什麼是人工智慧 (AI)？
人工智慧 (AI) 是一項變革性技術，可讓機器執行類似人類的問題解決任務。從識別影像和生成創意內容到進行資料驅動的預測，AI 助力企業大規模做出更明智的決策。
在當今的數位環境中，組織從感測器、使用者互動和系統日誌生成大量資料。AI 利用此資料來精簡營運 – 自動化客戶支援、增強行銷策略並透過進階分析提供可行的洞察。
藉助 AWS，企業能順暢整合 AI，進而加速創新，最佳化客戶體驗，以及解決複雜的難題。憑藉 AWS 的 AI 解決方案，公司可在迅速演進的數位世界交付個人化互動、自動化決策，以及解鎖新的發展商機，同時受益於 AWS 對於隱私權、安全性與負責任的 AI 原則等的承諾。
AI 的發展歷程為何？
1950 年，Alan Turing 在其研討會論文《運算機械與智慧》中引入了人工智慧的概念，其中探討了機器像人類一樣思考的可能性。雖然 Turing 奠定了理論基礎，但我們今天認識的 AI 是數十年的創新結果，是科學家與工程師在多個領域推動技術發展的集體智慧結晶。
1940 年至 1980 年
1943 年，Warren McCulloch 和 Walter Pitts 提出了人工神經元模型，為 AI 核心技術神經網路奠定了基礎。
幾年後，Alan Turing 於 1950 年發表了《計算機與智慧》，引入了圖靈測試的概念來評估機器智慧。
這導致研究生 Marvin Minsky 和 Dean Edmonds 建置了第一部神經網路機器 SNARC，Frank Rosenblatt 開發了感知器，這是最早的神經網路模型之一，而 Joseph Weizenbaum 創建了 ELIZA，這是最先在 1951 年與 1969 年之間模擬 Rogerian 心理治療師的其中一個聊天機器人，。
從 1969 年到 1979 年，Marvin Minsky 示範了神經網路的局限性，這導致神經網路研究暫時衰退。由於資金減少以及硬體和運算限制，發生了第一個「AI 冬天」。
1980 年至 2006 年
20 世紀 80 年代見證了對 AI 關注的再次激發，由政府資金與研究推動，在翻譯與轉錄等領域尤其如此。在此期間，MYCIN 這類專業系統因模擬醫學等專業領域的人類決策而尤為突出。神經網路的復興亦由此開始，David Rumelhart 與 John Hopfield 在深度學習技術方面的開創性研究證明，電腦可從經驗中學習。
然而，從 1987 年到 1997 年，包括網路泡沫經濟在內的各種社會經濟因素導致 AI 領域早於第二次「寒冬」，期間 AI 的研究變得更加分散，商業運用亦受到限制。
轉折點出現在 1997 年，當時 IBM 開發的「深藍」電腦系統在圍棋比賽中擊敗了世界棋王 Garry Kasparov，這被視為 AI 領域的里程碑式成就。約在同一時期，Judea Pearl 在概率論與決策理論方面的研究推動了該領域的發展，而像 Geoffrey Hinton 這樣的先驅人物則重新激發了人們對深度學習的興趣，為神經網路的再次興起奠定了基礎。雖然商業興趣仍在不斷增長，但這些創新為 AI 的下一個發展階段奠定了基礎。
2007 年至今
從 2007 年到 2018 年，雲端運算的進步讓運算力和 AI 基礎結構變得更加觸手可及。越來越多的採用導致機器學習不斷創新和進步。些進步包括由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 開發且名為 AlexNet 的卷積神經網絡 (CNN) 架構，該架構贏得了 ImageNet 競賽，展示了深度學習在影像識別方面的力量，而 Google 的 AlphaZero 則掌握了西洋棋、將棋和 Go，不需人類資料，靠著自我對弈。
2022 年，使用人工智慧 (AI) 和自然語言處理 (NLP) 進行類似人類對話並完成任務的聊天機器人 (例如 OpenAI 的 ChatGPT)，因其對話能力而廣為人知，重新引發了 AI 的興趣和發展。
機器學習、深度學習與人工智慧之間有何差異？
