 |
| Klacci 凱樂奇 Kii Assistant 智慧酒店服務系統 |
什麼是人工智慧？
人工智慧（AI）是指機器，特別是電腦系統，模擬人類智慧過程。它包括學習、推理和自我糾正。人工智慧的應用實例包括專家系統、自然語言處理（NLP）、語音辨識、機器視覺，以及諸如 ChatGPT 和 Perplexity 之類的生成式工具。
隨著人工智慧熱潮的加劇，供應商們紛紛競相宣傳其產品和服務，如何融入了人工智慧技術。通常，他們所謂的「人工智慧」，實際上是一種成熟的技術，例如機器學習。
人工智慧需要專門的硬體和軟體，來編寫和訓練機器學習演算法。雖然沒有哪一種程式語言是人工智慧領域專屬的，但 Python、R、Java、C++ 和 Julia 都是人工智慧開發者常用的語言。
上敦所代理的 AXXON ONE 智慧影像辨識平台，應用在國內多項公民營工地管理
人工智慧是如何運作的？
一般來說，人工智慧系統的工作原理是：吸收大量的標籤訓練數據，分析這些數據中的相關性和模式，並利用這些模式來預測未來的狀態。
例如，透過學習文字範例，人工智慧聊天機器人可以學會，與人進行逼真的對話；圖像辨識工具可以透過分析數百萬個範例，來學習辨識和描述圖像中的物體。近年來發展迅速的生成式人工智慧技術，能夠創造逼真的文字、圖像、音樂和其他媒體內容。
人工智慧系統程式設計著重於以下認知技能：
- 學習。人工智慧程式設計的這一方面，涉及獲取數據並創建規則（稱為演算法），以將其轉化為可操作的資訊。這些演算法為運算設備，提供完成特定任務的逐步指令。
- 推理。這方面涉及選擇正確的演算法以達到預期結果。
- 自我糾錯。這一方面指的是演算法不斷學習和調整自身，以提供盡可能最準確的結果。
- 創造力。這一方面運用神經網路、基於規則的系統、統計方法和其他人工智慧技術來產生新的圖像、文字、音樂、想法等等。
人工智慧、機器學習和深度學習之間的區別
人工智慧、機器學習和深度學習這幾個術語經常被混用，尤其是在企業的行銷資料中，但它們的含義卻截然不同。簡而言之，人工智慧指的是機器模擬人類智慧的廣泛概念，而機器學習和深度學習則是該領域內的具體技術。
人工智慧（AI）一詞誕生於20世紀50年代，它涵蓋了一系列不斷發展且廣泛的技術，目的在模擬人類智慧，其中包括機器學習和深度學習。機器學習使軟體能夠利用歷史資料作為輸入，自主學習模式並預測結果。隨著大型訓練資料集的出現，這種方法變得更加有效。深度學習是機器學習的子集，它目的在利用分層神經網路，來模擬大腦的結構。它是人工智慧領域許多重大突破，和最新進展的基礎，例如自動駕駛汽車和 ChatGPT。
人工智慧、機器學習和深度學習這幾個術語經常被混用，尤其是在企業的行銷資料中，但它們的含義卻截然不同。簡而言之，人工智慧指的是機器模擬人類智慧的廣泛概念，而機器學習和深度學習則是該領域內的具體技術。
人工智慧（AI）一詞誕生於20世紀50年代，它涵蓋了一系列不斷發展且廣泛的技術，目的在模擬人類智慧，其中包括機器學習和深度學習。機器學習使軟體能夠利用歷史資料作為輸入，自主學習模式並預測結果。隨著大型訓練資料集的出現，這種方法變得更加有效。深度學習是機器學習的子集，它目的在利用分層神經網路，來模擬大腦的結構。它是人工智慧領域許多重大突破，和最新進展的基礎，例如自動駕駛汽車和 ChatGPT。
為什麼人工智慧如此重要？
人工智慧之所以重要，是因為它有潛力改變我們的生活、工作和娛樂方式。它已被有效地應用於商業領域，用於自動化傳統上由人工完成的任務，包括客戶服務、潛在客戶開發、詐欺檢測和品質控制。
在許多領域，人工智慧能夠比人類更有效率、更準確地完成任務。它特別適用於重複性、注重細節的任務，例如分析大量法律文件，確保相關欄位填寫正確。人工智慧處理大量資料集的能力，能夠幫助企業深入了解自身營運中可能存在的、原本難以察覺的問題。快速發展的生成式人工智慧工具，在教育、行銷、產品設計等領域也日益重要。
人工智慧技術的進步不僅大大提高了效率，也為一些大型企業開闢了全新的商機。例如，在當前這波人工智慧浪潮之前，很難想像利用電腦軟體按需連接乘客和計程車，但優步正是憑藉這項技術躋身財富500強企業之列。
人工智慧已成為當今許多規模最大、最成功的公司（包括Alphabet、蘋果、微軟和Meta）的核心，這些公司利用人工智慧來改善營運，並超越競爭對手。例如，在Alphabet旗下的谷歌，人工智慧是其同名搜尋引擎的核心；自動駕駛汽車公司Waymo最初也是Alphabet的一個部門。谷歌大腦研究實驗室也發明了Transformer架構，該架構是OpenAI的ChatGPT等近期自然語言處理（NLP）突破性成果的基礎。
人工智慧有哪些優點和缺點？
人工智慧技術，尤其是深度學習模型（例如人工神經網路），能夠比人類更快地處理大量數據，並做出更準確的預測。每天產生的大量數據，足以讓人類研究人員不堪重負，而利用機器學習的人工智慧應用，則可以快速地將這些數據，轉化為可操作的資訊。
人工智慧的主要缺點之一，是處理其所需的大量資料成本高昂。隨著人工智慧技術被應用於越來越多的產品和服務中，各組織也必須意識到，人工智慧可能有意或無意地造成系統偏見和歧視。
