【電子書】一冊讀懂人工智慧
活動訊息
6 吋 mooInk Chill 彩色電子書閱讀器 × 金馬63聯名紀念款
第48次中小學生讀物選介
金石堂2026海外優惠：電子書
內容簡介
目錄
第一章 人工智慧入門總論：當機器開始學習與判斷
本章作為全書入口，先為讀者建立人工智慧的基本地圖。人工智慧不是單一軟體，也不只是聊天機器人，而是一整套讓機器感知、學習、推論、生成與行動的方法。本章會說明 AI、演算法、資料、模型、訓練、推論之間的關係，並介紹弱人工智慧、強人工智慧、生成式 AI、自動化決策等基本概念。讀者將理解 AI 的核心問題不是「機器有沒有靈魂」，而是「機器如何根據資料與規則完成任務」。
第二章 人工智慧的思想源頭：人類如何把智慧交給機器
本章回到人工智慧的歷史起點，說明人類為什麼會想讓機器思考。從圖靈提出「機器能否思考」的問題，到早期研究者相信可以用邏輯、規則與符號描述智慧，AI 曾經走過充滿理想與挫折的道路。本章會介紹符號 AI、專家系統、知識表示、推論規則，以及 AI 寒冬形成的原因。透過歷史，讀者可以看見 AI 不是突然爆紅的新事物，而是經過數十年思想、資金、技術與社會期待交替推動的學科。
第三章 讓機器從資料中學習：機器學習的核心觀念
本章介紹現代 AI 的核心基礎：機器學習。與其把每條規則都寫進程式，機器學習讓系統從資料中找出模式，並用這些模式預測新情況。本章會以生活例子說明監督式學習、非監督式學習、半監督學習與強化學習的差別，並介紹分類、迴歸、分群、推薦、異常偵測等常見任務。讀者將理解，AI 的能力往往取決於資料品質、特徵設計、模型選擇與評估方法，而不只是演算法本身。
第四章 深度學習革命：神經網路如何改變 AI
本章說明深度學習如何成為近代 AI 快速進步的重要原因。神經網路並不是人腦的完整複製，而是一種能從大量資料中學習表示的方法。本章會介紹感知器、神經元、權重、層、反向傳播、梯度下降等基本概念，並用非數學化的方式說明卷積神經網路如何理解圖像、循環神經網路如何處理序列資料，以及 Transformer 為何成為大型語言模型的重要基礎。讀者將明白，深度學習的突破來自資料、算力、演算法與工程條件共同成熟。
第五章 語言、知識與生成式 AI：大型語言模型如何工作
本章聚焦一般讀者最關心的生成式 AI 與大型語言模型。生成式 AI 不只是搜尋答案，而是根據訓練中學到的語言模式產生新內容。本章會介紹自然語言處理的發展、詞向量、注意力機制、預訓練、微調、提示詞、上下文視窗、檢索增強生成，以及模型幻覺的原因。讀者將理解大型語言模型為什麼能寫文章、摘要、翻譯、對話，也會明白它為什麼可能一本正經地說錯話。
第六章 AI 如何做決策：搜尋、最佳化與強化學習
本章說明 AI 如何在複雜情境中做出選擇。人工智慧並不只會辨識圖片或生成文字，它也可以在遊戲、物流、機器人、廣告投放、推薦系統與自動控制中不斷比較選項。本章會介紹搜尋演算法、最佳化、啟發式方法、馬可夫決策過程、強化學習、獎勵設計與探索利用問題。讀者將理解，AI 決策並非一定比人類更理性，而是依照目標函數與回饋機制行動；若目標設定錯誤，結果也可能偏離人類真正想要的價值。
第七章 資料、算力與模型工程：AI 背後看不見的基礎設施
本章把讀者帶到 AI 系統的幕後，說明資料、算力、模型訓練與部署如何共同支撐人工智慧。許多 AI 產品看起來像一個簡單介面，背後卻牽涉資料蒐集、清理、標註、特徵處理、模型訓練、版本管理、推論部署、監控與更新。本章會介紹 GPU、雲端運算、資料中心、模型壓縮、邊緣 AI、MLOps 與評估基準。讀者將理解，AI 的競爭不只是演算法競爭，也是資料、資本、能源、晶片與組織能力的競爭。
第八章 AI 走進生活與產業：從推薦、醫療到教育與創作
