工程師不需要會訓練模型，但你得聽懂會議上大家在講什麼。這篇幫你用 10 分鐘搞定。
先講結論
AI、ML、DL、LLM 這四個詞的關係就像俄羅斯套娃：
AI（人工智慧）
└── ML（機器學習）
└── DL（深度學習）
└── LLM（大型語言模型）
你現在每天在用的 ChatGPT、Claude、Gemini，都是最裡面那層——LLM。但你不需要從外面那層慢慢學進來，直接從 LLM 開始用就對了。
這篇文章教你的不是怎麼訓練模型（那是 ML Engineer 的工作），而是讓你在技術會議上聽到「我們用 RAG 接上 7B 的 model 做 fine-tune」的時候，不會只能點頭微笑。
AI：比你想的更廣，也更無聊
你有沒有想過，為什麼垃圾郵件過濾器也算 AI？
因為 AI 的定義其實超廣——任何「讓機器表現出智慧行為」的技術都算。這包括 90 年代那種用一堆 if-else 寫出來的醫療診斷系統（叫做 Expert System），也包括現在會寫程式碼的 Claude。
重點來了：AI ≠ Machine Learning。ML 只是實現 AI 的其中一種方法，只是剛好目前最成功的方法。
所以下次有人說「我們要導入 AI」，你可以先問一句：「你說的 AI 是指 rule-based 的自動化，還是要用到 ML？」——光這一句就能看出對方懂不懂。
ML：讓機器自己找規律
傳統寫程式的思路是：你告訴電腦規則，它照著做。
傳統：Rules + Data → Answer
ML： Data + Answers → Rules (Model)
舉個例子：你要做垃圾郵件過濾器。
- 傳統做法：手動寫規則——包含「免費」「中獎」就標記垃圾信。但詐騙集團也會進化啊，你永遠寫不完。
- ML 做法：丟 10 萬封已經標記好的信件給機器，讓它自己學出「什麼長相的信是垃圾」。
ML 有三種學法，你知道名字就好：
- Supervised Learning（監督式）：有標準答案。「這封信是垃圾信嗎？是/不是」
- Unsupervised Learning（非監督式）：沒有答案。「幫我把這些客戶自動分群」
- Reinforcement Learning（強化學習）：靠獎懲學習。AlphaGo 就是這樣學會下圍棋的
我一開始也覺得這三個名字取得很讓人想睡覺。
DL：就是很多層的神經網路
Deep Learning 是 ML 的一個子集。「Deep」指的是神經網路很多層（layer）——傳統 ML 可能 1-2 層，DL 動輒幾十到幾百層。
你不需要知道數學細節，但你要知道三個架構名稱，因為別人會一直提到：
| 架構 | 擅長什麼 | 代表 |
|---|---|---|
| CNN | 看圖片 | 人臉辨識、YOLO 物件偵測 |
| RNN/LSTM | 處理序列（已過時） | 以前的翻譯系統 |
| Transformer | 處理文字（現在的主流） | GPT、Claude、BERT 全都是 |
2017 年 Google 發表了一篇論文叫 “Attention Is All You Need”（這名字夠狂吧），提出了 Transformer 架構。從此以後，基本上所有你聽過的 AI 模型都是 Transformer 的後代。
LLM：你每天都在用的東西
LLM（Large Language Model）就是基於 Transformer 架構、用海量文字資料訓練出來的超大模型。
它的本質其實很簡單：一個超級強大的文字接龍機器。你給它一段文字，它預測接下來最可能出現什麼字。就這樣。只是這個「預測」做得好到嚇人。
LLM 又分成幾個流派：
| 類型 | 代表 | 擅長 |
|---|---|---|
| Decoder-only | GPT、Claude、LLaMA | 生成文字（對話、寫作） |
| Encoder-only | BERT | 理解文字（分類、搜尋） |
| Multimodal | GPT-4o、Gemini | 圖文都能處理 |
你現在最常接觸的 ChatGPT 和 Claude 都是 Decoder-only 類型——專門負責「生」東西出來。
所以工程師到底要學到哪裡？
老實說，我覺得大部分工程師不需要理解 backpropagation 的數學公式，也不需要會寫 PyTorch。你需要的是：
- 會用 API 呼叫模型（這跟呼叫任何第三方 API 一樣簡單）
- 聽得懂 AI 術語（下一篇會講最常見的那些）
- 能判斷一個 AI 方案靠不靠譜（這才是真本事）
把 LLM 想成一個很聰明但不太可靠的初級工程師——它的產出永遠需要你 review。如果你能記住這一句話，你就已經比很多盲目信任 AI 的人更懂了。
這個系列還會聊什麼
這是「AI 從零開始」系列的第一篇。接下來：
- 下一篇：Token、Embedding、Temperature——LLM 最常遇到的術語
- Fine-tuning vs RAG vs Prompt Engineering：三條路怎麼選
- AI 部署與成本：API 還是自己架？
- AI 的風險清單：上線前你必須知道的事
如果你已經知道 AI/ML/DL/LLM 的區別，直接跳到下一篇看術語吧。不丟人。