人工智慧入門：從零開始理解 AI

課程簡介

歡迎來到 AI 的世界！這門課程將帶您從零開始理解人工智慧，不需要任何技術背景。我們將用最淺顯易懂的方式，解釋 AI 是什麼、如何運作、以及如何改變您的 business。無論您是寵物店老闆、批發商還是製造商，這門課程都將為您打開 AI 的大門。

學習目標：

• 理解人工智慧的基本定義與發展歷史
• 區分不同類型的 AI 技術
• 了解 AI 在日常生活與商業中的應用
• 認識 AI 的局限性與常見迷思
• 為下一步的 AI 學習奠定基礎

---

1.1 什麼是人工智慧？定義與歷史演進

為什麼學這個？

在開始學習 AI 之前，我們需要先搞清楚：AI 到底是什麼？它從哪裡來？這將幫助您建立正確的認知框架。

核心教學

人工智慧（Artificial Intelligence, AI） 是讓電腦模擬人類智能的技術。簡單來說，就是讓機器能夠「學習」、「思考」和「做出決策」。

AI 的發展歷史可以分為幾個重要階段：

1950s — AI 的誕生

• 1950年，數學家 Alan Turing 提出了著名的「圖靈測試」：如果一台機器能讓人類分不清它是不是真人，那它就具備了智能
• 1956年，「人工智慧」這個詞在達特茅斯會議上正式誕生

1960s-1980s — AI 的冬天

• 早期的 AI 研究充滿了樂觀，但技術跟不上期望
• 經費削減，AI 進入低谷期

1990s-2000s — 機器學習的崛起

• 1997年，IBM 的深藍擊敗國際象棋世界冠軍
• 機器學習演算法開始成熟

2010s — 深度學習革命

• 2012年，深度學習在影像辨識上取得突破
• 2016年，AlphaGo 擊敗圍棋世界冠軍

2020s — 生成式 AI 時代

• 2022年，ChatGPT 橫空出世，AI 進入大眾视野
• 2023-2026年，各種 AI 工具爆發式增長

商業範例

一家擁有 12 間門市的連鎖健身中心，過去教練排班與會員續約全靠人工判斷，經常出現熱門時段人手不足、冷門時段人力閒置，續約率長期低於五成。

導入 AI 排班與會員流失預測系統後，營運效率明顯改善。

• 做法：以 AI 分析歷史到館人流與課程報名資料自動排班，結果：熱門時段人力覆蓋率提升至 95%，閒置工時減少約 30%。
• 做法：用機器學習模型預測高流失風險會員並推送專屬優惠，結果：三個月內續約率由 48% 提升到 65%。
• 做法：以聊天機器人處理請假、場館查詢等常見問題，結果：櫃檯人員每日處理量減少約 40%，回應時間縮短至 1 分鐘內。

小技巧

• 把重複性工作交給 ChatGPT 或 Claude，例如請它整理會議紀錄並列出待辦事項。
• Prompt 寫法用「角色＋任務＋格式」，如「你是助理，把以下郵件濃縮成三點，用表格呈現」。
• 用 Notion AI 自動摘要長文件，再用 Canva 一鍵生成簡報草稿。
• 例行通知與表單串接交給 Zapier，設定觸發條件後自動執行，不必手動複製貼上。

練習題

您認為 AI 最早可以追溯到哪一年？那個時候的 AI 和今天有什麼不同？

想一想您的日常工作中，有哪些任務是重複性的？這些任務可能適合用 AI 來協助嗎？

本節摘要

• AI 是讓電腦模擬人類智能的技術
• AI 發展經歷了70多年的演進，從理論到實踐
• 2022年後，生成式 AI 讓 AI 真正進入大眾生活
• AI 的核心價值：處理重複性工作，讓人類專注創造性任務

