Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101
AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，及其當時任職公司(台灣雪豹科技)無償贊助場地及茶水點心。
去 YouTube 訂閱 | Facebook | 回 GitHub Pages | 到 GitHub 點星 | 網站 | 到 Hugging Face Space 按愛心
| 大語言模型 | 語音處理 | 自然語言處理 | 電腦視覺 |
| Large Language Model | Speech Processing | Natural Language Processing, NLP | Computer Vision |
用 AI 懂 AI
- Chain-of-Thought is not explainability
- Chain-of-Thought
- arXiv 2506.21521 (Potemkin Understanding in Large Language Models)
- arXiv 2502.04644 (Agentic Reasoning: Reasoning LLMs with Tools for the Deep Research)
- AI新賽局：企業的入門策略指南
- 臺灣大型語言模型性能評測與在地化策略分析報告
- GenAI 與 LLM 在金融產業的應用分析：金融服務中 GenAI 與 LLM 的變革潛力。
- AI Robot 陪伴型機器人：2025 趨勢分析技術突破、市場潛力與未來展望。
- 避開 AI Agent 開發陷阱：常見問題、挑戰與解決方案：探討多種 AI 代理人工具的應用經驗與挑戰，分享實用經驗與工具推薦。
AI 技術 體驗/分享
手把手帶你一起踩 AI 坑：https://www.twman.org/AI
- 白話文手把手帶你科普 GenAI：淺顯介紹生成式人工智慧核心概念，強調硬體資源和數據的重要性。
- 大型語言模型直接就打完收工？：回顧 LLM 領域探索歷程，討論硬體升級對 AI 開發的重要性。
- 檢索增強生成(RAG)不是萬靈丹之優化挑戰技巧：探討 RAG 技術應用與挑戰，提供實用經驗分享和工具建議。
- 大型語言模型 (LLM) 入門完整指南：原理、應用與未來：探討多種 LLM 工具的應用與挑戰，強調硬體資源的重要性。
- 解析探索大型語言模型：模型發展歷史、訓練及微調技術的 VRAM 估算：探討 LLM 的發展與應用，硬體資源在開發中的作用。
- Diffusion Model 完全解析：從原理、應用到實作 (AI 圖像生成)；深入探討影像生成與分割技術的應用，強調硬體資源的重要性。
- ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策：探討 ASR 和 TTS 技術應用中的問題，強調數據質量的重要性。
- 那些 NLP 踩的坑：分享 NLP 領域的實踐經驗，強調數據質量對模型效果的影響。
- 那些語音處理踩的坑：分享語音處理領域的實務經驗，強調資料品質對模型效果的影響。
- 手把手學深度學習安裝環境：詳細介紹在 Ubuntu 上安裝深度學習環境的步驟，分享實際操作經驗。
AI 技術 開源/試用
企業導入 AI 的聽君一席話，如聽一席話入門全攻略
認真 企業導入 AI 全攻略
作者：TonTon Huang Ph.D.
日期：2025年07月21日更新
企業 AI新賽局 入門策略實踐路線圖：從策略到治理，避開致命陷阱
第一波夯起來的時間估計是 2016年 Google DeepMind 的 Alpha Go 吧，但深度學習確實很難實際的被應用到各行各業，特別是台灣，在那幾年，做個規則式的聊天機器人，或者廣告點擊，可能就會先用新聞稿把自己吹成 AI 大神或新創了。第二波就是 Open AI 橫空出世的ChatGPT了，然後四處都能看到大家都說自己有GenAI，可惜可能連個幾張消費型的4090等級的GPU都沒有，更別說已屬上世代的V100 或者連 GCP、AWS跟Azure的GPU都沒啟用設定過吧？就目前體驗，雖然已有不少國外的新聞或資訊報導可能碰上的問題。
但這裡是『台灣』，通常更可能發生：
- 高層心血來潮的玻璃心：因為新聞都在報 GenAI，所以不跟著 Gen 一下好像都對不起自己的職級；BUT，高層完全不懂也不想懂更不想花錢，就是做就對了 !
