AI的定義 (人工智慧的基本概念與起源)
人工智慧（Artificial Intelligence，簡稱AI）的概念：一般而言，人工智慧指的是由電腦系統所展現的類人智慧行為。AI透過建立並運行各種演算法，在動態的運算環境中模擬人類的智能活動 [1]。簡單來說，人工智慧的核心目標就是讓電腦能夠像人類一樣思考和行動 [1]。這意味著AI系統可以執行過去需要人類智能才能完成的任務，例如學習、推理、問題解決、感知環境，以及語言理解等。
起源與發展：作為一門學科，“人工智慧”一詞最早是在1956年的達特茅斯會議上由約翰·麥卡錫（John McCarthy）等科學家提出的 [2]。這場研討會標誌著AI研究領域的正式誕生，被視為人工智慧的開端。早期的AI研究著重於讓機器模仿人類的推理和問題解決能力，例如使用邏輯推導和符號運算來下棋或證明定理。然而，AI在其發展歷程中經歷了數次高潮與低潮：1970年代和1980年代曾出現所謂的「AI寒冬」，因為當時的技術水準和硬體計算能力不足，導致研究進展停滯 [2]。直到21世紀，隨著計算能力的大幅提升、海量資料的累積，以及新演算法（特別是機器學習與深度學習）的突破，AI才迎來新一波浪潮。例如2016年DeepMind公司的AlphaGo系統擊敗了圍棋世界冠軍李世乭，成為AI發展里程碑事件之一 [2]。
AI與傳統計算技術的區別：傳統的程式設計是由人類先理解問題並設計解決規則，再用程式碼將這些固定規則告訴電腦。電腦按照人類編寫的指令逐步執行，處理邏輯完全由人類事先規劃好 [3]。相較之下，人工智慧（特別是機器學習技術）則是讓電腦從資料中學習規則，而非僅依賴人類預先定義的規則 [3]。也就是說，在AI系統中，工程師不需要為每種情況寫出明確的條件判斷，取而代之的是提供大量數據及一個學習模型，讓AI自行從資料中歸納出模式並做出預測 [3]。例如，傳統程式可能透過一系列 if-else 規則來判斷電子郵件是否為垃圾郵件；而AI系統（機器學習模型）則可以透過學習大量已標記的郵件資料，自行找出垃圾郵件的特徵。這種基於數據訓練的方式使得AI更具自適應性和學習能力：當提供更多數據或遇到新情況時，AI系統能夠調整內部參數以改善其性能。然而，AI系統也往往被視為「黑盒子」，因為它如何從輸入得到輸出過程可能難以解釋，相對於傳統明確編程的系統，在可控性與可解釋性上是新的挑戰 [4]。
狹義AI與廣義AI（主要研究範疇）
從研究範疇來看，人工智慧可以分為狹義AI和廣義AI兩大類：
狹義人工智慧（Narrow AI）：也被稱為弱人工智慧（Weak AI），指能在特定領域執行單一或有限任務的AI系統 [5]。這類AI專注於解決特定問題，例如圖像辨識、語音助理、圍棋對弈或推薦系統等。狹義AI並不具備全面的智能，而是針對某一任務經過訓練優化，因此在該任務上可能表現得不亞於甚至超過人類水準，但離開這個領域就無能為力 [5]。現今我們日常接觸到的絕大多數AI應用（如Siri語音助理、推薦影片的演算法、AlphaGo下圍棋程式等）都屬於狹義AI [5]。狹義AI技術相對成熟，已廣泛滲透入我們生活中的各個角落 [6]。
廣義人工智慧（General AI）：有時也稱為強人工智慧（Strong AI）或通用人工智慧（AGI, Artificial General Intelligence）。這類AI指的是擁有如同人類一般的智能水準的系統，能夠理解、學習任何智力任務並舉一反三，在不同領域中靈活運用知識解決複雜問題 [5]。廣義AI不僅能在單一任務上表現優異，更能勝任各種不同類型的任務，包含抽象思考、複雜概念理解、自主學習和適應未知情況等 [7]。換言之，廣義AI相當於一個具有全面人類智能的機器。目前廣義AI仍然停留在理論和科幻範疇，是AI研究的長遠目標，尚未真正實現 [5] [6]。即使當前最先進的AI系統，在面對其未訓練過的新問題或環境時，仍無法像人類那樣舉一反三地通用解決。
需要注意的是，有些文獻中還提及**“Broad AI”（廣泛人工智慧）的概念，介於狹義和通用AI之間** [6]。Broad AI強調讓AI具備更廣泛的功能，可以在多任務或多領域**中應用（雖然尚未達到人類水準），例如將多個狹義AI系統整合，使之協調解決較為複雜的任務。同時Broad AI也注重改善目前狹義AI的局限，如降低對巨量數據的依賴、提升模型的泛化能力，以及在可靠性、公平性和可解釋性方面取得進展 [6]。Broad AI的發展被視為逐步邁向通用AI的重要一步。
總而言之，狹義AI是目前的主流，廣義AI（強AI/通用AI）則是最終目標。在接下來的章節中，我們也會討論基於AI能力強弱的其他分類方式（如弱AI、強AI、超級AI），以及AI技術在不同面向的劃分方式。