本章整理人工智慧在現代生活與產業中的主要應用，讓讀者看見 AI 並不是單一產品，而是滲透到不同場景的方法集合。內容涵蓋搜尋與推薦、智慧客服、辦公自動化、教育輔助、醫療影像、金融風控、製造業檢測、物流調度、城市治理、媒體創作與內容生成。本章不以宣傳口吻描述 AI，而是分析每個場景中的任務、資料來源、可行價值與限制。讀者將學會用「任務是否清楚、資料是否足夠、錯誤代價多高」來判斷 AI 是否適合投入。
第九章 可信任 AI：偏見、透明度、安全與責任
本章處理人工智慧最重要也最容易被忽略的一面：信任。AI 系統可能放大資料中的偏見，也可能因為黑箱模型而難以解釋；它可能侵犯隱私、被惡意攻擊、產生錯誤內容，甚至在自動化決策中造成不公平結果。本章會說明公平性、透明度、可解釋性、隱私保護、安全性、問責制度與人類監督的基本觀念。讀者將理解，可信任 AI 不是一句口號，而是從資料、設計、測試、部署到治理都必須持續處理的工程與制度問題。
第十章 人工智慧的現代應用與下一步：與 AI 共處的時代素養
本章總結人工智慧在當代社會中的位置，並幫助讀者建立下一步學習方向。生成式 AI 讓一般人第一次以自然語言直接使用 AI，但它也帶來著作權、工作替代、資訊可信度、深偽內容、教育評量與監管制度等新問題。本章會整理常見誤解，例如「AI 會立刻取代所有工作」「AI 產出的內容一定客觀」「模型越大越好」「只要會下提示詞就懂 AI」。最後，本章會提供一般讀者、學生、職場工作者與進階學習者不同的學習路線，讓本書成為理解 AI 的起點，而不是終點。
附錄規劃
附錄一 本書關鍵詞整理
附錄功能：本附錄整理讀者在閱讀人工智慧相關新聞、產品介紹、政策討論與技術文章時最常遇到的關鍵詞。每個詞條建議以50～100字說明，避免過度技術化，重點放在「這個詞是什麼、為什麼重要、容易和什麼概念混淆」。詞條可依照基礎概念、學習方法、模型技術、應用場景、風險治理五類排列。
建議收錄詞條：
人工智慧、演算法、資料、模型、訓練、推論、機器學習、深度學習、神經網路、監督式學習、非監督式學習、強化學習、自監督學習、分類、迴歸、分群、過度擬合、特徵、損失函數、梯度下降、卷積神經網路、循環神經網路、Transformer、自然語言處理、詞向量、嵌入、注意力機制、大型語言模型、生成式 AI、提示詞、上下文視窗、RAG、向量資料庫、幻覺、微調、基準測試、MLOps、AI 代理、推薦系統、電腦視覺、語音辨識、可解釋 AI、公平性、偏見、隱私保護、資料治理、模型安全、提示注入、深偽內容、可信任 AI、通用人工智慧。
附錄二 重要人物、理論、工具或制度速查
附錄功能：本附錄協助讀者快速回顧人工智慧發展中的重要人物、理論、工具與治理制度。它不是學術史年表，而是提供「讀者日後看見這些名字與概念時，知道它們大約代表什麼」的速查入口。每個項目建議控制在80～150字，並以「人物與思想」「核心理論與方法」「工具與框架」「治理與制度」四部分呈現。
錄內容：
人物與思想：艾倫・圖靈、約翰・麥卡錫、馬文・閔斯基、赫伯特・西蒙、艾倫・紐厄爾、法蘭克・羅森布拉特、傑弗里・辛頓、楊立昆、約書亞・本吉歐、朱迪亞・珀爾、理查・薩頓、彼得・諾維格。
核心理論與方法：圖靈測試、符號 AI、專家系統、知識表示、貝氏推論、決策樹、支持向量機、隨機森林、神經網路、反向傳播、卷積神經網路、Transformer、強化學習、馬可夫決策過程、表示學習、生成模型、擴散模型、檢索增強生成。
工具與框架：Python、Jupyter Notebook、TensorFlow、PyTorch、Scikit-learn、Hugging Face、向量資料庫、雲端 AI 平台、資料標註工具、模型評估工具、MLOps 平台、提示詞設計工具、AI 安全測試工具。