---

如何開始認識 AI：3 步建立正確概念

1. 尋找一個你行業的 AI 應用例子：打開 ChatGPT（chat.openai.com）免費註冊，詢問它「我是從事[你行業]的，AI 可以幫我解決什麼問題？」記下答案中你能理解的 3 個建議。
2. 分辨「媒體 AI」同「實用 AI」：新聞報導的多數是前沿研究（機械人、自動駕駛），企業日常使用的其實是文字生成、數據分析、客服自動化這類成熟工具。初學者從後者入手，見效最快。
3. 用「數據 + 演算法 = 模型」框架理解一切 AI 產品：以後看到任何 AI 服務，提出三個問題：它用什麼數據訓練？用什麼方法學習？學出來的模型擅長做什麼？這個框架足以讓你判斷 90% 的 AI 產品宣傳。

1.2 AI 的分類：弱 AI vs 強 AI vs 超級 AI

為什麼學這個？

了解 AI 的分類，能幫助您正確評估不同 AI 工具的能力範圍，避免對 AI 產生不切實際的期望。

核心教學

AI 可以按照能力水平分為三大類：

· 弱 AI（Narrow AI / ANI）

• 只能執行特定任務
• 目前所有商用 AI 都屬於這一類
• 範例：Siri、Google 翻譯、ChatGPT、推薦系統
• 特點：在特定領域可能超越人類，但無法跨領域

· 強 AI（General AI / AGI）

• 具備人類水平的通用智能
• 目前尚未實現，但各大公司正在積極研發
• 能夠學習、推理、解決任何問題
• 預計未來 5-15 年可能出現

· 超級 AI（Super AI / ASI）

• 超越人類所有智能的 AI
• 目前純屬理論階段
• 引發許多倫理與安全討論

商業範例

一家約 40 人的連鎖健身工作室，過去教練排課、會員續約提醒全靠人工處理，行政每天花三小時以上整理資料，還常漏掉即將到期的會員。

導入弱 AI 工具後，行政負擔明顯下降，但 AI 只負責它擅長的那一環，教練調度與定價決策仍由人來判斷。

• 做法：用 AI 自動生成每月會員續約提醒文案，結果：行政作業時間從每天 3 小時降到 40 分鐘，續約率提升 12%。
• 做法：用 AI 分析會員出席紀錄並標記流失風險，結果：高風險會員名單準確率達 85%，教練跟進成功率提高 20%。
• 做法：用 AI 草擬教練排班建議表，結果：排班衝突減少 70%，但最終班表仍由店長確認調整。

小技巧

面對「AI 什麼都能做」的說法，可用以下方式實測與驗證：

• 用 ChatGPT 或 Claude 測試跨領域任務，例如同時要求寫程式與寫詩，觀察它是否需分段提示才能完成。
• 在 Notion AI 輸入「請幫我規劃三個月行銷計畫並預測營收」，檢查它是否給出模糊數字。
• 用 Zapier 串接 ChatGPT 與試算表，驗證它能否自動處理未預期的欄位格式。
• 請 Claude 回答訓練資料截止後的即時新聞，確認它是否坦承無法得知。

練習題

您目前使用過哪些 AI 工具？它們分別屬於哪一類？

為什麼了解 AI 的分類對企業決策很重要？

本節摘要

• 弱 AI：專注單一任務，目前所有商用 AI 都是弱 AI
• 強 AI：人類水平通用智能，尚未實現
• 超級 AI：超越人類，純屬理論
• 正確認識 AI 能力範圍，才能做出明智的商業決策

---

實際應用：如何按任務類型選擇 AI 工具

理解了弱 AI 之後，實務上更關鍵的是按任務類型選擇工具。市場上 AI 工具五花八門，但其實都是圍繞六大能力：

能力類型	代表工具	企業應用場景	成熟度
文字生成	ChatGPT、Claude、Gemini	行銷文案、電郵、報告初稿	成熟，即用
圖像生成	Midjourney、DALL-E	社交媒體配圖、產品概念圖	成熟，需審美把關
語音處理	Whisper、各雲端語音 API	會議記錄、客服錄音分析	成熟
數據預測	Excel AI 功能、專用 SaaS	銷售預測、庫存規劃	需數據基礎
視覺辨識	行業方案為主	品質檢測、人流統計	行業定製
流程自動化	Zapier AI、Make	跨系統資料同步、通知	成熟，即用