AI的分類
人工智慧可以從不同角度進行分類，常見的分類方式包括：依照智能程度（能力強弱）分類、依照學習方式分類，以及依照應用領域分類等 [5]。下麵將依序介紹這些分類方式及各類型的特點。
基於能力的分類（弱AI、強AI、超級AI）
依據AI系統所能展現的智能能力層次，通常將AI分為三種類型：
弱人工智慧 (Weak AI)：弱AI基本上等同於前述的狹義AI，指專注於特定任務的人工智慧 [5]。這類AI只具備有限範圍內的智能，無法勝任廣泛的工作。絕大部分現存的AI應用（例如智能音箱的語音助理、推薦系統、圖像識別模型、AlphaGo等）都屬於弱AI。弱AI的特點是實用性強，在其訓練範圍內表現出色，但缺乏通用性。它們無法理解或執行超出訓練任務之外的工作。
強人工智慧 (Strong AI)：強AI與前述廣義AI的概念接近，指具有與人類相當的智能水準的人工智慧 [5]。強AI能夠理解和學習人類能做到的一切智力活動，具有自主意識和推理能力，能舉一反三地解決各種領域的問題。目前強AI仍然是理論上的概念，尚未有任何實際系統達到這種智能水準 [5]。強AI的實現涉及破解意識、本體論、常識推理等深層次科學難題，也是AI終極發展方向之一。
超級人工智慧 (Super AI)：超級AI指的是智慧程度遠超人類的人工智慧 [5]。這一概念由未來學者提出，假想一種AI在各方面都大幅度勝過最聰明的人類。超級AI不僅在計算速度、記憶容量上極大超越人類，還可能具備人類所不及的創造力、社交能力和判斷力。超級人工智慧能理解人類最複雜的情感、信念與欲望，甚至可能自行產生我們難以理解的目標和動機 [5]。目前超級AI完全存在於理論和想像之中，常見於科幻作品的描述，如電影中的高度自主智能電腦等。在現實中，我們離強AI尚有距離，更遑論超級AI。不過，隨著科技指數型成長，超級AI的潛在影響引發了廣泛討論，包括其對人類生存和文明的可能威脅等（這也屬於AI倫理與治理範疇的議題）。
上述弱AI、強AI、超級AI的分類著重在智能水準的強弱。但需要注意，這三類中只有弱AI是真正目前存在的，而強AI和超級AI則是未來目標或假設狀態。很多AI倫理和科幻討論會提及強AI或超級AI，但在學術與產業應用中，當前主要關注點還是在如何提升弱AI的性能與應用範圍，以及逐步朝強AI方向演進。
基於學習方式的分類（監督式學習、非監督式學習、強化學習）
從技術實現角度，根據AI（特別是機器學習模型）從資料中學習的方式不同，可以將學習演算法分為三大類型：
監督式學習 (Supervised Learning)：監督式學習是目前最常用的機器學習方式。在監督式學習中，模型的訓練資料包含輸入與對應的正確輸出標籤（labeled data） [8]。換句話說，每筆訓練資料都有一個「標準答案」。模型通過分析大量已標記的資料，學習輸入與輸出之間的模式關聯，並調整自身參數以減少預測誤差 [8]。這種一邊學習一邊對照正確答案修正的過程，使模型逐步逼近高準確率的預測 [8]。監督式學習的優點是預測精確度高，但缺點是需要大量人工標註的訓練資料，標記過程耗時費力。如果遇到模型未見過的新類別或無法取得足夠標記資料的情況，監督式模型的表現會受到限制。典型的監督式學習應用包括分類和迴歸問題，例如圖像分類（輸入圖片，輸出標籤類別）、垃圾郵件檢測（輸入郵件內容，輸出「垃圾/非垃圾」標記）等。
非監督式學習 (Unsupervised Learning)：非監督式學習所用的訓練資料沒有預先定義的標籤 [8]。模型接收到大量未標記的輸入數據，目標是在沒有標準答案的情況下，自行發現資料內部的模式、結構或關聯關係 [8]。常見的非監督學習任務包括分群（Clustering）、關聯規則發現、資料降維等等 [8]。由於無需人工標記大量資料，非監督式學習在探索未知數據集時非常實用，可以挖掘資料中的潛在結構 [8]。例如，透過非監督學習，零售業者可以根據顧客購物行為數據自動分群，找出不同的顧客類型，進而進行精準行銷。非監督式學習的挑戰在於，由於缺乏明確的目標指引，模型可能發現的模式不一定有意義，且結果的好壞判斷較為困難。此外，非監督模型可能對資料中的雜訊較敏感，有時會產生難以解讀或不實用的分群結果 [8]。