人工智慧的優點
以下是人工智慧的一些優點：
- 人工智慧擅長處理細節繁瑣的工作。它尤其適合辨識資料中，人類可能忽略的細微模式和關係。例如，在腫瘤學領域，人工智慧系統已展現出極高的早期癌症（如乳癌和黑色素瘤）檢測準確率，能夠突出顯示需要醫療專業人員進一步評估的可疑區域。
- 資料密集型任務的效率顯著提升。人工智慧系統和自動化工具，能夠大幅縮短資料處理所需的時間。這在金融、保險和醫療保健等行業尤其重要，因為這些行業涉及大量日常數據輸入和分析，以及數據驅動的決策。例如，在銀行和金融領域，預測型人工智慧模型可以處理大量數據，從而預測市場趨勢，並分析投資風險。
- 節省時間，提高生產力。人工智慧和機器人技術，不僅可以實現操作自動化，還能提升安全性和效率。例如，在製造業中，人工智慧機器人越來越多地被用於執行危險或重複性任務，作為倉庫自動化的一部分，從而降低工人的風險，並提高整體生產力。
- 結果的一致性。現今的分析工具利用人工智慧和機器學習技術，以統一的方式處理大量數據，同時透過持續學習不斷適應新資訊。例如，人工智慧應用在法律文件審查，和語言翻譯領域已取得了穩定可靠的成果。
- 客製化和個性化。人工智慧系統可以透過在數位平台上，個人化互動和內容推送，來提升使用者體驗。例如，在電子商務平台上，人工智慧模型會分析使用者行為，推薦符合個人偏好的產品，進而提高客戶滿意度和參與度。
- 全天候可用。人工智慧程式無需休息或睡眠。例如，即使在高互動量的情況下，人工智慧驅動的虛擬助理也能提供不間斷的全天候客戶服務，從而縮短回應時間並降低成本。
- 可擴充性。人工智慧系統可以擴充，以處理不斷增加的工作量和資料量。這使得人工智慧非常適合數據量和工作負載，呈指數級成長的場景，例如網路搜尋和商業分析。
- 加速研發。人工智慧可以加快製藥和材料科學等領域的研發步伐。透過快速模擬和分析多種可能的情況，人工智慧模型可以幫助研究人員，比傳統方法更快發現新藥、新材料或新化合物。
- 永續性和環境保護。人工智慧和機器學習越來越多地用於監測環境變化、預測未來天氣事件，和管理環境保護工作。例如，機器學習模型可以處理衛星影像和感測器數據，以追蹤野火風險、污染程度，和瀕危物種數量。
- 流程優化。人工智慧被應用於各行業的複雜流程的簡化和自動化。例如，人工智慧模型可以辨識製造工作流程中，低效率環節並預測瓶頸；而在能源領域，它們可以預測電力需求，並即時分配電力供應。
人工智慧的缺點
以下是人工智慧的一些缺點：
- 高昂的成本。開發人工智慧可能非常昂貴。建立人工智慧模型需要大量的初始投資，包括基礎設施、運算資源，以及用於訓練模型，和儲存訓練資料的軟體。初始訓練之後，模型推理和重新訓練，也會產生持續的成本。因此，成本會迅速累積，尤其對於像生成式人工智慧應用這樣高級、複雜的系統更是如此；OpenAI 執行長 Sam Altman 曾表示，訓練該公司的GPT-4模型花費了超過 1 億美元。
- 技術複雜性。開發、運作和故障排除人工智慧系統 —— 尤其是在實際生產環境中 —— 需要大量的技術知識。在許多情況下，這些知識與建立非人工智慧軟體所需的知識截然不同。例如，建置和佈署機器學習應用程式，涉及一個複雜的多階段高技術流程，涵蓋資料準備、演算法選擇、參數調優，和模型測試等各個環節。
- 人才缺口。除了技術複雜性之外，人工智慧和機器學習領域受過專業訓練的人才嚴重短缺，而這類技能的需求卻與日俱增。人工智慧人才供需之間的這種差距，意味著，儘管人們對人工智慧應用的興趣日益濃厚，但許多組織仍然找不到足夠多的合格員工，來開展人工智慧計畫。
- 算法偏見。人工智慧和機器學習演算法，會反映訓練資料中存在的偏見 —— 當人工智慧系統大規模佈署時，這些偏見也會隨之放大。在某些情況下，人工智慧系統甚至會將訓練資料中，細微的偏見編碼，成可強化的、偽客觀的模式，從而放大這些偏見。一個著名的例子是，亞馬遜開發了一款由人工智慧驅動的招聘工具，目的在自動化招聘流程，但該工具無意中偏袒了男性候選人，這反映了科技業普遍存在的性別失衡問題。
- 泛化能力不足。人工智慧模型通常在其訓練的特定任務上表現出色，但在處理新場景時卻力不從心。這種靈活性的缺失，會限制人工智慧的實用性，因為新任務可能需要開發全新的模型。例如，在英語文本上訓練的自然語言處理模型，如果沒有經過大量的額外訓練，在其他語言的文本上可能表現不佳。雖然目前正在進行提高模型泛化能力的研究 —— 即領域自適應或遷移學習 —— 但這仍然是一個尚未解決的研究難題。
- 工作流失。如果企業用機器取代人類員工，人工智慧可能會導致失業 —— 隨著人工智慧模型能力的日益精進，以及企業越來越多地尋求利用人工智慧來實現工作流程自動化，這已成為一個日益令人擔憂的問題。例如，一些文案撰寫人員反映，他們被大型語言模型（ LLM，例如 ChatGPT）所取代。雖然人工智慧的廣泛應用，也可能創造新的工作崗位，但這些職位可能與被取代的職位並不重疊，從而引發人們對經濟不平等，和技能再培訓的擔憂。
- 安全漏洞。人工智慧系統極易受到各種網路威脅的攻擊，包括資料投毒和對抗性機器學習。例如，駭客可以從人工智慧模型中，提取敏感的訓練數據，或誘騙人工智慧系統，產生錯誤甚至有害的輸出。這在金融服務和政府等對安全高度敏感的行業，尤其令人擔憂。