治理與制度：可信任 AI、AI 風險管理、模型卡、資料卡、人類監督、影響評估、個資保護、內容標示、演算法問責、AI 使用政策、國際 AI 原則與風險分級治理。
附錄三 下一步學習地圖
附錄功能：本附錄將讀者分成不同學習需求，提供讀完本書後的延伸路線。目標不是讓每個人都走向程式開發，而是讓不同讀者依照自身需求，找到適合的下一步。附錄可用「一般讀者路線」「學生路線」「職場應用路線」「管理者與決策者路線」「技術入門路線」五條路徑安排。
一般讀者路線：先建立 AI 基本詞彙與媒體識讀能力，學會分辨生成式 AI、搜尋引擎、自動化工具與專業系統的差異。建議持續關注 AI 對隱私、教育、就業與資訊可信度的影響。
學生路線：先補足數據素養與基本邏輯，再理解機器學習、深度學習與生成式 AI 的概念。若未來想深入技術，可逐步學習 Python、統計基礎、線性代數與簡單模型實作。
職場應用路線：從具體工作流程出發，找出可以由 AI 協助的任務，例如摘要、分類、草稿、資料整理、客服、簡報、研究與流程自動化。同時建立查證、保密、審稿與責任分工機制。
管理者與決策者路線：重點不在親自寫模型，而在判斷 AI 專案是否值得投入。應理解資料來源、錯誤成本、合規要求、供應商風險、員工培訓與治理制度，避免只因熱門趨勢而導入 AI。
技術入門路線：從 Python 與資料處理開始，再進入機器學習基礎模型，接著學習深度學習框架與大型語言模型應用。初期目標不必追求建立大型模型，而是理解資料、訓練、評估、部署的完整流程。
第一章 人工智慧入門總論：當機器開始學習與判斷
本章作為全書入口，先為讀者建立人工智慧的基本地圖。人工智慧不是單一軟體，也不只是聊天機器人，而是一整套讓機器感知、學習、推論、生成與行動的方法。本章會說明 AI、演算法、資料、模型、訓練、推論之間的關係，並介紹弱人工智慧、強人工智慧、生成式 AI、自動化決策等基本概念。讀者將理解 AI 的核心問題不是「機器有沒有靈魂」，而是「機器如何根據資料與規則完成任務」。
第二章 人工智慧的思想源頭：人類如何把智慧交給機器
本章回到人工智慧的歷史起點，說明人類為什麼會想讓機器思考。從圖靈提出「機器能否思考」的問題，到早期研究者相信可以用邏輯、規則與符號描述智慧，AI 曾經走過充滿理想與挫折的道路。本章會介紹符號 AI、專家系統、知識表示、推論規則，以及 AI 寒冬形成的原因。透過歷史，讀者可以看見 AI 不是突然爆紅的新事物，而是經過數十年思想、資金、技術與社會期待交替推動的學科。
第三章 讓機器從資料中學習：機器學習的核心觀念
本章介紹現代 AI 的核心基礎：機器學習。與其把每條規則都寫進程式，機器學習讓系統從資料中找出模式，並用這些模式預測新情況。本章會以生活例子說明監督式學習、非監督式學習、半監督學習與強化學習的差別，並介紹分類、迴歸、分群、推薦、異常偵測等常見任務。讀者將理解，AI 的能力往往取決於資料品質、特徵設計、模型選擇與評估方法，而不只是演算法本身。
第四章 深度學習革命：神經網路如何改變 AI
本章說明深度學習如何成為近代 AI 快速進步的重要原因。神經網路並不是人腦的完整複製，而是一種能從大量資料中學習表示的方法。本章會介紹感知器、神經元、權重、層、反向傳播、梯度下降等基本概念，並用非數學化的方式說明卷積神經網路如何理解圖像、循環神經網路如何處理序列資料，以及 Transformer 為何成為大型語言模型的重要基礎。讀者將明白，深度學習的突破來自資料、算力、演算法與工程條件共同成熟。
第五章 語言、知識與生成式 AI：大型語言模型如何工作
