{itemname}
{itemname}
香港二樓書店 > 今日好書推介
好吃(NO.5+6)套書(共二冊)
定價99.00元
8
折優惠:
HK$79.2
●二樓推薦
●文學小說
●商業理財
●藝術設計
●人文史地
●社會科學
●自然科普
●心理勵志
●醫療保健
●飲 食
●生活風格
●旅 遊
●宗教命理
●親子教養
●少年讀物
●輕 小 說
●漫 畫
●語言學習
●考試用書
●電腦資訊
●專業書籍
現代 AI 全景聖經:多模態生成 × Agentic AI,從 LLM 演化到 AI 工程實戰
沒有庫存
訂購需時10-14天
9786267889916
王彥文、黃銀鵬
深智數位
2026年10月19日
427.00 元
HK$ 362.95
詳
細
資
料
ISBN:9786267889916</li><li>規格:平裝 / 1168頁 / 23 x 17 x 5.84 cm / 普通級 / 單色印刷 / 初版</li><li>出版地:台灣
分
類
電腦資訊
>
概論/科技趨勢
>
人工智慧/機器學習
內
容
簡
介
<div class="bd">
<div class="content" style="height:auto;">
<p><span style="color:#0000ff;"><strong>擺脫碎片化學習,建立不退流行的演算法母語!</strong></span><br />
?<br />
?直擊前沿範式 | 深度解密 o1/R1 推理與 1M+ Context<br />
?手刻 Agent 系統 | 150+ 範例,從 MoE 手刻到 LangGraph<br />
?階梯思考訓練 | 全套 2,578 題庫,建構完整知識圖譜<br />
?在地繁中評測 | 大量對接司法院判決、健保 QA 等在地資料<br />
?<br /><strong>【Part IV LLM 與生成式】 大模型技術全景</strong><br />
• 解密 GPT-4.5、Claude 4 與 DeepSeek MoE<br />
• SFT、DPO 對齊與 QLoRA 輕量微調<br />
?<br /><strong>【Part V & VI 前沿應用】 Agentic AI 與長上下文</strong><br />
• 企業級 RAG 知識庫與 GraphRAG 實戰<br />
• Computer Use 螢幕操作與 LangGraph 多 Agent<br />
?<br /><strong>【Part VII 工程與治理】 Production 落地防線</strong><br />
• vLLM 推理引擎、GGUF 量化與 MLOps<br />
• Prompt Injection 防禦與端到端 Capstone<br />
?<br /><span style="color:#0000ff;"><strong>專業推薦</strong></span><br />
林立生—新竹市政府教育處 處長/ 國立屏東大學教育學 博士<br />
呂明?—明新科技大學 教授/ 明新科技大學校長<br />
馮美瑜—台北城市科技大學 教授/ 台北城市科技大學 校長<br />
林義貴—國立陽明交通大學 終身講座教授/ 國立勤益科技大學 學術副校長/國科會傑出特約研究員獎得主/APIEMS Fellow/ 中國工業工程學會會士/三度榮獲國科會傑出研究獎<br />
呂奇傑—輔仁大學 特聘教授/ 2020-2025 全球前2%科學家<br />
林維昭—長庚大學 教授/ 校務研究中心 執行秘書/2021-2025 全球前2% 頂尖科學家<br /><br /><br />
?</p>
</div><div class="type02_gradient" style="display:none;"></div>
</div></div><div class="mod_b type02_m057 clearfix">
<a name="AuthorP00a400020009"> </a>
目
錄
<div class="bd">
<div class="content more_off" id="M201105_0_getProdTextInfo_P00a400020009_h2">
<p><span style="color:#0000ff;"><strong>▍Part IV LLM 與基礎模型</strong></span><br />
?<br /><strong>第12 章 LLM 演化:從 GPT-3 到 Claude 4</strong><br />
12.1 Scaling Laws 與訓練範式<br />
12.2 GPT 家族與OpenAI 路線<br />
12.3 Claude 家族與 Anthropic<br />
12.4 Llama 家族與開源生態<br />
12.5 Mistral / DeepSeek / Qwen / Gemini<br />
12.6 Mixture of Experts(MoE)<br />
12.7 [深化] Emergent Abilities 與相變現象<br />
12.8 Prompt 跨模型遷移性與中文 LLM 評測<br />
本章重點回顧<br />
