰已經結束 [01:54:03] 然後他們在思考 [01:54:05] 計算機 [01:54:06] 或者是Computer的未來 [01:54:08] 他們已經看到了 [01:54:10] 就是說 [01:54:11] 二次大戰期間 [01:54:12] 大家如果看過那個電影 [01:54:14] 知道Alan Turing就是負責 [01:54:16] 建造一個機器 [01:54:17] 破解德軍的密碼 [01:54:19] 大家有沒有看過那電影 [01:54:21] 就發現說 [01:54:22] 他的這樣的一個運算的能力 [01:54:26] 似乎是很有用的 [01:54:28] 所以這些人就跟聚集一起 [01:54:30] 在思考計算的未來 [01:54:32] 他們討論是這些事 [01:54:33] 不是中午便當吃什麼 [01:54:35] 那這些人都可以說是 [01:54:39] AI的Founding Fathers [01:54:41] 就是AI之父們 [01:54:43] 就是這些人 [01:54:45] 那John McCarthy [01:54:46] Marvin Vinsky [01:54:47] 這個我們剛剛已經看過他們 [01:54:49] 聽過他們的名字 [01:54:50] 他們後來的R.Turing有問嗎 [01:54:52] Claudius Shannon [01:54:53] 這個是你如果是做通訊 [01:54:55] 網路的人 [01:54:56] 這個是鼎鼎到名 [01:54:58] Information Theory [01:54:59] 資訊裡 [01:55:01] 消息理論的奠基者 [01:55:04] Claudius Shannon [01:55:06] 那當然在後面有很多其他人 [01:55:08] 後來也得了Turing獲 [01:55:10] 總而言之 [01:55:11] 他們開了兩個月的 [01:55:12] 腦力激盪的會議之後 [01:55:14] 有的人先離開 [01:55:15] 後來又有人加入 [01:55:16] No No No No [01:55:17] 最後寫了一份 [01:55:19] 算是AI宣言 [01:55:22] 當時他們就定了 [01:55:24] Artificial Intelligence這個詞 [01:55:26] 在這份報告裡面 [01:55:28] 也有談論到 [01:55:29] 所謂的自動計算 [01:55:31] 然後如何Programming寫程式 [01:55:36] 用語言的方式來寫程式 [01:55:39] 你要知道 [01:55:40] 當年那個時代 [01:55:41] 還是真空管 [01:55:43] 真空管在那邊接來接去 [01:55:46] 當時沒有 [01:55:47] 半導體可能剛開始而已 [01:55:50] 在非常久以前 [01:55:52] 然後裡面也有提到 [01:55:54] Neural Network [01:55:55] 類神經網路 [01:55:57] 考慮到了計算的相關的理論 [01:56:00] 然後機器可不可以自動的學習 [01:56:02] 如何把知識抽象化 [01:56:04] 如何產生出這個Creativity [01:56:08] 所以你可以發現 [01:56:09] 這些古聖先賢們 [01:56:11] 在1955年 [01:56:14] 他就已經定出 [01:56:16] 整個計算的未來 [01:56:18] 未來可能可以怎麼走 [01:56:19] 他可能要有哪些思考 [01:56:22] 所以比如說 [01:56:23] 你看自我學習 [01:56:24] Self Improvement [01:56:25] 一直到現在 [01:56:26] 我們都還是在做這些事情 [01:56:29] 所以他們就是提出了一個 [01:56:32] 所謂的計算的未來的這個Proposal [01:56:36] 好那談完之後 [01:56:37] 大家就各自回到各自的工作崗位 [01:56:41] 回到美國東岸 [01:56:42] 回到美國西岸 [01:56:43] 回到Berkeley Stanford [01:56:45] MIT [01:56:46] IBM [01:56:47] Bell Lab [01:56:48] 各自回去 [01:56:50] 然後就開始了 [01:56:51] 他們各自的發展 [01:56:54] 然後就開始遍地開花 [01:56:56] 所以大概在1952年 [01:56:58] 到1969年之間 [01:57:00] 這十幾年間 [01:57:02] 就出現了第一次的AI大爆發 [01:57:06] 好那當時比如說 [01:57:08] Newell跟Simon [01:57:09] 他們很快的 [01:57:10] 就從理論上建構了一個 [01:57:12] 叫做General Problem Solver [01:57:15] 就是說 [01:57:16] 他已經能夠模擬出 [01:57:19] 像人類一樣思考的一個方法 [01:57:22] 他寫出了第一個這樣的一個程式 [01:57:25] 那Newell跟Simon呢 [01:57:27] 建立了所謂的符號邏輯系統 [01:57:31] 只要你們能夠把知識 [01:57:33] 把推論的過程用符號來表達 [01:57:35] 他就有辦法寫程式去進行推論 [01:57:39] 那在IBM呢 [01:57:40] Rochester跟他的同事們呢 [01:57:42] 就是做了最早的幾個AI的這個程式 [01:57:47] 你要知道當年寫程式 [01:57:49] 都很不容易的 [01:57:51] 不是像我們現在這樣子 [01:57:53] 我們現在也不太寫程式了 [01:57:55] 好但是呢 [01:57:56] 總而言之當年寫程式是很難的 [01:57:59] 還弄什麼卡片啊什麼東西的 [01:58:01] 好59年的話呢 [01:58:04] 這個人呢 [01:58:05] 也提出了所謂的Geometric Theory Prover [01:58:08] 在概念上理論上 [01:58:10] 他可以去做一些理論的證明 [01:58:14] 1952年呢 [01:58:16] Samuel開始做西洋棋 [01:58:19] 那利用一些規則啊符號的推論啊 [01:58:24] 他已經可以得到一個 [01:58:26] 他的這個棋力啊 [01:58:29] 他下棋的能力呢 [01:58:31] 已經達到一個還蠻強的一個業餘的水準 [01:58:34] 你看這這麼早的時候 [01:58:36] 1958年呢 [01:58:37] McCarthy John McCarthy呢 [01:58:39] 他定義了一個High Level Language [01:58:43] Computer Language [01:58:44] 叫做LISP [01:58:46] 這個後來呢 [01:58:48] 幾十年間三十年間呢 [01:58:50] 都成為去撰寫AI系統的一個重要的程式語言 [01:58:54] 那Marvin Minsky呢 [01:58:56] 他帶了一堆的學生呢 [01:58:58] 他專注在一些比較 [01:59:01] 侷限的這個範圍內 [01:59:05] 來去處理一些事情 [01:59:07] 那他稱呼這些叫做Microworld [01:59:10] 舉個例子比如說像這個 [01:59:12] 這個是最有名的一個Microworld [01:59:15] 就是說在這個空間裡面呢 [01:59:17] 我能夠知道說 [01:59:19] 哪一個積木在哪一個積木的前面 [01:59:23] 哪一個積木在哪一個積木的疊在上面 [01:59:26] 哪一個積木是放在盒子裡面 [01:59:28] 這在當年 [01:59:29] 你想一下喔 [01:59:30] 這是什麼時代啊 [01:59:32] 一九五幾年的時代 [01:59:34] 一九五幾年 [01:59:37] 根本就沒有圖形介面 [01:59:40] 你知道圖形介面廣為人知 [01:59:43] 廣受大家使用 [01:59:45] 是在一九九五年 [01:59:47] Windows九五啊 [01:59:49] 這個對你們來講都太早了 [01:59:51] 那都是古董了 [01:59:52] 好 [01:59:53] Windows九五的時候 [01:59:55] 那個時候 [01:59:56] 我剛上大學的那個時候 [01:59:58] 才開始有圖形介面 [01:59:59] 在更早之前根本就是 [02:00:01] 你根本就是電算 [02:00:03] 計算機概論的課本裡面 [02:00:05] 才看得到的 [02:00:06] 什麼道士的系統 [02:00:08] 那個年代 [02:00:09] 在那個年代他們就已經在探討 [02:00:11] 這種東西了 [02:00:12] 好 [02:00:14] 那一九五幾年呢 [02:00:17] 剛剛提到的這個Macroch跟Pitts [02:00:20] 他們不是最早一九四三年 [02:00:22] 就已經有一些 [02:00:23] 神經元的數學模型嗎 [02:00:25] 當然他們後來就 [02:00:27] 一直持續不斷的 [02:00:29] 再去發展它 [02:00:30] 變得更複雜等等的 [02:00:31] 後來啊 [02:00:34] 感覺大家覺得說 [02:00:36] 前景一片大跑 [02:00:38] 對不對 [02:00:39] 我都可以做什麼自動推論了嗎 [02:00:42] 假以時日 [02:00:44] 我們就能夠解決人類所有的問題了 [02:00:46] 太棒了 [02:00:47] 就大家都很嗨這樣子 [02:00:49] 結果後來就發現啊 [02:00:51] 大概在一九六零年代末期 [02:00:54] 到一九七零年代初呢 [02:00:56] AI的整個發展跌了一腳 [02:00:59] 跌了一腳 [02:01:00] 大家知道當時是美蘇冷戰的時代 [02:01:04] 所以說呢 [02:01:05] 他們彼此 [02:01:06] 美國跟蘇聯都有一些間諜 [02:01:09] 在對方的對不對 [02:01:11] 領地裡面在那邊偷資料嘛 [02:01:13] 對吧 [02:01:14] 好那當然美國也會派間諜 [02:01:15] 去偷蘇聯的資料 [02:01:16] 而且他們的科技實力 [02:01:18] 