- 環境影響。支撐人工智慧模型運作的資料中心，和網路基礎設施，消耗大量能源和水資源。因此，訓練和運行人工智慧模型會對氣候產生顯著影響。大型生成模型的碳足跡尤其令人擔憂，因為它們在訓練和持續使用過程中，需要大量的運算資源。
- 法律問題。人工智慧引發了關於隱私和法律責任的複雜問題，尤其是在人工智慧監管環境不斷演變，且因地區而異的情況下。例如，利用人工智慧分析個人資料，並據此做出決策會帶來嚴重的隱私問題，而且，法院將如何看待由基於受版權保護作品，訓練的人工智慧生成的資料的作者身份，目前尚不明確。
Klacci 凱樂奇商用級智慧門鎖各種應用解決方案
強人工智慧與弱人工智慧
人工智慧一般可以分為兩類：狹義人工智慧（或弱人工智慧）和通用人工智慧（或強人工智慧）。
- 狹義人工智慧。這種人工智慧形式指的是經過訓練，以執行特定任務的模型。狹義人工智慧只能在其預先設定的任務範圍內運行，不具備廣泛泛化或學習超出其初始編程範圍的能力。狹義人工智慧的例子包括虛擬助手，例如蘋果的 Siri 和亞馬遜的 Alexa，以及推薦引擎，例如 Spotify 和 Netflix 等串流平台上的推薦引擎。
- 通用人工智慧。這種目前尚不存在的人工智慧，通常被稱為通用人工智慧（AGI）。如果AGI被創造出來，它將能夠執行人類能夠完成的任何智力任務。為此，AGI需要具備跨領域推理的能力，以理解它並非預先設定解決的複雜問題。而這又需要人工智慧領域中，被稱為模糊邏輯的技術：這種方法允許存在灰色地帶，和不確定性的漸變，而不是非黑即白的二元結果。
重要的是，通用人工智慧（AGI）是否能夠被創造出來，以及這樣做的後果，仍然是人工智慧專家激烈爭論的問題。即使是當今最先進的人工智慧技術，例如 ChatGPT 和其他強大的語言學習模型（LLM），其認知能力也無法與人類相提並論，更無法在各種不同的情境中進行泛化。例如，ChatGPT 的設計初衷是用於自然語言生成，它無法超越其最初的程式設計目標，去執行諸如複雜的數學推理等任務。
四種人工智慧類型
人工智慧可以分為四種類型，從目前廣泛使用的特定任務智慧系統開始，逐步發展到目前尚未存在的有感知能力的系統。
類別如下：
- 第一類：反應式機器。這類人工智慧系統沒有記憶，只能執行特定任務。例如，IBM 的國際象棋程式「深藍」在 20 世紀 90 年代擊敗了俄羅斯國際象棋特級大師加里·卡斯帕羅夫。 「深藍」能夠辨識棋盤上的棋子，並做出預測，但由於它沒有記憶，因此無法利用過去的經驗，來指導未來的行動。
- 第二類：有限記憶。這類人工智慧系統擁有記憶功能，因此可以利用過去的經驗來引導未來的決策。自動駕駛汽車中的一些決策功能，就是以這種方式設計的。
- 第三類：心智理論。心智理論是一個心理學術語。應用於人工智慧領域時，它指的是能夠理解情緒的系統。這類人工智慧可以推斷人類意圖並預測行為，這是人工智慧系統融入傳統人類團隊的必要技能。
- 第四類： 自我意識。在這一類別中，人工智慧系統具有自我意識，從而擁有了意識。具備自我意識的機器能夠理解自身的當前狀態。這種類型的人工智慧目前尚未出現。
人工智慧技術的例子有哪些？它目前是如何應用的？
人工智慧技術可以增強現有工具的功能，並實現各種任務和流程的自動化，進而影響日常生活的各個層面。以下是一些突出的例子。
自動化
人工智慧透過擴展可自動化任務的範圍、複雜性和數量，增強了自動化技術。例如，機器人流程自動化（RPA）可以自動執行，傳統上由人工完成的重複性、基於規則的資料處理任務。由於人工智慧可以幫助RPA機器人適應新數據，並動態回應流程變化，因此整合人工智慧和機器學習功能，使RPA能夠管理更複雜的工作流程。
機器學習
機器學習是一門教導電腦，如何從數據中學習並做出決策，而無需明確程式設計的科學。深度學習是機器學習的一個分支，它使用複雜的神經網路，來執行本質上是一種高級形式的預測分析。
機器學習演算法大致可分為三類：監督式學習、無監督學習、強化學習。
- 監督學習透過標記資料集訓練模型，使模型能夠準確識別模式、預測結果或對新資料進行分類。
- 無監督學習訓練模型來梳理未標記的資料集，以發現潛在的關係或聚集。
- 強化學習採用了一種不同的方法，其中模型透過充當智慧體，並接收對其行為的回饋來學習做出決策。
還有一種半監督學習方法，它結合了監督學習和非監督學習的特徵。這種技術使用少量標記數據和大量未標記數據，從而在提高學習精度的同時，減少了對標記數據的需求，而獲取標記數據往往耗時耗力。
電腦視覺
電腦視覺是人工智慧的一個分支，專注於教會機器如何解讀視覺世界。透過使用深度學習模型分析，諸如攝影機圖像和影像之類的視覺訊息，電腦視覺系統可以學習辨識和分類物體，並基於這些分析結果做出決策。
電腦視覺的主要目標是利用人工智慧演算法，來複製或改進人類視覺系統。電腦視覺的應用範圍非常廣泛，從簽名辨識到醫學影像分析，再到自動駕駛汽車，無所不包。機器視覺（一個經常與電腦視覺混淆的術語）特別指在工業自動化領域（例如製造業的生產流程）中使用電腦視覺來分析攝影機和視訊資料。
