快速回答：Neural Network 是什麼？
Neural Network（人工神經網路）是一種受人腦神經元啟發的數學運算模型。它由大量的「人工神經元」按層排列並相互連接，能從資料中自動學習模式和規律。神經網路是 Deep Learning 的基礎，也是 ChatGPT、Claude、Gemini 等現代 AI 的核心技術。
白話解釋：神經網路像什麼？
想像一個工廠的流水線：
- 原料進來（輸入層）：你丟一張照片進去
- 多個工站處理（隱藏層）：每個工站專門看照片的一個面向——第一站看邊緣和線條，第二站看形狀，第三站看局部特徵（耳朵、眼睛）
- 成品出來（輸出層）：最後告訴你「這是一隻貓，信心度 95%」
每個工站有很多「工人」（神經元），每個工人處理一小部分工作。工人的技能（權重）在訓練過程中不斷調整，做錯了就微調，做對了就保持。
神經元怎麼運作？
一個人工神經元做的事情很簡單：
- 接收輸入：從上一層的神經元接收多個數值
- 加權求和：每個輸入乘以對應的「權重」（weight），全部加起來，再加一個「偏差」（bias）
- 激活函數：把結果丟進一個函數（如 ReLU），決定是否「觸發」這個神經元
- 輸出：把結果傳給下一層
其中 x 是輸入，w 是權重，b 是偏差，activation 是激活函數。
神經網路的結構
輸入層（Input Layer）
接收原始資料。每個神經元對應一個輸入特徵。例如一張 28×28 的灰階圖片，輸入層就有 784 個神經元。
隱藏層（Hidden Layer）
在輸入和輸出之間的處理層。這是神經網路「學習」的核心。隱藏層越多，能學習的模式越複雜——這就是「深度」學習（Deep Learning）的由來。
輸出層（Output Layer）
產生最終結果。分類問題的輸出層有多個神經元（每個類別一個），回歸問題通常只有一個神經元。
神經網路怎麼學習？
學習過程（訓練）有四個步驟，不斷重複：
- 前向傳播（Forward Propagation）：資料從輸入層經過各隱藏層到輸出層，每一層計算並傳遞結果
- 計算誤差：把輸出結果和正確答案比較，計算「損失」（Loss）——差距有多大
- 反向傳播（Backpropagation）：從輸出層往回算，計算每個權重對誤差的貢獻（梯度）
- 更新權重：用梯度下降（Gradient Descent）調整權重——貢獻大的權重調多一點，讓下次預測更準確
這個過程重複幾千到幾百萬次，每次處理一批資料（mini-batch），權重逐漸優化到最佳狀態。
常見架構
| 架構 | 特色 | 適用場景 | 代表 |
|---|---|---|---|
| 前饋神經網路（FNN） | 最基本，資料單向流動 | 分類、回歸 | MLP |
| 卷積神經網路（CNN） | 用濾鏡掃描局部特徵 | 影像辨識、電腦視覺 | ResNet、VGG |
| 循環神經網路（RNN） | 有記憶，能處理序列 | 時間序列、語音 | LSTM、GRU |
| Transformer | 注意力機制，平行處理 | NLP、多模態 | GPT、Claude、BERT |
| 生成對抗網路（GAN） | 兩個網路互相競爭 | 圖片生成、風格轉換 | StyleGAN |
和人腦的差異
| 面向 | 人腦 | 人工神經網路 |
|---|---|---|
| 神經元數量 | ~860 億 | 數百萬到數十億參數 |
| 連接數 | ~100 兆突觸 | 由架構定義 |
| 信號類型 | 電化學脈衝 | 數學運算（矩陣乘法） |
| 能耗 | ~20 瓦 | 數千瓦到數百萬瓦 |
| 學習方式 | 持續學習 | 訓練階段學習，推理不學 |
| 可解釋性 | 我們也不完全懂 | 也不完全透明 |
常見問題 FAQ
Neural Network 和人腦一樣嗎？
不一樣。人工神經網路只是「靈感來自」人腦，實際運作方式完全不同。人腦靠電化學信號，神經網路是矩陣乘法和梯度下降。
為什麼要用「層」的結構？
層的結構讓網路能逐步提取從簡單到複雜的特徵。第一層辨識邊緣，第二層辨識形狀，第三層辨識物體部件。這種階層式特徵提取是神經網路強大的關鍵。
什麼是激活函數？
激活函數決定神經元是否「觸發」，引入非線性讓網路能學習複雜模式。常見的有 ReLU、Sigmoid、Tanh。沒有激活函數，多層網路等於一層。
Deep Learning 和 Neural Network 有什麼關係？
Deep Learning 就是使用很多層的 Neural Network。通常超過 3 層隱藏層就稱為深度神經網路。現代 LLM 有數十到上百層。
訓練一個神經網路需要什麼？
需要大量資料、運算能力（GPU/TPU）和時間。訓練過程就是不斷調整權重參數，讓預測越來越準。
神經網路可以被攻擊嗎？
可以。攻擊方式包括對抗樣本、資料投毒、模型竊取和後門攻擊。這些都是 2026 年企業需要防禦的實際威脅。