# 章節包：人工智慧導論（AI）W1（9/10）第 04 章「深度學習崛起與 AI 風險」
影片 2:07:29–2:31:14，YouTube ID KWGgi100YLY。Notion 章節頁 https://app.notion.com/p/3e7fc631b030813ba471f1cdc276f72c（頁 ID 3e7fc631-b030-813b-a471-f1cdc276f72c），頁面標題「04 深度學習崛起與 AI 風險（2:07–2:31）」。
## 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) › 04｜影片 [2:07:29–2:31:14](https://www.youtube.com/watch?v=KWGgi100YLY&t=7649s)｜投影片 Ch1 p.22–30｜上一章 [03 AI 歷史：誕生與兩次寒冬（1:49–2:07）](https://app.notion.com/p/3e7fc631b03081879ed7e12de51a94f8)｜下一章 [05 Agent、理性與任務環境（2:42–2:59）](https://app.notion.com/p/3e7fc631b0308166ab40e7f402602f69)
## 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：[05 Agent、理性與任務環境（2:42–2:59）](https://app.notion.com/p/3e7fc631b0308166ab40e7f402602f69)｜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）
- `## [2:07:29](https://www.youtube.com/watch?v=KWGgi100YLY&t=7649s) 反向傳播與連結學派` 老師講什麼：寒冬中仍有人繼續做：1980 年代中期至少四個團隊重新發明 back-propagation（1969 年 Bryson 和 Ho 最早提出，老師說之後會講）；主張神經網路的叫 connectionist（連結學派），和符號學派、邏輯學派互相競爭。
- `## [2:09:50](https://www.youtube.com/watch?v=KWGgi100YLY&t=7790s) 機率推論與強化學習` 老師講什麼：很多知識寫不成規則是因為不確定或資訊不足，所以引入機率。1980 年代 hidden Markov model 讓語音辨識第一次可行；1988 年 Pearl 提出 Bayesian network、Sutton 把強化學習接上 Markov decision process；1990 年代神經網路冷門，機率模型與 SVM 當道。
- `## [2:12:54](https://www.youtube.com/watch?v=KWGgi100YLY&t=7974s) 大數據時代` 老師講什麼：網際網路帶來大量資料，2000 年後進入巨量資料時代；幾百萬張標註影像的 ImageNet 點燃深度學習；IBM Watson 靠大量資料快速檢索，在 Jeopardy! 益智節目打敗人類冠軍。
- `## [2:14:33](https://www.youtube.com/watch?v=KWGgi100YLY&t=8073s) 深度學習爆發與 AlphaGo` 老師講什麼：2012 年 ImageNet 比賽，Hinton 團隊用 CNN 一口氣把錯誤率降了將近 10%，用的其實是 1980 年代的老方法；成功靠三件事：大量資料、GPU 算力、新的訓練技巧。2015–2016 年 AlphaGo 結合強化學習與深度學習；課本寫到這裡為止。
- `## [2:18:15](https://www.youtube.com/watch?v=KWGgi100YLY&t=8295s) 老師推薦的三本 AI 故事書` 老師講什麼：一本寫 Hinton 2012 年把公司賣給 Google 的競標故事、一本是李飛飛自傳（ImageNet 的推手）、一本是 DeepMind 創辦人 Demis Hassabis 的傳記（AlphaFold、諾貝爾化學獎）。純課外推薦。
- `## [2:24:18](https://www.youtube.com/watch?v=KWGgi100YLY&t=8658s) 現況數據（其實不新）` 老師講什麼：p.28–29 是 2019 年以前的數據：AI 論文增加 20 倍、NeurIPS 參加人數暴增、中國論文量超過美國、視覺與語言任務大幅進步；老師說現在早就不止這些。
- `## [2:25:33](https://www.youtube.com/watch?v=KWGgi100YLY&t=8733s) AI 的好處與風險` 老師講什麼：好處是把人從重複工作解放、大幅提高生產；風險有致命自主武器、監控與操弄、有偏見的決策、就業衝擊、安全關鍵應用、資安。老師舉最近的新聞（模型權限、公司蒐集員工操作資料），說這件事未來會越來越重要。
- `## [2:27:28](https://www.youtube.com/watch?v=KWGgi100YLY&t=8848s) Slido 問答：分組與評估指標` 老師講什麼：分組不用在系統登記，報告上寫清楚各校姓名學號即可；作業一、三、五分組，二、四個人；提高準確率和降低錯誤率可以不一樣，看任務習慣用哪種指標；提案做不下去可以換方向，但要在期中回報寫清楚。
## 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）
- (2:27:06) [強調] 「那這件事情雖然我們這裡只用一頁來講它，但是我覺得在未來這件事情會變得越來越重要」 → AI 的風險
## 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
寒冬後神經網路、機率推論、大數據接連登場，2012 年深度學習爆發；最後談 AI 現況數據與風險，並回答分組、評估指標、提案換方向等問題。（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.22 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p022.png
- Ch1 p.23 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p023.png
- Ch1 p.24 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p024.png
- Ch1 p.26 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p026.png
- Ch1 p.29 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p029.png
- Ch1 p.30 → C:\D槽\TAICA課程\_work\notes-v2\ai-w1\img\brief_Ch1_p030.png
--- Ch1 p.22 ---
• The return of neural networks (1986–present)
• In the mid-1980s at least four different groups reinvented the back-
propagation learning algorithm first found in 1969 by Bryson and Ho.
