M01.02｜AI 的分類：規則式、機器學習、深度學習、生成式 AI
從「人寫規則」到「機器自己學規則」再到「機器自己創造內容」
本講學習重點
規則式、機器學習、深度學習、生成式AI
規則明確用規則式，有結構化資料用ML，非結構化用DL，創造內容用生成式
從人寫規則→資料學規則→學複雜特徵→創造新內容
不能，各有所長，選錯工具反而效果更差
🎙️ Podcast（中文）
一句話搞懂
AI 的演進就像從「照食譜做菜」到「自己研發新菜色」— 規則越來越少由人寫，越來越多由機器自己學。
白話解說
把 AI 的發展想成一個廚師的成長歷程。最早期的「規則式 AI」就像一個只會照食譜做菜的學徒 — 食譜上寫什麼就做什麼，多一步少一步都不行。接著「機器學習」出現了，這個廚師開始有能力從一堆料理照片中自己歸納出「什麼食材搭什麼醬料比較好吃」的規律。到了「深度學習」階段，廚師的味覺和觀察力變得極其敏銳，能從細微的差異中學到更複雜的搭配。最後「生成式 AI」就像廚師已經能自己創造出全新的菜色，而不只是複製別人的食譜。
這四種 AI 不是互相取代的關係，而是「各有所長」。規則式 AI 在邏輯清楚、條件明確的場景下依然非常可靠（例如銀行的交易規則檢查）。機器學習在有結構化數據的預測場景很強（例如信用評分）。深度學習擅長處理圖片、語音、文字等非結構化資料。生成式 AI 則擅長創造新內容。選錯工具不只浪費錢，還可能做出比傳統方法更差的結果。
理解這四種分類的實務價值在於：當廠商跟你推銷「AI 解決方案」時，你能問出關鍵問題 — 「你們用的是哪一類 AI？為什麼選這個方法？」這能幫你避免買到不適合的產品。
應用場景
場景：一家零售公司想用 AI 提升業績，四種 AI 分別怎麼用？
| AI 類型 | 應用方式 | 具體例子 |
|---|---|---|
| 規則式 AI | 自動化固定流程 | 庫存低於安全水位時自動下單補貨 |
| 機器學習 | 結構化數據預測 | 根據歷史銷售資料預測下季各品類銷量 |
| 深度學習 | 非結構化資料分析 | 用電腦視覺分析店內攝影機，統計各區域客流動線 |
| 生成式 AI | 內容創造與互動 | 自動生成商品描述文案、個人化行銷電子郵件 |
這家公司不需要全部導入，而是根據「最痛的問題」和「現有資料條件」選擇最適合的起步點。如果補貨流程混亂，先做規則式自動補貨就好；如果想提升線上轉換率，用機器學習做推薦系統可能更有效。
常見誤區
-
「深度學習一定比機器學習好」 — 深度學習需要大量資料和運算資源。如果你的問題只有幾千筆結構化資料（例如員工考績表），用傳統機器學習（如決策樹、隨機森林）通常效果更好、更容易解釋，而且訓練成本低很多。殺雞不需要用牛刀。
-
「生成式 AI 可以取代前面三種」 — ChatGPT 很強，但你不會用它來做即時的詐欺偵測（需要毫秒級回應的場景），也不會用它來做精確的數值預測（它是語言模型，不是統計模型）。生成式 AI 的強項是語言理解和內容生成，不是所有問題都適合用它來解。
-
「規則式 AI 已經過時了」 — 在法規遵循、財務稽核、醫療用藥劑量計算等「規則明確且不容許犯錯」的場景，規則式系統依然是最佳選擇。因為它的行為 100% 可預測、100% 可解釋，這是其他三種 AI 都做不到的。
小練習
-
分類練習：以下五個 AI 應用分別屬於哪一類？(a) 手機相簿自動辨識人臉並分類 (b) 信用卡公司根據消費金額超過平均值 3 倍就發警示簡訊 (c) Spotify 根據你的聽歌紀錄推薦新歌 (d) Midjourney 根據文字描述生成圖片 (e) 電子郵件系統根據關鍵字「中獎」「匯款」過濾垃圾信。
-
實務選擇：你的公司想要解決「客戶投訴回覆太慢」的問題，請思考用哪一類 AI 最適合，並說明你的理由。提示：先想清楚問題的本質是「分類」（把投訴分類到對應部門）還是「生成」（自動撰寫回覆），不同本質適合不同類型的 AI。