開始閱讀
AI 原理入門系列｜第 3 篇，共 10 篇。資料核對：2026-10-09。文中的情境與練習為教學示例。
看到「神經網路」四個字，很容易想像電腦裡裝了一顆小型大腦。實際學習時，先把它看成可以調整參數的數學運算，比類比人腦更容易掌握。它接收數值，經過多層轉換，再產生預測或其他表示。
一個節點做的是什麼
簡化的節點會把輸入乘上權重、加總並加上偏差，再經過活化函數。權重影響不同輸入的作用，偏差調整整體位置；非線性的活化函數，讓多層網路能表達比單純線性組合更複雜的關係。Google 神經網路教材介紹了這些構成。
用示意式表示，可以寫成「輸出＝活化函數（加權輸入＋偏差）」。這是理解一個節點的簡圖，實際模型還可能包含其他運算與結構。
圖解：一次神經網路更新
多層不是把同一題重做很多次
每一層把上一層的表示轉成新的表示。例如辨識圖片時，部分網路可能逐步組合局部特徵，形成有助於分類的資訊。但不能保證每個節點都有一個人類能命名的概念，也不能看到某個節點啟動，就斷言它「認出」了特定物體。
這提醒我們：可用的內部表示，與人類習慣的語言解釋，不一定一一對應。
損失函數提供調整方向
模型產生結果後，需要一個衡量差距的方法。分類問題和數值預測，可能使用不同的損失函數。反向傳播利用微分的鏈式法則，計算參數對損失的影響；最佳化方法再據此更新參數。反向傳播教材可延伸閱讀。它不會像老師一樣逐段告訴模型「這句話哪裡想錯了」。
即使訓練損失降低，也還要檢查未見資料的表現。若模型學到資料中的偏差，運算做得正確，結果仍可能不適合實際任務。
用課程分類做一個思考實驗
假設輸入是課程描述，輸出是「AI 應用」「行銷」「企劃」的分類。若標註者把所有出現「數據」的課程都標成行銷，模型可能繼承這個習慣。改用更大的模型，未必能修正分類規則本身的問題。
比較有用的做法，是先拿十份容易混淆的課綱，請兩位標註者各自分類，再討論分歧。定義清楚後，才知道模型的錯誤究竟來自資料、類別設計，還是學習能力。
參數多不代表任務一定做得好
評估工具時，除了規模，也要看訓練資料、任務適配、運行成本與測試結果。對固定格式的小型分類任務，複雜模型未必比簡單方法更划算。
可以把檢查順序寫成一張卡片：輸入是否可靠、目標是否一致、未見資料是否通過、失敗是否可接受。這張卡片適用於採購 AI 服務，也適用於評估自己的實作。
圖解：神經網路如何更新
用一個簡化算式看懂權重
假設某個人工設計的節點接收兩項已縮放的特徵：課程頁瀏覽程度 x₁，以及過去活動參與程度 x₂。它先算 z = 0.6x₁ + 0.2x₂ − 0.1。若兩者都是 1，z 就是 0.7。接著還需要活化函數，才能形成這個節點的輸出。這些數字只是教學示例，不能解讀成真實報名機率。
權重決定不同輸入如何影響運算，偏差調整基準。多層網路將前一層的輸出繼續組合；不是每個神經元都對應一個人類能命名的概念，也不能把單一權重直接當成因果證據。
學習率為什麼影響訓練？
梯度告訴我們損失在局部對參數如何變化，最佳化方法再據此調整參數。學習率可理解為更新步伐的尺度。步伐過大可能越過適合的位置而不穩定；太小則可能需要更多更新。這是直觀類比，真實高維損失面遠比山坡複雜。
從錯誤案例判斷下一步
如果訓練與驗證表現都差，先檢查標籤、輸入特徵和訓練設定；若訓練很好、驗證明顯差，則要排查過度擬合或資料分布不同。直接加層數不是通用解答。
課後問題：把「網路記住答案」改寫成精確描述：哪些資料上表現好？在哪些未見資料上失敗？需要什麼證據才能判斷？
用一份課程推薦理解權重的作用
假設有三個輸入：讀者是否看過入門文章、是否下載課綱，以及是否曾詢問課程時間。模型把輸入轉成數值，再透過權重組合成中間表示，最後產生推薦分數。權重不是人工寫下的「下載課綱就是兩倍重要」，而是訓練過程根據資料調整的參數；資料與目標不同，得到的關係也會不同。
同時要注意，某個輸入權重大，不表示它是造成報名的原因。下載課綱可能只是原本就有需求的人較常做的事情。若把觀察到的相關性當成因果，團隊可能誤以為只要要求每個人下載課綱就能提高報名。神經網路能協助辨識模式，但企劃仍需要設計實驗、觀察流程與理解使用者，才能判斷改變哪個環節真正有用。
學習率為什麼不能越大越好？
反向傳播提供參數調整的方向，學習率則影響每次調整的幅度。可以把它想成在霧中沿著坡度找低處：步伐太大，可能跨過較好的位置；步伐太小，又可能花很久仍無法改善。這只是幫助理解的比喻，實際高維參數空間比山坡複雜，不能用單一圖像完整描述。
因此，看到損失值忽高忽低，不要立刻斷言資料毫無價值。也可能是學習率、批次大小、輸入尺度或初始化等因素造成。對非工程背景的人，更實用的做法是要求開發者同時提供訓練與驗證曲線，說明停止訓練的依據，而不是只展示最後一張漂亮的預測結果。
黑箱不等於不能管理
你可能無法用一句話解釋所有參數，但仍然可以管理系統的輸入、使用範圍與錯誤處理。課程推薦可以保留人工搜尋入口，讓讀者不必接受唯一選項；客服分類可以讓承辦人修改結果，並記錄哪些問題經常分錯。這些設計讓模型成為可以被檢查的工具，而不是不可質疑的判決。
課堂練習可以選十筆虛構資料，先用直覺預測，再比較模型的分類。請同學寫下「我需要什麼額外資訊才願意採用這個結果」，例如資料時間、相似案例、錯誤代價與替代選項。能提出這些問題，比背誦層數名稱更能幫助你在工作中合理使用深度學習。