• These so-called connectionist models of intelligent systems were seen by
some as direct competitors both to the symbolic models promoted by
Newell and Simon and to the logicist approach of McCarthy and others
(Smolensky, 1988).
History of AI
22
--- Ch1 p.23 ---
• Probabilistic reasoning and machine learning (1987–present)
• Approaches incorporating probability rather than Boolean logic, machine
learning rather than hand-coding, and experimental results rather than
philosophical claims.
• Shared benchmark problem sets became the norm for demonstrating
progress.
• In the 1980s, approaches using hidden Markov models came to
dominate the area of speech recognition. They are based on a rigorous
math theory. They are generated by a process of training on a large corpus
of real speech data.
History of AI
23
--- Ch1 p.24 ---
• Probabilistic reasoning and machine learning (1987–present)
• Note that there was no scientific claim that humans use HMMs to
recognize speech.
• In 1988 Judea Pearl’s development of Bayesian networks yielded a
rigorous and efficient formalism for representing uncertain knowledge as
well as practical algorithms for probabilistic reasoning.
• In 1988 Rich Sutton’s work connecting reinforcement learning to the
theory of Markov decision processes developed in the field of operations
research.
History of AI
24
--- Ch1 p.25 ---
• Big data (2001–present)
• Remarkable advances in computing power and the creation of WWW
have facilitated the creation of very large data sets – big data. This has
led to the development of learning algorithms specially designed to take
advantage of very large data sets.
• The availability of tens of millions of images in the ImageNet database
sparked a revolution in the field of computer vision.
• Big data was a crucial factor in the 2011 victory of IBM’s Watson system
over human champions in the Jeopardy! Quiz game.
History of AI
25
--- Ch1 p.26 ---
• Deep learning (2011–present)
• The term deep learning refers to machine learning using multiple layers of
simple, adjustable computing elements. Convolutional neural networks
are found some success in hand-written digit recognition in the 1990s.
• In the 2012 ImageNet competition, a deep learning system created in
Geoffrey Hinton’s group showed a dramatic improvement over previous
systems. Since then, deep learning systems have exceeded human
performance on some vision tasks.
• AlphaGo (2015-2016)
History of AI
26
--- Ch1 p.27 ---
History of AI
27
•
(1)「把AI的進展寫成一個迷人的故事」-- 李開復
•
(1)「如果你想用一本書認識AI，就是這本了」-- <鋼鐵人馬斯克>作者
•
(2)「…她緊急而清楚描述了人工智能的巨大潛力和危險…」-- Geoffrey Hinton
•
(3)「…記錄了技術突破、安全爭議、解開蛋白質摺疊之謎的輝煌勝利，以及與
OpenAI等競爭者的激烈角力…」-- 《賈伯斯傳》與《馬斯克傳》作者
--- Ch1 p.28 ---
• Publications: AI papers increased 20-fold between 2010 and 2019.
• Sentiment: About 70% of news articles on AI are neutral, but articles with
positive tone increased from 12% in 2016 to 30% in 2018.
• Students: Course enrollment increased 5-fold in the U.S. and 16-fold
internationally from a 2010 baseline.
• Diversity: AI Professors worldwide are about 80% male, and 20% female.
• Conferences: Attendance at NeurIPS increased 800% since 2012.
• Industry: AI startups in the U.S. increased 20-fold to over 800.
• Internationalization: China publishes more paper per year than the U.S. and
about as many as all of Europe.
The State of the Art (not really)
28
--- Ch1 p.29 ---
• Vision: Error rates for object detection improved from 28% in 2010 to 2% in
2017. Accuracy on open-ended VQA improved from 55% to 68% since 2015.
• Speed: Training time for the image recognition task dropped by a factor of 100
in just the past two years.
• Language: Accuracy on question answering, as measured by F1 score on the
Stanford Question Answering Dataset, increased from 60 to 95 from 2015 to
2019.
• Human benchmarks: By 2019, AI systems had reportedly met or exceeded
human-level performance in chess, Go, poker, Pac-Man, Jeopardy!, ImageNet
object detection, speech recognition in a limited domain, …
The State of the Art (not really)
29
--- Ch1 p.30 ---
• Benefits: the potential for AI and robotics to free humanity from repetitive
work and to dramatically increase the production of goods and services could
presage (預示) an era of peace and plenty.