是一直在競爭的喔 [02:01:20] 所以我們偷到一點俄文的資料 [02:01:22] 是不是想說 [02:01:23] 換成英文嘛 [02:01:25] 對不對偷學一下喔 [02:01:27] 你們作為AI的 [02:01:29] 不是很厲害嗎 [02:01:31] 那打俄文翻成英文 [02:01:33] 就這樣 [02:01:34] 好 [02:01:35] 然後呢 [02:01:36] 你想嘛 [02:01:37] 這個把俄文翻成英文 [02:01:39] 並不是拿一本字典 [02:01:41] 我把俄文字翻成英文字就好了嘛 [02:01:43] 一定不是這樣子吧 [02:01:45] 然後呢這些學者 [02:01:47] 就當時美國國防部 [02:01:49] 總是有大的研究計畫 [02:01:51] 然後就給這些學者們 [02:01:53] 去做研究 [02:01:54] 然後想辦法很快的 [02:01:55] 要把俄文翻成英文嘛 [02:01:58] 弄了老半天 [02:01:59] 就翻不好 [02:02:00] 比如說 [02:02:01] 本來呢 [02:02:02] 照理講英文 [02:02:03] 應該是要翻成 [02:02:05] The spirit is willing [02:02:06] but the flesh is weak [02:02:08] 翻成中文叫做 [02:02:09] 心有餘而力不足 [02:02:11] 但他用俄文翻成英文之後呢 [02:02:13] 變成是什麼 [02:02:14] 伏特加很棒 [02:02:15] 但是肉是臭的 [02:02:16] 這根本就是亂七八糟這樣子 [02:02:19] 然後呢 [02:02:20] 大家本來一開始覺得說 [02:02:21] 翻譯有很難嗎 [02:02:23] 自動翻譯有很難嗎 [02:02:25] 發現大家都做不出來 [02:02:27] 好 [02:02:28] 然後呢 [02:02:29] 所以 [02:02:30] 當然這樣子的話 [02:02:31] 美國國防部就抽銀根啊 [02:02:34] 他說他這樣做不出來 [02:02:36] 那我就不要把研究經費給你們了 [02:02:38] 所以很多的project都被砍掉 [02:02:40] 所以這個就造成了 [02:02:42] 在1960年代 [02:02:44] 末起1970年代初呢 [02:02:46] 就造成了AI的第一個寒冬 [02:02:50] 本來大家覺得 [02:02:52] 發展得很好的 [02:02:53] 一下子 [02:02:54] 就很多都倒了 [02:02:56] 這些project都被砍掉這樣子 [02:02:58] 好 [02:03:00] 那以後來 [02:03:01] 大家都在想說 [02:03:02] 那為什麼會這樣 [02:03:03] 因為呢 [02:03:04] Scalability [02:03:05] 比如說一個程式它在概念上 [02:03:08] 或者說剛剛前面不是講什麼 [02:03:10] general problem prover [02:03:13] 對不對 [02:03:14] general problem solver [02:03:15] geometric theorem prover [02:03:17] 對不對 [02:03:18] 理論上概念上 [02:03:20] 可以推論可以解決 [02:03:22] 理論上可以解決 [02:03:24] 並不代表你實際上 [02:03:25] 真的能夠解決那個問題 [02:03:29] 這中間還是有個很大的落差 [02:03:32] 那所以說呢 [02:03:33] 這個就進入了AI的第一個寒冬 [02:03:36] 那所以呢 [02:03:37] 後來大家就不敢喊那麼大聲 [02:03:39] 就保守一點 [02:03:41] 那他說呢 [02:03:42] 不然這樣好了啦 [02:03:43] 我不要把自己講那麼偉大 [02:03:46] 好像說什麼東西我都可以證明 [02:03:48] 不然我先鎖定一個比較小的範圍的問題 [02:03:52] 我來解決好了 [02:03:54] 所以呢慢慢的1969到1980年代呢 [02:03:57] 大家就集中在一個 [02:03:59] 通常都集中在比較特定的問題 [02:04:02] 然後呢 [02:04:03] 我就去找這個問題 [02:04:05] 這個domain裡面的專家 [02:04:07] 把他的知識可不可以寫下來 [02:04:10] 寫成規則 [02:04:11] 所以就出現了所謂的專家系統 [02:04:14] 對不對 [02:04:15] 我就蒐集了好多 [02:04:17] 比如說皮膚科的醫師的知識 [02:04:21] 對不對 [02:04:22] 給他看各種不同的皮膚的症狀 [02:04:24] 然後呢 [02:04:25] 這個把他的原則 [02:04:28] 診斷的原則 [02:04:29] 把他的想法順序都寫下來 [02:04:32] 然後我想辦法把這個原則跟順序呢 [02:04:35] 都寫在程式裡面 [02:04:37] 然後當有一個新的病人來的時候 [02:04:40] 他皮膚的狀況如何 [02:04:41] 