前面的〈AI 的能力怎麼來，又怎麼變成可以使用的服務？〉用「辨認照片裡有沒有貓」說明建立與使用能力的分工。不過，中間還少了一步：你看到的是一隻貓，電腦實際收到什麼？它怎麼從這份資料得到「有貓」的判斷？

可以先把過程分成四步：圖片 → 整理成數字 → 模型 (Model) 計算 → 解讀結果。 圖片提供材料，學好的模型負責計算；兩者不是同一件事。這裡的模型已經完成訓練 (Training)，也就是先用資料調整過計算方式；這次只是使用它。

圖片原來就是很多小格子的數字

把數位照片放大，可以把它想成一張很密的格子表，每一格叫像素 (Pixel)，記錄那個位置的色彩。

先用沒有彩色的灰階 (Grayscale) 小圖看。在一種常見的 8 位元 (8-bit) 表示中，0 是黑、255 是白，中間數字代表不同亮度。例如這四格：

排回相同位置，就能畫出這張小圖。數字記的是亮度；沒有哪一格直接記著「這是貓」。

彩色照片常用紅、綠、藍 (Red, Green, Blue, RGB) 三個數字描述每格的色彩。例如在常見的 8 位元 RGB 表示中，(255, 0, 0) 是紅色，(255, 255, 255) 是白色。圖片因此可以整理成「幾列、幾欄、每格的色彩數字」。

這只是常見的表示，並非所有圖片都只能用這個數值範圍。這章先用灰階小圖，讓位置與亮度的關係看得清楚。

亮度和位置，都會改變輸入

活動中，亮度減半把 255 改成 128，0 仍是 0。你還能看出相同輪廓，但交給模型的數字已經改變了。

「打散位置」則把相同數字排在一起，再放回六列六欄。黑色格子的數量沒變，原本的貓臉卻不見了。圖片不只是有多少黑、多少白；它們在哪裡，也承載形狀的線索。

因此，圖片辨識需要利用位置與色彩的關係。不能只看黑白格數量，也不能把「已轉成數字」當成「已辨認出內容」。

真正辨認一張照片時，各步在做什麼？

沿用「有貓／沒有貓」這個簡單任務：

例如有些模型要求固定的圖片大小，有些還需要把色彩數值縮放到較小範圍。整理方式要與模型相容，不能隨意換了輸入格式，仍期待原模型照常工作。尺寸與數值要求因模型而異。

分類 (Classification) 的目標，是在事先定好的類別中作判斷。模型輸出的分數還需要解讀；不能把任意分數直接叫作「有幾成把握」。

這裡先把模型當成一個已能計算的部分。它內部怎麼組合線索，可以之後再拆；本章先看懂它收到什麼、交出什麼。

模型怎麼知道哪些線索和貓有關？

回到之前的訓練 (Training)：準備圖片與「有貓／沒有貓」的標記，讓模型做判斷，比較它和標記的差距，再調整模型內部的參數 (Parameter)。

這不是人逐條規定「兩個尖耳朵就一定是貓」，也不是把每張圖片換成數字後，答案就自動出現。圖片的數字是輸入材料；訓練調整的是模型怎麼用這些材料計算。

使用時，新照片經過相容的整理，交給已訓練的模型計算。這是推論 (Inference)，不必為了辨認這一張照片重新訓練。

但學到的線索可能不可靠。例如只看過固定背景的貓照片，換背景就可能失準；光線、遮擋和拍攝角度也值得檢查。是否成功，要用沒參與訓練的新圖片驗證，不能從這個 6 × 6 小圖活動推估真實辨識能力。

活動實際做的是像素值轉換與重新排列，不會把小圖交給辨識模型，也不會產生辨識分數。所以變暗後的數字不同，並不代表某個真實模型就一定判錯。

「看圖片」也可以有不同任務

它們都使用圖片，要求的輸出卻不同。能判斷有貓的模型，不因此就能框出貓的位置；「輸入都是圖片」不代表任務、模型或結果都相同。

這些能力屬於電腦視覺 (Computer Vision) 的範圍。它們也不必先把圖片寫成文字，才能交給模型處理。文字、圖片與聲音可以採用不同表示方式，不能把文字逐 token 生成的流程直接套到全部 AI。

如果想追模型如何從資料學到計算方式，可接〈模型到底是什麼？從資料學習，究竟改了什麼？〉；想看「學習時答對，為何新例子仍可能錯」，可讀〈訓練時全答對，為什麼遇到新資料還是會錯？〉。

參考：TensorFlow 圖片分類流程與 RGB 輸入、Torchvision 模型、任務與相容的前處理、MDN 像素色彩數據表示（2026-10-05 查核）。本章介紹常見流程，不指定所有模型的輸入尺寸、數值範圍或架構；6 × 6 貓臉與排列活動為教學設計。