AI 與機器學習基礎

什麼是 AI 與機器學習？

對於 Cloud Digital Leader (CDL) 考試而言，人工智慧（AI） 與機器學習（ML） 不只是流行詞彙，而是 Google Cloud 已封裝成隨取即用服務的實用商業工具。身為 Cloud Digital Leader，您的職責不是撰寫 TensorFlow 程式碼，而是知道何時 AI 是回答商業問題的正確解法，以及該推薦哪項 Google Cloud 產品。

人工智慧（AI） 是建造能執行通常需要人類智慧之任務的機器的廣泛學科——辨識照片中的人臉、翻譯一句話、建議下一件購買的商品，或摘要一份冗長的合約。機器學習（ML） 是當今 AI 最主流且最成功的子集。ML 系統不需程式設計師撰寫明確規則（「如果電子郵件包含『樂透』二字，就標記為垃圾郵件」），而是從大量範例資料中學習規律。深度學習（Deep Learning） 是 ML 的進一步子集，使用多層神經網路來處理非常複雜的資料，例如圖像、音訊和自然語言。生成式 AI（Generative AI） 是建立在深度學習之上的最新一層，能根據提示產生全新的內容——文字、圖像、程式碼或音訊。

在 CDL 考試中，您將被問到某個情境是否需要預訓練 API、AutoML，還是 Vertex AI 上的完全自訂模型。正確選擇取決於三點：商業問題的獨特程度、公司擁有多少標記資料，以及團隊具備多少 ML 專業知識。理解 AI 產品組合的分層架構是本章節所測試的最重要技能。

白話文解釋

AI 與 ML 有時令人望而生畏，因為背後的數學相當複雜。但 Google Cloud 為商業用戶封裝 AI 的方式，比起學術論文，更接近我們的日常生活體驗。下列類比有助於說明 AI 與 ML 的實際運作方式，以及不同 Google Cloud AI 產品如何搭配使用。

類比 1 — 孩子學認字（監督式學習與 Vision API）

想像一位家長拿著一疊識字卡片教三歲小孩。每張卡片上有一張動物圖片，下方附有標籤：「貓」、「狗」、「馬」、「兔子」。家長翻遍數百張卡片，逐一命名。起初孩子把狗和貓搞混，但在看過足夠多的範例後，孩子便能正確說出從未見過的那張卡上是什麼動物。這正是監督式學習（Supervised Learning） 的運作方式：演算法看過數千個標記範例，學習區分不同類別的規律。

在 Google Cloud 中，Google 的研究團隊已經幫您完成了這個「孩子學認字」的過程。Cloud Vision API 是一個預訓練模型，已看過數十億張標記圖像。當您的企業傳送一張商品照片，Vision API 會回傳「鞋子」、「皮革」、「棕色」、「靴子」等標籤，您無需自行訓練任何東西。同樣地，Cloud Natural Language API 已學會從文字中萃取實體與情緒，Speech-to-Text API 已學會轉錄音訊。對於 CDL 等級的建議：如果商業問題是通用的（讀取收據上的文字、偵測不當圖片、將西班牙文翻譯成英文），應建議使用預訓練 API，因為「孩子」已經學完了——您跳過了數個月的訓練時間，且完全不需要資料前處理工作。

類比 2 — 廚師自創食譜（非監督式學習與 BigQuery ML）

現在想像一位廚師，面前擺著一間大型備料室，裡面有各式各樣的食材，卻沒有任何食譜或說明。廚師一一品嚐、混合，並依相似性將食材分組——「這些嚐起來都是酸的」、「這些都能提鮮」、「這些適合做甜點」。廚師在沒有任何人事先告知正確答案的情況下，發現了自然分組。這就是非監督式學習（Unsupervised Learning）：演算法在沒有標記範例的情況下，自行找出資料中的隱藏結構。最常見的商業應用是顧客分群——給定一百萬名顧客及其購買記錄，找出哪些顧客自然聚集成相似的購買輪廓。

