深度學習是什麼？5模型介紹＋7應用，與機器學習、AI差在哪？

文章最後修改於 2025-09-12

深度學習定義懶人包：運作 7 流程、5 個優點與 3 個技術差異一次懂

深度學習（Deep Learning, DL）是機器學習（Machine Learning, ML）的一個分支，主要使用人工神經網路（Artificial Neural Networks）來模仿人腦的學習方式。

深度學習讓電腦能夠從大量資料中自動學習，完成如語音辨識、影像識別等複雜任務。

（一）AI 深度學習怎麼運作？拆解 7 步驟，學會背後邏輯！

1. 準備大量資料：蒐集大量資料，讓模型能從中學會判斷規則。
2. 設計神經網路：決定網路有幾層、怎麼連接，並設定激活與損失函數，決定訊號傳遞與錯誤修正方式。
3. 正向傳播：資料從第一層一路往下傳，模型依照訓練做出預測結果。
4. 計算誤差：比較預測和正解的差距，數字越大表示錯越多，模型需要調整得更多。
5. 反向傳播：根據誤差往回調整每層連線的權重，修正錯誤、改善預測。
6. 重複訓練多次：模型需反覆看資料，經過多輪訓練，才能真正學會規律。
7. 測試模型：用沒看過的資料驗收模型學得如何，確認是否能處理新情況。

1️⃣ 準備大量資料（Data Collection）

深度學習的第一步，就是要讓電腦「大量看東西」，資料愈多愈雜，學起來才有用。

這些資料可以是圖片、影片、聲音、文字，甚至是網頁點擊紀錄或是車子的行車影像。

以「分辨狗和貓」來說，光靠幾張圖片，電腦只會學到很表面的差異。但如果你給它幾萬張不同角度、不同品種、不同背景的照片，它就能慢慢找出狗跟貓在耳朵、鼻子、體型上的細微差別。

資料怎麼來？大概有三種方法：

• 抓現成的：像是 Google 開放的影像資料集、Kaggle 平台、或大公司釋出的語音、文字資料，這些都能直接拿來訓練。
• 自己蒐集：企業可能會把自己累積的訂單紀錄、顧客反應、商品照片整理起來，變成一份自己的資料庫。
• 透過互動產生：像是自駕車邊開邊錄，或者聊天機器人跟人對話後留下的文字內容，這些也會變成資料來源。

資料量除了要多，還要「有代表性」。不能只給模型看金毛跟米克斯的照片，牠就會以為這世界只有兩種狗。資料愈多樣，模型學得愈完整，出錯機率就愈低。

2️⃣ 設計神經網路架構（Model Design）

這一步是在幫電腦設計一套讀書方法，要怎麼學、怎麼記、怎麼做判斷。

你要先決定這個「神經網路」要幾層（也叫深度）、每層要幾個神經元（也叫節點），還有這些層要怎麼連接。

每一層的神經元會處理資料的一部分，然後把結果傳給下一層，越後面的層能處理越抽象的特徵，像是從圖像邊緣→形狀→整體輪廓→這是一隻柴犬。

這裡可以設定一些細節，像是「激活函數」會判斷訊號夠不夠強、值不值得傳下去，避免網路亂傳沒用的資訊；「損失函數」則用來評估每次猜錯的程度，是幫助模型學會怎麼調整自己的關鍵工具，錯得越多，調整幅度就要越大。