• Risks:
• Lethal (致命的) autonomous weapons
• Surveillance and persuasion
• Biased decision making
• Impact on employment
• Safety-critical applications
• Cybersecurity
Risks and Benefits of AI
30
## 7. 逐字稿（2:07:29 前後各多 1 分鐘，原始行）
[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
[02:08:30] 事實上類神經網路
[02:08:32] 在1980年代
[02:08:34] 曾經非常的熱門
[02:08:39] 非常的熱門
[02:08:41] 所以你可能偶爾會聽到
[02:08:44] 現在大概是剛退休
[02:08:48] 或者是濱林退休的
[02:08:50] 一些資深老師
[02:08:53] 他們自己在唸博士的時候
[02:08:55] 就差不多1980年代
[02:08:57] 他們在唸博士的時候
[02:08:59] 他們很多人都有碰過
[02:09:01] 類神經網路
[02:09:03] 就是這個原因
[02:09:04] 當年是非常好的經驗
[02:09:07] 好那
[02:09:09] 覺得類神經網路是一個好的解法的
[02:09:12] 這一些學者
[02:09:14] 是所謂的連結學派
[02:09:16] 因為類神經網路裡面就是會有
[02:09:18] 很多神經元要連接在一起
[02:09:20] 這叫連結學派
[02:09:22] 那在當年連結學派
[02:09:24] 符號邏輯
[02:09:25] 符號學派
[02:09:26] 然後這個邏輯學派
[02:09:28] 基本上就是
[02:09:31] 井水不犯河水嗎
[02:09:33] 還是說各自競爭嗎
[02:09:35] 就大家都用各自
[02:09:37] 覺得合理的方式
[02:09:39] 在進行AI的研究
[02:09:42] 那不過呢
[02:09:46] 大概在1980年代的末期
[02:09:50] 有出現了一個新的
[02:09:52] 一個處理的方式
[02:09:54] 就是說大家發現
[02:09:56] 很多時候
[02:09:57] 我東西沒有辦法寫成一個規則
[02:09:59] 是因為很多東西不確定
[02:10:01] 或者資訊根本就沒有
[02:10:03] 所以我的AI系統
[02:10:05] 應該要能夠處理不確定性
[02:10:08] 或者是資訊不足的情況
[02:10:11] 好所以這時候呢
[02:10:13] 就要引入機率
[02:10:15] 好機率
[02:10:17] 那尤其最著名的是
[02:10:18] 在1980年代末期
[02:10:20] 有一個機率模型
[02:10:22] 叫做Hidden Markov Model
[02:10:24] 因為Hidden Markov Model
[02:10:27] 被引入之後
[02:10:28] 它被引入
[02:10:29] 拿來進行語音的辨識
[02:10:31] 那這是第一次
[02:10:33] 這是第一次
[02:10:35] 語音辨識變成可行
[02:10:38] 在此之前
[02:10:40] 講100個英文字
[02:10:42] 可能辨識不出幾個字
[02:10:44] 在Hidden Markov Model出來之後
[02:10:47] 然後變得
[02:10:48] 大家去研究之後
[02:10:51] 在當年做得最好的
[02:10:53] 是CMU
[02:10:55] 就是卡耐基美濃大學
[02:10:56] 跟IBM
[02:10:58] 當時100個字大概
[02:11:01] 英文字大概可以辨識出
[02:11:04] 30個字
[02:11:06] 全世界最強的IBM
[02:11:09] 我還記得
[02:11:10] 我大概在199幾年
[02:11:13] 96 97年
[02:11:17] 我們老師就跟我們講說
[02:11:19] IBM出了一個新的
[02:11:20] 叫做什麼
[02:11:21] VIA Voice
[02:11:22] 還是什麼軟體
[02:11:23] 玩玩看
[02:11:24] 玩玩看
[02:11:25] 它可以做語音辨識
[02:11:26] 就是100個英文字
[02:11:27] 大概辨識出30個字
[02:11:29] 已經全世界最強了
[02:11:31] 那這在當時是怎樣
[02:11:33] Hidden Markov Model出來
[02:11:36] 那所以你如果記得
[02:11:37] 我們剛剛講的
[02:11:38] AI演進的歷史的話
[02:11:40] 後來機率推論的
[02:11:42] 其中一個著名的學者
[02:11:44] 這個Judea Pearl
[02:11:45] 後來2011年拿到了
[02:11:47] 這個Turing Award
[02:11:49] 好
[02:11:50] 那所以
[02:11:51] 這裡有講到
[02:11:52] 1988年
[02:11:53] 他不是Hidden Markov Model
[02:11:56] 他開發的是所謂的
[02:11:57] Base Network
[02:11:58] Base網路
[02:12:00] 然後1988年Richard Sutton
[02:12:02] 也開始研究
[02:12:04] Reinforcement Learning
[02:12:06] OK