人工智慧 (AI) 是一個廣泛的定義，任何讓機器更像人類的策略或技術都可以稱為人工智慧。從自動駕駛汽車到機器人吸塵器和 Alexa 之類的智慧助理，它們都是一種 AI。雖然機器學習和深度學習都屬於 AI，但並非所有 AI 活動都是機器學習和深度學習。例如，生成式 AI 展示了類似人類的創造能力，且是一種非常進階的深度學習形式。
機器學習
雖然您可能會看到人工智慧和機器學習術語在許多地方互換使用，但機器學習在技術上仍是人工智慧的許多其他分支之一。這是致力於開發演算法和統計模型來關聯資料的科學。電腦系統使用機器學習演算法處理大量的歷史資料，並從中找出資料的模式。在目前的情境中，機器學習是指一組稱為機器學習模型的統計技術，您可獨立使用，或用於支援其他更複雜的 AI 技術。
深度學習
深度學習讓機器學習更進一步。深度學習模型使用神經網路，其共同協作來學習和處理資訊。它們包含數百萬個軟體元件，可在小資料單位上執行微型數學運算，以解決更大的問題。例如，它們會處理影像中的個別像素，以對該影像進行分類。現代 AI 系統通常結合多個深度神經網路來執行複雜的任務，例如，撰寫詩歌或從文字提示中建立影像。
AI 如何運作？
AI 系統善用進階技術，無論是文字、影像、影片還是音訊，都能將原始資料轉換為富有意義的洞察。透過識別此資料中的模式和關係，AI 可實現大規模智慧決策。在龐大的資料集基礎上對這些系統進行訓練，讓其像人類從經驗中學習一樣，能夠隨時間推移不斷學習與改善。在每次互動後，AI 模型都會變得愈加準確，從而促進創新並為企業解鎖新的商機。
神經網路
人工神經網路是人工智慧技術的核心。神經網路會模擬人類大腦的事件處理過程。人類大腦包含數百萬個神經元，可處理和分析資訊。人工神經網路使用人工神經元，來一起處理資訊。人工神經元也可稱為「節點」，是透過數學計算來處理資訊並解決複雜問題。
自然語言處理 (NLP)
自然語言處理 (NLP) 使用神經網路來解析、理解，以及從文字資料中收集含義。其運用各種運算技術，專於解碼和理解人類語言。這些技術允許機器處理單詞、語法句法及單詞組合來處理人類文字，甚至生成新文字。自然語言處理在總結文件、聊天機器人和進行情緒分析方面至關重要。
電腦視覺
電腦視覺使用深度學習技術，從影片和影像中擷取資訊和見解。您可以將其用於監控線上內容是否包含不當影像、進行臉部辨識，以及分類影像詳細資料。從內容審核到自動駕駛汽車，該技術在快速決策至關重要的各個領域都十分關鍵。
語音辨識
語音識別軟體使用深度學習模型來解譯人類語音、辨認單字並偵測含意。神經網路可以將語音轉錄為文字並展現聲音情緒。您可以在虛擬助理和客服中心軟體等技術中使用語音識別技術，以偵測語音的含意，進一步執行相應任務。
生成式 AI
生成式 AI 指的是一種人工智慧系統，可以透過簡短的文字提示，建立新的內容和成品，例如影像、影片、文字和音訊。不同於過去僅限於資料分析的 AI 技術，生成式 AI 利用深度學習和大量資料集，來生成高品質、仿似人類的創意成果。不過，這令人耳目一新的創新應用問世同時，也出現對偏見、惡意內容和智慧財產權侵害的隱憂。總體而言，生成式 AI 代表了 AI 功能演進的重大里程碑，能以仿似人類的方式生成人類語言和新成品。
人工智慧應用程式架構有哪些關鍵部分？
人工智慧架構包含三個核心層，均由強大的 IT 基礎結構提供支援，帶來大規模執行 AI 所需的運算能力與記憶體。從資料處理到進階決策，每一層在實現順暢的 AI 營運方面都發揮著重要作用。
第 1 層：資料層
人工智慧是建立在各種技術之上，例如機器學習、自然語言處理和影像辨識。這些技術的核心即是「資料」，而這也構成了人工智慧的基礎層。資料層主要著重於準備 AI 應用程式所需資料。
第 2 層：模型層
當今的人工智慧主要使用基礎模型和大型語言模型，來執行複雜的數位任務。基礎模型是在廣泛的廣義和未標記資料上訓練的深度學習模型。這些模型可根據輸入提示，高度準確地執行各種不同的任務。
組織會採用現有的、經過訓練的基礎模型，並使用內部資料對其進行自訂，以將 AI 功能新增至現有應用程式或建立新的 AI 應用程式。
務必要注意，許多組織仍在許多數位任務中使用機器學習模型。在許多使用案例中，機器學習模型的效能優於基礎模型，而且人工智慧開發人員可以靈活地為特定任務選擇最佳模型。