在 Google Cloud 中，您可以直接在資料倉儲上使用 BigQuery ML 執行非監督式分群。行銷分析師可以撰寫一段 SQL 語句，例如 CREATE MODEL ... OPTIONS(model_type='kmeans', num_clusters=5)，BigQuery 便會自動發現五個顧客群組。對於更進階的情況，Vertex AI 提供分群、異常偵測和降維演算法。在 CDL 考試中，當題目出現「找出隱藏規律」、「將相似顧客分組」、「偵測異常交易」或「沒有標記資料」等措辭時，非監督式學習就是正確答案。您可在 BigQuery 資料倉儲章節 閱讀更多相關內容。

類比 3 — 醫生憑經驗診斷（Vertex AI 上的自訂模型）

一位全科醫生能立刻辨認普通感冒，因為他見過數千個病例。但診斷罕見遺傳疾病的醫生，必須查看 MRI 影像、血液檢查數據和家族病史，而這些是任何教科書都無法完整涵蓋的。他們根據自身的特定專業建立一套自訂的診斷模型。這正是自訂機器學習模型的用途：針對獨特到沒有任何預訓練模型的商業問題。

舉例來說，台灣一家製造商想要檢測只出現在其特定產線上的印刷電路板瑕疵。沒有任何公開 AI 模型見過這些瑕疵。公司收集了 50,000 張有瑕疵與無瑕疵電路板的標記圖像，並上傳至 Vertex AI。使用 Vertex AI Training，資料科學家可以訓練自訂的 TensorFlow 或 PyTorch 模型。如果團隊沒有 Python 專業知識，可以使用 Vertex AI AutoML，只需指向標記好的資料集，就能訓練出高品質模型，完全不需撰寫程式碼。在 CDL 考試中，當題目強調「對我們業務而言是獨特的」、「私有資料」或「沒有現成 API 能解決」時，自訂模型就是正確答案。

類比 4 — 夜市攤位老闆辨認熟客（生成式 AI 與 Gemini）

最新的類比是夜市攤位老闆。他認識每位常客的口味偏好，當新客人走過來說：「我上次吃過一款鹹酥雞，有沒有什麼類似但帶點九層塔香氣的推薦？」老闆思考片刻後，立刻提出幾種組合建議，甚至說出從未有人點過的新口味搭配方案。生成式 AI 就是這樣運作的。以 Gemini 等大型語言模型為基礎，Vertex AI 上的生成式 AI 能產生全新的文字、摘要、翻譯、程式碼、圖像，甚至結合文字與圖像的多模態回答。雲端的 24 小時全球服務特性，讓這位攤位老闆隨時在線，以數十種語言服務全球用戶。

在 Google Cloud 中，Vertex AI 上的生成式 AI 透過 API 提供 Gemini 和其他基礎模型。商業用戶可以建立聊天機器人、摘要法律文件、生成行銷文案，或提升開發者生產力。在 CDL 考試中，當情境涉及創作全新內容（起草電子郵件、摘要會議紀錄、生成商品說明）而非對現有資料進行分類或預測時，生成式 AI 就是正確答案。

AI 與 ML 的概念堆疊

要通過 CDL 考試，您必須熟悉四個巢狀概念的區別：

1. 人工智慧（AI）： 最廣泛的領域。任何模仿人類智慧的電腦系統——從 1980 年代的規則型西洋棋引擎到現代的自動駕駛汽車。
2. 機器學習（ML）： AI 的子集，系統從資料中學習規律，而非遵循手動編寫的規則。現代大多數 AI 都是 ML。
3. 深度學習（Deep Learning, DL）： ML 的子集，使用多層神經網路，特別擅長處理圖像、音訊和自然語言等非結構化資料。
4. 生成式 AI（GenAI）： 深度學習的子集，能產生全新內容——文字、圖像、程式碼、音訊——而不只是分類或預測。

將這四者想像成俄羅斯套娃有助記憶：GenAI 在 DL 裡面，DL 在 ML 裡面，ML 在 AI 裡面。在 CDL 考試中，「系統能發明全新商品說明」的題目是 GenAI；「系統將圖像分類為 10 個類別」的題目是 ML／DL；「基於規則的決策樹」可能是不含 ML 的傳統 AI。