自然語言處理
自然語言處理（NLP）是指電腦程式，對人類語言的處理。NLP演算法可以解釋人類語言並與之交互，執行諸如翻譯、語音辨識和情緒分析等任務。NLP最古老、最著名的應用程式之一，是垃圾郵件偵測，它會分析電子郵件的主題和正文，判斷是否為垃圾郵件。更進階的 NLP 應用包括語言學習模型（LLM），例如 ChatGPT和Anthropic公司的 Claude。
機器人技術
機器人學是工程學的一個分支，專注於機器人的設計、製造和運作：機器人是一種自動化機器，能夠複製並取代人類的動作，特別是那些對人類困難、危險或繁瑣的動作。機器人學的應用實例包括製造業（機器人執行重複性或危險的裝配線任務）以及在遙遠、難以到達的區域（例如外太空和深海）執行探索任務。
人工智慧和機器學習的融合顯著提升了機器人的能力，使其能夠做出更明智的自主決策，並適應新的環境和數據。例如，具有機器視覺功能的機器人，可以學習根據形狀和顏色，對工廠管線上的物體進行分類。
自動駕駛汽車
自動駕駛汽車，俗稱無人駕駛汽車，能夠在極少或無需人為干預的情況下，感知和導航周圍環境。這些車輛依賴多種技術的結合，包括雷達、GPS 以及一系列人工智慧和機器學習演算法，例如圖像辨識。
這些演算法透過學習真實世界的駕駛、交通和地圖數據，做出關於何時煞車、轉彎和加速；如何保持在特定車道內行駛；以及如何避開包括行人在內的意外障礙物的明智決策。儘管近年來這項技術取得了長足進步，但能夠完全取代人類駕駛員的自動駕駛汽車，最終目標尚未實現。
生成式人工智慧
生成式人工智慧是指能夠根據文字提示，產生新資料的機器學習系統 —— 最常見的是文字和圖像，但也包括音訊、影像、軟體程式碼，甚至基因序列和蛋白質結構。透過在海量資料集上進行訓練，這些演算法逐漸學習，將被要求產生的媒體類型的模式，從而使其能夠在後續中產生，與訓練資料相似的新內容。
2022年，隨著ChatGPT、Dall-E和Midjourney等文字和影像產生器的廣泛應用，生成式人工智慧迅速崛起，並在商業領域得到越來越廣泛的應用。儘管許多生成式人工智慧工具的功能令人印象深刻，但它們也引發了人們對版權、合理使用和安全等問題的擔憂，這些問題在科技領域，仍然是公開討論的話題。
人工智慧有哪些應用？
人工智慧已經滲透到眾多產業領域和研究領域。以下列舉幾個最顯著的例子。
Klacci 凱樂奇醫療業解決方案
人工智慧在醫療保健領域的應用
人工智慧已應用於醫療保健領域的許多任務，其總體目標是改善患者預後，並降低系統成本。其中一個主要應用是利用大型醫療資料集訓練的機器學習模型，輔助醫療專業人員更快、更準確地進行診斷。例如，人工智慧軟體可以分析CT掃描影像，並在疑似中風時向神經科醫生發出警報。
在患者方面，線上虛擬健康助理和聊天機器人可以提供一般醫療資訊、安排預約、解釋收費流程，並完成其他行政任務 。預測建模人工智慧演算法，還可以用於對抗諸如新冠肺炎等流行病的傳播。
人工智慧在商業上的應用
人工智慧正日益融入各個業務職能和產業中，目的在提高效率、改善客戶體驗、優化策略規劃和決策。例如，機器學習模型為當今許多數據分析和客戶關係管理 ( CRM ) 平台提供支持，幫助企業了解如何透過個人化產品和服務，以及提供更精準的行銷，來更好地服務客戶。
虛擬助理和聊天機器人也被佈署在企業網站和行動應用 app 中，以提供全天候客戶服務並解答常見問題。此外，越來越多的公司正在探索生成式人工智慧工具（例如 ChatGPT）的功能，以實現文件撰寫和摘要、產品設計和構思以及電腦程式設計等任務的自動化。
人工智慧在教育的應用
人工智慧在教育科技領域擁有許多潛在應用。它可以自動化評分流程的部分環節，讓教師有更多時間從事其他工作。人工智慧工具還能評估學生的學習表現，並根據他們的個人化需求進行調整，從而創造出更個人化的學習體驗，使學生能夠按照自己的步調學習。人工智慧導師還可以為學生提供額外的支持，確保他們跟上學習進度。這項技術甚至可能改變學生的學習地點和方式，進而顛覆教師的傳統角色。
隨著 ChatGPT 和Google Gemini等學習學習模型 (LLM) 功能的不斷增強，這類工具可以幫助教育工作者設計教學材料，並以全新的方式吸引學生參與學習。然而，這些工具的出現也迫使教育工作者，重新審視作業和考試方式，並修訂反抄襲政策，尤其是在人工智慧檢測，和人工智慧浮水印工具，目前尚不可靠的情況下。
人工智慧在金融和銀行業的應用
銀行和其他金融機構利用人工智慧來改善決策，例如發放貸款、設定信用額度，以及辨識投資機會。此外，由先進的人工智慧和機器學習技術驅動的演算法交易，已經徹底改變了金融市場，其交易速度和效率遠遠超過了人工交易員。
人工智慧和機器學習，也已進入消費金融領域。例如，銀行使用人工智慧聊天機器人，向客戶介紹服務和產品，並處理無需人工干預的交易和問題。同樣，Intuit 在其 TurboTax 電子報稅產品中，提供生成式人工智慧功能，根據用戶的稅務概況，和所在地的稅號等數據，為用戶提供個人化建議。
法律領域的人工智慧