強化學習 (Reinforcement Learning)：強化學習是一種讓AI從與環境的互動中學習的方式 [8]。在強化學習中，沒有現成的輸入-輸出對範例可供學習，取而代之的是AI代理（agent）在環境中不斷嘗試各種行動，根據環境給予的回饋（獎勵或懲罰）來調整策略 [8]。這種透過試錯（trial and error）進行學習的過程，很像生物逐漸適應環境的方式：有益的行為會得到正向回饋（例如分數增加），不良的行為得到負向回饋，AI藉此強化成功的策略、避免失敗的策略，以達到最大化累積獎勵的目標 [8]。強化學習特別適合序列決策問題，例如機器人控制、自主導航、遊戲AI等。經典案例包括AlphaGo透過與自身對弈反覆強化學習來提昇棋藝，以及強化學習演算法學會玩電玩遊戲（如透過不斷嘗試學會在遊戲中跳躍躲避障礙） [8] [8]。強化學習的難點在於獎勵設計和探索-利用的平衡：如果回饋訊號稀少或延遲，學習會變得困難；同時AI需要在嘗試新策略（探索）與利用既有知識取得獎勵（利用）之間取得平衡。
上述三種學習方式各有應用場景：監督式學習適合有大量歷史資料且有清楚標籤的預測任務，例如圖像辨識或語音識別；非監督式學習適合在不清楚明確目標時進行資料探索和模式發現，例如客群分類、文章主題提取；強化學習則適合互動性環境中的決策優化，如機器人自學行走、遊戲AI、自駕車決策控制等。在實際AI應用中，有時也會結合多種學習方式（例如半監督式學習、自我監督學習等）以克服單一方法的局限。
基於應用領域的分類（電腦視覺、自然語言處理、機器學習等）
人工智慧涵蓋了眾多的應用領域和分支學科，可以按照應用場景或技術領域來進行分類。以下列出AI的一些主要應用領域：
電腦視覺 (Computer Vision)：讓機器具有「視覺」能力的技術領域，旨在從影像或影片資料中識別和提取有用資訊，相當於賦予電腦理解視覺世界的能力 [5]。電腦視覺包含的典型任務有影像分類、物體偵測、目標追蹤、場景重建、人臉辨識等。例如，停車場的車牌辨識系統、手機相冊的自動圖片分類、醫療影像的腫瘤偵測，都屬於電腦視覺的應用。電腦視覺技術廣泛運用攝影機與深度學習模型來「看見」並理解圖像內容 [5]，目前在自駕車、安防監控、工業檢測等領域發揮著重要作用。
自然語言處理 (Natural Language Processing, NLP)：讓機器能夠理解、產生並運用人類語言的技術 [5]。NLP涵蓋文字與語音兩方面的語言處理，包括語音識別、語言理解、機器翻譯、對話系統、文本分析、情感分析等。常見應用有機器翻譯（如Google翻譯）、智能客服聊天機器人、語音助理（如Siri、Alexa）等 [5]。透過NLP技術，電腦可以從非結構化的文本或語音中提取資訊，與人類進行更自然的互動。NLP在跨語言溝通、自動摘要、資訊檢索等方面具有重要價值，是AI時代人機溝通的關鍵橋樑。
機器學習與深度學習：機器學習（Machine Learning）本身是人工智慧的一個分支，但也常被視為一種基礎技術領域，在此單獨提出。機器學習著重於讓計算機從資料中自我學習，提升在某項任務上的表現 [5]。深度學習（Deep Learning）則是機器學習的一種特殊類型，基於人工神經網路架構進行多層次特徵學習 [5]。深度學習在語音識別、圖像處理、自然語言處理等任務上取得了突破性的成果，是現代AI很多進步的核心推動力。例如，自動駕駛車輛利用深度學習來即時辨識路上的車輛和行人 [5]；網路串流平臺透過機器學習的推薦演算法向使用者推薦感興趣的影片 [5]。由於機器學習和深度學習屬於通用技術，它們並非限定某一應用領域，但作為許多AI應用的核心支撐，常被單獨列為重要分類。
機器人與自動化系統：機器人學（Robotics）結合了AI、機械工程和控制論，致力於研發能夠感知環境、決策並執行動作的智慧機器。AI在機器人中的應用，使其能進行路徑規劃、環境感知、動作控制和人機互動等高級功能。典型例子有工廠中的工業機器人（運用機器視覺檢測產品瑕疵，自主完成裝配作業）、服務業的配送機器人或醫療的手術機器人、以及能自主導航的掃地機器人。自動駕駛汽車也可視作機器人技術與AI的結合體，透過多種感測器和AI決策系統來實現自主駕駛。
專家系統與決策支援：專家系統是早期人工智慧的一大應用，透過將人類專家的知識和規則編碼進電腦，來模擬專家的決策過程。典型的專家系統如醫療診斷系統（根據症狀和體徵提供診斷建議），或地質探勘系統（根據勘測數據評估礦藏可能性）。現代的專家系統往往結合機器學習和知識圖譜，形成決策支援系統，在金融風控、醫療決策、設備故障診斷等領域提供建議和輔助判斷。雖然專家系統在大數據時代的光芒被機器學習所掩蓋，但在需要高可解釋性和融合專業知識的場景中，仍然扮演重要角色。
上述分類並不互斥，同一AI系統往往涉及多種領域技術的綜合作用。比如，自動駕駛汽車需要電腦視覺來感知路況，需要深度學習模型進行決策，還需要機器人控制技術來操縱車輛硬體。理解AI的不同分類方法有助於從多角度認識人工智慧技術全貌，以及各技術/應用領域之間的關聯性。