閱讀有關基礎模型的更多內容 »
第 3 層：應用程式層
第三層是應用程式層，這是 AI 架構中以客戶為考量重點的部分。您可以要求 AI 系統執行特定任務、生成資訊、提供資訊或做出以資料為基礎的決策。應用程式層讓最終使用者能與 AI 系統互動。
企業如何充分利用 AI 的力量？
探索一些現實世界範例，了解企業如何充分利用 AI 的力量來進行創新及提升效率。
聊天機器人和智慧助理
採用 AI 技術的聊天機器人和虛擬助理正透過提供類似人類的內容感知對話來變革客戶互動。這些工具透過對自然語言查詢提供智慧、連貫的回應，在客戶支援、虛擬協助和內容生成方面表現出色。這些 AI 模型隨時間推移不斷學習及改進，從而確保個人化體驗，以提升客戶滿意度與營運效率。
Deriv 是全球最大的線上經紀商之一，實作採用 AI 技術的助理來管理跨客戶支援、市場行銷與招聘平台的資料。透過善用 AI，Deriv 的新員工入職時間縮短了 45%，而招聘任務時間則減少了 50%。
智慧型文件處理 (IDP)
藉助 AI，從非結構化格式中擷取有意義的資料得以簡化，例如電子郵件、PDF 及影像等，還可將其轉換為切實可行的洞察。智慧型文件處理 (IDP) 採用各種進階技術，來精簡文件繁重的工作流程，例如自然語言處理 (NLP)、深度學習及電腦視覺。
英國土地註冊處 (HMLR) 管理超過 87% 的英格蘭與威爾士房產，藉由部署 AI 來自動化法律文件比較。藉助 AI，他們將文件審查時間縮短了 50%，同時加速了物業轉讓的核准程序。了解 HMLR 使用 Amazon Textract 的方式。
應用程式效能監控 (APM)
採用 AI 技術的應用程式效能監控，可在影響使用者之前預測及預防問題，進而協助企業確保尖峰效能。這些工具可分析歷史資料，建議主動式解決方案，從而確保持續的運行時間與營運效率。
Atlassian 依賴於各種採用 AI 技術的 APM 工具，持續監控應用程式問題並確定優先處理順序。其團隊善用機器學習建議，能夠加速解決效能難題，同時改善應用程式可靠性。進一步了解 APM。
AI 技術有哪些強大功能？
AI 提供了一系列強大的技術，這些技術正在轉變產業並為企業帶來新的機會。以下是可以利用來創新和擴展營運的關鍵 AI 功能。
影像生成
AI 在幾秒鐘內將簡單的文字描述轉換為高品質的逼真影片。例如，透過輸入「山上的日落」之類的提示，AI 可立即生成令人驚嘆的視覺效果。這項突破性的技術正在徹底變革行銷、娛樂和設計等創意產業，大幅加快內容創作過程。
文字生成
AI 可自動生成類似人類的文字，從電子郵件等簡短內容到複雜的報告。該技術廣泛運用於客戶支援、行銷和內容創作領域，透過簡化寫作程序來提高效率並節省寶貴的時間。
語音生成和辨識
AI 支援的語音生成可以創造自然、類似人類的語音，而語音識別使機器能夠理解和處理說出的字詞。這些技術是透過 Alexa 等虛擬助理提供順暢的語音啟用體驗以及增強客戶服務、智慧設備和可達性解決方案的關鍵因素。
多模態 AI
多模態 AI 整合文字、影像和音訊資料，提供複雜內容的更全面理解。多模態 AI 透過一次識別物件、轉錄語音和解釋螢幕上的文字，即時提供進階洞見。對於利用 AI 進行影片分析、自動駕駛汽車等領域的產業，此功能至關重要，可實現更智慧、更快速的決策並挖掘新的創新可能性。
AI 如何轉型當今的產業？
AI 正在徹底變革各類產業，推動創新，自動化複雜的程序，並且大規模提供卓越的使用者體驗。
內容建議
AI 為 Netflix 和 Spotify 等領先串流服務提供建議引擎，該引擎分析使用者偏好以提供個人化內容建議。透過保持客戶互動，AI 可協助企業提高保留率並提高客戶滿意度。
個人化購物
電子商務平台使用 AI 根據客戶的瀏覽歷史記錄和偏好提供個人化的產品建議，從而促進更高的銷售額和更理想的購物體驗。
醫療保健
AI 正在透過進階的診斷、治療計劃和患者監控革新醫療保健。AI 系統可以分析醫療影像以及早發現疾病，並且根據患者歷史記錄和資料協助自訂治療計劃。
流量管理