人工智慧正在改變法律行業，它能夠自動化處理諸如文件審查和證據開示回復等勞動密集型任務，這些任務對律師和律師助理來說，既繁瑣又耗時。如今，律師事務所利用人工智慧和機器學習技術處理各種任務，包括運用分析和預測人工智慧，來分析數據和案例法，運用電腦視覺來對文件進行分類和提取資訊，以及運用自然語言處理，來解讀和回覆證據開示請求。
除了提高效率和生產力之外，人工智慧的這種整合還能讓法律專業人士，騰出更多時間與客戶交流，並專注於人工智慧不太擅長的更具創造性和策略性的工作。隨著生成式人工智慧在法律領域的興起，律所也在探索使用法學碩士（LLM）來起草常用文件，例如標準合約。
人工智慧在娛樂和媒體領域的應用
娛樂和媒體產業利用人工智慧技術，進行目標廣告投放、內容推薦、分發和詐欺偵測。這項技術使公司能夠個人化受眾體驗並優化內容分發。
生成式人工智慧在內容創作領域也是熱門話題。廣告從業人員已經開始使用這些工具，來製作行銷資料和編輯廣告圖片。然而，在電影和電視劇創作，以及視覺特效等領域，它們的使用更具爭議性。在這些領域，生成式人工智慧雖然提高了效率，但也威脅到從事創意工作的人員的生計和智慧財產權。
新聞業中的人工智慧
在新聞領域，人工智慧可以透過自動化資料輸入，和校對等日常任務，來簡化工作流程。調查記者和數據記者也利用人工智慧，透過機器學習模型篩選大型數據集，來挖掘和研究新聞故事，從而發現手動辨識耗時費力的趨勢和隱藏關聯。例如，2024年普立茲新聞獎的五位入圍者透露，他們在報導中使用了人工智慧，來執行諸如分析海量警方記錄等任務。雖然傳統人工智慧工具的使用日益普遍，但使用生成式人工智慧撰寫新聞內容的做法，仍存在爭議，因為它引發了人們對可靠性、準確性和倫理道德的擔憂。
人工智慧在軟體開發和資訊科技領域的應用
人工智慧 (AI) 被用於自動化軟體開發、DevOps 和 IT 領域的許多流程。例如，AIOps工具透過分析系統資料，來預測潛在問題，從而實現對 IT 環境的預測性維護；而 AI 驅動的監控工具則可以根據歷史系統資料，即時標記潛在異常。GitHub Copilot 和 Tabnine 等生成式 AI 工具，也越來越多地用於根據自然語言提示，產生應用程式程式碼。儘管這些工具已展現出早期潛力，並受到開發者的關注，但它們不太可能完全取代軟體工程師。相反，它們可以作為有效的生產力輔助工具，自動執行重複性任務和樣板程式碼編寫。
安全領域的人工智慧
人工智慧和機器學習，是安全廠商行銷中的熱門詞彙，因此買家應謹慎對待。儘管如此，人工智慧在網路安全的多個方面，確實是一項有用的技術，包括異常偵測、減少誤報和進行行為威脅分析。例如，企業在安全資訊和事件管理 ( SIEM ) 軟體中，使用機器學習來偵測可疑活動和潛在威脅。透過分析大量資料並辨識類似於已知惡意程式碼的模式，人工智慧工具可以比人工和以往的技術，更快地向安全團隊發出關於新型攻擊的警報。
 |
 |
人工智慧在製造業的應用
製造業一直走在將機器人融入工作流程的前導，近年來，協作機器人（簡稱「人機協作機器人」）的發展尤其突出。與傳統工業機器人不同，後者被編程執行單一任務，且獨立於人類工人操作，而人機協作機器人體積更小、功能更全面，目的在與人類協同工作。這些多功能機器人，可以承擔倉庫、工廠生產作業，和其他工作場所的更多任務，包括組裝、包裝和品質控制。尤其值得一提的是，使用機器人執行或協助完成重複性、體力勞動強度大的任務，可以顯著提高人類工人的安全性和工作效率。
交通運輸領域的人工智慧
除了人工智慧在自動駕駛汽車運行中，發揮的基礎性作用外，人工智慧技術還被應用於汽車運輸領域，用於管理交通、解決擁塞和提升道路安全。在航空旅行中，人工智慧可以透過分析天氣和空中交通狀況等數據點，來預測航班延誤。在遠洋航運中，人工智慧可以透過優化航線，和自動監控船舶狀況，來提高安全性和效率。
在供應鏈領域，人工智慧正在取代傳統的預測方法，並提高對潛在中斷和瓶頸預測的準確性。新冠疫情凸顯了這些能力的重要性，因為許多公司都對全球疫情對商品供需的影響措手不及。
增強智慧與人工智慧
「人工智慧」一詞與流行文化緊密相連，這可能會讓大眾對人工智慧在工作和日常生活中的影響，抱有不切實際的期望。一個被提議的替代術語「增強智慧」將輔助人類的機器系統與科幻作品中，完全自主的系統區分開來 —— 例如《2001太空漫遊》中的HAL 9000或《魔鬼終結者》系列電影中的天網。
這兩個術語可以定義如下：
- 增強智慧。「增強智慧」一詞意義更為中性，它顯示大多數人工智慧應用，目的在增強人類能力，而不是取代人類能力。這些應用範圍較窄的人工智慧系統主要透過執行特定任務，來改善產品和服務。例如，自動在商業智慧報告中，呈現重要數據，或在法律文件中突出顯示關鍵資訊。ChatGPT 和 Gemini 等工具在各行各業的迅速普及顯示，人們越來越願意利用人工智慧來輔助人類決策。
- 人工智慧.在此框架下，AI 一詞將專指高級通用人工智慧，以便更好地管理公眾預期，並明確區分當前應用場景，與實現 AGI 的願景。AGI 的概念與技術奇點密切相關 —— 技術奇點指的，是未來人工智慧將遠遠超越人類認知能力，並可能以我們無法理解的方式重塑現實。奇點長期以來一直是科幻小說的主題，但如今一些人工智慧開發者正積極致力於AGI 的研發。