AI的發展與應用
AI技術的歷史演進
人工智慧的發展歷程已有數十年歷史，可 roughly 分為幾個重要階段：
創始時期（1950s-1960s）：1956年達特茅斯會議被視為AI元年，此後掀起了對「讓機器模擬人類智力」的研究熱潮。這一時期AI取得一些成果，如簡單的棋局程式、定理證明程式，以及提出了圖靈測試等概念。然而，受限於當時計算資源和理論的不足，AI應用非常有限。
第一次低潮（1970年代，第一次AI寒冬）：由於早期過於樂觀的預期未能實現，資金支持減少，AI研究在70年代初陷入低潮期。這段期間被稱為第一次AI寒冬，AI一度成為研究界的冷門。
知識驅動時期（1980年代）：1980年代以來，專家系統興起。研究者試圖將領域專家的知識以規則形式編碼，打造在特定領域表現出色的AI系統。這帶來了AI的第一次高潮，許多企業開始部署專家系統於診斷、推理等任務中。然而到了80年代末，專家系統的侷限（構建和維護知識庫困難、系統僵化）顯現，加上硬體性能仍不足，導致第二次AI寒冬出現。
數據驅動時期（1990s-2000s）：90年代後期，隨著計算機性能提升和資料量增加，統計學習方法（如神經網路的改進、支援向量機等）重新受到重視。1997年IBM深藍（Deep Blue）超級電腦擊敗西洋棋世界冠軍卡斯帕羅夫，證明了電腦強大的運算與搜尋能力。2000年代，互聯網的普及帶來海量數據，機器學習在語音辨識、電腦視覺等任務上逐漸超越傳統方法。大數據和雲計算的興起為AI復甦奠定了基礎。
深度學習與現代AI時期（2010s至今）：2012年，Hinton團隊的深度卷積神經網路在ImageNet影像識別比賽中大放異彩，標誌著深度學習時代的來臨。深度學習依靠多層神經網路架構和強大運算能力，讓AI在影像、語音、語言等領域取得突破性成果。2016年AlphaGo擊敗李世乭讓全世界看到了AI的驚人進步 [2]。此後，OpenAI的GPT系列、DeepMind的Alpha系列等不斷刷新AI能力的上限。在生成式模型方面，2014年提出的GAN（生成對抗網路）和近年的大型語言模型（如GPT-3、ChatGPT）等，開啟了AI能生成圖像、文本、程式碼的新篇章。可以說，現代AI已滲透進幾乎所有科技領域和行業應用，並朝著更智能、更通用的方向發展。
綜上所述，AI的歷史發展經歷了起伏循環：每一次突破都帶來新的應用熱潮，而每次瓶頸也帶來沉澱和反思。如今的AI已走出學術試驗階段，進入大規模產業應用和社會生活，但距離完全的「通用人工智慧」仍有距離 [2]。未來的AI發展方向將取決於在演算法、算力和數據上的持續創新，以及我們如何克服現有技術的瓶頸（如常識推理、可解釋性等）。
產業應用案例
人工智慧在各行各業中展現了廣泛的應用價值。以下舉幾個主要產業的AI應用案例：
醫療保健：AI協助醫生進行醫學影像分析，如利用深度學習模型從X光片或核磁共振影像中偵測腫瘤或異常病灶，輔助診斷疾病。另一些AI系統可幫助研發新藥，透過分析大量文獻和分子資料預測候選藥物的效果。AI聊天機器人也被用作心理諮詢或健康諮詢的初篩工具。總體而言，人工智慧在醫療領域有助於提升診斷精度、加速研發流程並改善病患照護。
金融服務：AI在金融業的應用包括風險評估和詐欺偵測。例如，銀行利用機器學習模型分析申貸者的財務數據以自動評分，判斷信用風險；信用卡公司運用AI引擎即時監控交易，檢測異常模式以攔截可疑的詐欺交易 [1]。此外，演算法交易利用AI即時分析市場數據並自動下單，實現高頻交易策略。客戶服務方面，許多銀行和保險公司採用智能客服（Chatbot）即時回答用戶諮詢，提升服務效率。
製造與工業：在製造業中，人工智慧推動了智慧製造和工業4.0轉型。工廠使用電腦視覺系統執行產品質量檢測，能比人工更迅速地識別生產線上的瑕疵品。透過預測性維護，AI模型分析機器設備的感測器數據，可提前預測故障並安排維修，避免生產停機和成本損失。機器人則在生產線上執行自動化裝配和搬運，大幅提高生產效率。此外，AI也優化了供應鏈管理，例如根據預測模型動態調整庫存和物流，以降低成本。
零售與行銷：零售業大量運用AI進行個性化推薦和行銷優化。電商平臺透過機器學習演算法分析客戶的瀏覽、購買行為，提供量身訂做的商品推薦。實體零售店則可利用視覺AI分析顧客在店內的行為路徑，優化商品陳列和商店佈局。客服中心方面，結合語音辨識與NLP的虛擬客服助理可以成為客戶服務的第一線，處理常見問題並在必要時將複雜詢問轉接給真人服務 [1]。這不僅提升了顧客體驗，也降低了企業的人力成本。