3️⃣ 正向傳播（Forward Pass）

電腦開始推理，把一筆資料丟進神經網路，從第一層一路傳到最後一層，每一層會根據之前學的方式處理資料、傳訊號，最後吐出一個預測結果。

像是輸入一張照片，經過層層判斷後，輸出「這是狗」或「這是貓」的機率。

整個往下計算的過程就叫正向傳播，是模型做出猜測的第一步。

4️⃣ 計算誤差（Loss Calculation）

這一步是比對模型的預測跟正確答案差多少。

像是模型說「這是狗」，但正確答案是「貓」，那這次就錯得很明顯，誤差值就會很大。

這個誤差值是用來告訴模型「你這次猜得離譜不離譜」，算出來的數字叫做損失（Loss），

數字越大表示猜得越不準，模型就要更大力調整。這個步驟會讓讓模型知道自己錯在哪，為後面修正做準備。

5️⃣ 反向傳播（Backward Pass / Backpropagation）

剛剛算出來的誤差，會從最後一層一路往前傳，告訴每一層的神經元「你剛剛哪裡幫錯忙了」。

模型會根據這個誤差來調整每條連線的權重，像是在微調每個決定的力道，讓下次遇到類似情況時能猜得更準。

6️⃣ 重複訓練很多次（Epochs）

模型不是看一次資料就能學會，它要反覆看同一批資料很多次，每看完一輪就叫做一個 epoch。

每一輪模型都會再做一次預測、算誤差、調整權重，讓判斷越來越準。訓練次數越多，模型就越有機會抓到真正的規律，而不是只記住表面。

7️⃣ 測試模型（Evaluation）

測試模型的目的是驗收成果，看它是否準備好面對真實世界的資料。

當模型訓練得差不多後，不能只看它在熟悉的資料上表現好不好，還要拿出一批「沒看過的資料」來測試，看模型能不能正確判斷新東西，才知道它學的是規則，不是死背答案。

如果在新資料上表現也不錯，才算是訓練成功；反之就代表模型記得太死，沒有真的學會，稱為過度擬合。

（二）深度學習優點有哪些？5 個理由橫掃各大應用場景！

1. 可以處理很亂的資料

深度學習特別會處理那些沒辦法乖乖排進表格的東西，像是圖片、聲音、影片、聊天紀錄這類「非結構化資料」。

一般人要整理這些東西會很頭痛，但深度學習可以自己看出圖裡有什麼、語音講了什麼，不需要人工一張張分析。

2. 可以用沒標籤的資料學習

有些資料沒有標示答案（像是這張圖是什麼），但深度學習一樣可以從中學習，這叫「非監督式學習」。

為資料貼標籤花費太多時間、資源，能直接讓模型自己從原始資料中學，就是超省事。

3. 可以發現人看不到的規律

深度學習用的是一層一層的神經網路，就像一張超密的濾網，能在海量資料中找出隱藏的規律。

很多時候人眼看不出來的關係，它卻能抓到，像是某些疾病的影像特徵、使用者行為模式等。

4. 可以處理即時變動的資料

深度學習不只會看靜態的東西，也能追蹤變化，如時間序列資料或即時資料流。

像是自動駕駛、股票預測、聊天機器人這種需要「當下判斷」的情況，深度學習都能即時應對，邊接收邊學習。

5. 越多資料越強大

深度學習適合訓練在大型資料集上。資料越多，模型越能抓到關鍵模式，不但預測更準，還能應對不同情境，越學越聰明。

（三）別再混用！AI、深度學習機器學習哪裡不一樣？一張表格搞清楚三個名詞核心概念！

人工智慧（AI）、機器學習（ML）和深度學習（DL）三者的關係，就像是一層包一層的圈圈，最外層是 AI、中間是 ML、最內層是 DL。

🌱 人工智慧（AI）：最大範圍的概念

人工智慧（AI）是一個最大的概念，目標是讓電腦或機器「看起來像人類一樣會思考」，只要能讓機器模仿人的判斷、推理、對話或反應行為，不管用什麼技術，都可以叫做人工智慧。

