Facebook的AI入門課！用三段動畫講解人工智慧如何運作|數位時代 BusinessNext

語音助理、智慧家電、購物推薦⋯⋯ 人工智慧替我們的生活中帶來便利，但卻也讓不少人擔心人工智慧發展到最後，是否會產生自主行為，形成電影中機器挑戰人類的情節。

在圖像辨識、語言翻譯和動態時報排序等都用到大量人工智慧的Facebook，希望破除這個迷思。Facebook的AI研究部門負責人Yann LeCun認為，多數的害怕來自於不理解，「我們希望告訴人們AI並非魔法，而是嚴謹的科學。」因此在部落格上發布三段淺顯易懂的影片，替大家上一堂AI入門課。

人工智慧比人類厲害的地方：辨識出大量數據中的模式

大部分的人工智慧系統由人工神經網路和程式碼構成，模擬大腦神經元的運作方式，並像人類和動物一樣，可以透過修改神經元的連接方式，從經驗中學習。

其中，人工智慧特別擅長辨識出大量數據中的模式，這是人類較不擅長的，此外，還可用於學習翻譯、簡單的邏輯推理，甚至是系統性地產生新想法。

什麼是機器學習演算法？

用來訓練人工智慧的機器學習演算法，實際上如何運作？

他們將人工智慧比喻成一台機器，若最終希望能讓它辨識出「汽車」和「狗」的不同，必須先提供大量汽車和狗的照片，讓機器練習回答，並在每次的回答中調整解題過程。最終，就算出現過去沒看過的圖片，也能找出是否有共同點而辨識出物體。

過去，傳統演算法只能重複性的一一比對資料庫，比對到類似圖片才能歸納出答案，而常聽到的機器學習演算法，則可在比對的過程中「訓練」機器的辨識能力，大量減少所需時間和運算效能。

看過影片後，就可以了解機器學習的過程其實真的很「數學」。

對電腦而言，圖片由一組數字矩陣組成，這些數字分別代表不同像素的亮度。舉例來說，想要分辨字母「C」和「D」，首先計算出代表C和D的數字矩陣，再乘以「權重」，若數字加總後大於零，可判斷是C，反之則為D。而機器學習演算法，就是在辨識圖片的過程中不斷依照C和D的圖像特性，調整權重。

影片中說明，演算法會同時考量C和D的數字矩陣，最終可調整成只對C有反應且為正的權重、只對D有反應且為負的權重。因此，只要知道加總結果大於或小於零，就可以知道數字矩陣代表的字母。

有利於辨識局部圖像的深度學習法：卷積神經網路

不過，就算學會如何辨識不同物體，只要物體出現在圖片中的尺寸、露出部位和角度只要有些不同，就可能讓機器誤以為是完全不同的東西。

這時候便會用上深度學習結構「卷積神經網路（convolutional neural network，ConvNet）」，在第一層會先抓出物體的局部影像，例如輪胎的輪子，或人的眼睛，且讓這些局部影像重複出現在不同影像圖層的不同位置；第二階段則可將第一層的影像組合起來，例如整張臉、機翼等，最後可組合成完整的一輛車、一架飛機、一個人等。透過這樣的分層分析，可簡化機器辨識複雜圖像的步驟。該技術也可應用於自駕車、語音辨識及翻譯。

三種AI學習方法

Facebook指出，目前人工智慧學習方法大致分三種。

首先是透過輸入大量資料並給予獎勵回饋的「強化學習」，教機器下棋就是其中一種，不過缺點是，就算只是學一個簡單任務也需要大量數據和練習。

而最常用於訓練神經網路的「監督式學習」，就像爸媽用繪本教小朋友物體名稱，當我們提供機器汽車的圖片，會告訴他正確答案是汽車，演算法可以從這過程中學到汽車的特性。

最後一種是「無監督式學習」，亦稱為「預測型學習」。大多數人類和動物最初都是以這種方式學習，透過觀察以及和這個世界互動，便能學到基本知識，例如這世界是三維的、物體不會突然消失等。但目前人工智慧尚未發展到這種學習階段，這也是限制人工智慧進展的因素之一。

想成為AI人才，先學好數學

Facebook建議，如果未來想以AI作為工作，數學和物理絕對是必修課，微積分、線性代數、機率和統計，盡可能修越多越好。此外，電腦科學、工程、經濟、神經科學等科目，對研發人工智慧也有幫助。

不過令人意外的是，文章中特別提到哲學的重要性，因為其對理解和學習任何知識都有幫助。這也呼應到Facebook近來被批評其動態時報推播假新聞影響美國大選結果，在每種機器學習應用的背後，最終還是得回歸到「人」。

資料來源：Facebook、TechCrunch

一家連續十年營收 700 萬元的健身業者，如何在一年內將業績推升至 3,500 萬元，成長整整 5 倍？答案可能和多數人想的不一樣。

這家健身品牌不是一開始就加碼投放廣告，而是先從調整組織架構與薪酬制度著手，透過明確分工改善團隊運作，進而建立「全員銷售」文化，這並不是要求每位員工都成為業務員，而是讓團隊理解與認同品牌理念，確保從服務、回覆、教學到售後過程中的每一個顧客接觸點，都能傳遞一致的訊息與體驗，從而建立顧客對品牌的信任感，甚至願意主動購買與持續回購。而規劃這套成長策略的幕後推手，正是無限創意行銷。

