🎯 什麼情境該想到我
當你「靠一條條寫死的規則去處理複雜、充滿例外的問題，規則越加越多卻還是漏洞百出」，或在「規則 vs 資料驅動」之間猶豫的時候。
⚙️ 怎麼用（思路轉換）
- 警覺「規則爆炸」：想用文法規則覆蓋 20% 的真實語句就要幾萬條，越寫越多、還會互相矛盾；每多一個新情況就得再補規則——這是硬寫規則的死路。
- 改用資料統計學規律：與其窮舉規則，不如從大量資料中用統計方法歸納。自然語言處理改走統計路線後，語音辨識準確率從 70% 躍升到 90%、詞彙量從幾百升到幾萬，才真正能用。
- 別當「鳥飛派」：看鳥怎麼飛就想造飛機（模仿表象），不如掌握背後的空氣動力學（原理）。萊特兄弟靠的是空氣動力學，不是仿生。面對問題要抓背後可統計、可計算的規律，而非表面模仿。
- 前提是要有資料與算力：統計方法的威力隨資料量與算力增長而釋放——先確認你能取得足夠且有代表性的資料。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 資料太少、或問題本身有明確少量規則（如象棋規則）時，硬套統計未必划算。判準：情況的「例外」是否多到規則寫不完。
🔗 相關工具
- 工具-用資訊消除不確定性 —— 說明統計路線為何有效：資訊量就是消掉的不確定性，也給你「資料夠不夠」的量尺
- 工具-找對數學模型 —— 放棄硬寫規則之後的下一題：與其繼續調參，不如換個模型，這張講怎麼挑
- 工具-用度量取代模糊判斷 —— 把「相關 / 相似 / 重要」這種模糊判斷變成可計算的度量，是規則轉統計最具體的操作