像早期的象棋電腦、固定回覆的客服系統，雖然只是按照規則反應，沒有學習能力，但一樣屬於 AI。

🌱 機器學習（ML）：人工智慧裡的一種技術

機器學習（Machine Learning）則是人工智慧裡的一種技術，不再靠人手動寫規則，而透過大量資料讓電腦自己學規律。

我們只要準備好很多資料，每一筆都有「正確答案」，讓電腦自己從中歸納出判斷邏輯。

比方說，給電腦一萬張標示好是「貓」或「狗」的照片，模型就會自己找出牠們的特徵差異，未來遇到新照片時，就能做出判斷。

🌱 深度學習（DL）：機器學習裡進階的技術

深度學習（Deep Learning）是機器學習裡面最進階的做法。

它模仿人類大腦的神經網路，建立一層一層的「神經元」，讓資料從輸入進來後，經過多層處理，自動學出答案。

傳統機器學習通常需要人幫忙選擇哪些資料是重點（例如耳朵長度、鼻子形狀），但深度學習不需要人介入，自己會從資料中找出重要特徵。

在辨識圖片時，前幾層會分析顏色和邊緣，中間層抓出輪廓，最後幾層就能辨認出那是一隻貓或狗。

深度學習特別擅長處理「非結構化資料」，像是圖片、語音、文字和影片，是目前 ChatGPT、Siri、自動駕駛等技術的核心方法。

總結來說，人工智慧是「讓機器看起來像人一樣聰明」的概念，機器學習是「讓電腦從資料中學習」的方法，而深度學習則是「用大量神經網路自動學習」的技術。

三者不是互相排斥，而是逐層進化的關係。👉 深度學習 ⊂ 機器學習 ⊂ 人工智慧。

深度學習應用有哪些？7 個生活中的 AI 技術，原來這麼熟悉！

1. 社群媒體與串流平台：推薦你愛看的內容、過濾違規貼文。
2. 智慧醫療：從影像輔助判讀到語音紀錄輸出，讓醫師更快掌握狀況，也幫醫護人員節省時間。
3. 智慧交通：透過即時影像分析與大量資料訓練，系統能在路況瞬變中做出安全判斷。
4. 數位助理與客服：不只能聽懂你的話，還能理解情境、給出對話式回覆，大幅減少人力客服壓力。
5. 財務金融：深度學習模型可分析交易數據、預測變化，並提早發現可疑行為。
6. 工業與製造：從品質檢查到區域監控，自動化系統 24 小時無間斷地維持生產安全與效率。
7. 網路安全：不只對照病毒名單，更能透過模式識別預測新型攻擊，大幅提升防護能力。

（一）社群媒體與串流平台

你滑 Facebook、Instagram、YouTube，或是在 Netflix、Spotify 上追劇聽音樂，有沒有發現平台總是很懂你？

社群平台會透過影像辨識技術掃描照片，辨識是否出現敏感畫面，再結合文字分析，看貼文的內容是不是涉及違規；串流平台則分析你的觀看歷史、播放偏好、停留時間，預測你下一步最想看什麼、聽什麼，並動態調整推薦清單。