[02:12:07] 大概是這樣子
[02:12:08] 那到了1990年代
[02:12:10] 事實上
[02:12:11] 類神經網路就
[02:12:13] 基本上
[02:12:14] 好像做不出個所以然
[02:12:16] 效能一直上不去
[02:12:17] 所以到了1990年代
[02:12:19] 大概大家都不太
[02:12:21] 不太講什麼類神經網路了
[02:12:24] 那取而代之的是
[02:12:26] 機率模型
[02:12:28] 機率推論模型
[02:12:30] 或者是
[02:12:31] 就Hidden Markov Model
[02:12:32] 然後Gaussian Mixture Model
[02:12:34] 或者是到後來變成是
[02:12:36] Support Vector Machine
[02:12:37] 這個大概1990年代
[02:12:39] 2000年初期
[02:12:40] 大家在講的這些東西
[02:12:42] 所以你可以說
[02:12:43] 市場幾乎都被
[02:12:45] Probability Model
[02:12:46] 佔光
[02:12:48] 那New World Network就是
[02:12:50] 你什麼人在研究
[02:12:53] 好
[02:12:54] 那後來經過事情的演變
[02:12:55] 大家知道
[02:12:56] 這個網際網路
[02:12:58] 網際網路大概是1996 97 98
[02:13:03] 對不對
[02:13:04] 開始大量的
[02:13:05] Triple W的Data
[02:13:07] 網際網路的資料
[02:13:08] 變得越來越多
[02:13:10] 所以呢
[02:13:11] 後來進入了所謂的
[02:13:13] 巨量資料的時代
[02:13:15] 2000年之後
[02:13:17] 那因為有大量的資料
[02:13:19] 就讓
[02:13:21] 我們的所謂的AI的系統
[02:13:24] 開始有更多的資料
[02:13:26] 可以來進行學習
[02:13:28] 所以因為這樣子的關係呢
[02:13:30] 所以到了2010年左右呢
[02:13:33] ImageNet
[02:13:35] 這個Data Set
[02:13:37] 它包含了有
[02:13:39] 幾百萬張影像
[02:13:41] 以及對應的這個Label
[02:13:43] 就被蒐集出來
[02:13:45] 那後來這一個Data Set
[02:13:47] 也點燃了
[02:13:49] 整個Deep Learning的發展的一個火苗
[02:13:53] 那不過大概在2000年到2010年之間
[02:13:57] 最熱門的研究主題是
[02:14:00] Big Data
[02:14:01] 巨量資料
[02:14:02] 那在當年
[02:14:03] IBM的Watson的系統呢
[02:14:06] 他就參加美國的這個益智節目
[02:14:09] 跟人類PK
[02:14:11] 就是問問題
[02:14:12] 然後從幾個答案裡面回答的
[02:14:14] 這種益智節目
[02:14:16] 然後他能夠打敗人類
[02:14:18] 因為他後面有大量的資料
[02:14:21] 可以進行快速的檢索
[02:14:23] 然後找出正確的答案
[02:14:25] 而且IBM
[02:14:27] 他更早之前在做語音辨識
[02:14:29] 也都可以算是
[02:14:31] 全世界的領頭一樣
[02:14:33] 好 到了2010年之後
[02:14:37] 就是Deep Learning的時代來臨了
[02:14:39] 事實上Deep Learning
[02:14:41] 就是類神經網路
[02:14:43] 只是你 我剛剛講過嘛
[02:14:45] 1980年代類神經網路
[02:14:47] 熱門了一陣子
[02:14:49] 1990年代跟2000年
[02:14:51] 這20年期間
[02:14:53] 幾乎是一個非常冷門
[02:14:56] 你如果跟人家講說
[02:14:57] 你在做類神經網路
[02:14:59] 可能會被人家白眼
[02:15:00] 就覺得說
[02:15:01] 你作為那個什麼沒有用的東西
[02:15:04] 這樣子
[02:15:05] 結果到了2010年
[02:15:07] 事情有一個轉圜
[02:15:09] 就是說
[02:15:11] 我可以從大量的Engineer
[02:15:13] 然後呢
[02:15:14] 我透過訓練
[02:15:16] Convolutional Neural Network
[02:15:18] 這是一種類神經網路
[02:15:20] 然後呢
[02:15:21] 訓練出很多語音辨識的模型
[02:15:25] 訓練出一個夠準確的語音辨識模型
[02:15:27] 那後來呢
[02:15:28] 就在2012年的ImgNet的比賽裡面呢
[02:15:32] 獲得了比往前一年最厲害的
[02:15:35] 都還來更
[02:15:37] 來得好很多的結果
[02:15:39] 在這個比賽呢
[02:15:40] ImgNet的比賽
[02:15:42] 從2011 1110
[02:15:46] 可能09年就開始了
[02:15:48] 就開始做這種影像辨識的比賽
[02:15:51] 那每年全世界最強的團隊
[02:15:54] 大概就是把錯誤率
[02:15:56] 降個一兩趴兩三趴
[02:15:59] 好所以呢
[02:16:00] 到了2012年Jeffrey Hinton
