這篇整理自維基百科的 AI 演算法列表，涵蓋 11 大類別、超過 50 種演算法。從你每天可能遇到的搜尋演算法（A*、Dijkstra），到讓 ChatGPT 變聰明的深度學習（Backpropagation、Gradient descent），再到 AlphaGo 背後的強化學習（Q-learning、Actor-critic），一篇幫你建立完整地圖。不用擔心數學公式，我們用聊天的方式帶你認識它們。
前言：為什麼要認識這些演算法？
嘿，你有沒有想過，當你打開地圖導航、刷推薦影片、或者跟 ChatGPT 聊天時，背後到底跑了什麼「魔法」？其實這些「魔法」大多可以歸納為各種 AI 演算法。今天這篇就是要用輕鬆的方式，帶你認識這個世界。
參考維基百科的「List of artificial intelligence algorithms」，我把這些演算法整理成 11 個主要類別。你不用全部記起來，但至少知道它們各自管什麼領域，以後遇到 AI 文章時，就比較不會被一堆名詞嚇到啦。
一、搜尋與優化（Search & Optimization）
這大概是最「接地氣」的一類。你玩遊戲、用導航、甚至搜尋引擎的排序，都離不開這些演算法。
代表演算法
A* 搜尋（A* search）
結合實際成本與預估成本，找到最短路徑的經典演算法。導航軟體最愛用。
Alpha-beta 剪枝（Alpha-beta pruning）
在遊戲 AI（例如西洋棋）中，用來減少需要搜尋的節點，速度快很多。
蒙地卡羅樹搜尋（Monte Carlo tree search）
AlphaGo 也用到這個！透過隨機模擬來評估走法的好壞。
模擬退火（Simulated annealing）
模擬金屬冷卻的過程，逐步找到最佳解。優化問題的好幫手。
簡單來說，這類演算法的任務就是「找到最好的路」或「做出最好的選擇」。如果你玩過遊戲或用過導航，這些名字應該不會太陌生。
二、演化計算與生物啟發（Evolutionary & Bio-inspired）
這類演算法的靈感來自大自然。想像一下，一群螞蟻在找食物的路上留下一些「氣味」，最短路徑上的氣味最濃，後來的螞蟻就會跟著走——這就是螞蟻演算法的概念。
代表演算法
- 遺傳演算法（Genetic algorithm） — 模擬自然選擇，讓「優秀」的解互相交配、變異，逐步逼近最佳解。
- 粒子群優化（Particle swarm optimization） — 模擬鳥群飛行，每個粒子根據自己和鄰居的經驗調整方向。
- 螞蟻演算法（Ant colony optimization） — 模擬螞蟻尋路，用費洛蒙濃度來引導搜尋。
- 差分演化（Differential evolution） — 透過差異向量來引導種群演化。
這些演算法在複雜的優化問題（例如工程設計、路徑規劃）特別有用，因為它們不需要精確的數學模型，只要有一個「好不好」的判斷標準就行。
三、自動推理與邏輯（Automated Reasoning）
這類演算法處理的是「邏輯推理」——給定一些事實和規則，推導出新的結論。這在專家系統和知識圖譜中很重要。
代表演算法
前向鏈接（Forward chaining）
從已知事實出發，一步步推導出新結論，像是在搭積木。
反向鏈接（Backward chaining）
從目標開始，反推需要什麼前提條件，像是在解謎題。
DPLL 演算法
用於判斷布爾表達式是否可滿足（SAT solver），是現代 SAT 求解器的基礎。
Rete 演算法
用來加速規則引擎的匹配過程，讓專家系統跑得更快。
四、機率推理與不確定性推論（Probabilistic Reasoning）
現實世界充滿不確定性，這類演算法教機器「用機率來思考」。從語音辨識到機器翻譯，都離不開這些技術。
代表演算法
- 卡爾曼濾波（Kalman filter） — 追蹤動態系統的狀態（例如自駕車追蹤周圍物體的位置）。
- Viterbi 演算法 — 找出最可能的隱藏狀態序列，語音辨識和自然語言處理常用。
- 期望最大化（Expectation-maximization, EM） — 當資料有「隱藏變數」時，用來估計參數。
- 信念傳播（Belief propagation） — 在圖形模型中傳遞機率資訊。
五、運動規劃與決策（Motion Planning & Decision-making）
讓機器人、無人機或遊戲角色知道「該怎麼動」，這類演算法負責規劃路徑與做出決策。
代表演算法
D*（Dynamic A*）
A* 的動態版本，當環境改變時可以快速重新規劃。
RRT（Rapidly-exploring random tree）
機器人路徑規劃的利器，透過隨機採樣快速探索空間。
動態窗口方法（DWA）
移動機器人即時避障與路徑選擇的常用方法。
Graphplan
基於圖形的規劃演算法，用來解決多步驟的行動規劃問題。
六、機器學習與統計分類（Machine Learning & Classification）
這大概是大家最熟悉的一類了。從垃圾郵件過濾、推薦系統，到醫學診斷，這些演算法讓機器從資料中學習模式。
代表演算法
決策樹（C4.5 / Decision tree）
像是在玩「二十個問題」，透過一系列條件判斷來分類。
隨機森林（Random forest）