人工智慧的倫理使用
人工智慧工具雖然為企業帶來了許多新功能，但其使用也引發了重大的倫理問題。無論好壞，人工智慧系統都會強化其現有的學習成果，這意味著這些演算法高度依賴訓練資料。由於訓練資料是由人選擇的，因此必然存在偏見，必須對其進行密切監控。
生成式人工智慧又增加了一層倫理複雜性。這些工具可以產生高度逼真且令人信服的文字、圖像和音訊 —— 這對於許多合法應用來說，是一項有用的功能，但也可能成為虛假資訊和有害內容（例如深度偽造內容）傳播的潛在途徑。
因此，任何希望在實際生產系統中，應用機器學習的人，都需要將倫理因素納入人工智慧訓練流程，並努力避免不必要的偏見。對於缺乏透明度的人工智慧演算法，例如深度學習中使用的複雜神經網路，這一點尤其重要。
負責任的人工智慧是指開發和實施安全、合規且對社會有益的人工智慧系統。它源於人們對演算法偏見、缺乏透明度和意外後果的擔憂。這個概念根植於人工智慧倫理的長期概念，但隨著生成式人工智慧工具的廣泛應用，而日益受到重視 —— 隨之而來的是，這些工具的風險也變得更加令人擔憂。將負責任的人工智慧原則，融入商業策略有助於企業降低風險，並建立公眾信任。
可解釋性，即理解人工智慧系統如何做出決策的能力，是人工智慧研究中日益受到關注的領域。缺乏可解釋性，可能會阻礙人工智慧，在監管合規要求嚴格的行業中的應用。例如，公平貸款法要求美國金融機構向貸款和信用卡申請人，解釋其信貸發放決策。然而，當人工智慧程式做出此類決策時，數千個變數之間的微妙關聯性，可能會造成「黑箱」問題，導致系統的決策過程不透明。
總而言之，人工智慧面臨的倫理挑戰包括以下幾點：
- 由於演算法訓練不當，和人為偏見或疏忽造成的偏見。
- 濫用生成式人工智慧技術製作深度偽造影像、網路釣魚詐騙，和其他有害內容。
- 法律問題，包括人工智慧誹謗和版權問題。
- 人工智慧在工作場所自動化方面的應用日益廣泛，導致工作流失。
- 資料隱私問題，尤其是在銀行、醫療保健和法律等處理敏感個人資料的領域。
人工智慧治理與監管
儘管有潛在風險，但目前針對人工智慧工具使用的監管法規寥寥無幾，許多現行法律並非明確規訂，而是間接適用於人工智慧。例如，如前所述，美國公平貸款法規（如《平等信貸機會法》）要求金融機構向潛在客戶解釋信貸決策。這限制了貸款機構使用深度學習演算法的程度，因為深度學習演算法本質上，是不透明且缺乏可解釋性的。
歐盟在人工智慧治理方面一直積極主動。歐盟的《一般資料保護規範》（GDPR）已經對企業如何使用消費者資料施加了嚴格的限制，這影響到許多面向消費者的人工智慧應用的訓練和功能。此外，目的在為人工智慧的開發和佈署，建立全面監管框架的《歐盟人工智慧法案》已於2024年8月生效。該法案根據人工智慧系統的風險程度，對其施加不同程度的監管，其中生物辨識和關鍵基礎設施等領域，將受到更嚴格的審查。
儘管美國在人工智慧領域取得了進展，但該國仍缺乏類似歐盟《人工智慧法案》的聯邦層級專門立法。政策制訂者尚未推出全面的人工智慧立法，現有的聯邦層級法規，著重於特定應用情境和風險管理，並輔以各州的相關措施。即便如此，歐盟更嚴格的法規最終可能為總部位於美國的跨國公司，設定事實上的標準，就像GDPR塑造了全球資料隱私格局。
關於美國人工智慧政策的具體發展，白宮科技政策辦公室於2022年10月發布了《人工智慧權利法案藍圖》，為企業如何實施符合倫理的人工智慧系統，提供了指導。美國商會也在2023年3月發布的報告中呼籲，制訂人工智慧監管法規，強調需要採取平衡的方法，既要促進競爭，也要應對風險。
最近，在2023年10月，拜登總統發布了一項關於安全負責的人工智慧開發的行政命令。該命令指示聯邦機構採取特定措施評估和管理人工智慧風險，並要求功能強大的人工智慧系統開發者，報告安全測試結果。2025年的美國總統大選結果，也可能影響未來的人工智慧監管，因為候選人卡馬拉·哈里斯和唐納德·川普在技術監管方面提出了不同的方案。
制訂人工智慧監管法律並非易事，部分原因是人工智慧涵蓋多種用於不同用途的技術，部分原因是監管可能會阻礙人工智慧的進步和發展，從而引發產業的強烈反對。人工智慧技術的快速演進，是制訂有效監管法規的另一個主要障礙，人工智慧缺乏透明度也是一大難題，這使得人們難以理解演算法如何得出結果。此外，諸如 ChatGPT 和 Dall-E 等技術突破和，新型應用可能會迅速使現有法律失效。當然，法律和其他監管措施，也難以阻止惡意行為者利用人工智慧從事有害活動。
這些通常被描述為人工智慧的四種主要類型。
 |
這些通常被描述為人工智慧的四種主要類型。 |
人工智慧的歷史是怎麼樣的？
賦予無生命物體智慧的概念由來已久。希臘神話中，赫菲斯托斯被描繪成用黃金打造機器人般的僕人；而古埃及的工程師則建造了能夠活動的諸神雕像，這些雕像由祭司操控的隱藏機械裝置驅動。
幾個世紀以來，從古希臘哲學家亞里斯多德，到13世紀西班牙神學家拉蒙·尤爾，再到數學家勒內·笛卡兒，和統計學家托馬斯·貝葉斯，眾多思想家都運用當時的工具和邏輯，將人類的思維過程描述為符號。他們的工作為人工智慧概念奠定了基礎，例如通用知識表示和邏輯推理。