這些任務以前都得靠人力操作，現在交給深度學習模型處理，不只速度快、反應即時，推薦內容也越來越準，讓每個人看到的畫面都更符合自己的興趣與需求。

（二）智慧醫療

看斷層掃描、X 光片、癌細胞影像這些任務，原本需要醫師的專業判斷。

現在有了深度學習的幫助，電腦可以先幫忙「圈出異常區塊」，醫師只要進一步確認就好，大大省下判讀時間。

還有語音轉文字技術，能自動把醫師口述的問診內容轉成紀錄，或透過聊天機器人先幫病人初步診斷、建議就診科別，幫醫護人員減輕工作量。

（三）智慧交通

自動駕駛系統能看懂路線、辨識紅綠燈、閃避行人，背後靠的就是深度學習模型來「理解」畫面內容。

輸入行車影像後，模型會即時判斷前方是汽車、行人還是交通標誌，並根據狀況作出反應。

同時，車上的雷達與攝影機所捕捉的資料也會即時處理，用來協助煞車控制、車距維持、車道偏移修正等功能。

模型在訓練階段接收過大量影像資料進行學習，系統才能掌握各種複雜情境，並在真實世界中面對瞬息萬變的路況時，做出即時且安全的判斷。

（四）數位助理與客服

你叫 Siri 幫你設鬧鐘、問 Google 天氣怎麼樣，或跟客服機器人聊退貨流程，都是深度學習在背後運作。

透過自然語言處理（NLP），系統可以聽得懂你說的話、抓出重點，再回應一段有邏輯的內容。

企業也大量使用這類客服機器人，幫忙處理大量重複問題，像是查訂單、修改資料，不但節省人力，也讓服務變得更即時。

延伸閱讀🎈AI客服是什麼？5步驟拆解運作機制，7類型＋8應用情境解析！

（五）財務金融

金融業也大量使用深度學習，像是股票價格預測、信用風險分析、詐騙偵測等。

舉例來說，模型可以分析歷史交易紀錄與即時市場變化，預測一支股票是否可能上漲，或者用來分析客戶的消費行為，有沒有出現異常。

如果偵測到可疑交易，系統就會發警示，大大減少詐騙與財務風險。

（六）工業與製造

深度學習也能應用在工廠自動化中，像是用影像辨識來檢查產品有沒有瑕疵、零件有沒有裝錯，或是監控危險區域是否有人誤入。

以前這些都要靠人用眼睛盯，現在只需一個模型就能 24 小時監測了。

（七）網路安全

傳統防毒軟體是靠「病毒資料庫」去比對，但新型病毒常常是沒資料可比的。

深度學習可以根據行為模式去判斷：某個連線或程式的動作很可疑，就主動提出警示。提早發現未知威脅，讓系統安全防護更完整。

延伸閱讀🎈AI應用10大領域產業變革！看懂AI進化3階段，怎麼翻轉你的行業？

新手也能懂，5 個深度學習模型白話介紹！

1. 卷積神經網路（CNN）：長處理圖片的模型，會從影像中抓特徵來判斷內容，應用在人臉辨識、自駕車、醫療影像上最常見。
2. 遞迴神經網路（RNN）：懂得記住前後語意，適合處理像語音、文字這種有順序的資料，像是字幕、聊天、語音輸入。
3. 長短期記憶網路（LSTM）：記性比 RNN 更好，能記得長句子或前面說過的話，用在翻譯、語音助理、音樂創作都很穩定。
4. 生成對抗網路（GAN）：會自己創作圖片、影片或聲音的 AI 模型，像 AI 畫圖、換臉、照片修復、動畫合成。
5. Transformer：目前語言處理最強的模型，能理解整段話的邏輯關係，常用在 AI 對話、寫作、翻譯、總結等。

（一）卷積神經網路（CNN）：最會看圖的演算法

卷積神經網路（Convolutional Neural Network）是專門處理圖像的深度學習演算法，也是目前最常見的影像辨識模型。

CNN 會一格一格地看圖片，把邊緣、顏色、形狀這些特徵抓出來，再一層一層濃縮、過濾，最後做出判斷：「這是貓，不是狗」、「這張片子裡有腫瘤」、「這張照片有人的臉」等。

CNN 不只速度快，辨識能力也很準，所以被應用在自駕車、醫療影像、人臉辨識、工廠瑕疵檢查等各種需要「讓電腦看圖」的情境。只要是圖片類的問題，幾乎都是 CNN 出馬。

📌 應用情境：人臉辨識、X 光判讀、自動標記影像內容、自駕車畫面理解

（二）遞迴神經網路（RNN）：會記得前一句的模型

遞迴神經網路（Recurrent Neural Network）是專門處理「有順序」的資料，像是語音、文字、時間序列這類前後相關的內容。

它的厲害之處是具備「記憶力」，也就是前面輸入的資料會影響後面的判斷。

舉例來說，如果你跟 AI 說了一句話，它不只看你最後一個字，還會記得你前面講了什麼，幫助它更準確理解整句話的意思。

這種模型特別適合應用在語音轉文字、自動生成字幕、聊天機器人、甚至是天氣預測和股市走勢分析等任務。

不過 RNN 的記憶時間不長，太久之前的內容可能會被忘記，所以在需要處理長句子或長時間資料時，會用進階版本 LSTM 來補強。

📌 應用情境：語音轉文字、聊天回覆、自動字幕、股票走勢預測

（三）長短期記憶網路（LSTM）：記性更好的 RNN

長短期記憶網路（Long Short-Term Memory）是 RNN 的進化版，專門解決 RNN「記不住太久」的問題。

LSTM 的厲害之處在於它有一套「記憶管理機制」，能夠決定什麼資訊要留下、什麼該忘記。這讓它不只記得前一句，還能記得前幾句、甚至更久以前的內容。

舉例來說，如果你在跟語音助理對話說：「我昨天去了台北，今天天氣怎麼樣？」LSTM 能理解「今天」是跟「台北」有關，不會搞混成你住的地方。這就是它記性好的實際表現。

LSTM 特別適合處理需要理解上下文邏輯的任務，比如翻譯長句、音樂生成、個人化語音辨識、時間序列預測等。

📌 應用情境：語音助手、音樂生成、長句翻譯、個人化語音辨識

（四）生成對抗網路（GAN）：會創作的 AI 模型

生成對抗網路（Generative Adversarial Network）是一種讓 AI 具備創造能力的模型，特別擅長「生出新的東西」，像是從零畫出一張人臉、合成一段音樂、甚至模擬一部動畫。

GAN 的核心概念是一場競賽，裡面有兩個角色：一個叫生成器，負責亂中有序地「亂畫」；另一個叫鑑別器，專門判斷畫得像不像真的。

這兩個模型會不斷對抗，生成器努力騙過鑑別器，鑑別器則想找出假貨。互相拚鬥久了，生成器就越來越厲害，能畫出幾乎分不出真假的人臉或場景。

GAN 的應用非常多元，像是 AI 畫圖、臉部換臉、影像修復、老照片上色、虛擬角色創建等。只要你想讓電腦「做出不存在但很真實的東西」，GAN 就是最有創造力的模型。