1.3 機器學習 vs 深度學習 vs 生成式 AI 的關係

為什麼學這個？

這三個詞經常被混用，但它們之間有著清晰的層級關係。搞清楚它們的關係，能幫助您更精準地選擇適合的 AI 工具。

核心教學

這三者之間是「包含關係」：

人工智慧（AI）
└── 機器學習（Machine Learning）
└── 深度學習（Deep Learning）
└── 生成式 AI（Generative AI）

· 機器學習（ML）— AI 的核心方法

• 讓電腦從數據中學習規律，而不是被人類寫死規則
• 範例：您給 AI 看 10,000 張貓和狗的照片，它學會分辨貓和狗
• 應用：垃圾郵件過濾、信用評分、推薦系統

· 深度學習（DL）— ML 的進階版

• 使用「神經網路」模仿人腦結構
• 能處理更複雜的任務（影像、語音、文字）
• 需要大量數據和計算資源
• 應用：人臉辨識、自駕車、語音助手

· 生成式 AI（GenAI）— DL 的最新應用

• 能夠「創造」新內容（文字、圖片、音樂、影片）
• 基於大型語言模型（LLM）
• 代表：ChatGPT、Claude、Gemini、Midjourney
• 應用：文案撰寫、圖片生成、程式碼編寫

商業範例

一家年營收約新台幣 3 億元的連鎖健身中心，近年會員續約率下滑，教練難以預測哪些學員即將流失，行銷活動也缺乏個人化。管理層希望用數據提早介入，降低流失並提升續約。

• 機器學習：分析過去 18 個月的入場頻率與合約資料，找出高流失風險族群，提前 30 天辨識出 75% 可能不續約的會員。
• 深度學習：整合穿戴裝置數據、課程出席與請假紀錄，將流失預測準確率由 68% 提升至 87%。
• 生成式 AI：依預測結果自動產出個人化挽回方案與教練關懷訊息，每週節省 20 小時人工撰寫時間，續約率提升 12%。
• 三者串接後，整體行銷轉換成本降低 18%，年度續約營收增加約 1,500 萬元。

小技巧

• 客服自動回覆選 ChatGPT，知識檢索選 Claude 讀長文件。
• 行銷文案用 ChatGPT，prompt 寫「目標客群＋語氣＋字數」。
• 報表整理交給 Zapier 串接，別自己寫程式。
• 設計素材用 Canva，內部知識庫用 Notion AI 問答。

練習題

如果您想讓 AI 幫您自動回覆客戶訊息，這屬於哪種 AI 技術？

機器學習和深度學習的主要區別是什麼？

本節摘要

• 機器學習：從數據中學習規律
• 深度學習：用神經網路處理複雜任務
• 生成式 AI：創造新內容的最新技術
• 三者是包含關係，不是互斥關係

---

用一張圖搞懂三層關係

三個詞的關係是：機器學習是最大的類別（AI 學習數據的方法總稱）→ 深度學習是機器學習中使用多層神經網絡的一支 → 生成式 AI是深度學習中「能創作新內容」的應用層。即是：生成式 AI ⊂ 深度學習 ⊂ 機器學習 ⊂ AI。

1.4 AI 如何「學習」？數據、模型、演算法三要素

為什麼學這個？

理解 AI 的學習機制，能幫助您更好地準備數據、選擇工具，並預期 AI 的表現。

核心教學

AI 的學習過程可以用一個簡單的公式來理解：

數據 + 演算法 = 模型

· 數據（Data）— AI 的「教材」

• AI 需要大量數據來學習
• 數據質量決定 AI 的表現（垃圾進，垃圾出）
• 類型：文字、圖片、數字、音訊、影片
• 企業常見數據：銷售記錄、客戶資料、庫存數據

· 演算法（Algorithm）— AI 的「學習方法」

• 決定 AI 如何從數據中提取規律
• 不同演算法適合不同任務
• 常見類型：監督學習、非監督學習、強化學習

· 模型（Model）— AI 的「大腦」

• 學習完成後的成果
• 能夠對新數據做出預測或決策
• 需要持續更新和優化

商業範例

一家擁有 40 間門市的連鎖健身中心，近年會員續約率跌至 55%，教練難以判斷哪些人即將放棄會籍。他們決定導入 AI，從三要素著手找出挽回時機。

• 數據：彙整近 3 年 12 萬名會員的入場刷卡、課程出席與繳費紀錄。
• 演算法：比對哪些行為組合與中斷會籍高度相關，例如連續 2 週未到訪。
• 模型：訓練後可標示「此會員有 78% 機率在 30 天內不再續約」。
• 商業結果：針對高風險名單主動關懷，續約率由 55% 提升至 68%。