交通與智慧城市：在交通運輸領域，AI被應用於自動駕駛和智慧交通管理。自駕車藉由電腦視覺和深度學習，即時感知路況並做出駕駛決策，目前已在特定園區或開放道路上進行測試。城市中則部署智慧交通系統，透過AI分析即時路況數據來動態調節紅綠燈時序，減少交通堵塞 [3]。其他智慧城市應用還包括：利用AI預測並優化公共運輸班次、智慧能源管理（根據預測調節電網負載）、垃圾收集路線優化等等 [9]。這些都使城市運作更高效便民。
上述案例僅是冰山一角。事實上，幾乎每個產業都能找到AI的應用：從農業的智能灌溉與農作物產量預測、到法律領域的判例分析與檔審閱自動化，再到娛樂業的內容推薦與自動影片剪輯。AI技術的滲透正在改變各行各業的運作模式，帶來新的商業機會與競爭格局。
AI對社會與產業的影響
人工智慧技術的廣泛應用對社會和產業產生了深遠的影響，既有正面的推動力量，也帶來新的挑戰和思考。
從正面來看，AI極大提升了生產力和效率。許多過去需要大量人工投入的工作現在可由AI系統自動化完成，企業因此降低成本、提高產能。例如，自動化客服、智慧客服系統能7×24小時服務客戶；工業機器人接管了繁重的裝配任務，使生產線可以高速運轉。此外，AI輔助決策使企業和政府能夠更加數據驅動，在經營策略、公共政策上做出更明智的選擇。AI還催生了許多新興產業與職業，如資料科學家、AI工程師、AI倫理師等職位，並推動傳統產業轉型升級。對個人而言，AI帶來了更便利的生活體驗——智能導航避免塞車、個性化內容推薦豐富了娛樂生活、智能家電提高了居家舒適度等等。
然而，AI的普及也引發了一些負面影響和挑戰。首先是就業結構的改變：隨著自動化程度提高，一些重複性高、技術含量低的工作正被機器取代，部分勞動者面臨失業或轉職的壓力。同時市場對具備AI技能的人才需求大增，出現人才供需落差，這要求教育與職業培訓做出相應調整。其次，AI系統的決策過程複雜難懂，如果缺乏適當監管，可能出現演算法歧視或偏見問題——例如訓練數據的不平衡可能導致AI在性別或種族上產生歧視性的決策。再者，AI的大規模部署帶來隱私與安全隱憂：個人數據被大量蒐集和分析，如何確保隱私不被濫用？AI系統如果遭惡意攻擊（如對抗樣本攻擊），可能導致嚴重後果。此外，倫理和法律框架目前還未完全跟上AI發展，例如自駕車發生事故時的責任如何劃分、AI生成內容的版權歸屬和真實性問題等，都需要社會共同探討。最後，若未來出現接近人類智能的強AI，還涉及AI安全和治理的重大議題，如如何確保高度智能的AI系統與人類價值對齊、不對人類構成威脅等。
總體而言，人工智慧對社會與產業的影響是雙面的：一方面帶來創新和繁榮，另一方面也要求我們謹慎應對相關的社會挑戰。政府、企業、學術界正合作制定AI治理準則與法律法規，確保AI技術負責任地發展。同時，大眾也越來越關注終身學習，以適應AI時代變遷的技能需求。未來，隨著AI的持續進步，它對社會的影響將更加深刻，我們需要積極引導這種影響朝著有利於人類的方向發展。
相關技術與挑戰
AI技術基礎（機器學習、深度學習）
現代人工智慧的蓬勃發展，很大程度上源於機器學習（ML）技術的成熟和應用。機器學習是讓電腦從資料中學習規律的技術集合，藉由經驗（數據）不斷優化自身。傳統的人工智慧系統多基於人工編寫的規則與知識庫，而機器學習系統則能自適應地學習，因此在處理複雜問題和海量資訊時表現更佳。特別是近十年間，機器學習中的一個子領域——深度學習（DL）取得突破，成為AI的核心基石 [6]。
機器學習 (ML)：機器學習包含各種學習演算法，包括前文提到的監督式、非監督式和強化學習，以及其他如半監督學習、遷移學習、聯邦學習等特殊形式。其共同點在於模型會基於資料進行參數調整以優化預測或決策。機器學習演算法的典型代表有線性迴歸、決策樹、隨機森林、支援向量機，以及各類神經網路等。機器學習的應用非常廣泛：從電子商務的產品推薦系統 [5]、電子郵件的垃圾訊息過濾，到銀行的信用評分、醫學的疾病風險預測，都大量使用了機器學習技術。可以說，機器學習為AI注入了“學習能力”，使其能隨著數據增長而不斷改進。值得注意的是，機器學習模型的性能很大程度上取決於資料品質和數量，這也是為何大數據時代AI才得以蓬勃發展的原因之一。
深度學習 (DL)：深度學習是機器學習中近期最受矚目的技術之一，基於人工神經網路的模型進行多層次的特徵提取與學習 [5]。傳統機器學習通常需要人工設計特徵來餵給模型，而深度學習能夠從原始資料中自動學習特徵表示 [5]。透過增加神經網路的深度（層數），模型可以學習到資料更抽象高階的表示，因此在圖像、語音、語言等高維度資料上特別有效。舉例來說，卷積神經網路（CNN）能從影像像素中逐層學到邊緣、形狀、物體等概念，用於圖像辨識取得極高準確率；循環神經網路（RNN）及其變種（如LSTM、Transformer）善於處理序列數據，在機器翻譯、語音識別等任務上表現出色。深度學習已成為當代AI的核心：無論是自駕車的感知系統、語音助手的語音引擎，還是聊天機器人的語言模型，背後多半都有深度學習模型在運作。當前，深度學習研究也在追求更高的效率和解釋性，如開發更輕量的模型方便部署在手機等終端（Edge AI），以及探索可解釋的AI來增加模型透明度。