19世紀末20世紀初，湧現許多奠定現代電腦基礎的研究成果。 1836年，劍橋大學數學家查爾斯·巴貝奇和洛夫萊斯伯爵夫人奧古斯塔·艾達·金發明了第一台可程式機器的設計，即分析機。巴貝奇勾勒出了第一台機械電腦的設計圖，而洛夫萊斯 —— 通常被認為是第一位電腦程式設計師——則預見到這台機器不僅能夠進行簡單的計算，還能執行任何可以用演算法描述的操作。
隨著20世紀的推進，電腦領域的關鍵發展塑造了人工智慧的雛形。在1930年代，英國數學家、二戰密碼破解專家艾倫·圖靈，提出了通用機器的概念，這種機器可以模擬任何其他機器。他的理論對數位電腦的發展，以及最終人工智慧的誕生非常重要。
1940年代
普林斯頓大學數學家約翰·馮·諾伊曼構思了儲存程式電腦的架構 —— 即電腦的程式，及其處理的資料，可以保存在電腦的記憶體中。華倫·麥卡洛克和沃爾特·皮茨提出了人工神經元的數學模型，為神經網路和其他未來人工智慧的發展奠定了基礎。
1950年代
隨著現代電腦的出現，科學家開始檢驗他們對機器智慧的想像。1950年，圖靈設計了一種，判斷電腦是否具有智慧的方法，他稱之為模仿遊戲，但更廣為人知的名稱是圖靈測試。該測試評估電腦能否讓提問者相信，它對問題的回答是由人類做出的。
現代人工智慧領域普遍被認為，起源於1956年在達特茅斯學院舉辦的夏季會議。這次會議由美國國防高級研究計劃局（DARPA）贊助，匯集了該領域的十位傑出人物，其中包括人工智慧先驅馬文·明斯基、奧利弗·塞爾弗里奇和約翰·麥卡錫，後者被認為是「人工智慧」一詞的創造者。電腦科學家艾倫·紐厄爾和經濟學家、政治學家兼認知心理學家赫伯特·A·西蒙也出席了會議。
兩人推出了具有開創性的「邏輯理論家」（Logic Theorist）程序，該程式能夠證明某些數學定理，通常被認為是第一個人工智慧程式。一年後，也就是1957年，紐厄爾和西蒙創建了「通用問題求解器」（General Problem Solver）演算法。儘管該演算法未能解決更複雜的問題，但它為開發更複雜的認知架構奠定了基礎。
1960年代
在達特茅斯學院會議之後，人工智慧這一新興領域的領導者預測，人類創造的、與人腦功能相當的智慧即將問世，並吸引了政府和產業的大力支持。事實上，近20年來資金充足的基礎研究確實在人工智慧領域取得了顯著進展。麥卡錫開發了Lisp語言，這種語言最初是為人工智慧程式設計而設計的，至今仍在使用。1960年代中期，麻省理工學院教授約瑟夫·魏岑鮑姆開發了Eliza，這是一個早期的自然語言處理程序，為今天的聊天機器人奠定了基礎。
1970年代
在1970年代，由於電腦處理能力和記憶體的限制，以及問題的複雜性，實現通用人工智慧（AGI）並非易事，也並非迫在眉睫。因此，政府和企業對人工智慧研究的支持力度減弱，導致1974年至1980年間出現了一段被稱為「人工智慧寒冬」的低迷期。在此期間，人工智慧這一新興領域經歷了資金和關注度的大幅下降。
1980年代
1980年代，深度學習技術的研究以及愛德華·費根鮑姆的專家系統，在工業界的應用，引發了新一輪人工智慧熱潮。專家系統利用基於規則的程序，來模擬人類專家的決策過程，被應用於金融分析和臨床診斷等領域。然而，由於這些系統成本高且功能有限，人工智慧的復興曇花一現，隨後政府資助和產業支持再次銳減。這段被稱為「第二次人工智慧寒冬」的時期，即人工智慧發展受阻、投資減少的時期，一直持續到1920年代中期。
1990年代
運算能力的提升和資料量的爆炸性成長，在1990年代中後期引發了人工智慧的復興，為我們今天所見的人工智慧的卓越進步奠定了基礎。大數據與運算能力的結合推動了自然語言處理、電腦視覺、機器人、機器學習和深度學習等領域的突破。 1997年，一個重要的里程碑事件發生：深藍擊敗了卡斯帕羅夫，成為第一個擊敗世界象棋冠軍的電腦程式。
2000年代
機器學習、深度學習、自然語言處理、語音辨識，和電腦視覺的進一步發展，催生了眾多產品和服務，這些產品和服務塑造了我們今天的生活方式。其中的重大發展包括2000年Google搜尋引擎的推出和2001年亞馬遜推薦引擎的推出。
同樣在2000年代，Netflix開發了電影推薦系統，Facebook推出了臉部辨識系統，微軟推出了音訊轉錄的語音辨識系統。IBM推出了Watson問答系統，Google啟動了自動駕駛汽車專案Waymo。
2010年代
2010年至2020年這十年間，人工智慧（AI）取得了持續發展。其中包括蘋果推出Siri和亞馬遜公司推出Alexa語音助理；IBM Watson在智力競賽節目《危險邊緣》（Jeopardy!）中屢獲佳績；汽車自動駕駛功能的開發；以及基於人工智慧的癌症高精度檢測系統的應用。首個生成對抗網路（GAN）被開發出來，Google也推出了TensorFlow —— 一個廣泛應用於人工智慧開發的開源機器學習框架。
2012年，具有里程碑意義的AlexNet問世，它是一種卷積神經網絡，極大地推動了圖像辨識領域的發展，並普及了GPU在人工智慧模型訓練中的應用。 2016年，GoogleDeepMind的AlphaGo模型，擊敗了圍棋世界冠軍李世石，展現了人工智慧掌握複雜戰略遊戲的能力。此前一年， OpenAI研究實驗室成立，並在接下來的十年後半段，在強化學習和自然語言處理領域取得了重要進展。