小技巧

• 用 Notion 建資料庫，欄位設「完整、準確、有組織」三檢查項。
• 把原始檔案丟進 ChatGPT，下 prompt：「列出缺漏欄位與重複值」。
• 用 Claude 分析 CSV，請它標出格式不一致的資料列。
• 設 Zapier 自動把新表單資料寫入 Notion，減少人工輸入錯誤。

練習題

您的企業目前有哪些數據可以供 AI 學習？

為什麼說「數據質量」比「數據數量」更重要？

本節摘要

• 數據是 AI 的燃料，質量決定表現
• 演算法是 AI 的學習方法
• 模型是學習完成後的成果
• 企業導入 AI 的第一步：整理好數據

---

動手做：體驗 AI 如何「學習」

1. 準備一組數據：打開 Excel，列出過去 8 週的兩欄數據 — 促銷費用和門市營業額。
2. 叫 AI 找規律：將數據貼入 ChatGPT（或用 Excel 內建分析功能），輸入「分析這兩組數據的關係，預測如果我下週增加 $5,000 促銷費，營業額大約會變成多少？」
3. 觀察 AI 如何回答：它會找出大致的線性關係（這就是「模型」），給出一個預測數字以及置信範圍。
4. 理解「垃圾進垃圾出」：故意留空幾格再問一次，觀察預測變得不穩定 — 這就是數據質量如何直接決定 AI 表現。

1.5 神經網路基礎：模仿人腦的運算方式

為什麼學這個？

神經網路是現代 AI 的核心技術。了解它的基本概念，能幫助您理解為什麼 AI 能夠處理如此複雜的任務。

核心教學

人工神經網路（Artificial Neural Network） 是模仿人腦神經元連接方式的計算模型。

人腦 vs 神經網路：

人腦	神經網路
神經元	節點（Node）
突觸	連接權重（Weight）
信號傳遞	數據流動
學習 = 改變突觸強度	訓練 = 調整權重

神經網路的基本結構：

輸入層 → 隱藏層（多層） → 輸出層

• 輸入層：接收原始數據（如圖片像素、文字）
• 隱藏層：提取特徵和規律（層數越多，能力越強）
• 輸出層：產生結果（如分類、預測）

為什麼叫「深度」學習？

• 因為使用了很多層（深度）的神經網路
• 早期只有 2-3 層，現在可以有 100+ 層
• 層數越多，能學到的特徵越複雜

商業範例

一家年營收約 8,000 萬元的連鎖健身中心，過去教練得花大量時間人工檢視學員的動作影片，不僅效率低，也難以標準化判斷，導致續約率長期停滯在 55% 左右。

• 輸入層：接收學員手機拍攝的深蹲、硬舉等動作影片，每秒抽取 30 幀畫面。
• 隱藏層：辨識關節角度、脊椎曲線與重心偏移，自動標記 12 種常見錯誤姿勢。
• 輸出層：即時產出矯正建議與個人化訓練菜單，教練複核時間減少 70%。
• 商業結果：三個月內學員續約率提升至 68%，教練人均服務學員數增加 2.3 倍。

小技巧

• 用 ChatGPT 問「用三層比喻解釋神經網路」，請它舉公司組織例子。
• 在 Claude 貼上一段文字，請它標出「輸入層、隱藏層、輸出層」對應句子。
• 用 Notion 建三欄表格，分別記錄每層功能與實例。
• 請 ChatGPT 把「影像辨識」拆成三層流程，各寫一句。