值得一提的是，除了機器學習/深度學習，AI的相關技術基礎還包括知識表示與推理（如本體論、知識圖譜）、搜尋與規劃（如經典的A*搜尋演算法）、人機互動介面技術等。AI是一門交叉學科，牽涉計算機科學、數學、統計、神經科學、心理學等多領域知識。對初學者而言，把握機器學習和深度學習這兩大支柱，有助於理解當代大多數AI系統的工作原理。
AI發展面臨的挑戰與未來趨勢
即便人工智慧取得了巨大進步，在技術發展和應用落地的過程中仍面臨多方面的挑戰，也孕育著新的發展趨勢：
隱私與安全：AI系統的訓練往往需要大量數據，其中可能包含個人敏感資訊。如何在利用數據訓練模型的同時保護隱私是重大挑戰。目前業界探索出的部分解決方案包括聯邦學習（不匯集原始資料，在本地訓練模型後只彙總參數）、差分隱私技術（在數據中添加噪音以保護個體隱私）等。另外，AI應用於金融、醫療等關鍵領域時，其安全性至關重要。要防範模型遭惡意攻擊（例如對抗樣本讓圖像識別模型誤判）、或被不當利用造成社會危害。因此，建立AI系統的安全監控和防護機制是必要的。同時在國家層面，也開始針對AI的數據使用和模型部署制定治理規範 [10]。
倫理與法律：AI發展速度往往快於道德反思和法律制定，導致許多倫理難題亟待解決。例如，AI決策的公平性與偏見問題：如果模型訓練數據帶有歷史偏見，AI可能會延續甚至放大這種偏見，對少數族群或弱勢群體不利。再如責任歸屬問題：當自駕車發生事故或醫療AI誤診時，應由誰承擔責任？是開發者、使用者還是AI本身？此外，AI還引發深度偽造(Deepfake)等新型倫理問題，逼真合成的影像和聲音可能被用來散佈虛假訊息，影響社會信任。為應對這些挑戰，各國政府和國際組織正積極研擬AI倫理準則與法律框架。例如歐盟提出的《AI法規》（草案）試圖對高風險AI系統進行強化監管。一系列AI治理概念也應運而生，包括AI的透明度、可解釋性、問責性等等，目標是確保AI發展對社會有益且在可控範圍 [10]。
技術局限與瓶頸：當前的AI系統雖然強大，但在某些方面仍有明顯不足。例如，深度學習模型通常被詬病為缺乏解釋能力——很難理解模型為何做出某個決策，這在醫療、金融等需高可信度的領域是一道門檻。另外，許多AI模型對大量高品質資料高度依賴，數據獲取和標註成本高昂，當數據有限時模型效果往往不佳。對未知領域的舉一反三能力也是瓶頸：模型在訓練範圍之外的泛化能力有限，一旦環境或任務稍有改變，可能需要重新收集數據進行訓練。為突破這些局限，研究者正探索新的方向，例如讓模型在小樣本（Few-shot）甚至零樣本（Zero-shot）情況下也能學習、引入常識知識提升AI的理解力、開發可解釋AI技術來揭示模型內部機制，以及融合符號AI與統計AI（所謂第三波AI）以兼具學習與推理能力等 [6]。硬體方面，AI對計算力需求巨大，訓練一個大型模型的能耗和成本都非常高昂，這也推動了專用AI晶片、量子計算在AI領域的研發，以期提高運算效率。
未來趨勢與機遇：展望未來幾年，生成式AI將持續是焦點之一。生成式AI模型（如GPT-4、DALL-E等）可以創作文字、圖像、程式代碼乃至影音，為內容生產和創意行業帶來革命性變化。同時也需要關注生成內容的真實性辨別與版權歸屬等問題。邊緣AI也是一大趨勢，即將AI從雲端推向終端設備（如手機、物聯網裝置），在本地端就近處理數據，提升回應速度並保護隱私。這對低功耗、高效率的模型提出了需求。跨領域AI和多模態學習也是熱門方向，未來的AI系統將能同時理解文字、語音、圖像等多種資訊源，具備更全面的環境理解能力。最長遠的目標依然是通用人工智慧（AGI），研究社群中有一部分人在嘗試設計能夠自主學習任務的通用智能架構，但時間表很難預估。可以確定的是，AI將越來越深地融入我們的社會：從個人助理、醫療顧問到自動駕駛、智慧城市管理，AI無所不在且不斷進化。我們正處於AI發展的高速路上，未來的挑戰在於善用AI的潛力同時守護人類的價值與福祉，在創新與監管間取得平衡。
以上內容涵蓋了經濟部AI應用規劃師初級考試「人工智慧基礎概論」科目中評鑑主題 L11101 AI的定義與分類 的相關知識點，包括AI的基本概念、分類方式、發展演進、應用實例，以及當前技術挑戰與未來趨勢。接下來，我們將針對這些內容設計20題四選一的考題，以供讀者自我評量學習成效。
模擬考題 (單選題共20題)