?<br /><strong>第13 章 LLM 微調,對齊與參數效率</strong><br />
13.1 預訓練 → SFT → 對齊三階段<br />
13.2 RLHF 全流程<br />
13.3 DPO 與後續變體(2024 主流)<br />
13.4 參數效率微調(PEFT)<br />
13.5 RAG vs 微調:何時選哪個<br />
13.6 RLAIF 與 Constitutional AI<br />
13.7 實戰:用PyTorch+LoRA 微調Llama 3<br />
?<br /><strong>第14章 推理模型與 Test-time Compute(2024-2026 新典範)</strong><br />
14.1 Chain-of-Thought 起源<br />
14.2 推理增強技術<br />
14.3 OpenAI o1 / o3 模型<br />
14.4 Test-time Scaling Laws<br />
14.5 開源推理模型<br />
14.6 推理模型的失敗模式<br />
本章重點回顧<br />
?<br /><strong>第15 章 生成式AI——VAE/GAN/Diffusion/Flow Matching</strong><br />
15.1 VAE 變分自編碼器<br />
15.2 GAN 生成對抗網路<br />
15.3 Diffusion 擴散模型<br />
15.4 Flow Matching(2024-2026 新典範)<br />
15.5 條件生成<br />
15.6 [深化] Diffusion 反向過程的隨機微分方程觀點<br />
本章重點回顧<br />
?<br /><strong>第16 章 多模態AI——圖文音影</strong><br />
16.1 圖文對齊:CLIP 與後繼<br />
16.2 視覺語言模型(VLM)<br />
16.3 圖像生成商業生態<br />
16.4 影片生成<br />
16.5 語音與音訊<br />
16.6 統一多模態模型<br />
16.7 [深化] CLIP 對比學習損失與嵌入幾何<br />
本章重點回顧<br />
?<br /><span style="color:#0000ff;"><strong>▍Part V 進階主題</strong></span><br />
?<br /><strong>第17 章 強化學習與深度強化學習</strong><br />
17.1 RL 基礎:MDP 與Bellman<br />
17.2 Value-based 方法<br />
17.3 Policy-based 方法<br />
17.4 Model-based RL 與 World Models<br />
17.5 RL 在 LLM 中的應用<br />
17.6 多智能體與遊戲 AI<br />
本章重點回顧<br />
?<br /><strong>第18 章 圖神經網路</strong><br />
18.1 圖資料表示<br />
18.2 GNN 核心演算法<br />
18.3 進階 GNN<br />
18.4 應用實戰<br />
18.5 [深化] GCN 與圖拉普拉斯譜域<br />
本章重點回顧<br />
?<br /><strong>第19 章 LLM 應用開發:RAG 與結構化輸出</strong><br />
19.1 Prompt Engineering 工程化<br />
19.2 RAG 完整架構<br />
19.3 結構化輸出<br />
19.4 LangChain / LlamaIndex / Haystack<br />
19.5 進階 RAG<br />
19.6 [實戰] 完整 RAG 系統<br />
本章重點回顧<br />
?<br /><strong>第20 章 AI Agents 與 Agentic AI</strong><br />
20.1 Agent 概念與演化<br />
20.2 Agent 框架<br />
20.3 Computer Use 與環境互動<br />
20.4 Multi-Agent System<br />
20.5 Agent 評估<br />
20.6 Agent 失敗模式與安全<br />
20.7 [實戰] 構建多步驟研究Agent(以ArXiv 論文回顧為主題)<br />
本章重點回顧<br />
?<br /><strong>第21 章 Code Generation 與 AI 編程</strong><br />
21.1 Code LLM 演化<br />
21.2 商業編程工具<br />
21.3 Agentic 編碼工具<br />
21.4 大型 Codebase 處理<br />
21.5 SWE-bench 與真實 PR<br />
21.6 [實戰 ] 用 Claude Code 完成中型專案( 資料分析儀表板開源工具)<br />
21.7 AI 協作守則總表<br />
本章重點回顧<br />
?<br /><strong>第22 章 長上下文與 Context Engineering</strong><br />
22.1 Context Window 演進<br />
22.2 長上下文 Attention 優化<br />