練習題

神經網路的「深度」指的是什麼？

為什麼更深的神經網路通常能處理更複雜的任務？

本節摘要

• 神經網路模仿人腦結構，由節點和連接組成
• 基本結構：輸入層 → 隱藏層 → 輸出層
• 「深度」學習指的是多層神經網路
• 每一層負責提取不同層次的特徵

---

不用懂數學都要懂的神經網絡直覺

想像一間公司：基層員工各自接收資訊（輸入層），中層主管綜合消化（隱藏層），管理層做最終判斷（輸出層）。深度學習的「深度」就是中層有多少級。訓練 AI 的過程，就好像公司不斷按「判斷錯了多少」來調整每層的判斷準則 — 錯得多就大改，錯得少就微調（這個機制叫反向傳播）。

人腦概念	神經網絡對應	企業直觀理解
神經元	節點（Node）	一個做簡單判斷的員工
突觸連結強度	權重（Weight）	這個員工的意見有多大話語權
學習經驗	訓練調整權重	按出錯記錄修正判斷準則
專家直覺	訓練成熟的模型	見過許多案例之後的快速判斷

1.6 AI 在日常生活中的應用案例

為什麼學這個？

了解 AI 的實際應用，能幫助您發現自己 business 中的 AI 機會。

核心教學

AI 已經深入我們生活的方方面面：

個人生活中的 AI

• 語音助手：Siri、Alexa、Google Assistant
• 推薦系統：Netflix 推薦、YouTube 推薦、淘寶推薦
• 地圖導航：Google Maps 即時路況預測
• 拍照美化：iPhone 人像模式、美顏濾鏡
• 垃圾郵件過濾：Gmail 自動分類
• 翻譯工具：Google 翻譯、DeepL

商業中的 AI

• 客服聊天機器人：24/7 自動回覆客戶
• 數據分析：銷售預測、市場趨勢分析
• 內容創作：文案撰寫、圖片生成
• 庫存管理：自動補貨、需求預測
• 行銷優化：廣告投放、個人化推薦
• 財務管理：自動記帳、發票辨識

寵物行業的 AI 應用

• 寵物辨識：AI 辨識品種、健康狀態
• 智慧餵食器：根據寵物體重自動調整餵食量
• 健康監測：穿戴裝置追蹤寵物活動量
• 電商推薦：根據寵物類型推薦適合的產品
• 庫存預測：預測寵物食品季節性銷量

商業範例

一間擁有 12 間分店的連鎖健身中心，過去每晚由教練輪流回覆會員查詢，平均延遲超過 6 小時，導致續會率持續下滑。

• 導入 AI 客服系統自動處理預約與課程查詢：回覆時間從 6 小時縮短至 2 分鐘，客服人力需求降低 40%。
• 以 AI 分析會員出席與消費紀錄，主動推送個人化續會方案：續會率提升 22%，教練行政負擔減少 15 小時／週。
• 用 AI 預測熱門時段並動態調整教練排班：場地使用率提升 18%，尖峰時段投訴下降 30%。
• 透過 AI 彙整會員意見回饋，每週自動產出改善清單：處理時效加快 3 倍，整體滿意度上升 27%。

小技巧

想找出生活中可交給 AI 的任務，可從這幾個方向著手：

• 用 ChatGPT 整理每日會議紀錄，輸入「請將以下逐字稿濃縮成三點待辦事項」。
• 用 Zapier 把 Gmail 附件自動存進 Google Drive，省去手動下載。
• 用 Notion AI 一鍵摘要長篇文章，先貼上內容再按摘要鍵。
• 用 Canva 的 Magic Design，輸入主題即生成社群貼文版型。
• 用 Claude 改寫冗長郵件，指令寫「請改成三段、每段一句」。

練習題

列出您日常生活中使用的 3 個 AI 工具

您的 business 中，哪些工作最適合用 AI 來協助？

本節摘要

• AI 已廣泛應用於個人生活和商業場景
• 寵物行業有許多 AI 應用機會
• AI 最擅長處理重複性、數據驅動的任務
• 從日常痛點出發，最容易找到 AI 應用場景

---

由生活應用到業務應用：遷移練習

你其實日日都用緊 AI：Google Maps 智能改道（路況預測）、YouTube/Netflix 推薦（協同過濾）、手機相簿人臉分類（視覺辨識）、輸入法聯想詞（語言模型）。企業應用就是將同一套能力搬到你的業務數據上面。