- 昂貴設備的高風險投資：據記憶，曾處理過 A100*4 以及 RTX 6000 Ada * 8 (皆約$330萬新台幣)，這是地端自建價格；至於雲端API請參考這
- 必要性的業務優化需求：千萬不要為了 AI 而 AI，而是要有專業人員先參與評估可以優化那些內部業務需求，如果不知道，也不想找人評估，那行政單據OCR應該會是最容易讓高層看到效果的試金石了。
- 低薪資但高回報的人力：全台都在喊需要AI人才，特別讓人懷念所謂的資安即國安的口號；無奈，不說所謂只給的出香蕉來請猴子，現在是怕給了也找不到猴子啊。
導論
企業導入 AI 的旅程，就如同在充滿潛在回報但也遍布陷阱的挑戰。多數專案的沒有然，並非因為 AI 技術本身，而是因為某個關鍵階段迷失了方向。本本將根據自身體驗以及相關文章提供的指南，供一份實踐路線圖，提供企業從「如何開始」出發，走過戰略、基礎建設、人員治理等關鍵階段，並特別標示出在每個階段最容易犯下的錯誤，以及如何應對生成式 AI（GenAI）帶來的全新挑戰。
序：為何是現在？
- 解鎖AI：從最基礎的概念出發，釐清人工智慧、機器學習、深度學習到當前最熱門的生成式AI之間的關係與區別。
- 洞見AI：跨越不同行業，展示AI如何在金融、行銷、營運、醫療等領域解決真實的商業問題，創造可衡量的價值。
- 擘劃AI：提供一個策略框架，探討企業在導入AI時必須考量的組織、數據、人才與風險管理等關鍵議題，並提供具體的起步建議。
第一章：解鎖AI
建立一套清晰的AI詞彙與概念體系
- 通用人工智慧 (Artificial General Intelligence, AGI)
- 狹義人工智慧 (Artificial Narrow Intelligence, ANI)
機器學習：預測的藝術
垃圾郵件過濾器：傳統的作法是工程師手動編寫數百條規則（例如，「如果郵件標題包含『免費』、『中獎』就歸為垃圾郵件」），但這種方法僵化且容易失效；機器學習的做法？
- 機器學習的主要功能是進行預測與分類。它擅長回答以下兩類問題：
- 分類問題：「這位客戶會流失嗎？」（是/否）、「這筆信用卡交易是詐欺嗎？」（是/否）。
- 預測（迴歸）問題：「我們下個季度的銷售額會是多少？」（一個具體的數值）、「這棟房子的合理售價是多少？」（一個具體的數值）。 值得注意的是，傳統的機器學習模型最擅長處理的是結構化數據，也就是那些可以整齊地存放在試算表或資料庫中的數據，例如銷售數字、客戶基本資料、庫存量等。
深度學習：讓數據「開口說話」
- 深度學習(DL)是機器學習的一個更強大、更先進的子集。它並非一項全新的技術，而是機器學習技術在處理特定問題上的一種演進與深化。幼兒學習辨識貓的過程。我們不會對一個孩子說：「貓有毛、有鬍鬚、有尖耳朵」。相反地，我們只是不斷地指給他看各種各樣的貓——黑貓、白貓、坐著的貓、奔跑的貓。透過觀察大量範例，孩子的大腦會自動形成一個複雜的、多層次的概念模型來辨識「貓」。
- 深度學習的超能力在於其處理非結構化數據的卓越表現。非結構化數據是指那些無法輕易放入傳統資料庫的數據，例如圖片、影片、聲音、自然語言文本等。
生成式AI：創造的黎明
- 生成式AI (Generative AI) 是AI領域的一項典範轉移。與我們前面討論的、主要用於分析或分類現有數據的AI不同，生成式AI的核心能力是創造全新的、原創的內容。這些內容可以是文字、圖像、程式碼、音樂，甚至是影片。
- 在商業上，生成式AI的主要功能是創造、摘要與互動。它能夠回應這樣的指令：「為我的新產品草擬一封行銷郵件」、「將這份長篇報告總結成500字的摘要」，或者「扮演一個專業的客服人員，回答客戶問題」。它正從一個分析工具，轉變為一個知識工作者的強大協作夥伴。
為戰略設定正確的航向與規劃
這是所有 AI 專案計畫的起點，也是最容易犯下根本性錯誤的地方。方向錯了，再努力也是枉然，更別說是跟著想曝光的高層瞎搞了。
如何開始：
AI 計畫的起點絕對不是「我們需要 AI」，應該是 「我們有一個棘手的業務問題」。
致命錯誤 1：戰略脫節
陷阱：在沒有明確業務目標的情況下，僅因 「競爭對手在做」 或 「高層一時興起」 而啟動專案。
- 這類專案從一開始就缺乏存在的理由，最終因無法證明其商業價值而被放棄。
- 最常碰到的便是新聞都在播AI，高層也很常聽到AI，所以就希望大家用力 拍腦袋 想想看能夠怎樣 AI；但這通常正是最會然後沒有然後的案例。
致命錯誤 2：期望與現實的鴻溝
陷阱：將 AI 視為能立即解決所有問題的「魔法」，卻嚴重 「低估了背後所需的數據準備、基礎設施和人才投入」。
- 如同 Bernard Marr 在 The AI Graveyard: 7 Deadly Mistakes That Kill Most Enterprise AI Projects 所提到：一家公司曾因其數據分散在 27 個老舊系統中，導致耗資 250 萬美元的 AI 專案徹底失敗，這就是期望與現實脫節的慘痛代價。
- 但在台灣，估計不太可能有公司高層突然的投入250萬美元 (7000多萬新台幣) 要做AI，所以這點通常是還沒發生或者只是發個新聞稿，然後就沒有然後了 !
正確航線：
- 首先應識別出一個具體、可衡量且對公司至關重要的業務挑戰（例如：如何將業務處理時間縮短降低 20%）。
- 採取漸進式方法。從一個小規模、能快速看到成效的試點專案開始，驗證可行性、累積經驗並建立內部信心，然後再逐步擴大。
- 看看 Meta 和 Open AI等公司為了做AI在人力與硬體上投入了多少 ?