讓很多棵決策樹一起投票，準確度通常比單棵樹高很多。
支援向量機（SVM）
找出一個最佳的「分隔面」，把不同類別的資料分開。
k 近鄰（k-NN）
「近朱者赤」的概念，看一個點附近的鄰居大多屬於哪一類。
AdaBoost
把多個「弱學習器」組合成一個強大的分類器。
k-means / DBSCAN
無監督學習的經典——自動把資料分成幾群，或者找出密集區域。
七、神經網路與深度學習（Neural Networks & Deep Learning）
如果說機器學習是讓機器「學習規則」，那深度學習就是讓機器「自己發現特徵」。這是近十年 AI 爆發的核心。
代表演算法
- 反向傳播（Backpropagation） — 深度學習的靈魂！透過計算誤差的梯度，逐層調整神經網路的權重。
- 梯度下降（Gradient descent） — 沿著誤差最陡的方向，一步步走向最低點（最佳參數）。
- 感知機（Perceptron） — 最早的神經網路模型，雖然簡單但奠定了基礎。
- Levenberg-Marquardt 演算法 — 結合梯度下降與高斯-牛頓法，加速收斂。
- 喚醒-睡眠（Wake-sleep） — 用於無監督學習的神經網路訓練方法。
這些演算法讓深度學習模型（像 CNN、Transformer）得以訓練。如果你對 ChatGPT、Midjourney 或自駕車感興趣，這些名字一定要認識。
八、強化學習（Reinforcement Learning）
強化學習的概念很直觀：讓機器像小狗一樣，做對了給獎勵，做錯了給懲罰，慢慢學會什麼行為最有利。
代表演算法
Q-learning
學習每個「狀態-動作」組合的價值（Q 值），選擇最高價值的動作。
SARSA
類似 Q-learning，但學習的是實際執行的策略（而非最優策略）。
Actor-Critic
同時學習「該做什麼」（Actor）和「做得好不好」（Critic）。
策略梯度（Policy gradient）
直接優化策略本身，讓模型學會在不同情境下選擇不同的行為。
PPO（Proximal Policy Optimization）
OpenAI 開發的強化學習方法，在穩定性和效能之間取得平衡。
時間差分學習（Temporal Difference）
透過「預測差異」來更新價值估計，是 Q-learning 的基礎。
遊戲 AI 的代表作
說到強化學習，就不能不提遊戲領域的突破：
- AlphaGo / AlphaGo Zero / AlphaZero — DeepMind 用強化學習加深度神經網路擊敗圍棋世界冠軍，後來還學會了西洋棋和將棋。
- MuZero — 不需要先知道遊戲規則，直接從零開始學習。
- TD-Gammon — 最早用強化學習在西洋雙陸棋上達到世界級水準的系統。
九、自然語言處理（Natural Language Processing）
讓機器理解人類語言的演算法，從語法解析到語言模型的基礎技術。
代表演算法
Byte-pair encoding (BPE)
GPT 系列使用的分詞方法，將文字拆成常見的子字串組合。
Cocke-Younger-Kasami (CYK)
解析上下文無關文法（CFG）的經典演算法。
Earley parser
比 CYK 更靈活的語法解析演算法，適用於更廣泛的文法。
Inside-Outside 演算法
用於機率上下文無關文法（PCFG）的參數估計。
十、電腦視覺與感知（Computer Vision & Perception）
讓機器「看懂」世界的演算法，從邊緣偵測到特徵匹配。
代表演算法
- Canny 邊緣偵測（Canny edge detector） — 最經典的邊緣偵測演算法，廣泛應用於影像處理。
- GrabCut — 互動式的前景/背景分割演算法。
- RANSAC — 用於從雜訊資料中找出模型參數（例如從點雲中找出直線或平面）。
- SIFT（Scale-invariant feature transform） — 偵測並描述影像中的關鍵特徵，不受縮放和旋轉影響。
十一、演算法遊戲（Algorithmic Game Play）
這類演算法專門為遊戲設計，讓 AI 在遊戲中做出智慧決策。
代表系統
AlphaGo 系列
深度學習 + 強化學習 + 蒙地卡羅樹搜尋，擊敗人類圍棋冠軍。
MuZero
不需要遊戲規則，從零學習策略，適用於多種遊戲。
TD-Gammon
早期強化學習的成功案例，在西洋雙陸棋上表現優異。
結語：這些演算法怎麼串起來的？
如果你覺得這些名字有點多，別擔心。其實這些演算法之間常常是「組合拳」：AlphaGo 就同時用了深度神經網路（深度學習）、蒙地卡羅樹搜尋（搜尋優化）、和強化學習（策略優化）。現代的 AI 系統幾乎都是多種演算法的組合。
這篇整理自維基百科，希望幫你建立一個「地圖感」——知道每個領域大概有哪些工具，以後看到新文章時，就比較容易定位它在整個 AI 世界中的位置。如果你對某個領域特別感興趣（例如強化學習、深度學習），歡迎跟我說一聲，我可以再寫更深入的文章來聊聊！
小提醒：這篇文章的內容整理自維基百科「List of artificial intelligence algorithms」頁面（2026 年版本）。如果你想看原文或更詳細的數學推導，直接去維基百科搜尋這個標題就可以了！