說明：每題只有一個正確答案，請選出最適當的選項。
1. 「人工智慧」作為一門學科的正式誕生通常追溯到哪一年哪項事件？
A. 1950年，圖靈提出圖靈測試
B. 1956年，達特茅斯會議提出「人工智慧」一詞
C. 1965年，第一個機器學習演算法問世
D. 1943年，人工神經元模型（麥卡洛克-皮茨模型）發表
2. 人工智慧（AI）與傳統程式設計的主要差異之一是什麼？
A. AI程式執行速度較慢，但更精確
B. AI系統能從數據中學習規則，而傳統程式依賴人類預先編寫規則
C. AI只能在實驗室環境運行，傳統程式可應用於實際產品
D. AI使用的程式語言與傳統程式不同
3. 下列何者最符合「狹義人工智慧（Narrow AI）」的定義？
A. 具有自我意識，能處理任意未知問題的AI系統
B. 能在單一領域執行特定任務並表現優異的AI系統
C. 由大量弱AI系統組成的混合智能系統
D. 擁有類似人類情感和創造力的高智慧AI系統
4. 強人工智慧（Strong AI）與弱人工智慧（Weak AI）的最大差別為何？
A. 強AI能自行編寫程式碼，弱AI不能
B. 強AI具有通用智能，可勝任各種任務；弱AI僅能針對特定任務運作
C. 強AI使用深度學習實現，弱AI使用淺層學習實現
D. 強AI需要超級電腦支持，弱AI只需個人電腦運算即可
5. 以下哪一項當前仍屬於理論或想像階段，尚未真正實現？
A. 能夠擊敗圍棋世界冠軍的人工智慧
B. 能夠進行人類對話並創作文章的語言模型
C. 具有自我意識並遠超人類智慧的超級人工智慧
D. 能夠識別圖像中物體並標註的電腦視覺系統
6. 在機器學習的三種主要類型中，哪一種不需要利用已標記（有正確答案）的資料進行訓練？
A. 監督式學習
B. 非監督式學習
C. 強化學習
D. 以上三者都需要標記資料
7. 以下關於監督式學習的描述何者正確？
A. 模型從未標記的資料中自行發現模式
B. 模型透過試誤與環境互動來學習策略
C. 模型使用帶有正確答案標籤的資料來訓練，學習輸入與輸出之間的對應關係
D. 模型主要運用於機器人即時決策，沒有明確的獎勵訊號
8. 某公司希望利用AI將幾百萬名客戶按照消費行為自動分群，以便制定不同行銷策略。最適合採用的機器學習類型是什麼？
A. 監督式學習，因為需要根據先驗的顧客類別標籤進行分類
B. 非監督式學習，因為需要從未標記的資料中找出顧客群體的潛在結構
C. 強化學習，因為需要透過獎懲機制不斷優化行銷策略
D. 深度學習，因為資料量巨大只能用神經網路訓練
9. AlphaGo透過與自己下棋進行大量訓練，最終學會了高超的圍棋技巧，這種學習方式屬於哪一類？
A. 強化學習 [8]
B. 監督式學習
C. 非監督式學習
D. 深度學習（不是學習類型，而是模型類型）
10. 下列哪一項技術領域不屬於人工智慧的典型應用分支？
A. 自然語言處理 – 處理和理解人類語言
B. 電腦視覺 – 分析影像與視覺訊號
C. 機器學習 – 從資料中學習模型規律
D. 計算機網路 – 提供數據通訊的網路協定研究
11. 讓機器能夠聽懂人類講話並轉換成文字屬於AI哪個子領域的研究範疇？
A. 語音識別，屬於自然語言處理領域
B. 機器視覺，因為涉及聲紋的圖像分析
C. 機器學習，因為需要用統計方法分析聲音
D. 強化學習，因為機器要不斷嘗試理解語音獲得獎勵
12. 在金融服務業中，下列哪項應用最可能使用人工智慧技術來實現？
A. 協助客戶填寫繁瑣的合約條款（主要是介面設計問題，與AI無關）
B. 分析大量交易數據以即時偵測信用卡詐欺 [1]
C. 依照固定公式計算每月貸款利息
D. 對每筆轉帳交易收取手續費
13. 哪一個歷史事件被普遍認為標誌著人工智慧研發的階段性勝利，證明AI已經能夠超越人類在某些專門任務上的表現？
A. 1970年代，美國太空總署使用AI成功將人類送上月球
B. 1997年，IBM深藍電腦擊敗西洋棋世界冠軍 [6]
C. 2001年，AI在股市預測方面達到準確率100%
D. 2010年，第一支人形機器人進入家庭服務領域
14. 下列有關人工智慧歷史的描述何者正確？
A. 「人工智慧」一詞由英國科學家艾倫·圖靈在二戰後首次提出
B. 20世紀70年代因為缺乏進展，人工智慧研究一度陷入低潮，被稱為「AI寒冬」 [2]
C. 專家系統是2010年代興起的人工智慧應用，強調深度神經網路學習
D. 2012年的圍棋比賽人機對弈引發了第一次人工智慧熱潮
15. 在應用人工智慧時，常會提到「資料是新的石油」。這強調了哪一個因素對現代AI發展的重要性？
A. 大數據：大量且多樣的資料是訓練機器學習模型的關鍵 [6]
