深度學習（Deep Learning）是什麼

深度學習是機器學習的一類方法，利用多層神經網路，逐步把原始輸入轉成可供任務使用的表示。這裡的「深」指向多層運算結構，不代表思考比較深刻，也不是只要資料很多就叫深度學習。它尤其擅長處理難以逐條手寫規則的模式，但成果仍取決於資料、訓練與驗證。

假設社區想用照片協助辨識回收物，你可能希望系統分辨紙盒、金屬罐和其他物品。以下用這個原創情境拆解多層網路如何學習，以及為什麼展示照片答對，還不能證明真實回收場景可靠。資料查證截至 2026 年 9 月 14 日。

多層運算讓表示逐步改變

LeCun、Bengio 與 Hinton 的論文用多層處理與多層次抽象表示說明深度學習。Google 的神經網路教材則解釋隱藏層與非線性運算如何處理複雜資料關係。簡單說，網路不只接收輸入後套一條直線，而是經過多次轉換，逐步形成對任務有用的內部表示。

在影像例子裡，可以把早期處理想成關注局部邊緣與紋理，後續處理結合更複雜的形狀與關係。但這只是幫助理解的概念圖，不代表每一層都有固定的人類名稱，也不表示某個節點一定專門負責「紙盒」。實際表示通常分散在許多數值與運算之間。

非線性是重要部分。若每層都只是沒有非線性變化的線性轉換，多層堆疊在數學上仍可合併成一個線性轉換，表達能力不會因為看起來很深就自動增加。不同網路架構安排不同的運算方式，影像、語音和文字任務也未必使用完全相同的元件。

訓練如何告訴網路該調哪裡

回收物分類的監督式訓練資料可以是一張照片配上一個已核對的類別。模型先產生各類別的分數，再用損失函式衡量與標籤的差距。反向傳播計算參數對損失的影響，最佳化程式再依據這些訊號更新參數。這是一種數值調整程式，不是有人逐個教節點認識某種物品。

模型會重複接觸訓練樣本，但訓練進步不等於實際用途已達標。需要保留未參與訓練的照片，檢查新角度、新光線與不同外觀。若用同一件物品連拍的近似照片分到訓練和測試兩邊，結果可能比面對真正的新物品容易，因而高估能力。

推論時通常使用已訓練的參數，對新照片產生結果，不會因為使用者問了一次就必然更新整個網路。若產品能依回饋改善，還涉及另外的資料收集、重新訓練或個人化流程。把訓練、推論和回饋更新分開，才容易理解模型目前知道什麼、又如何改變。

模型可能學到背景捷徑

原創資料設定中，紙盒照片都拍在綠色桌面，金屬罐都拍在白色桌面。模型可能利用桌面顏色做分類，而不是學到物品的形狀。測試照片若也維持同樣拍攝方式，就會看起來很準；換個桌面後卻突然大量出錯。這是用資料關聯代替真正任務訊號的典型風險示例。

可做的檢查是將同一類物品換背景、角度與光線拍攝，觀察類別是否仍穩定。再加入破損、汙漬或部分遮擋的照片，確認系統是否需要標示無法判斷。預期不是每張都一定答對，而是找出模型對哪些條件過度敏感，並把適用範圍說清楚。

如果換背景後紙盒被判成金屬罐，不能只調整回答語氣。需要重新檢查資料分佈、標籤及訓練設定，讓物品類別不再和背景固定綁在一起。多收資料的方向也應由失敗原因決定，而不是繼續在同一張桌子上拍更多幾乎相同的照片。

深度不是所有問題的最佳答案

深度學習通常需要考量訓練資料、運算資源與部署限制，但不代表每個應用都必須從零訓練大模型。既有模型可以作為起點，再依任務調適。是否適用仍要看輸入種類、資料量、正確性要求和維護成本，不能只因為模型層數多就認定比較專業。

對欄位少、規則清楚的表格問題，較簡單的模型或明確規則可能已足夠，也更容易理解。相反地，要從畫素辨識複雜外觀，手寫每條規則可能很困難，多層表示就有吸引力。比較方法時，應使用相同資料與任務指標，並把速度和可維護性一起考慮。

可解釋性也是取捨。模型輸出某類別，不等於能提供人類可直接驗證的因果理由；顯示關注區域的圖也不一定就是完整決策原因。使用者可以要求觀察模型對輸入變化的反應、檢視失敗案例，而不是只接受它另外生成的一段合理說明。

把技術能力轉成可使用的功能

回收分類工具若是給一般住戶使用，介面應讓人知道它辨識的是照片外觀，實際回收規則仍可能因材質處理、汙染程度或地方規定而不同。模型能辨識物品，不等於已核對當地所有處置方式。若要提供處置建議，需另外接入適用且可查證的規則資料。

深度學習與生成式 AI 也不是同義詞。分類照片是深度學習的一種應用，卻不必生成新圖片；文字生成模型也可能使用深度神經網路。前者按技術方法描述，後者按產出能力描述，理解這個差別，就不會把所有神經網路都當成聊天模型。

對讀者最實用的檢查，是拿符合真實用途的新資料測它：不同手機、光線、背景與少見物品。如果只能在展示者精選的照片上表現良好，就應把能力限制在那些條件。模型的深度是設計特徵，能否在實際情境中提供可靠幫助，仍然要靠證據。

機器學習（Machine Learning）是什麼

模型參數（Model Parameters）是什麼

生成式 AI（Generative AI）是什麼

AI 名詞總索引：從 Loop Engineering 到生成式 AI

• AI 工具
• 教學
• AI 名詞解釋