本章聚焦一般讀者最關心的生成式 AI 與大型語言模型。生成式 AI 不只是搜尋答案，而是根據訓練中學到的語言模式產生新內容。本章會介紹自然語言處理的發展、詞向量、注意力機制、預訓練、微調、提示詞、上下文視窗、檢索增強生成，以及模型幻覺的原因。讀者將理解大型語言模型為什麼能寫文章、摘要、翻譯、對話，也會明白它為什麼可能一本正經地說錯話。
第六章 AI 如何做決策：搜尋、最佳化與強化學習
本章說明 AI 如何在複雜情境中做出選擇。人工智慧並不只會辨識圖片或生成文字，它也可以在遊戲、物流、機器人、廣告投放、推薦系統與自動控制中不斷比較選項。本章會介紹搜尋演算法、最佳化、啟發式方法、馬可夫決策過程、強化學習、獎勵設計與探索利用問題。讀者將理解，AI 決策並非一定比人類更理性，而是依照目標函數與回饋機制行動；若目標設定錯誤，結果也可能偏離人類真正想要的價值。
第七章 資料、算力與模型工程：AI 背後看不見的基礎設施
本章把讀者帶到 AI 系統的幕後，說明資料、算力、模型訓練與部署如何共同支撐人工智慧。許多 AI 產品看起來像一個簡單介面，背後卻牽涉資料蒐集、清理、標註、特徵處理、模型訓練、版本管理、推論部署、監控與更新。本章會介紹 GPU、雲端運算、資料中心、模型壓縮、邊緣 AI、MLOps 與評估基準。讀者將理解，AI 的競爭不只是演算法競爭，也是資料、資本、能源、晶片與組織能力的競爭。
第八章 AI 走進生活與產業：從推薦、醫療到教育與創作
本章整理人工智慧在現代生活與產業中的主要應用，讓讀者看見 AI 並不是單一產品，而是滲透到不同場景的方法集合。內容涵蓋搜尋與推薦、智慧客服、辦公自動化、教育輔助、醫療影像、金融風控、製造業檢測、物流調度、城市治理、媒體創作與內容生成。本章不以宣傳口吻描述 AI，而是分析每個場景中的任務、資料來源、可行價值與限制。讀者將學會用「任務是否清楚、資料是否足夠、錯誤代價多高」來判斷 AI 是否適合投入。
第九章 可信任 AI：偏見、透明度、安全與責任
本章處理人工智慧最重要也最容易被忽略的一面：信任。AI 系統可能放大資料中的偏見，也可能因為黑箱模型而難以解釋；它可能侵犯隱私、被惡意攻擊、產生錯誤內容，甚至在自動化決策中造成不公平結果。本章會說明公平性、透明度、可解釋性、隱私保護、安全性、問責制度與人類監督的基本觀念。讀者將理解，可信任 AI 不是一句口號，而是從資料、設計、測試、部署到治理都必須持續處理的工程與制度問題。
第十章 人工智慧的現代應用與下一步：與 AI 共處的時代素養
本章總結人工智慧在當代社會中的位置，並幫助讀者建立下一步學習方向。生成式 AI 讓一般人第一次以自然語言直接使用 AI，但它也帶來著作權、工作替代、資訊可信度、深偽內容、教育評量與監管制度等新問題。本章會整理常見誤解，例如「AI 會立刻取代所有工作」「AI 產出的內容一定客觀」「模型越大越好」「只要會下提示詞就懂 AI」。最後，本章會提供一般讀者、學生、職場工作者與進階學習者不同的學習路線，讓本書成為理解 AI 的起點，而不是終點。
附錄規劃
附錄一 本書關鍵詞整理
附錄功能：本附錄整理讀者在閱讀人工智慧相關新聞、產品介紹、政策討論與技術文章時最常遇到的關鍵詞。每個詞條建議以50～100字說明，避免過度技術化，重點放在「這個詞是什麼、為什麼重要、容易和什麼概念混淆」。詞條可依照基礎概念、學習方法、模型技術、應用場景、風險治理五類排列。
建議收錄詞條：
人工智慧、演算法、資料、模型、訓練、推論、機器學習、深度學習、神經網路、監督式學習、非監督式學習、強化學習、自監督學習、分類、迴歸、分群、過度擬合、特徵、損失函數、梯度下降、卷積神經網路、循環神經網路、Transformer、自然語言處理、詞向量、嵌入、注意力機制、大型語言模型、生成式 AI、提示詞、上下文視窗、RAG、向量資料庫、幻覺、微調、基準測試、MLOps、AI 代理、推薦系統、電腦視覺、語音辨識、可解釋 AI、公平性、偏見、隱私保護、資料治理、模型安全、提示注入、深偽內容、可信任 AI、通用人工智慧。
