「人工智慧 +1」自學 Day5：演算法的發展歷程
❖第一階段：顯式演算法的時代 (1950s - 1980s)**
(**註：亦可稱「規則式／Rule-based」演算法時代)
這個時代的演算法典範是「人告訴電腦如何做」。
▹核心思維
演算法就是一套由程式設計師明確定義、一步步執行的指令。人類必須完全理解問題的解法，並將其邏輯用程式碼完整地寫出來。
▹底層技術
(a)年代／
1940s–1960s：數值演算法 → 資料結構與排序搜尋
1970s–1980s：理論演算法(NP、隨機化、可計算性)
(b)特色：演算法本身和資料結構是「核心基礎」，計算效率(時間複雜度與空間複雜度)是主要評價指標。後來延伸為不只是「怎麼算」，還涉及「是否可能算得出來」、「效率界線在哪裡」。
▹局限性
無法應對人類難以用明確規則描述的複雜問題，例如判斷一張圖片裡是否有貓**。
(**註：其實在那時期，這問題曾試圖透過「專家系統／Expert Systems」方式，也就是「規則庫 if-else 來模擬人類推理」方式處理，不過成果十分有限。)
❖第二階段：機器學習的時代 (1980s - 2010s)
這是第一個巨大的典範轉移，思維從「告訴電腦怎麼做」轉變為「讓電腦自己學」。
▹核心思維
演算法不再是固定的步驟。人類提供大量數據和學習目標，讓演算法自己從數據中尋找模式和規律，並建立模型來解決問題。
▹底層技術
(a)年代／1990s–2000s：分散式與大規模資料處理(PageRank, MapReduce)，以及大量統計學與傳統 ML 演算法的崛起(ex決策樹、SVM、KNN、隨機森林...etc.)。
(b)特色：處理「規模」成為主題，追求能在分散式系統上有效運行。
▹局限性
儘管已經可以學習，但仍需要人類專家進行關鍵步驟——「特徵工程」：人類必須手動從原始數據中提取有意義的特徵，才能讓演算法學習。尤其不同專業領域就需要不同領域的專家知識，才能提取出專屬該領域的特徵、完成該領域的特徵工程。這是關鍵痛點。
❖第三階段：深度學習的時代 (2010s - 2020s)
這是機器學習內部的一次重大典範轉移，它讓演算法從「學習」進化到「深度學習」。
▹核心思維
這個階段解決了特徵工程的問題。透過多層神經網路(DNN)，演算法能夠自動從最原始的數據中學習、並提取最抽象、最高階的特徵。意即，電腦已經開始有能力自行判斷「哪些數據是重要的」。
▹底層技術
(a)年代／2010s–2020s：機器學習(ML)與深度學習(DL)
(b)特色：不再只是「明確規則 + 決定性輸出」，而是「自我調整規則、從資料學習」。以深度學習來說，自動學習抽象特徵／表徵學習(Representation Learning)，就可說是最關鍵的突破口。
▹革命性：
這個階段讓 AI 第一次在圖像辨識、語音處理和自然語言理解等領域超越了人類的表現。
❖總結
上述三個階段代表了演算法從「遵循規則」到「從數據中學習」，再到「自動從數據中學習特徵」的根本性演變。
(還沒完...)
❖第四階段：生成式 AI / 大模型時代（2020s-）
不是只分類或預測，不只是更深的神經網路，而是開始使模型具備跨任務、跨領域的能力，例如「生成」新的內容(語言/影像/音樂)，透過Transformer 架構＋海量參數＋大規模語言模型(LLM)，都已應用在現實生活中。
未來，方興未艾。