[02:16:02] 他們利用CNN
[02:16:04] Convolutional Neural Network
[02:16:05] 來訓練模型
[02:16:07] 用大量的資料訓練模型之後
[02:16:09] 他一口氣
[02:16:11] 降低了接近10%的錯誤率
[02:16:15] 大家當年啊
[02:16:18] 這個奔香走告
[02:16:20] 就是說怎麼會有人
[02:16:22] 可以一瞬間
[02:16:24] 把錯誤率降低這麼多
[02:16:27] 好
[02:16:28] 然後呢
[02:16:29] 再仔細下去看
[02:16:30] 包含ImgNet的主辦者
[02:16:32] 仔細下去看說
[02:16:33] 什麼方法怎麼那麼厲害
[02:16:36] 一看不得了
[02:16:37] 是個老方法啊
[02:16:40] 好
[02:16:41] 根本就是老方法
[02:16:42] 根本就是1980年代的
[02:16:43] 大家乏人問津的
[02:16:45] 類神經網路
[02:16:47] 那為什麼會這樣子
[02:16:48] 事實上好幾個因素混合在一起
[02:16:50] 包含類神經網路
[02:16:52] 就是需要有大量的資料
[02:16:54] 來進行訓練這一個
[02:16:56] 那你要大量的資料
[02:16:57] 你就要進行大量的演算
[02:16:59] 你要有算力要夠
[02:17:01] 所以當時GPU
[02:17:03] 本來NVIDIA的GPU
[02:17:07] 是1990幾年就開始了
[02:17:10] 一開始都是大家打遊戲
[02:17:13] 對不對有GPU卡
[02:17:14] 幫忙加速你的3D預算
[02:17:16] 後來呢
[02:17:17] Jeffrey Hinton他們就是用GPU
[02:17:19] 來加速類神經網路的訓練
[02:17:22] 這第二個是算一個資料
[02:17:24] 一個是算力
[02:17:25] 那再來當然就是說
[02:17:27] Hinton他們也設計了很多新的演算法
[02:17:31] 要注意的一些訓練過程當中
[02:17:34] 要注意的東西
[02:17:36] 所以說呢
[02:17:37] 這整個在2012年就爆發了
[02:17:41] 所以
[02:17:43] 這就是為什麼造就了
[02:17:47] 過去這十幾年來
[02:17:51] 這一波所謂的AI的融進
[02:17:53] 這樣子
[02:17:54] 好那這個故事大家應該知道
[02:17:57] 大概2015年2016年
[02:17:59] AlphaGo
[02:18:00] 它其實就是搭配了
[02:18:02] Reinforcement Learning
[02:18:03] 跟這個Deep Learning
[02:18:06] 所運作出來的一個
[02:18:08] 最強的一個微型的程式
[02:18:10] 好那所以呢這個是
[02:18:13] 我們這本課本寫到這裡為止
[02:18:15] 那事實上呢
[02:18:17] 我在這邊推薦大家幾本書
[02:18:19] 事實上都是好看的故事書
[02:18:21] 從左到右
[02:18:22] 它出版的時間剛好是從左到右
[02:18:25] 好第一本是什麼
[02:18:27] AI製造商沒說的秘密
[02:18:29] 事實上呢這裡面所寫的內容
[02:18:31] 沒有什麼秘密
[02:18:32] 這個書名跟內容有點不符合
[02:18:36] 它基本上就是一個
[02:18:37] 好看的AI發展的故事
[02:18:40] 我還記得它一開始
[02:18:42] 開頭
[02:18:43] 第一章就在講Jeffrey Hinton
[02:18:45] 2012年的時候
[02:18:47] 去參加一個
[02:18:48] Lewis的這個國際頂尖會議
[02:18:51] 他們的成果就是發表在那個會議裡面
[02:18:55] 他在飯店的房間裡面
[02:18:57] 焦急的跺腳
[02:18:59] 他在幹嘛呢
[02:19:00] 他在等四間不同的公司
[02:19:03] 還是三間
[02:19:04] 四間不同的公司出價
[02:19:06] 來賣他的公司
[02:19:08] 因為他做出來的結果
[02:19:10] 風聲都已經流露出去
[02:19:12] 大家已經知道
[02:19:14] Deep Learning的這個potential
[02:19:19] 好幾間公司要來買它
[02:19:21] 一個是Google
[02:19:26] 一個好像是Microsoft
[02:19:28] 一個是中國的百度
[02:19:30] 一個是小公司
[02:19:32] 叫做DeepMind
[02:19:34] 這四間公司要買它
[02:19:36] 然後他們就出價
[02:19:38] 出價出價
[02:19:39] 所以他的
[02:19:40] 這本書的第一幕就出現在這邊
[02:19:42] 好然後最後他很緊張的
[02:19:44] 最後他決定賣給Google
[02:19:47] 當然後來的故事
[02:19:48] 你可能也知道
[02:19:49] DeepMind後來也是賣給Google
[02:19:52] 那所以呢
[02:19:53] 這本是蠻好看的故事書
[02:19:55] 大家可以去看一下
[02:19:57] 那我這裡把一些裡面的一些引言
[02:20:01] 比如說把AI的經驗
[02:20:02] 寫成一個迷人的故事
[02:20:03] 再講這一本
[02:20:04] 然後如果你想要用一本書