📌 應用情境：AI 繪圖、虛擬人物生成、音訊合成、影片補畫格

（五）Transformer：現在最紅的語言模型核心

Transformer 是目前語言 AI 世界的主角，像是 ChatGPT、Bard、Claude 這些大家熟知的聊天機器人，背後都是靠這個模型在運作。

它最厲害的地方在於可以「一次看到整段文字」，不像以前的模型那樣一個字一個字慢慢看。

Transformer 使用一種叫「注意力機制」的方式，讓模型在讀一段話的時候，能自己判斷哪些詞比較重要、哪些詞有關聯。

舉個例子：你說「小明跟他哥哥一起去買冰」，Transformer 就能知道「他」指的是小明，而不會搞錯。

Transformer處理文字的速度快、準確度高，也能學習更多語言裡的細節與邏輯，讓電腦說話越來越像真人。它被應用在翻譯、寫作輔助、摘要、問答、甚至是生成小說或新聞。

📌 應用情境：機器翻譯、文字摘要、文章生成、AI 對話

深度學習不炫技，只為幫你解決實際問題；從數據管理到轉換預測，ADBest 實作出真正有感的 AI 整合！

當大家都在談 AI、大數據，ADBest 想說的比較簡單：AI 深度學習不是炫技，而是解決問題的利器。

我們一路觀察，從傳統廣告時代到現在的數據導向時代，行銷最常卡住的點有三個：

• 數據太零碎，每個平台都各說各話
• 報表需要人工整理，曠日費時
• 決策過度依賴經驗，沒辦法即時驗證

這些問題，ADBest 用深度學習模型來處理。

以 Transformer 為例，它能快速分析大量文字與語意邏輯，我們就拿來做內容評估、留言分析、品牌聲量追蹤；CNN 模型能判斷圖片特徵，我們就應用在素材管理、廣告圖自動分群；RNN 或 LSTM 這類時間序列模型，還能幫你預測流量走勢或使用者行為。

但真正的關鍵，是我們進一步整合「AI Agent」的技術，讓系統可以主動幫你完成任務。

舉個例子，當你投廣告遇到轉換率下降，AI 不只告訴你問題在哪，還能自動從 GA、GSC、Meta、LINE Ads 中拉出關鍵指標，進行交叉分析，最後主動提出三種調整建議給你選擇。

這早已跳脫分析工具的範疇，搖身一變成為你最有力的實戰助理。

為了讓回應更快、更精準，ADBest 更進一步開發了具備即時資料更新能力的客製化 RAG（Retrieval-Augmented Generation）系統。

這套系統能即時抓取最新內部或外部數據，針對使用者的提問，快速整理出完整、精準、有依據的答案，讓決策不再只能靠經驗猜，而是靠 AI 給出具體方向，真正做到「從資訊驅動決策」。

這也是為什麼，我們把「AD」重新定義成「AI + Data」。

因為在這個節奏越來越快、變數越來越多的市場裡，能即時掌握數據、主動提出解方的 AI，才是真正能幫助品牌贏下每一場行銷戰的關鍵角色。

對 ADBest 來說，深度學習不是口號，是讓每一個策略更穩、更快、更準的底層引擎。我們相信，下一個成長拐點，從來不在工具本身，而是你怎麼用它「解決問題」。

有任何行銷問題、數據難題，或想知道 AI 怎麼幫上忙？歡迎諮詢 ADBest，下一步就從這裡開始！

打造可落地的 AI 代理，從釐清需求開始

👉 深入了解不同企業的流程/業務痛點

👉 找出真正有用的 AI 應用場景

👉 一起規劃未來的 AI 策略與藍圖

👉 實際建構及開發 scalable 又安全的解決方案

延伸閱讀

🎈AI應用10大領域產業變革！看懂AI進化3階段，怎麼翻轉你的行業？

🎈AI行銷全解析：4大優勢分析、5大市場趨勢及6款AI工具案例介紹！

🎈AI Agent是什麼？與AI差異？企業4思維＋6應用分享！

🎈2025 AI公司產業實戰案例公開！熱潮下的10家巨頭品牌AI突圍戰！

🎈AI知識庫是什麼？6大好處＋快速建置8步驟，附10平台推薦！