AI 已經在你生活裡了：從推薦系統到自然語言處理

AI 無所不在

每天早上你拿起手機，AI 已經在幫你工作了：

臉部解鎖 → 人臉辨識（CNN 卷積神經網路）

新聞推薦 → 協同過濾（Collaborative Filtering）

語音助理 → 語音辨識（RNN 循環神經網路）

即時翻譯 → Transformer 架構

推薦系統：Netflix 怎麼知道你想看什麼？

最簡單的推薦邏輯是「相似用戶推薦」：

import numpy as np

# 用戶-電影評分矩陣（0 = 未看）
ratings = {
    "Alice": {"黑豹": 5, "蜘蛛人": 4, "奇異博士": 0},
    "Bob":   {"黑豹": 4, "蜘蛛人": 0, "奇異博士": 5},
    "Carol": {"黑豹": 0, "蜘蛛人": 5, "奇異博士": 4},
}

# Alice 沒看過奇異博士
# Bob 和 Carol 都喜歡奇異博士
# → 推薦奇異博士給 Alice！

現代推薦系統結合：內容過濾 + 協同過濾 + 深度學習嵌入（Embedding）

自然語言處理：Google 翻譯背後的故事

2017 年以前，Google 翻譯用 RNN（循環神經網路）。

2017 年後，改用 Transformer（注意力機制），翻譯品質大幅提升。

Transformer 的核心：「Attention is All You Need」

輸入句子: "我喜歡吃蘋果"
↓
Token 化: ["我", "喜歡", "吃", "蘋果"]
↓
Self-Attention: 每個詞都關注其他詞的關係
("蘋果" 在此脈絡是食物，非蘋果公司)
↓
輸出: "I like eating apples"

ChatGPT 的原理

GPT（Generative Pre-trained Transformer）= 大型 Transformer + 海量文本預訓練 + RLHF 強化學習。

它不是「查找答案的資料庫」，而是「預測下一個 Token 的機率分佈模型」。

你能做什麼？

學習 AI 不需要從數學博士開始。推薦路徑：

Python 基礎（變數、判斷、迴圈、函數）

NumPy + Pandas（數據處理）

Scikit-learn（傳統機器學習）

PyTorch / TensorFlow（深度學習）

Hugging Face Transformers（LLM 應用）

歡迎加入 AI 課程，從實作中理解人工智慧！