[02:20:06] 認識AI就是這一本的
[02:20:07] 鋼鐵人的作者
[02:20:08] 再講第一本書
[02:20:10] 好第二本
[02:20:11] 第二本是李飛飛寫的
[02:20:14] 李飛飛是史丹佛的教授
[02:20:17] 那他現在也在外面開一個公司
[02:20:20] 叫做WorldLab
[02:20:22] 最近也提出了他們最新的一個
[02:20:26] 新的Demo
[02:20:27] 你可以去查一下
[02:20:29] 李飛飛被奉為是AI教母
[02:20:32] AI教母
[02:20:34] 那剛剛前面提到的這個ImageNet
[02:20:37] 點燃Deep Learning的發展的其中一個重要的因素
[02:20:41] 就是大量的有Label好的資料
[02:20:44] ImageNet這個比賽
[02:20:45] 就是由李飛飛他們主辦的
[02:20:47] 所以說呢
[02:20:48] 在這本書裡面
[02:20:49] 他當然有提到說
[02:20:51] 他比較多個人的成
[02:20:53] 就是說他個人成長
[02:20:55] 然後他在中國出生
[02:20:59] 那後來就到美國去學習
[02:21:01] 然後畢業之後
[02:21:03] 一開始在Princeton
[02:21:05] 後來移到Stanford
[02:21:07] 教書等等等等的
[02:21:09] 一路發展的過程
[02:21:10] 然後包含他建立的ImageNet
[02:21:14] 這個比賽跟這個資料
[02:21:16] 那所以剛剛講那一段
[02:21:18] 說突然之間2012年
[02:21:21] 有一個團隊突然之間把錯誤率降了10%
[02:21:25] 這個場景就有寫在這個書裡面
[02:21:28] 那他的學生
[02:21:30] 也去看說到底發生了什麼事
[02:21:32] 是不是哪裡有錯
[02:21:33] 然後這個老師報告說沒有
[02:21:35] 他們就用一個很古老的一個做法
[02:21:37] 好
[02:21:39] 那Jeffrey Hinton也幫他寫
[02:21:41] 就是說他最後
[02:21:43] 這本書的最後面有提到
[02:21:46] 包含比如說他照顧他媽媽生病
[02:21:49] 他有更多人文關懷的部分
[02:21:52] 在這裡面
[02:21:53] 所以他後來創了
[02:21:55] 他也跟醫院那邊做一些合作
[02:21:58] 然後後來呢
[02:21:59] 自己出來創了一個公司
[02:22:01] 然後他也曾經去Google
[02:22:03] 擔任過首席科學家
[02:22:05] 那他現在是出來創一個公司
[02:22:07] 然後就希望
[02:22:09] 比如說能夠
[02:22:11] 機器人
[02:22:12] 能夠
[02:22:13] 能夠輔助醫療照顧啊
[02:22:16] 什麼等等這些
[02:22:17] 好
[02:22:18] 這第二本
[02:22:19] 第三本是今年六月才出版的
[02:22:22] 好
[02:22:23] 這個人認不認識啊
[02:22:25] Demis Hassabis
[02:22:27] 那Demis呢
[02:22:29] 他其實就是DeepMind的創辦人
[02:22:31] OK
[02:22:32] 好
[02:22:33] 那所以這本書呢
[02:22:34] 基本上就在講
[02:22:35] Demis他
[02:22:37] 從小的成長
[02:22:38] 然後他後來創了DeepMind
[02:22:40] 以及後來DeepMind
[02:22:42] 然後他在Google
[02:22:43] 然後他認為
[02:22:45] 他還是想要做的是
[02:22:48] 對人類有益的
[02:22:51] general
[02:22:53] AGI
[02:22:54] 就是
[02:22:55] Artificial General Intelligence
[02:22:57] OK
[02:22:58] 好
[02:22:59] 然後
[02:23:00] 大家知道他
[02:23:01] 因為開發了AlphaFold
[02:23:04] 所以他獲得了
[02:23:06] 哪一年啊
[02:23:07] 去年還是前年的
[02:23:08] 諾貝爾化學獎
[02:23:10] OK
[02:23:11] 因為他用DeepLearning方式
[02:23:15] 用AI的方式
[02:23:16] 解開了蛋白質3D折疊結構的問題
[02:23:20] 這樣子
[02:23:21] 然後造成很大的一個影響
[02:23:22] 好
[02:23:23] 所以說呢
[02:23:24] 這裡就講到說
[02:23:25] 紀錄了技術突破安全爭議
[02:23:26] 解開蛋白質折疊
[02:23:28] 執迷的輝煌勝利
[02:23:30] 那他當然現在
[02:23:32] 最近的消息是
[02:23:33] 他當然他是DeepMind
[02:23:35] 進入到Google之後
[02:23:37] 他本來也是擔任
[02:23:39] 呃
[02:23:40] 某某職位
[02:23:42] OK
[02:23:43] 好但是大家如果知道的話
[02:23:45] 最近
[02:23:46] 一年Google的Large Language Model
[02:23:48] LRM發展不是很順利
[02:23:50] 好
[02:23:51] 那他
[02:23:53] 我不知道什麼原因
[02:23:54] 好