1. 列出你每日用的 3 個 AI 功能，寫下它們解決什麼問題（例如：Map 幫我避開塞車 = 用即時數據預測路況）。
2. 做遷移：問自己「我的業務有沒有類似的『預測需求』？」（例如：哪款貨下週會缺貨？哪個客快將流失？）
3. 選一個需求，在 ChatGPT 試做第一版：輸入你的真實數據（去敏感資料），叫 AI 分析及建議。

1.7 全球 AI 發展趨勢與主要玩家

為什麼學這個？

了解 AI 產業格局，能幫助您選擇可靠的 AI 工具和合作夥伴。

核心教學

全球 AI 主要玩家

公司	代表產品	特點
OpenAI	ChatGPT、DALL-E、GPT-5	生成式 AI 領導者
Google	Gemini、DeepMind	搜尋 + AI 整合
Anthropic	Claude	安全性、長文本處理
Microsoft	Copilot、Azure AI	Office 生態整合
Meta	Llama（開源）	開源 AI 推動者
百度	文心一言	中國市場領導者
阿里巴巴	通義千問	電商 AI 應用

2026 年 AI 趨勢

AI Agent 興起：從問答式 AI 進化到能自主執行任務的 Agent

多模態融合：文字 + 圖片 + 語音 + 影片的統一 AI

AI 民主化：No-Code 工具讓非技術人員也能用 AI

行業垂直化：針對特定行業的 AI 解決方案

AI 治理：各國加強 AI 法規和倫理規範

🇭🇰 香港及亞洲市場

• 香港企業 AI 採用率持續上升
• 中小企業開始接觸 AI 工具
• 寵物產業數位化轉型加速
• 跨境電商 AI 需求增長

商業範例

一間香港連鎖健身中心，每月需處理逾 200 份來自海外器材供應商的英文規格書與保養條款，過去全靠人手翻譯，平均延誤 5 天才完成，拖慢採購與教練培訓進度。

• 做法：導入 DeepL 翻譯規格文件，再以 ChatGPT 校對專業術語，翻譯時間由 5 天縮短至 4 小時。
• 做法：以 ChatGPT 自動生成中文摘要與採購建議，主管審核時間由 90 分鐘減至 15 分鐘。
• 做法：建立術語對照表並串接翻譯流程，每月節省約 60 小時人力成本。
• 做法：將翻譯結果同步至內部知識庫，新教練培訓準備期由 2 週縮短至 3 天。

小技巧

• 測試繁體中文時，用同一段 prompt 分別問 ChatGPT 與 Claude，比較用詞準確度。
• 行銷人員可先試 Canva 的 Magic Studio 生成貼文圖，再評估是否升級付費。
• 知識管理用 Notion AI 整理會議紀錄，下 prompt 時指定「輸出繁體中文重點條列」。
• 流程自動化先用 Zapier 免費方案串接兩個工具，確認省時再擴充。

練習題

您認為哪家公司的 AI 產品最適合您的業務？為什麼？

2026 年的 AI 趨勢中，哪個對您的行業影響最大？

本節摘要

• 全球 AI 主要玩家：OpenAI、Google、Anthropic、Microsoft、Meta
• 2026 年趨勢：AI Agent、多模態、行業垂直化
• 香港中小企業正加速 AI 採用
• 選擇 AI 工具要考慮語言、行業、預算

---

企業視角解讀趨勢：你需不需要理會？

趨勢	什麼意思	對中小企業的實際意義
模型競賽（GPT/Claude/Gemini）	大廠爭最強通用模型	不必糾結於選擇哪一個——使用哪個免費版本都可以，重點是你如何提問
多模態	AI 識同時處理文字/圖/聲音	影張貨品相就出到文案 — 內容製作成本暴跌
AI Agent	AI 自己規劃步驟完成任務	「叫 AI 每朝彙總訂單通知我」呢類自動化平民化
開源模型	免費可自建的模型（Llama等）	數據敏感的行業可以自行託管，成本還會下降
法規收緊	EU AI Act 等監管	使用 AI 處理客戶個人資料前需考慮隱私合規

