AI 的智慧，不是從預測開始，而是從找路開始。人工智慧的故事，可以追溯到電腦誕生之前。圖靈的「圖靈機」開啟了可編程計算的時代，讓同一台電腦能解決不同問題。1956 年，約翰·麥卡錫在達特茅斯會議上提出 AI 的核心假設：智慧可以拆解成精確步驟，讓機器模擬。
想像你走在一座陌生的城市，沒有導航，每個路口都像一場選擇題：往左可能更快，往右也許更安全，直走則像在賭運氣。這種找路的過程，正是 AI 面對複雜問題時的思考方式，它必須在龐大的可能性中找出最佳路徑。AlphaGo 在圍棋中面對的棋局數，比宇宙的原子數還多（10^170 對 10^80），但它並不嘗試所有可能，而是透過搜尋演算法與啟發式剪枝，專注於最有潛力的步數。這種方法不僅能讓 AI 在棋盤上獲勝，也能在自駕車的交通流中、醫療診斷的病症判斷中迅速縮小選項範圍。然而，找到路只是第一步。如果自駕車已選好最佳路線，下一步就是估算抵達時間；醫療 AI 鎖定治療方案後，也必須預測康復天數。這時，另一種工具登場了：線性回歸，AI 用它將經驗與數據轉化為對未來的推測。
數學與項目的結合
線性回歸是一種將特徵（features）轉化為結果（prediction）的數學方法，就像把運動量、飲食、年齡這些變數轉換為卡路里消耗、健康風險等預測結果。它的核心原理很直白：找到一條誤差最小的直線（最佳擬合線），用來描述數據間的關係。
Fitbit，一款可穿戴健康裝置，便利用線性回歸，根據用戶的心率、睡眠、活動量來預測睡眠品質，準確率可達 85%。Fitbit 於 2007 年創立，2021 年被 Google 收購，如今已不只是計步器，更是結合數據分析的健康管理平台。 不只是數學公式，成功的預測還依賴正確的項目設計與數據管理。
以健身 App Noom 為例，它鎖定目標（如減重進度）、確保數據完整，然後用線性回歸進行預測，並透過迭代優化模型，將用戶留存率提升了 15%。這就像 AlphaGo 的搜尋演算法幫你找到路，線性回歸則告訴你什麼時候能到。
邁向進階的看懂與推薦
當搜尋演算法與線性回歸結合，AI 不僅能在棋盤上贏棋，也能在現實中幫你省時、省力。亞馬遜用搜尋演算法優化物流路線，每年節省約 1 億升燃料；Netflix 則利用線性回歸與其他模型預測觀眾的觀看時間，推送更合口味的內容。醫療影像分析中，AI 先用搜尋技術鎖定異常區域，再透過線性回歸預測疾病發展風險。
但當數據變得更龐大、更複雜，單一的直線已無法捕捉真實世界的多變脈動。下一篇，我們將走向 AI 的進階視覺與推薦系統，如何讓 AI 看懂世界，並結合推薦演算法，塑造你的觀影、購物與生活選擇。