監督式 vs 非監督式 vs 強化學習

三種經典 ML 範式各自對應不同類型的商業問題：

• 監督式學習（Supervised Learning）： 您擁有標記資料（輸入 + 正確答案），並希望模型預測新輸入的標籤。範例：信用卡詐欺偵測（標籤 = 詐欺或非詐欺）、房價預測（標籤 = 價格）、顧客流失預測（標籤 = 流失或留存）。商業 ML 的絕大多數屬於監督式學習。
• 非監督式學習（Unsupervised Learning）： 您擁有未標記資料，並希望系統找出隱藏結構。範例：顧客分群、異常偵測、客服工單的主題發現。適用於尚不知道有哪些類別的情況。
• 強化學習（Reinforcement Learning, RL）： 代理人（Agent）在環境中透過嘗試錯誤學習，接收獎勵或懲罰訊號。範例：訓練機器人行走、最佳化資料中心冷卻（Google 著名地使用 RL 將冷卻成本降低 40%）、訓練 AlphaGo 等棋類 AI。

對 CDL 考試而言，強化學習很少深入測試——但您應能辨認它的存在，並與另外兩種範式區分。大多數考題會圍繞監督式 vs 非監督式。「根據五年銷售記錄預測明天需求」的題目是監督式；「想將顧客分組但尚不知道有幾組」的題目是非監督式。

結構化 vs 非結構化資料

另一個基礎區分是輸入 AI 的資料類型：

• 結構化資料（Structured Data）： 存在於列與欄中——想想試算表、關聯式資料庫、BigQuery 資料表。範例：顧客 ID、消費金額、時間戳記。決策樹和線性迴歸等傳統 ML 演算法在此表現出色。工具：BigQuery ML、Vertex AI Tabular Workflows。
• 非結構化資料（Unstructured Data）： 沒有固定綱要的自由格式內容——圖像、音訊、影片、文件、網頁。企業資料約有 80% 是非結構化資料。深度學習是處理此類資料的主要工具。工具：Vision API、Speech-to-Text、Document AI、Vertex AI Vision、Gemini。

CDL 考試常問「公司有數千張掃描發票，應使用哪項 Google Cloud 服務？」題目中出現非結構化資料（掃描 PDF）加上通用萃取任務（取出發票編號、總金額、廠商），指向的是 Document AI，一個專為此設計的預訓練 API。若想了解結構化分析如何連接到 ML，請參閱 Google Cloud 資料庫 章節。

Google Cloud 的 AI 產品組合分層

Google Cloud 將其 AI 服務組織成清楚的分層架構，CDL 考試會測試您能否將商業情境對應到正確的層級：

第一層 — 預訓練 API

這些是隨時可呼叫的 REST API，Google 已在海量資料集上完成模型訓練。您傳入資料，立即獲得答案，完全不需要 ML 專業知識。

• Cloud Vision API： 圖像標籤、OCR、人臉偵測、標誌偵測。
• Cloud Translation API： 支援 100 種以上語言的翻譯。
• Cloud Speech-to-Text 與 Text-to-Speech： 音訊轉錄與語音合成。
• Cloud Natural Language API： 實體萃取、情感分析。
• Document AI： 專為發票、收據、表單和合約設計。
• Video Intelligence API： 影片中的物件追蹤與場景偵測。

第二層 — AutoML

當預訓練 API 不符合需求時（您需要辨識的是您自己的商品，而非通用類別），AutoML 讓非專業人員只需上傳標記資料即可訓練自訂模型。Google 負責處理模型架構選擇和超參數調整等繁重工作。適用於視覺、自然語言、翻譯和表格資料——全都納入 Vertex AI 旗下。

第三層 — Vertex AI 上的自訂模型

為了最大的靈活性與精確度，資料科學家使用 Vertex AI Training，搭配 TensorFlow、PyTorch 或 scikit-learn 等框架訓練完全自訂的模型。Vertex AI Pipelines 協調完整的 ML 生命週期，Vertex AI Model Registry 對每個部署的模型進行版本控制與追蹤。

第四層 — Vertex AI 上的生成式 AI

最新一層透過 API 和 Model Garden 提供 Google 的基礎模型——Gemini、Imagen、Codey、Chirp。建置者可以使用 Vertex AI Search 和 Agent Builder，以私有企業資料為基礎構建聊天機器人和智慧代理人。

Vertex AI：統一的 ML 平台

Vertex AI 是 Google Cloud 的旗艦 AI 平台。2021 年發布後，它將原本獨立的 AI Platform 和 AutoML 服務統一至同一個主控台、同一個 API 和同一套計費模式之下。就 CDL 考試而言，您需要了解 Vertex AI 涵蓋整個 ML 生命週期：