1.8 AI 的局限性、偏見與常見迷思

為什麼學這個？

了解 AI 的局限性，能幫助您避免過度依賴 AI，做出更平衡的決策。

核心教學

常見迷思 vs 現實

迷思	現實
AI 什麼都能做	AI 只擅長特定任務
AI 會取代所有人類工作	AI 更多是增強人類能力
AI 永遠正確	AI 會犯錯，需要人類把關
AI 不需要人類介入	AI 需要人類指導和監督
導入 AI 很貴	有很多免費或低成本工具

AI 的主要局限

幻覺（Hallucination）：AI 有時會「一本正經地說假話」

數據偏見：如果訓練數據有偏見，AI 也會有偏見

缺乏常識：AI 不理解人類的常識和context

無法處理全新情況：AI 只能基於學過的數據做判斷

隱私風險：輸入的數據可能被用於訓練

如何安全使用 AI

• 重要決策前，請人類專家複核 AI 的輸出
• 不要在 AI 中輸入敏感商業信息
• 定期檢查 AI 的表現，確保沒有偏見
• 使用信譽良好的 AI 工具

商業範例

一間 30 人的健身工作室想用 AI 快速產出會員電子報，主題是「運動後飲食建議」。AI 生成「運動後應完全避免碳水化合物」的內容，但這與運動營養學共識相違，若直接發送將影響教練專業形象。

• 做法：要求 AI 標註每項建議的來源與適用對象。結果：錯誤資訊攔截率提升至 9 成，客訴減少約 4 成。
• 做法：由 2 位教練交叉審核 AI 草稿。結果：每篇電子報審核時間壓在 15 分鐘內，維持每週 3 篇產出。
• 做法：建立內部禁用詞與迷思清單，供 AI 比對。結果：3 個月內累積 60 條條目，重複錯誤下降約 7 成。

小技巧

• 用 ChatGPT 產出草稿後，務必逐句核對數據與引用來源。
• 請 Claude 回答時加上「請標出不確定的地方」，方便您判斷風險。
• 要 Canva 生成文案前，先自行確認品牌語氣與禁用詞。
• 把 Notion AI 的輸出貼回原文對照，刪掉重複或錯誤段落。
• 用 Zapier 串接流程時，設定人工審核步驟再發送。

練習題

您聽過哪些關於 AI 的迷思？

如何在使用 AI 的同時確保信息準確性？

本節摘要

• AI 不是萬能的，有明確的能力範圍
• AI 會犯錯（幻覺），需要人類把關
• 數據偏見可能導致 AI 結果不公正
• 把 AI 當作助手，而不是決策者

---

風險管理：AI 幻覺實測

1. 引誘 AI 講大話：向ChatGPT提問一個極冷門的問題（例如「2024年香港寵物美容師牌照考試的合格率」——這樣的東西根本不存在）。
2. 觀察幻覺：AI很可能一本正經地編造一個數字出來。這就是幻覺。
3. 學識防禦：在prompt末尾加上一句「如果不確定，請直接告訴我不知道」，幻覺率會明顯下降。
4. 建立核實習慣：所有AI提供的事實、數字、法例引用，發佈前必須查證官方來源。

1.9 AI 對社會與經濟的深遠影響

為什麼學這個？

了解 AI 的宏觀影響，能幫助您在戰略層面思考 AI 對您行業的長期影響。

核心教學

經濟影響

生產力提升：AI 自動化重複性工作，讓員工專注高價值任務

新商業模式：訂閱制、個人化服務、數據驅動決策

就業結構變化：部分工作消失，但新工作類型出現

中小企業機會：AI 降低了進入門檻，小公司也能用大公司的工具

社會影響

教育變革：需要培養 AI 協作能力

隱私挑戰：數據收集和使用的倫理問題

數位鴻溝：會用 AI 的人和不會用的人差距拉大

創意產業：AI 生成內容的版權和原創性問題

寵物行業的 AI 影響

• 正面：提升服務效率、改善寵物健康監測、優化供應鏈
• 挑戰：小型寵物店可能被擁有 AI 能力的大型連鎖店競爭
• 機會：AI 讓中小寵物企業也能提供個人化服務

