機器學習 (Machine Learning, ML)
讓電腦透過演算法與統計模型，從歷史資料中自動分析並學習規律，而不需要預先寫死規則。 [1, 2]
深度學習 (Deep Learning, DL)
機器學習的分支。模仿人類大腦神經網絡結構，使用多層人工神經網路處理大量複雜數據，是近年驅動 AI 技術大突破的核心。 [1]
自然語言處理 (Natural Language Processing, NLP)
使電腦具備理解、解釋並生成人類語言的能力，廣泛應用於翻譯、語音助理以及聊天機器人。 [1, 2]
生成式人工智慧 (Generative AI)
NLP 與深度學習的延伸。能分析現有數據並創造出全新內容，例如生成文字、圖像、音訊或影片（如 OpenAI 的 ChatGPT 或 Google 的 Gemini）。 [1, 2, 3]
電腦視覺 (Computer Vision)
訓練電腦「看懂」並分析數位影像與影片，廣泛應用於人臉辨識、醫學影像分析及自動駕駛。 [1, 2]
機器人學 (Robotics)
結合 AI 軟體與硬體工程，開發能感知環境、移動、操縱物體甚至自主決策的物理實體機器人。 [1, 2]
專家系統 (Expert Systems)
早期 AI 的分支。模擬特定領域（如醫療診斷或法律條文）專家的知識庫與推理規則，來解決複雜的專業問題。 [1]

深度學習是機器學習的一個子集合，兩者最大的差異在於「特徵提取」的過程。機器學習需要人工介入定義數據特徵，而深度學習則透過多層類神經網路自動從原始資料中學習特徵。 [1, 2, 3]

深度學習 vs 機器學習核心比較

比較項目 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]	機器學習 (Machine Learning)	深度學習 (Deep Learning)
定義	廣泛的 AI 技術，讓電腦無需明確編程即可從資料中學習。	機器學習的分支，使用包含多個隱藏層的類神經網路結構。
特徵提取	人工提取 (Feature Engineering)：需要人類專家將資料轉換成有意義的特徵。	自動提取 (Representation Learning)：網路能自主分析資料並找出關鍵特徵，省去人工步驟。
資料需求	適用於中小型資料集，少量資料也能表現不錯。	需要極大量的資料才能發揮優勢，資料量不足容易產生過擬合。
硬體需求	對運算資源要求較低，通常使用 CPU 即可訓練。	需要強大的運算能力，通常高度依賴 GPU 或 TPU 來加速。
可解釋性	高：決策過程較透明，人類容易理解與調整邏輯規則。	低（黑盒子）：神經網路層數多，決策邏輯複雜且難以逆向追蹤。
常見應用	垃圾郵件分類、預測房價、客戶流失率分析、基本推薦系統。	影像識別（如人臉辨識）、自然語言處理（如 ChatGPT）、自動駕駛、語音助理。

概念階層關係

人工智慧 (AI) 是一個廣泛的概念。若從範圍大小來看，三者的層次關係為： [1]

AI 人工智慧 \(\supset \) 機器學習 \(\supset \) 深度學習

CPU（中央處理器）與 GPU（圖形處理器）的核心差異在於架構與任務分工。簡單來說，CPU 是懂得處理各種複雜邏輯的「全能經理」，一次專注於少數任務；而 GPU 是擁有成千上萬核心的「工人大軍」，專精於同時處理大量重複的簡單計算（平行運算）。 [1]

以下為您整理兩者的具體差異：

各自的角色與應用情境

CPU：電腦大腦，負責發號施令

用途：開機、切換視窗、解壓縮檔案、處理文書軟體。
重要性：當 CPU 效能不足時，整個系統會發生「瓶頸」，導致執行效率低落，甚至讓高階顯卡無法發揮實力。在遊戲中，CPU 負責處理 NPC 行為與物理碰撞等。 [1, 2]

GPU：繪圖與算力主力，負責苦力活

用途：繪製複雜的 3D 遊戲畫面、訓練人工智慧（AI）模型、影像特效渲染。
重要性：如果沒有 GPU，電腦將無法流暢運行遊戲大作。近年來爆紅的生成式 AI（如 ChatGPT 或 AI 繪圖），其背後原理多為天文數字級別的矩陣運算，必須依賴 GPU 的平行運算架構才能在短時間內完成

一、請說明人工智慧（Artificial Intelligence）包含那些分支領域？請分別在資訊檢索、圖書館技術服務與讀者服務等三個面向，舉例說明人工智慧分支技術領域如何應用於圖書館。（25 分）

申論題作答 (共 1 筆)