• Vertex AI Workbench： 供資料科學家使用的受管 JupyterLab 環境。
• Vertex AI Training： 在受管 GPU 和 TPU 上執行訓練作業。
• Vertex AI Pipelines： 協調端對端 ML 工作流程。
• Vertex AI Prediction： 以自動擴展端點大規模提供模型服務。
• Vertex AI Model Monitoring： 偵測生產環境中的資料漂移和模型衰退。
• Vertex AI Feature Store： 集中化、版本化的特徵管理。
• Vertex AI Model Garden： 數百個預建的基礎模型與開源模型。

機器學習生命週期

ML 生命週期是 CDL 考試的常考主題。您必須記住的五階段流程如下：

1. 資料前處理

在任何訓練開始之前，必須先收集、清理、整合和標記原始資料。這個階段通常佔整個專案總工作量的 60 至 80%。工具：BigQuery、Dataflow、Dataproc、Vertex AI Data Labeling。

2. 模型訓練

清理後的資料集被輸入演算法，演算法從中學習規律。資料集會分成訓練集、驗證集和測試集。工具：Vertex AI Training、AutoML、BigQuery ML。

3. 模型評估

訓練完成後，模型會在保留的資料上進行測試。準確率（Accuracy）、精確率（Precision）、召回率（Recall） 和 F1 分數 等指標決定模型是否達到生產標準。Vertex AI Experiments 負責追蹤和比較各次執行結果。

4. 模型部署

驗證通過的模型會被部署到端點，供應用程式呼叫。工具：Vertex AI Prediction endpoints（線上）、Vertex AI Batch Prediction（離線），或嵌入 Cloud Run 與 BigQuery ML。

5. 模型監控

在生產環境中，世界不斷變化——顧客行為改變、新商品出現、語言持續演進。模型會隨時間退化，這個現象稱為模型漂移（Model Drift）。Vertex AI Model Monitoring 能偵測漂移並觸發重新訓練。

AI 與 ML 的商業應用情境

CDL 考試喜歡出情境題。請熟記這些典型應用情境及其對應的 Google Cloud 解答：

需求預測

零售商想預測每家門市每個 SKU 下週的銷售量。這是使用歷史銷售、天氣、假期和促銷活動的監督式迴歸。工具：BigQuery ML 搭配 ARIMA_PLUS 進行時間序列預測，或使用 Vertex AI Forecasting。成果：最佳化庫存水位、減少缺貨、降低損耗。

詐欺偵測

銀行想即時標記可疑的信用卡交易。這是在串流資料上進行監督式二元分類。工具：Vertex AI 負責模型、Pub/Sub + Dataflow 負責串流管線、Cloud Functions 負責警示端點。對於未知的詐欺模式，非監督式異常偵測可作為補充。

顧客流失預測

電信業者想辨識未來 30 天內可能取消方案的顧客。這是監督式分類。工具：BigQuery ML（邏輯迴歸）或 Vertex AI AutoML Tabular。行銷團隊隨後可針對高風險顧客提供留客優惠。

文件理解

保險公司每月處理 100,000 份紙本理賠單。Document AI 能從非結構化 PDF 中萃取結構化欄位（理賠單號、日期、金額）。這消除了人工資料輸入的需求。

聊天機器人與虛擬客服

銀行想要一個全天候的客服聊天機器人。將 Vertex AI Agent Builder 與 Gemini 結合，讓團隊能建立以銀行政策和商品目錄為基礎的聊天機器人，在法規事務上不會產生幻覺。

生成式 AI 與 Gemini

生成式 AI（Generative AI） 自 2023 年以來已徹底改變 AI 市場。建立在大型語言模型（LLM） 之上，生成式 AI 能產生文字、程式碼、圖像、音訊和影片。Google Cloud 的旗艦基礎模型家族是 Gemini，原生具備多模態（Multimodal） 能力——能接受文字、圖像、音訊和影片作為輸入，並輸出文字或圖像。