B. 高性能計算：超高速處理器是AI的唯一決定因素
C. 人工標註：所有AI系統都必須由人類提供標註才可運作
D. 規則編寫：AI系統的智慧主要取決於人類撰寫的規則數量
16. 關於目前人工智慧在社會中的應用與影響，下列敘述何者正確？
A. AI主要侷限於學術研究，尚未大規模應用在日常生活
B. AI在許多領域提高了效率，例如製造業的自動化生產和客服系統的即時回應
C. AI的發展對就業完全沒有影響，因為AI只能輔助人類無法取代人類
D. 現今的AI系統已經完全沒有偏見和歧視問題
17. 某公司開發了一個人臉辨識系統，用於門禁安保。然而他們發現該系統對某些少數族裔的辨識錯誤率偏高。這種現象主要反映了AI發展面臨哪方面的挑戰？
A. 資料偏差與公平性：訓練數據不均衡導致模型對不同族群表現不佳
B. 運算速度與效能：模型計算量不夠大導致辨識不準確
C. 強化學習不足：該模型沒有透過獎懲機制學習不同族裔特徵
D. 晶片性能限制：硬體性能低使模型無法處理複雜任務
18. 為了降低人工智慧對個人隱私的威脅，下列何種做法是業界正在採用的？
A. 使用聯邦學習技術，在不集中化數據的情況下訓練AI模型
B. 強制所有用戶公開其數據，以增加AI訓練數據量
C. 禁止AI系統處理任何含有個人資訊的數據
D. 僅使用過時的舊數據訓練模型，以避免侵犯現代人的隱私
19. 面對人工智慧技術快速發展，各國政府與國際組織正採取下列何種措施來因應？
A. 制定AI倫理與治理準則，確保AI在隱私、安全、倫理方面符合要求 [10]
B. 嚴格限制所有AI研究，停滯技術發展以避免風險
C. 將AI的發展完全交由私人企業決定，不加任何干預
D. 推廣強人工智慧的即時實現，以便盡快取代人類決策
20. 關於人工智慧的未來發展方向，以下何者最可能實現且對社會影響深遠？
A. 通用人工智慧（AGI）在數年內問世並取代大部分人類工作
B. 生成式人工智慧技術更加成熟，AI能創造更逼真的圖像、影音與文字內容
C. AI將停止發展，因為已經達到人類智慧上限
D. 人工智慧不再需要資料和算力支持，能自行進化提高智能
答案簡要說明
1. (B) 人工智慧正式誕生通常追溯至 1956 年的「達特茅斯會議」。
2. (B) AI 依靠從資料中自我學習規則，而傳統程式靠人工先寫好邏輯規則。
3. (B) 狹義 AI（弱 AI）只能在單一領域或特定任務上表現優異。
4. (B) 強 AI 具有通用智能，能勝任各種任務；弱 AI 侷限在特定領域。
5. (C) 超級人工智慧 (Super AI) 目前仍屬於理論或科幻想像階段。
6. (B) 非監督式學習不需要已標記的資料。
7. (C) 監督式學習使用帶標籤的資料來學習輸入—輸出之間的對應關係。
8. (B) 分群（Clustering）屬於非監督式學習，用來從未標記的資料中找出結構。
9. (A) AlphaGo 與自己對弈、透過獎勵機制學習棋藝，屬強化學習。
10. (D) 計算機網路（通訊協定研究）本質上不屬於 AI 的典型應用分支。
11. (A) 語音識別歸屬自然語言處理 (NLP) 領域中的核心技術。
12. (B) 分析交易資料以偵測詐欺是金融業常見的 AI 應用。
13. (B) 1997 年 IBM「深藍」電腦擊敗西洋棋冠軍卡斯帕羅夫。
14. (B) 1970 年代因技術與資金問題，AI 曾陷入「AI 寒冬」。
15. (A) 大數據（大量且多樣的資料）是訓練機器學習模型的關鍵。
16. (B) AI 已在客服、自動化生產等領域大幅提升效率。
17. (A) 偏見往往源於資料不均衡，顯示 AI 公平性與倫理挑戰。
18. (A) 聯邦學習與差分隱私是降低對個人隱私威脅的常見做法。
19. (A) 政府與國際組織正制定 AI 倫理及治理準則來規範高風險應用。
20. (B) 生成式 AI 的進展速度極快，未來能生成更多高擬真度內容。
附註
1. 什麼是人工智慧 (AI)，為什麼 AI 很重要 | NetApp
2. 人工智慧為應用科學帶來的改變 - 物理專文 - 新聞訊息 - 物理雙月刊
3. 剖析AI與程式的區別（湛家揚博士） - EJ Tech
4. AI程式設計 vs 傳統程式設計：誰更智慧？
5. AI 分為哪幾種？瞭解AI 人工智慧分類與應用
6. 淺談 AI人工智慧發展里程 - THINK@IBMHK
7. 【AI 人工智慧】超級人工智慧｜方格子vocus
8. 三大類機器學習：監督式、強化式、非監督式 – 工程師。日常
9. 人工智慧 - 維基百科，自由的百科全書
10. iPAS AI應用規劃師（初級）訓練課程 | 商研院::數位創新學院