[02:23:55] 但總而言之
[02:23:56] 反正他換了一些職位
[02:23:57] 好
[02:23:58] 他認為的價值
[02:23:59] 跟他認為
[02:24:00] 呃
[02:24:01] 該做的方法
[02:24:03] 可能跟
[02:24:04] 不同的人
[02:24:05] 跟別人有不一樣
[02:24:07] 好之類的
[02:24:08] 總而言之這也是一個
[02:24:09] 滿好看的數
[02:24:10] 我覺得這三本都滿好看的
[02:24:12] 好
[02:24:13] 好
[02:24:14] OK
[02:24:15] 好
[02:24:16] 怎麼講那麼久
[02:24:17] 好啦
[02:24:18] 那最後State of the Art
[02:24:19] 這裡列出一些數據
[02:24:20] 事實上
[02:24:21] 這不是State of the Art
[02:24:22] 因為這本書已經
[02:24:24] 在2020年
[02:24:25] 這只是稍微讓大家參考一下啦
[02:24:27] 就是說
[02:24:28] 比如說AI的Paper
[02:24:29] 從2010年到2019年
[02:24:30] 增加了20倍
[02:24:31] 我跟你講現在絕對不止
[02:24:33] 現在絕對不止
[02:24:34] 尤其有了這個
[02:24:36] 更厲害的這個ChangeGPT之後
[02:24:38] 絕對不止20倍
[02:24:39] 絕對不止20倍
[02:24:40] 好那所以這裡就在講說
[02:24:42] 呃
[02:24:43] 呃
[02:24:44] 這個什麼休克的人大幅成長啦
[02:24:46] 然後
[02:24:47] 呃
[02:24:48] 呃
[02:24:49] 比如說
[02:24:50] 這個國際頂尖會議
[02:24:51] 比如說New Year's
[02:24:52] 好
[02:24:53] New Year's的這個會議
[02:24:55] 根本你去參加
[02:24:57] 的
[02:24:58] 好像是在參加搖滾明星的
[02:25:00] 這個演唱會一樣
[02:25:02] 那個門票都是秒殺
[02:25:04] 根本就是
[02:25:05] 學術會議啊
[02:25:07] 怎麼一堆人要參加
[02:25:08] 好
[02:25:09] 然後有很多AI的Startup
[02:25:11] 這個大家都知道了
[02:25:12] 然後
[02:25:13] China Publish的Paper
[02:25:15] 已經超過
[02:25:16] 比如說美國跟歐洲加起來了
[02:25:19] 這早就已經知道了
[02:25:20] 好
[02:25:21] 然後呢在Computer Vision
[02:25:23] 呃
[02:25:24] 在
[02:25:25] 語音在各式各樣不同的
[02:25:27] 呃
[02:25:28] 這個
[02:25:29] 領域都有一個非常大的一個進步
[02:25:31] 這樣
[02:25:32] 大概都知道
[02:25:33] 好最後要提到一個
[02:25:34] 最後一頁
[02:25:35] 第一章最後一頁
[02:25:36] 當然就是要提到Risk
[02:25:38] 呃AI的發展
[02:25:42] 的
[02:25:43] 風險
[02:25:44] 這件事情
[02:25:46] 在今年
[02:25:47] 變得越來越近在眼前
[02:25:50] 很明顯的
[02:25:51] 對不對
[02:25:52] 呃今年七月嗎
[02:25:54] 還是八月
[02:25:55] 才有
[02:25:56] 呃
[02:25:58] 就是OpenAI的模型
[02:26:00] 逃出他們公司的沙盒
[02:26:03] 不是去侵入了Hawking Face嗎
[02:26:06] 好
[02:26:07] 事實上
[02:26:08] 最近出來的GPT-6
[02:26:10] Astra
[02:26:11] 可能就是當時在訓練的那個模型
[02:26:14] 好
[02:26:15] 那現在AI
[02:26:16] GPT-Astra
[02:26:18] 的極限
[02:26:19] 現在現在一堆人在試
[02:26:21] 真的是很厲害
[02:26:23] 那所以很多人憂心忡忡
[02:26:25] 就是說
[02:26:26] 他會不會失控
[02:26:27] 你今天假設
[02:26:29] 你自己電腦裝了
[02:26:30] 然後你把你的權限都給他
[02:26:33] 然後
[02:26:34] 到底會發生什麼事
[02:26:35] 好
[02:26:36] 包含一下Meta
[02:26:37] 大家應該也聽過一些
[02:26:40] 新聞
[02:26:41] 就是說Meta有要求
[02:26:43] 要把他們公司的員工
[02:26:45] 平常上班
[02:26:46] 處理的
[02:26:48] 這個
[02:26:49] 滑鼠的軌跡
[02:26:51] 他按的哪裡什麼
[02:26:52] 全部都要記下來
[02:26:54] 拿來訓練他們的模型
[02:26:56] 這裡面其實有非常非常多
[02:26:58] 問題在裡面
[02:27:00] 有很多包含隱私的
[02:27:02] 包含國安的
[02:27:04] 等等等等很多的問題
[02:27:06] 那這件事情
[02:27:07] 雖然我們這裡只用一頁來講它
[02:27:09] 但是我覺得在未來