Google Cloud 主要生成式 AI 產品：

• Gemini in Vertex AI： 直接透過 API 存取 Gemini 模型（Gemini Pro、Gemini Flash、Gemini Ultra），用於通用推論。
• Imagen： 用於行銷創意的文字轉圖像生成。
• Codey： 面向開發者的程式碼生成、補全與對話。
• Chirp： 支援 100 種以上語言的通用語音模型。
• Vertex AI Agent Builder： 建立以企業資料為基礎的對話代理人。
• Gemini Code Assist： IDE 內的開發者生產力工具。
• Gemini for Google Workspace： Gmail、Docs、Sheets、Slides 和 Meet 中的生成式輔助功能。

CDL 考試會詢問何時適合使用生成式 AI。簡單判斷原則：若所需輸出是全新的、前所未見的內容（一首詩、一份摘要、一張圖像、生成的程式碼），生成式 AI 是正確答案。若所需輸出是基於現有類別的分類、分數或預測，Vertex AI 上的傳統 ML 才是正確答案。

負責任 AI 與 Google 的 AI 原則

Google 發布了七項AI 原則，指導所有 AI 產品的開發。CDL 考試可能會詢問哪項原則適用於某個情境。

1. 對社會有益。
2. 避免製造或強化不公平的偏見。
3. 在安全的前提下建構和測試。
4. 對人類負責。
5. 融入隱私設計原則。
6. 維持高標準的科學卓越性。
7. 僅供符合這些原則的用途使用。

Google 同時公布了四項不會追求的事項：意圖造成傷害的武器或技術；違反國際公認規範的監控；違反國際法和人權的技術；以及目的違反廣泛認可原則的技術。參見 https://ai.google/responsibility/principles/。

在實際操作層面，Google Cloud 提供工具以落實負責任的 AI：

• Vertex AI Model Cards： 記錄模型目的、限制和指標的文件。
• Vertex Explainable AI： 透過特徵歸因解釋模型為何做出某項預測。
• Vertex AI Model Monitoring： 偵測生產環境中的偏見漂移。
• Sensitive Data Protection（前身為 Cloud DLP）： 在訓練前遮蔽個人識別資訊。
• Gemini API 中的安全篩選器： 攔截有害或帶有偏見的輸出。

AI 工作負載的定價與 TCO

成本永遠是 CDL 討論的一部分。Google Cloud 上的 AI 與 ML 定價通常分為以下幾類：

• 預訓練 API： 依每次 API 呼叫計費（每張圖像、每分鐘音訊、每 1,000 個字元的文字）。無需預先承諾。
• AutoML： 依訓練的節點小時數計費，加上每次預測或每小時的服務費用。
• Vertex AI Training： 依加速器小時數計費（CPU、GPU、TPU）。Spot 或可搶占選項可降低成本。
• Vertex AI Prediction： 依服務端點的節點小時數計費，與流量無關。Vertex AI Batch Prediction 對非即時工作負載更為划算。
• 生成式 AI： 文字模型依每個輸入 token 和輸出 token 計費，圖像模型依每張圖像計費。

對於商業決策者而言，成本規律通常如下：預訓練 API 的 TCO 最低（在適用情境下），AutoML 居中，自訂訓練最高。永遠選擇能解決問題的最高層級——只有在商業價值足以證明額外成本合理時，才向下進入自訂程式碼層。這與 雲端價值主張 直接相關。

資料策略如何驅動 AI 成功

貫穿 CDL 課程的一個主軸是：AI 的品質取決於背後的資料。在企業能成功運用 AI 之前，他們需要：

1. 資料收集： 集中化、可存取、受管治。
2. 資料品質： 乾淨、去重複、驗證過。
3. 資料治理： 明確的擁有權、存取控制、資料血緣追蹤。
4. 資料民主化： 供分析師和資料科學家自助存取。

Google Cloud 的資料平台——以 BigQuery 作為資料倉儲、Dataplex 負責治理、Looker 負責 BI、Dataflow 負責轉換——是 Vertex AI 運行的基礎。CDL 常見情境是「公司想開始使用 AI，但資料散落在 12 個各自獨立的系統中」。正確答案幾乎不是「購買更多 AI」，而是「先將資料整合至 BigQuery」。

邊緣 AI 與混合情境

並非所有 AI 都在雲端執行。某些情境因為延遲、頻寬或法規因素，需要 AI 在**邊緣（Edge）**運行——在工廠廠房、零售門市或車輛內。Google Cloud 透過以下方式支援邊緣 AI：

