人工智慧:從技術演化到全產業智慧升級
作  者╱
黃昱凱
出版社別╱
五南
出版日期╱
2026/11/10   (1版 1刷)
  
即日起五南舊官網僅提供書籍查詢,如欲購書,請至五南新官網 https://www.wunan.com.tw/
I  S  B  N ╱
978-626-442-928-3
書  號╱
1H1Z
頁  數╱
232
開  數╱
20K
定  價╱
450
教學資源╱
投影片((外加))



本書從人工智慧的發展歷程與核心原理出發,介紹神經網路、深度學習與生成式人工智慧,並以半導體、交通、旅宿、物流、教育、醫療、媒體、農業及國防為例,說明人工智慧如何進入產業。書中也探討企業導入、效益評估、工作轉型、演算法偏見、倫理與法律治理等議題,協助讀者理解技術、掌握趨勢、辨識風險,並思考人工智慧如何改變產業,以及人類如何與之共處。人工智慧帶來挑戰,也拓展了人類智慧與能力。
謹以本書追念北京大學新聞與傳播學院蕭東發教授。蕭老師長年投入中國書史與出版研究,並以治學熱忱培育後進,為學術傳承留下深遠影響。我與蕭老師雖分處兩岸,卻對華文出版懷有共同期許;有幸與老師相識,並建立深厚情誼。老師的學者風範與待人溫厚,至今令我感念。謹以此書寄託追思,並致上敬意。

黃昱凱

現任國立臺灣海洋大學海洋觀光管理學士學位學程副教授兼主任、郵輪產業研究發展中心主任,並擔任臺灣郵輪產業發展協會理事。

擁有國立陽明交通大學管理學博士及日本大學工學博士學位。早年接受物理學訓練,兼具自然科學、工程技術與管理科學的跨領域學術背景,長期致力於將科學方法與數據分析應用於真實世界的複雜問題。

研究專長涵蓋人工智慧、研究方法、非線性動態系統、複雜決策、交通運輸、觀光管理及產業智慧轉型。熟悉結構方程模型、模糊認知圖、多準則決策分析及動態模擬等研究方法,並持續探索人工智慧與人類決策行為之間的互動關係。

作者曾於2014年受邀香港中文大學新聞與傳播學院擔任訪問學者,曾任新學友書局總經理室特別助理、便利達康(全家便利商店子公司)專案經理及上海全家便利商店特聘顧問,具出版與零售產業實務經驗。2015年獲日本台灣交流協會研究獎學金赴日,研究日本城郭的保存與發展。其研究結合學術與產業實務,持續關注科技變遷及產業發展。

其著作強調跨領域整合、理論與實務對話,以及獨立思考的重要性。致力於以清晰易懂的方式解讀複雜知識,讓讀者不僅理解技術與方法,更能培養分析問題、形成洞見與自主判斷的能力。

作者導讀
第一章 智慧啟程—人工智慧的定義與演化
第二章 數據預言—統計模型與商業決策
第三章 深度革命—機器學習與模型演化  
第四章 感官融合—影像、語言與人機互動
第五章 算力巔峰—AI產業版圖與巨頭博弈
第六章 智慧生活—服務與物流的數位革命
第七章 全產業升級—從教育、健康到國防
第八章 組織變革—AI的導入、標準化與評估
第九章 陰影與思辨—機器人、風險與哲學
第十章 國家藍圖—戰略、賦能與展望
後記
附錄:AI名詞解釋

社群大數據文字
探勘:OpVi
ew與R共舞
不用數字的研究
:質性研究的思
辯脈絡
無人機的基礎概
論:Pytho
n程式設計實作
Case Cl
osed! H
ow to g
et your
resear
ch publ
ished
量化研究與統計
分析:SPSS
與R資料分析範
例解析
固定收益證券與
利率衍生性商品
:使用Pyth
on語言(附光
碟)


投影片((外加))

若要索取未隨書附送(外加)且未於此提供下載的教學資源,請詳洽業務人員(02-27055066#824)(僅提供教師使用)


第三章 深度革命—機器學習與模型演化

【從自動化學習,邁向通用智慧的巔峰】
如果說統計模型是AI 的骨架,那麼機器學習與深度學習便是讓這副骨架開始自行調整的肌肉。過去十餘年,人工智慧從「人類教機器規則」走向「機
器從資料中學習模式」,這是一場深刻的技術革命;但本章也要提醒讀者:機器能學會模式,並不等於真正理解世界。辨識、生成與預測背後,仍然有資料邊界、模型偏差與人類判斷需要被看見。
本章將帶領讀者見證這場壯闊的技術進化。我們首先透過「3.1 自動化學習」建立機器學習的核心思維,理解系統如何從原始數據中提取特徵。接著,
在「3.2 深度突破」與「3.3 仿生邏輯」中,我們將深入類神經網路的層次結構,探索權重與激活函數如何交織出仿效大腦的運算奧祕。隨後,本章將進入幾個具代表性的架構:從擅長處理影像局部特徵的「3.4視覺之眼」,到改變語言處理邏輯的「3.5 全神貫注」。最後,我們將介紹充滿張力的「3.6 矛盾對決」,理解機器如何在生成與判別的互動中學會產出近
似真實的內容。
本章深入機器學習與深度學習的核心邏輯,理解神經網路如何透過權重、偏誤與激發函數逐步學習,並認識CNN、Transformer 與生成模型的不同
功能。除了理解模型如何運作,更要思考機器的「學習」是否等同人類理解,以及模型愈大是否必然愈好,進而掌握效能、成本、資料品質與可解釋性之間的取捨。讓我們跨越技術斷層,理解現代AI 的核心動能;也提醒自己,模型越強大,人類越需要懂得判斷它的邊界。