什麼是標註

AI 怎麼認出貓狗？

假設你給 AI 一張街景照，裡面有一隻貓和一隻狗。它怎麼知道誰是誰？

答案是：有人先教過它。標註員替照片中的動物標上「Label：貓」和「Class：狗」。

注意每隻動物都被框起來並附上答案，這些人工加上的標籤就是 AI 學習的依據。

像這樣的人工標註資料（Annotated Data）累積到成千上萬筆，AI 才學得會分辨。

標得正不正確，直接決定 AI 會不會認錯。

先對齊六個雙語詞

實務工作常會看到中英文詞彙並用。先把六個詞對齊，之後讀說明文件才不會卡住。

標註 = Data Annotation／Labeling，是替原始資料加上正確答案的動作。

標籤 = Label、類別 = Class，是加上去的答案，例如「貓」「狗」。

標註資料 = Annotated Data；訓練資料 = Training Data；真實標籤 = Ground Truth。

三個詞，三種角色

標註、訓練資料、真實標籤常被混在一起，其實各有角色。

標註是動作：標註員替原始資料（例如一張街景照）加上正確答案。

訓練資料是結果：加上答案後的資料，就成為訓練資料。

真實標籤是答案本身：這些人工確認過的正確答案，就是模型學習時用來對照的標準。

模型靠比對來學習

模型怎麼用這些答案？靠比對。

它先看資料、做出預測，再拿預測和真實標籤對照。

猜錯了，就修正內部參數。然後看下一筆，再來一次。

經過成千上萬筆資料的反覆練習，模型才學會分辨貓和狗。

跟著一張照片走三步

想像一個完整流程，跟著三步走。

第一步，標註員在街景照中框出兩隻動物，左邊標「Label：貓」，右邊標「Class：狗」。這張照片就成為一筆訓練資料。

第二步，模型可能把左邊那隻猜成狗，和真實標籤「貓」比對後發現猜錯，於是調整內部參數。

第三步，同樣流程重複成千上萬筆，模型就越來越能認出貓狗。

如果照片沒有標註

反過來想：如果照片沒有標註呢？

模型一樣會猜，但沒有真實標籤可以對照。

它永遠不知道自己猜對還是猜錯，也就不知道該往哪裡修正。

所以沒有標註資料，AI 就學不會認貓。

費曼自測與下一步

試試費曼自測：用 2 分鐘向朋友說明「沒有標註資料，AI 為什麼學不會認貓」。

說得出這組關係，就代表你懂了：標註產生訓練資料，裡面人工確認的答案就是真實標籤。

這是地基。之後學各種標註類型和工作，都會回到它。

在任何標註工作裡，你標下的每個答案，都會成為模型對照的標準。

替一批原始照片人工加上正確答案（例如「這是貓」）的動作，稱為 _____

• 標註
• 訓練

答案: 標註

標註（Data Annotation／Labeling）就是人工替原始資料加上正確答案。訓練是模型拿這些資料來學習的過程，兩者不同。

假設標註員替一批水果照片標上「蘋果」或「香蕉」。標好答案的這批照片稱為 _____，而照片上人工確認過的正確答案則稱為 _____。

答案: 假設標註員替一批水果照片標上「蘋果」或「香蕉」。標好答案的這批照片稱為 訓練資料，而照片上人工確認過的正確答案則稱為 真實標籤。

加上答案後的整批資料是訓練資料（Training Data）；其中人工確認的正確答案本身是真實標籤（Ground Truth），是模型學習時用來對照的依據。

一個辨識花種的模型把一張玫瑰照片猜成「鬱金香」，而這張照片的真實標籤是「玫瑰」。模型接下來最可能做什麼？

• 發現與真實標籤不符，調整內部參數
• 把真實標籤改成「鬱金香」以符合預測
• 略過這張照片，不做任何改變
• 要求標註員重新把照片標成鬱金香

答案: 發現與真實標籤不符，調整內部參數

模型靠比對自己的預測和真實標籤來學習：發現猜錯就調整內部參數。真實標籤是人工確認的答案，不會被模型改寫，也不會因猜錯就跳過或要求重標。