2020年代
過去十年，生成式人工智慧（GI）的出現佔據了主導地位。這種人工智慧可以根據使用者的提示產生新的內容。這些提示通常以文字形式出現，但也可能是圖像、影像、設計藍圖、音樂，或任何其他人工智慧系統可以處理的輸入。輸出內容涵蓋範圍廣泛，從文章到問題解答，再到人物照片生成的逼真圖像，應有盡有。
2020年，OpenAI發布了其GPT語言模型的第三代版本，但這項技術直到2022年才獲得廣泛關注。同年，生成式人工智慧浪潮隨著影像產生器Dall-E 2和Midjourney，分別於4月和7月的發布而興起。同年11月，ChatGPT的正式發布更是將這股熱潮推向了頂峰。
OpenAI 的競爭對手，迅速對 ChatGPT 的發布做出反應，推出了與之競爭的 LLM 聊天機器人，例如 Anthropic 的 Claude 和 Google 的 Gemini。音訊和影像產生器，例如 ElevenLabs 和 Runway，也分別在 2023 年和 2024 年問世。
生成式人工智慧技術，仍處於早期階段，其持續存在的幻覺傾向以及對實用、經濟高效應用的不斷探索便證明了這一點。但無論如何，這些進展以一種全新的方式將人工智慧帶入了公眾視野，引發了人們既興奮又擔憂的複雜情緒。
人工智慧工具與服務：演進與生態系統
人工智慧工具和服務正以驚人的速度發展。目前的創新可以追溯到2012年AlexNet神經網路的出現，它開啟了基於GPU和大數據集的高效能人工智慧的新時代。其關鍵進展在於發現神經網路，可以並行地在多個GPU核心上，處理海量資料進行訓練，從而使訓練過程更具可擴展性。
進入21世紀，Google、微軟和OpenAI等公司，在演算法方面的進步，與輝達等基礎設施供應商，在硬體創新方面取得的突破，形成了共生關係。這些發展使得在更多互聯的GPU上，運行規模越來越大的AI模型成為可能，從而顯著提升了效能和可擴展性。這些AI領域的領導企業之間的合作，對於ChatGPT的成功非常重要，更不用說其他數十項突破性的AI服務了。以下是一些推動AI工具和服務發展的創新實例。
變形金剛
谷歌率先探索出更有效率的流程，用於在配備GPU的大型通用PC叢集上佈署AI訓練。這反過來又為Transformer模型的發現鋪平了道路，Transformer模型能夠自動完成許多在無標籤資料上，訓練AI的環節。在2017年發表的論文《Attention Is All You Need》中，Google研究人員提出了一種新穎的架構，該架構利用自注意力機制，來提升模型在各種自然語言處理任務（例如翻譯、文本生成和摘要）上的表現。這種Transformer架構對於開發包括ChatGPT在內的現代語言學習模型（LLM）極為重要。
硬體優化
在開發高效能、可擴展的人工智慧時，硬體與演算法架構同等重要。GPU 最初是為圖形渲染而設計的，如今已成為處理大量資料集的關鍵。專為深度學習設計的張量處理單元 (Tensor Processor Unit) 和神經處理單元 (Neural Processor Unit)則顯著加快了複雜人工智慧模型的訓練速度。像 輝達 (Nvidia) 這樣的廠商，已經針對最受歡迎的演算法優化了微程式碼，使其能夠在多個 GPU 核心上並行運行。晶片製造商也正與主流雲端服務供應商合作，透過 IaaS、SaaS 和 PaaS 等模式，以人工智慧即服務(AIaaS) 的形式，讓更多人能夠使用這項功能。
生成式預訓練Transformer與微調
人工智慧技術棧在過去幾年發展迅猛。過去，企業必須從零開始訓練人工智慧模型。如今，OpenAI、Nvidia、微軟和Google等供應商，提供了預先訓練的生成式Transformer模型（GPT），這些模型可以針對特定任務進行微調，從而大幅降低成本、減少專業知識投入並縮短時間。
AI雲端服務與AutoML
企業有效利用人工智慧的最大障礙之一是資料工程和資料科學任務的複雜性，而這些任務是將人工智慧功能，融入新的或現有的應用程式中所必需的。所有領先的雲端服務供應商，都在推出品牌化的 AIaaS 產品，以簡化資料準備、模型開發和應用程式佈署。其中的佼佼者包括Amazon AI、Google AI、Microsoft Azure AI和Azure ML、IBM Watson以及Oracle Cloud的AI功能。
同樣，主流雲端服務供應商和其他供應商也提供自動化機器學習（AutoML）平台，以自動化機器學習和人工智慧開發中的許多步驟。 AutoML 工具普及了人工智慧功能，並提高了人工智慧部署的效率。
尖端人工智慧模型即服務
領先的人工智慧模型開發人員，也基於這些雲端服務提供尖端的人工智慧模式。OpenAI 擁有多個針對聊天、自然語言處理、多模態和程式碼產生進行最佳化的語言學習模型 (LLM)，這些模型透過 Azure 進行佈署。輝達則採取了更加雲端平台無關的策略，向所有雲端供應商銷售針對文字、影像和醫療資料最佳化的 AI 基礎架構和基礎模型。許多規模較小的公司，也提供針對不同行業和用例客製化的模型。
0 comments:
張貼留言