- 至少找一個 「相對有實戰及學術經驗的人」(EX: 至少有資訊領域碩博士學歷，或已在資訊科技領域工作多年)，不要想著便宜好辦事，或者找壓根不是資訊背景或隨便上個幾堂課的網紅 。
第二章：打造堅實基礎的後勤基地
如果說 AI 是前線的作戰部隊，那數據和基礎設施就是決定戰爭勝敗的後勤。
如何開始：
在啟動 AI 專案前，先誠實地評估自身的數據狀況。企業應先具備穩定的數據倉儲、商業智慧（BI）和基礎分析能力。
致命錯誤 3：數據困境（垃圾進，垃圾出）
陷阱：這是 AI 專案失敗最常見的技術原因。組織往往假設現有數據「足夠好」，卻忽略了數據品質不佳、格式不一、標籤混亂等問題。
- 一個醫療系統曾試圖用 AI 預測病患再入院率，最終卻因各設施的數據編碼不一致，導致模型學到的是「數據的混亂」而非「醫療的規律」。
致命錯誤 4：跳過基礎工作
陷阱：在連基礎的銷售報告都無法統一的情況下，就想直接打造先進的 AI 定價系統。
- 這如同在沙上蓋樓，註定會崩塌。AI 是數據成熟度的演進，而非技術上的蛙跳。
第三章：擘劃您的AI藍圖：組建團隊並制定從策略到實踐的規則
再好的技術和數據，如果沒有合適的人來使用和管理，也只是一堆昂貴的擺設。
如何開始：
建立一個跨職能的 AI 團隊或卓越中心，並從專案第一天起就讓最終使用者（例如工廠主管、行銷人員）真心願意參與進來；畢竟，這事不在他們原本所謂的 KPI 上，80%的人估計都不願意另外花時間來協助正站在風口上的所謂 AI 團隊。
致命錯誤 5：缺乏人性化因素
陷阱：將 AI 專案視為純粹的 IT 任務，完全忽略使用者的感受和工作流程。
- 一樣參考 Bernard Marr 在 The AI Graveyard: 7 Deadly Mistakes That Kill Most Enterprise AI Projects 所提到：一個耗資 180 萬美元的製造業 AI 系統，就因工廠主管們不信任、不理解而完全不使用其建議，最終宣告失敗。
- 不過，這裡是台灣，180萬美元相當於5000多萬台幣，估計不會有這麼衝動的高層。
致命錯誤 6：人才與治理不足
陷阱：缺乏兼具技術與商業頭腦的人才，同時又沒有明確的治理架構。這會導致各部門各自為政、重複投資。
- 還是 Bernard Marr 在 The AI Graveyard: 7 Deadly Mistakes That Kill Most Enterprise AI Projects 所提到：一家電信公司就曾因七個部門各自開發 AI，最終浪費數百萬美元，專案也被迫取消。
- 同上，這裡是台灣，這卻是非常可能發生的場景，與對岸所謂敵對國家的內卷相比較，台灣較常見的反倒是高層各擁山頭，誰也不讓誰，但也誰都做不出啥鬼東西。
第四章：應對 GenAI — Navigating the New Minefield
GenAI 帶來了巨大的機遇，但也埋下了全新的、更隱蔽的地雷。管理這些風險，是當下最重要的課題。
如何開始：
立即制定一份清晰的 GenAI 使用政策。這是所有後續風險管理的基石，也是一個「不費吹灰之力」卻至關重要的決定。若無政策，就等於默許所有風險的發生。
致命錯誤 7：取代人類創造力，引發真實性危機
陷阱：過度依賴 GenAI 產出通用、缺乏靈魂的內容，會讓品牌顯得廉價。
- 遊戲發行商動視暴雪（Activision Blizzard）就因使用「AI 垃圾」取代人類創作而引發粉絲強烈反彈。GenAI 應是增強創意的工具，而非替代品。
致命錯誤 8：盲目信任產出，忽略人為監督
陷阱：GenAI 會犯錯，高達 46% 的 AI 生成文本可能包含事實錯誤。
- 科技媒體 CNET 就因其 AI 生成的報導錯誤百出而嚴重損害聲譽。任何關鍵產出都必須有「人在迴路中」進行審核。
致命錯誤 9：未能保護機密資料
陷阱：員工可能在不知情下，將公司機密或客戶個資輸入 ChatGPT 等公共工具，造成數據外洩。
- 三星員工的案例已為全球企業敲響警鐘。
致命錯誤 10：忽視智慧財產權風險
陷阱：在商業上使用由可能包含版權資料訓練的 GenAI 所產出的內容，可能讓企業在未來面臨侵權訴訟的風險。
結論：成功的 AI 遠征需要一張好地圖
企業導入 AI 的成功，取決於是否能在每個階段都做出正確的決策。這份路線圖與其中的錯誤警示，就是幫助您規劃路徑、避開陷阱的地圖。謹慎、有策略且治理良好的方法，是通往可持續成功的唯一途徑。