[02:27:11] 這件事情會變得越來越重要
[02:27:15] 一直到哪天到底什麼時候
[02:27:17] 會失控為止
[02:27:19] 好
[02:27:20] AI末日論者
[02:27:21] 早就已經講得非常嚴重了
[02:27:23] 好
[02:27:24] 好
[02:27:25] 這個大概就是第一章
[02:27:26] 聊聊天的
[02:27:28] 好來
[02:27:29] 那我們看一下有沒有什麼問題
[02:27:31] 在場有沒有什麼問題
[02:27:33] 沒有問題
[02:27:39] 我們再看一下slide上面喔
[02:27:41] 鏡像課程如果要分組
[02:27:49] 是否需在系統中特別記錄
[02:27:51] 還是隻會影響作業上標示的作者資訊
[02:27:54] 我們不會有什麼
[02:27:56] 特別標示什麼
[02:27:58] 也不會
[02:28:00] 反正對我來講
[02:28:01] 你們就是某一組同學
[02:28:03] 然後你們就是教你們的報告
[02:28:05] 做你們的專題
[02:28:06] 這樣子嘛
[02:28:08] 然後到時候交報告
[02:28:09] 當然就是說
[02:28:11] 你們會一組交一個報告
[02:28:14] 那當然你們那個報告上面
[02:28:15] 當然就要寫說
[02:28:17] 我是A大學的誰
[02:28:19] 學號什麼
[02:28:20] 我是B大學的誰
[02:28:21] 學號什麼
[02:28:22] 就是這樣
[02:28:23] 好
[02:28:24] 沒有什麼特別的
[02:28:27] 如果NTU COOL上面沒有兩門課
[02:28:28] 是正常的嗎
[02:28:29] 其他太卡都會出現兩門課
[02:28:32] 一個是遠課程旁
[02:28:33] 另一個是衛星課程
[02:28:35] 我不知道耶
[02:28:37] 這要問NTU COOL喔
[02:28:38] 我真的不知道
[02:28:40] 第一次作業
[02:28:43] 講教師會打分
[02:28:44] 還是會給一些回饋
[02:28:46] 發現我們訂的題目不合適的話
[02:28:48] 會去找其他建議嗎
[02:28:50] 因為
[02:28:51] 我們的組別
[02:28:52] 可能好幾百組
[02:28:54] 我們很難在短時間之內
[02:28:57] 每一個都給建議
[02:28:59] 所以你如果有特別需要
[02:29:01] 給建議的話
[02:29:03] 可能要跟我們助教約時間
[02:29:06] 或者跟我約時間
[02:29:12] 作業一定是個人的
[02:29:14] 我想一下喔
[02:29:16] 應該說我們的作業一三五
[02:29:19] 是一組的啦
[02:29:20] 作業二跟四是個人的
[02:29:22] 這樣子
[02:29:24] 那我不會協助分組
[02:29:26] 你饒了我吧
[02:29:28] 你們自己想辦法去找組員
[02:29:30] 不然你就自己一個人一組
[02:29:32] 你可以自己一個人一組
[02:29:34] 在ALOP裡
[02:29:35] 提高準確率跟降低錯誤率
[02:29:37] 是不是不太一樣
[02:29:38] 對的
[02:29:39] 提高準確率跟降低錯誤率
[02:29:41] 可以是不一樣的
[02:29:42] 只是說我們剛剛講到
[02:29:43] 那個Ingenet的那個比賽裡面呢
[02:29:47] 他們的習慣的評判方式是
[02:29:52] 錯誤率要越低越好
[02:29:54] 那當然不同的目標
[02:29:56] 不同的研究工作
[02:29:57] 可能評判的方式會不一樣
[02:29:59] 不見得是用降低錯誤率
[02:30:01] 可能是提高準確率
[02:30:03] 都有可能
[02:30:04] 那也有可能是
[02:30:05] 比如說提高速度
[02:30:09] 也是有可能吧
[02:30:11] 這個我剛剛說過了
[02:30:13] MTU COOL這個問題
[02:30:14] 我剛剛講過很多次了
[02:30:16] 對啊
[02:30:20] 你如果是外校的同學
[02:30:21] 你是線上上課的
[02:30:23] 你也可以跟助教約時間
[02:30:25] 那當然是用線上討論的一個方式
[02:30:27] 一個形式
[02:30:29] 好
[02:30:30] 然後在場有沒有同學有問題
[02:30:32] 我們再休息個十分鐘吧
[02:30:42] 再休息個十分鐘
[02:30:43] 然後我們最後會稍微帶到一點
[02:30:45] 第二章的內容
[02:30:47] 期末報告的內容
[02:30:48] 可以跟Proposal不一樣嗎
[02:30:50] 當然盡可能要一樣
[02:30:51] 不然你寫Proposal幹嘛
[02:30:52] 當然有一種可能性是這樣
[02:30:54] 你提了Proposal之後
[02:30:55] 做到一半發現
[02:30:56] 哇這東西實在是太難做了
[02:30:58] 所以中間要換方向
[02:31:02] 是可以的
[02:31:03] 所以這個時候呢
[02:31:04] 你就要在你的期中報告的時候
[02:31:07] 你要寫清楚
[02:31:09] 那你最好你的期中報告的主題
[02:31:11] 就是你最後期末的結果
[02:31:14] 好以上先回答到這邊
[02:31:17] 所以你就線上上課
## 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。