AI 讓行銷變簡單，為何行銷公司反而更難做出成效？

雖然公司名稱裡有「行銷」兩個字，但無限創意行銷並非只從行銷工具出發，而是以顧問式行銷的角色，先理解企業經營問題，再決定應採取哪些行銷與營運解方。「我們不會一開始就告訴企業該採用哪些行銷策略，而是根據企業真的需求來提供適合解方」，無限創意行銷創辦人翁小五一語道出公司的獨特定位。

通常，企業在面對營收成長瓶頸時，第一個念頭就是做行銷，然而，翁小五從過往的工作與創業經驗中發現，限制企業營收成長的原因有很多，不一定與行銷有關，背後可能還有其他問題，若沒有釐清真正的問題所在，就急著投入廣告或其他行銷資源，很可能只是治標不治本。

基於這樣的觀察，無限創意行銷決定採取反向思考邏輯：先回到企業經營本身，找出造成「成長趨緩」的真正原因，再據此制定策略、優化營運流程，最後透過行銷放大企業優勢。當每一筆行銷投入都建立在更健康的企業體質與更精準的策略判斷之上，行銷才不只是「有做」，而是真正能為企業帶來成長。

這套「先找問題、再選工具」的服務模式，在生成式 AI 工具普及後，也成為拉開行銷成效差距的關鍵。

過去，行銷公司的價值建立在製作能力、投放技術與媒體資源；但當 AI 逐步降低文案、素材與分析的執行成本，單純提供「做內容、下廣告、做報表」的服務，差異化將快速縮小。此時真正考驗的，反而是行銷人的理解力和判斷力：能否看懂消費者真正需要什麼？能否找出限制企業營收成長的關鍵環節？而這正是無限創意行銷長期深耕企業經營現場、不斷透過數據與市場驗證所累積的核心能力。

AI 拆解營收黑洞，讓數據為企業成長導航

在無限創意行銷的顧問式服務流程中，數據是相當重要的依據。翁小五進一步說明，無限創意行銷的數據應用可以分為三個層次：從檢視行銷活動成效、拆解顧客旅程中的問題節點，再進一步延伸至年度營運規劃，讓企業不只知道「過去發生了什麼」，更能判斷「下一步該怎麼走」。

首先，是檢視行銷活動成效，其中最重要的原則在於，根據行銷目標去解讀數據。舉例來說，如果目標是增加首購顧客，除了檢視素材吸引力與點擊率，還要持續追蹤到站、詢問、成交、新客占比與首購成本；如果目標是擴大營收規模，則應進一步檢視回購率、客單價與顧客終身價值。

數據應用的第二層價值，是拆解從「廣告投入」到「營收產出」之間的過程，理解每一個節點的數據分別反映什麼問題，再針對問題逐一修正。

至於第三個層次，則是讓數據成為企業經營與資源配置的依據。無限創意行銷會從年度營收目標出發，結合產業特性、淡旺季變化與過往行銷成果，拆解每一季、每個月的業績任務，再將過去有效的策略放大、成效不佳的做法修正，據此安排下一年度的行銷資源與營運節奏。

不急著加碼廣告，從企業體質出發找出 5 倍成長解方

對無限創意行銷來說，數據是找出問題、配置資源與規劃成長路徑的關鍵，文章開頭提到的健身業者，正是此套方法論的最佳印證。當初，翁小五深入診斷後發現，這家企業真正的問題在於組織結構過度扁平，老闆長期忙於處理日常事務，難以專注在營運規劃；此外，組織缺乏真正負責營運管理的中階主管、教練流動過高導致學員缺乏安全感等，皆是影響回購率的因素。

因此，無限創意行銷先從組織架構著手，設立專責店長一職，並重新設計薪酬制度，藉此讓教練、店長與老闆皆可專注在自身工作上。之後，再透過前期廣告數據與顧客洞察，找出消費者選擇品牌的真正原因，並運用行銷活動與口碑經營持續放大。同時，翁小五也在過程中導入「全員銷售」概念，確保顧客在各個接觸點都享有一致的體驗，品牌才能逐步累積顧客信任。

最終，這家企業的營收一年就成長至 3,500 萬元，達到原先的 5 倍。這個案例也說明了無限創意行銷的方法論：行銷不是企業成長的起點，而是放大企業優勢的槓桿；企業體質愈健全，這支槓桿所能放大的成長效益也愈大。

從「會做」到「會判斷」，AI 時代，無限創意行銷正在重新定義行銷公司的價值

隨著 AI 能力越來越強大，下一代行銷公司的價值，不只是比誰更懂得運用 AI，而是行銷人的市場理解力與專業判斷力，知道 AI 產出的內容哪些值得留下、哪些應該捨棄，或是該如何持續修正，才能打造出能夠被消費者感受到的品牌體驗。

因此，無限創意行銷未來將積極建立團隊與 AI 協作的方法論，將過往的專案判斷、提問框架與數據檢核邏輯，轉化為 AI 協作流程。團隊在面對新專案時，不是直接要求 AI 給答案，而是先定義目標、限制條件與判斷標準，再去檢查 AI 產出是否符合商業情境。

對翁小五而言，AI 時代真正稀缺的，不是工具，而是定義問題、理解消費者與判斷品質的能力。未來無限創意行銷的競爭力，也不在於使用多少 AI，而是持續將人的品味、市場理解與產業 Know-how，透過 AI 放大，協助企業打造更精準的品牌體驗與更高品質的決策。