• Coral Edge TPU： 用於邊緣 ML 推論的 Google 自訂晶片。
• Vertex AI Edge Manager： 在邊緣裝置上部署和管理模型。
• Google Distributed Cloud Edge： 在地端硬體上執行 Vertex AI 服務。

對 CDL 考試而言，邊緣 AI 是較小眾的主題，但您應能辨識其適用情境（低延遲製造品質檢測、零售門市內推薦、可離線使用的行動應用程式）。

常見問題

AI、ML、深度學習和生成式 AI 有什麼區別？

答： 它們是巢狀關係。AI 是最廣泛的領域（任何機器智慧）。ML 是 AI 的子集，從資料中學習。深度學習 是 ML 的子集，使用多層神經網路，特別擅長非結構化資料。生成式 AI 是深度學習的子集，能產生文字和圖像等全新內容。Gemini 是一個生成式 AI 模型，同時也是深度學習模型，也是機器學習模型，也是 AI。

何時應推薦預訓練 API、AutoML 還是自訂訓練？

答： 當任務是通用且定義明確時，使用預訓練 API（Vision、Speech、Translation、Natural Language）——不需要資料前處理，也不需要 ML 專業知識。當您需要對您自己的資料進行自訂預測，但缺乏資料科學團隊時，使用 AutoML。當您擁有資料科學家且需要最高精確度或特殊模型架構時，使用 Vertex AI 自訂訓練。永遠選擇能解決問題的最高層級，以最小化 TCO。

Vertex AI 是什麼？它與 AutoML 有何不同？

答： Vertex AI 是 Google Cloud 的統一 AI 與 ML 平台，涵蓋整個 ML 生命週期——訓練、評估、部署、監控和管線。AutoML 是 Vertex AI 內部的一項功能，讓非專業人員無需撰寫程式碼即可訓練自訂模型。說「AutoML vs Vertex AI」是不正確的，因為 AutoML 存在於 Vertex AI 之中。正確的對比是「AutoML vs 自訂訓練」，兩者都是 Vertex AI 內的路徑。

CDL 考試需要會寫 Python 或 TensorFlow 程式碼嗎？

答： 不需要。Cloud Digital Leader 考試是非技術性的。您需要理解商業價值、應用情境，以及應推薦哪項 Google Cloud 產品。程式撰寫技能在更高等級的認證（如 Professional Machine Learning Engineer (PMLE)）中才會測試。CDL 專注於 AI 與 ML 的策略與概念面向。

Google 如何確保其 AI 合乎倫理且無偏見？

答： Google 發布了七項AI 原則，指導所有 AI 產品的開發，包括避免不公平的偏見、確保安全、對人類負責以及融入隱私設計。Google Cloud 提供操作工具——Vertex Explainable AI、Model Cards、Sensitive Data Protection 以及 Gemini 中的安全篩選器——幫助客戶建立負責任的 AI 系統。原則全文公開於 ai.google/responsibility/principles。

2026 年建構聊天機器人的正確 Google Cloud 產品是什麼？

答： Vertex AI Agent Builder 搭配 Gemini 模型。Agent Builder 讓您將聊天機器人以私有企業資料（商品目錄、客服文件、內部政策）為基礎，使聊天機器人能準確回答問題並避免產生幻覺。對於較簡單的問答型機器人，可以直接透過 Vertex AI API 呼叫 Gemini。

總結：Cloud Digital Leader 需要掌握的 AI 與 ML

Cloud Digital Leader 不需要撰寫任何一行 TensorFlow 程式碼。CDL 需要知道的是：何時 AI 能解決商業問題、哪個層級的 Google Cloud AI 產品組合最合適，以及費用大概是多少。掌握四層堆疊架構（預訓練 API → AutoML → Vertex AI 自訂訓練 → Vertex AI 上的生成式 AI）、熟記典型商業應用情境（需求預測、詐欺偵測、顧客流失、文件理解、聊天機器人），並將 Google 七項 AI 原則內化。具備這些知識，您就能自信地向任何主管提供 AI 策略建議，並回答 CDL 考試上的任何 AI 與 ML 相關題目。