商業範例

一家擁有 12 間門市的中型連鎖健身中心，近年會員續約率跌破五成，教練難以掌握學員到訪頻率與訓練停滯點，行銷活動也缺乏針對性。

• 做法：以 AI 分析會員進場與器材使用數據，自動標記連續兩週未到訪者並推送專屬回歸方案，可量化結果：三個月內回流率提升 18%。
• 做法：依學員訓練紀錄生成個人化課表並即時調整強度，可量化結果：平均課程完成率由 61% 提高至 79%。
• 做法：串接線上預約與線下簽到資料，動態調配教練排班，可量化結果：熱門時段教練閒置時間減少 25%。
• 做法：以續約機率模型篩選高風險會員，由客服優先關懷，可量化結果：年度續約率回升 12 個百分點。

小技巧

• 每週用 ChatGPT 拆解一則產業新聞，prompt 寫「用三點總結並列出對中小企業的影響」。
• 把重複的報價、回信流程交給 Zapier 串接 Gmail 與 Notion 自動歸檔。
• 用 Claude 讀完財報後，要求它輸出「風險、機會、行動建議」三段式摘要。
• 在 Canva 開一份 AI 作品集，每月放一件用 AI 完成的實際工作成果。

練習題

您認為 AI 將如何改變您所在行業的競爭格局？

作為企業主，您需要做哪些準備來應對 AI 時代？

本節摘要

• AI 正在重塑經濟結構和商業模式
• 中小企業面臨挑戰，但也迎來前所未有的機會
• 寵物行業的 AI 轉型正在加速
• 現在開始學習 AI，就是為未來投資

---

工作不會被取代，但會被重組

歷史規律：ATM出現後，銀行櫃員數量反而上升（因為開設分行變便宜了），但工作內容由數錢變成銷售和顧問。AI時代同樣——被取代的是「任務」而非「職位」。對個人的實際啟示：

1.10 課程總結 + 測驗

課程回顧

恭喜您完成了「人工智慧入門」課程！讓我們回顧一下學到了什麼：

AI 的定義：讓電腦模擬人類智能的技術

AI 的分類：弱 AI（現在）→ 強 AI（未來）→ 超級 AI（理論）

技術層級：機器學習 → 深度學習 → 生成式 AI

學習三要素：數據 + 演算法 = 模型

神經網路：模仿人腦的多層計算結構

日常應用：AI 已深入生活的方方面面

產業格局：OpenAI、Google、Anthropic 等主要玩家

局限性：AI 會犯錯，需要人類把關

未來影響：AI 將重塑商業和社會

測驗題

Q1：目前所有商用 AI 都屬於哪一類？

• A) 超級 AI
• B) 強 AI
• C) 弱 AI
• D) 量子 AI

Q2：AI 學習的三要素是什麼？

• A) 硬體、軟體、網路
• B) 數據、演算法、模型
• C) 輸入、處理、輸出
• D) 程式、測試、部署

Q3：什麼是 AI 的「幻覺」（Hallucination）？

• A) AI 能夠想像不存在的東西
• B) AI 有時會生成錯誤但看起來合理的內容
• C) AI 能夠做夢
• D) AI 能夠看到人類看不到的東西

Q4：以下哪個不是 AI 的局限性？

• A) 需要大量數據
• B) 可能有數據偏見
• C) 永遠不會犯錯
• D) 缺乏常識

Q5：選擇 AI 工具時，應該考慮哪些因素？（多選）

• A) 是否支援繁體中文
• B) 是否有適合您行業的功能
• C) 價格是否在預算內
• D) 以上皆是

答案： C, B, B, C, D

下一步學習建議

完成這門課程後，建議您繼續學習：

課程 2：生成式 AI 全面指南 — 深入了解 ChatGPT、Claude 等工具

課程 5：Prompt Engineering — 學習如何有效與 AI 對話

課程 6：ChatGPT 實戰應用 — 掌握最熱門 AI 工具的實戰技巧

---

恭喜您完成本課程！

您已經建立了 AI 的基礎認知，接下來可以開始學習具體的 AI 工具了。