22.3 Context Engineering<br />
22.4 長上下文失敗模式<br />
22.5 1M+ Context 應用<br />
22.6 [深化] 長上下文計算複雜度與工程突破<br />
本章重點回顧<br />
?<br /><span style="color:#0000ff;"><strong>▍Part VII 工程與治理</strong></span><br />
?<br /><strong>第23 章 模型優化,部署與 MLOps</strong><br />
23.1 模型壓縮<br />
23.2 推理引擎<br />
23.3 部署架構<br />
23.4 MLOps 工具鏈<br />
23.5 模型監控<br />
23.6 GPU 資源規劃<br />
本章重點回顧<br />
?<br /><strong>第24 章 AI 倫理,安全,對齊與監管</strong><br />
24.1 演算法偏見與公平性<br />
24.2 隱私保護<br />
24.3 AI 安全<br />
24.4 對齊研究<br />
24.5 監管與治理<br />
24.6 文件規範<br />
本章重點回顧<br />
?<br /><strong>第25 章 整合Capstone:端到端AI 系統實戰</strong><br />
25.1 專題類型選擇與規劃<br />
25.2 視覺類專題<br />
25.3 NLP / LLM 類專題<br />
25.4 多模態類專題<br />
25.5 Agent 類專題<br />
25.6 部署與運營<br />
本章重點回顧 全書 25 章學完之後該往哪走<br /><br /><br />
?</p>
</div>
序
<div class="bd">
<div class="content more_off" id="M201105_0_getProdTextInfo_P00a400020009_h3">
<p><strong>站在典範轉移的交會點:從演算法原點到大模型工程實戰</strong><br />
?<br />
2022 年底ChatGPT 帶來技術震盪,到了2026 年的今天,AI 已演進至思考模型(Test-time Compute),多模態生成與自主Agent。面對狂飆的技術浪潮,許多學習者常面臨焦慮:套件迭代太快,網路文章碎裂,不懂背後原理與工程取捨,更疑惑LLM 時代是否還需學習經典演算法。<br />
本書初衷正是提供一部「直擊技術本質」的權威指南。技術與API 或許會翻新,但數學幾何,優化邏輯與工程Trade-off 是歷久彌新的。工具會被取代,但讓你判斷工具好壞的素養不會;經典方法是現代方法的概念祖先,讀懂它們等於拿到了讀懂下一代演算法的母語。<br /><br />
本套書正文劃分為雙冊,合計2000+ 頁,另以獨立附錄冊收錄九份附錄,構成完整的現代AI 知識圖譜:<br />
• 第一冊《現代AI 全景聖經:機器學習 x 神經網路,從數學原理到Transformer核心》(1008 頁):從線性代數與機率論出發,跨越傳統ML,CNN/RNN,最終解剖現代AI 總樞紐Transformer。<br />
• 第二冊《現代AI 全景聖經:從LLM 演化,多模態生成到Agentic AI工程實戰》(1168 頁):涵蓋Scaling Laws,SFT/DPO 對齊,o1/R1 推理模型,Flow Matching,RAG,落腳於LangGraph 與Computer Use 智能體開發。<br />
?<br />
全書貫徹四大堅持:<br />
• 嚴謹學術基石:引用434 篇論文與170 幅結構圖,進行第一原理推導。<br />
• 龐大代碼體系:收錄246 個完整程式範例,全數真實執行,輸出如實呈現,手刻MoE,DPO Loss 至LangGraph;另備教師解答冊,收錄707段解題程式碼。<br />
• 階梯式題庫:設計2,578 題練習題,提供概念,實作與衍生思考訓練。<br />
• 在地實戰:引入96 組資料集,對齊國際標竿(SWE-bench)並大量對接台灣在地資料(如台股,判決書,健保QA)。<br /><br />
這套書的完成,是一趟漫長而艱辛的知識長征。感謝在寫作期間提供寶貴建議的學界與業界同仁,感謝各大開源社群無私的預訓練模型與套件貢獻,更要感謝始終支持我的家人與出版團隊。<br /><br />
人工智慧技術演進迅速,相關理論,工具與實務案例也持續更新。儘管本書在撰寫,驗證與校訂過程中力求嚴謹,仍難免有所疏漏。若讀者在閱讀或實作時發現內容錯誤,程式問題,或有任何可供改進之處,敬請不吝指正與告知,您的寶貴意見將成為本書後續修訂與持續完善的重要依據。<br />
無論你是一位渴望為AI 領域打下最堅實基本功的大專院校學生,還是一位急需在工程現場落地大模型與Agent 系統的現職開發者,希望這套2000+ 頁,246 個範例,2,500+ 題庫的全景巨著,能成為你案頭最值得信賴的「技術地圖與戰略武器庫」!<br /><br />
讓我們一起站在典範轉移的交會點,看清AI 的來時路,並勇敢邁向由 Agentic AI 所塑造的全新未來!<br /><br /><br />
?</p>
</div>
書
評
其 他 著 作