附錄二 重要人物、理論、工具或制度速查
附錄功能：本附錄協助讀者快速回顧人工智慧發展中的重要人物、理論、工具與治理制度。它不是學術史年表，而是提供「讀者日後看見這些名字與概念時，知道它們大約代表什麼」的速查入口。每個項目建議控制在80～150字，並以「人物與思想」「核心理論與方法」「工具與框架」「治理與制度」四部分呈現。
錄內容：
人物與思想：艾倫・圖靈、約翰・麥卡錫、馬文・閔斯基、赫伯特・西蒙、艾倫・紐厄爾、法蘭克・羅森布拉特、傑弗里・辛頓、楊立昆、約書亞・本吉歐、朱迪亞・珀爾、理查・薩頓、彼得・諾維格。
核心理論與方法：圖靈測試、符號 AI、專家系統、知識表示、貝氏推論、決策樹、支持向量機、隨機森林、神經網路、反向傳播、卷積神經網路、Transformer、強化學習、馬可夫決策過程、表示學習、生成模型、擴散模型、檢索增強生成。
工具與框架：Python、Jupyter Notebook、TensorFlow、PyTorch、Scikit-learn、Hugging Face、向量資料庫、雲端 AI 平台、資料標註工具、模型評估工具、MLOps 平台、提示詞設計工具、AI 安全測試工具。
治理與制度：可信任 AI、AI 風險管理、模型卡、資料卡、人類監督、影響評估、個資保護、內容標示、演算法問責、AI 使用政策、國際 AI 原則與風險分級治理。
附錄三 下一步學習地圖
附錄功能：本附錄將讀者分成不同學習需求，提供讀完本書後的延伸路線。目標不是讓每個人都走向程式開發，而是讓不同讀者依照自身需求，找到適合的下一步。附錄可用「一般讀者路線」「學生路線」「職場應用路線」「管理者與決策者路線」「技術入門路線」五條路徑安排。
一般讀者路線：先建立 AI 基本詞彙與媒體識讀能力，學會分辨生成式 AI、搜尋引擎、自動化工具與專業系統的差異。建議持續關注 AI 對隱私、教育、就業與資訊可信度的影響。
學生路線：先補足數據素養與基本邏輯，再理解機器學習、深度學習與生成式 AI 的概念。若未來想深入技術，可逐步學習 Python、統計基礎、線性代數與簡單模型實作。
職場應用路線：從具體工作流程出發，找出可以由 AI 協助的任務，例如摘要、分類、草稿、資料整理、客服、簡報、研究與流程自動化。同時建立查證、保密、審稿與責任分工機制。
管理者與決策者路線：重點不在親自寫模型，而在判斷 AI 專案是否值得投入。應理解資料來源、錯誤成本、合規要求、供應商風險、員工培訓與治理制度，避免只因熱門趨勢而導入 AI。
技術入門路線：從 Python 與資料處理開始，再進入機器學習基礎模型，接著學習深度學習框架與大型語言模型應用。初期目標不必追求建立大型模型，而是理解資料、訓練、評估、部署的完整流程。
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
購買須知：
使用金石堂電子書服務即為同意金石堂電子書服務條款。
電子書分為「金石堂(線上閱讀+APP)」及「Readmoo(兌換碼)」兩種：
- 請至會員中心→電子書服務「我的e書櫃」領取複製『兌換碼』至電子書服務商Readmoo進行兌換。
退換貨須知：
- 因版權保護，您在金石堂所購買的電子書僅能以金石堂專屬的閱讀軟體開啟閱讀，無法以其他閱讀器或直接下載檔案。
- 依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等），不受「網購服務需提供七日鑑賞期」的限制。為維護您的權益，建議您先使用「試閱」功能後再付款購買。
商品評價