然後就丟到那個程式裡面 [02:04:43] 去診斷說你大概是什麼病症 [02:04:45] 什麼樣子的皮膚病 [02:04:47] 對不對 [02:04:48] 聽起來挺合理的吧 [02:04:49] 聽起來蠻像是你大一在寫程式 [02:04:52] 會做的事情吧 [02:04:53] 那當時1980年代呢 [02:04:55] 就是專家系統就是這樣 [02:04:58] 那比如說這裡有個例子 [02:05:01] 有一個這個所謂的Dendro [02:05:04] 的這個program呢 [02:05:05] 它是可以從什麼光譜以裡面 [02:05:09] 所得到一些資訊 [02:05:10] 來去推論分子的結構 [02:05:12] 一個這麼小的一個Domain [02:05:15] 那或者是說呢 [02:05:17] Stanford有一個系統叫做什麼MindC [02:05:21] 這個 [02:05:22] 它有450條規則 [02:05:25] 然後就是可以去做一些血液的感染 [02:05:30] 數據的一些診斷 [02:05:33] 然後就說呢 [02:05:34] 他做到的成果呢 [02:05:36] 可能比這種剛年輕之前的醫生 [02:05:40] 都還要來的好 [02:05:41] 這樣子 [02:05:42] 好 [02:05:43] 那所以呢 [02:05:44] 這樣子是不是就很棒呢 [02:05:46] 好 [02:05:47] 事實上這一類的東西呢 [02:05:49] 大概只能夠用在 [02:05:51] 某一個特定的Domain [02:05:53] 而且呢 [02:05:54] 那個Domain裡面的Knowledge [02:05:55] 是有辦法寫成規則 [02:05:57] 清楚寫成規則 [02:05:58] 用語言描述的 [02:06:02] 但是的確也做出了一些系統出來 [02:06:05] 看起來蠻有用的 [02:06:09] OK [02:06:10] 好那所以大家就又嗨起來啦 [02:06:13] 欸我這東西有用耶 [02:06:15] 然後就去找錢嘛 [02:06:16] 開公司啊什麼東西 [02:06:18] 好 [02:06:19] 那所以說呢 [02:06:20] The AI industry boomed [02:06:22] from a few million dollars in 1980年 [02:06:26] 到billions of dollars in 1980年 [02:06:28] 所以說從1980年到1988年 [02:06:30] AI公司的這些 [02:06:35] 它的市值啊 [02:06:37] 從幾百萬美金 [02:06:38] 後來就到了數十億美金 [02:06:42] 欸有沒有覺得好像似曾相識 [02:06:45] 這件事情在1980年 [02:06:47] 就已經發生過囉 [02:06:49] 好 [02:06:50] 那但是呢 [02:06:51] 等到1980幾年 [02:06:53] 在末期的時候就發現 [02:06:55] 錢燒完了 [02:06:57] 錢燒完了 [02:06:59] 而且這些專家系統 [02:07:01] 這些公司 [02:07:02] 好像也就是做這些事而已 [02:07:05] 那但是你做了這個事 [02:07:07] 你能夠變現 [02:07:09] 能夠賺錢 [02:07:10] 能夠持續的有新的錢進來 [02:07:13] 去支撐公司的運作嗎 [02:07:16] 就不行 [02:07:18] 所以很快的1980年代末期 [02:07:23] 又進入了AI的第二個寒冬 [02:07:25] 那麼快的十幾二十年間 [02:07:27] 又進入了AI的第二個寒冬 [02:07:29] 好那從1980幾年 [02:07:34] 到現在 [02:07:36] 那雖然進入寒冬 [02:07:37] 但也並不是代表說 [02:07:39] 就這些做AI的人 [02:07:42] 就都沒有再繼續努力 [02:07:44] 事實上不是的 [02:07:46] 大概在1980年代中期呢 [02:07:48] 欸被propagation的 [02:07:50] 這個學習的演算法 [02:07:52] 這個我們之後也就會講到 [02:07:54] 其實最早我們後來 [02:07:56] 從挖掘文獻發現 [02:07:58] 1969年 [02:08:00] Rison and Hall就已經提過 [02:08:02] 類似的想法 [02:08:04] 但是在1980年代 [02:08:05] 因為當時資訊還不是到那麼的流通嘛 [02:08:08] 所以很多人在持續在研究 [02:08:10] 1980年代中期呢 [02:08:12] 大概有四個不同的研究團隊 [02:08:15] 都有重新在發明瞭 [02:08:17] 被propagation的演算法 [02:08:19] 然後呢 [02:08:22] 這些在做類神經網路的人呢 [02:08:24] 也都繼續默默的 [02:08:26] 從1980年代 [02:08:28] 一直持續在做 ## 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。