AI 透過分析即時資料、預測交通模式並建議替代路線來最佳化交通流量。這可以提高運輸效率，減少擁塞，並有助於降低排放量。
保護
AI 是保護工作的強有力工具，可以透過 AI 支援的無人機和衛星影像協助監控野生動物，打擊森林砍伐以及防止盜獵。AI 的即時監控功能正在轉變環境保護策略。
AI 能為企業轉型帶來哪些優勢？
您的組織可善用 AI 的力量來最佳化營運，增強客戶體驗，以及大規模促進創新。
以智慧方式自動化
採用 AI 技術的系統可智慧地掃描及記錄任意範本中的資料 (如發票)，依據供應商或區域的各種標準對資訊分類，甚至偵測錯誤，確保以最少的人為干預來實現順暢的支付處理。
提升生產力
AI 透過讓知識工作者能夠立即存取關鍵的內容關聯資訊來支援他們的工作。無論是醫療專業人員擷取患者記錄，還是航空公司員工查詢航班資料，AI 都可以簡化這些任務，讓工作人員能夠專注於處理真正重要的工作。例如，歐洲最大的航空公司 Ryanair 實作 AI 系統來提高員工生產力和滿意度，同時實現更快速、更高效的資訊擷取。
解決複雜問題
AI 擅長分析大量資料集以識別模式，並解鎖甚至可解決最複雜挑戰的洞察。製造和醫療保健等產業可以利用 AI 做出資料驅動的決策，例如透過分析機器資料和用量報告確定最佳維護排程，從而大幅節省成本。AI 也可以徹底改變基因組研究等領域，有助於加速藥物發現和創新方面的突破。
建立新的客戶體驗
AI 可讓企業提供個人化、安全且回應迅速的客戶體驗。透過將客戶設定檔資料與產品或服務資訊結合，AI 提供即時建議和量身打造的解決方案，以此增強客戶參與度。例如，Lonely Planet 利用 AI 為客戶生成精心策劃的旅行行程，將所需時間減少 80%，同時大規模提供個人化的旅行建議。
如何利用 AI 服務和工具發揮企業潛力？
生成式 AI
藉助企業級安全性、隱私權以及領先的基礎模型 (FM) 選擇來加速生成式 AI 創新。AWS 採用資料優先方法和尖端的 AI 基礎結構，可在最佳化成本的同時提供最高效能。各種規模的組織都信任 AWS，能夠將他們的原型和示範轉化為現實世界的創新和可衡量的生產力提升。
AI 服務
AWS 預先訓練的 AI 服務為您的應用程式和工作流程帶來現成的智慧。憑藉 AI 服務，您可以輕鬆整合應用程式，處理常見的使用案例，例如個人化推薦、聯絡中心現代化、安全性和保障性提高，以及客戶參與度提升。
機器學習
透過機器學習 (ML)，從您的資料中獲得更深入的洞察，同時降低成本。AWS 透過最全面的機器學習服務和專門打造的基礎結構，協助您在 ML 採用之旅中的每個階段順利前行。您可使用 Amazon SageMaker 輕鬆地大規模建置、訓練和部署機器學習與基礎模型。藉助 SageMaker，資料科學家和機器學習工程師可以靈活而精細地控制基礎結構和工具，以預先訓練、評估、自訂和部署超過 250 個 FM，同時實現最佳化的效能、延遲和成本。
AI 基礎結構
隨著 AI 的成長，基礎結構資源的用量、管理和成本均有所增加。為在訓練基礎模型和將其部署至生產環境期間最大化效能、降低成本，同時避免複雜性，AWS 提供針對 AI 使用案例最佳化的專業基礎結構。
AI 的資料基礎
市面上僅有 AWS 為端對端資料基礎提供最全面的資料功能集，該功能集支援任何工作負載或使用案例，包括生成式 AI。透過可協助團隊滿懷信心迅速推進工作的端對端 資料治理，快速而輕鬆地連線至所有資料並採取行動。藉助在資料服務中內建的 AI，AWS 可簡化資料管理的複雜性，從而可減少用於管理資料的時間，並且利用更多時間挖掘資料的價值。
什麼是負責任的 AI 原則？
負責任的 AI 原則將 AI 系統的社會與環境影響納入考量，同時確保 AI 開發與使用方式的公平性、透明度與責任。隨著 AI 變革日益增多，組織有責任在不侵犯公民自由或人權的情況下，建置促進創新的各種系統。在 AWS，我們致力於以負責任的方式開發 AI，同時採用優先考慮教育、科學和客戶的以人為本的方法，從而藉助 Amazon Bedrock 安全護欄、Amazon SageMaker Clarify 等工具在端對端 AI 生命週期中整合負責任的 AI 原則。
人工智慧實作有哪些挑戰？
雖然 AI 帶來了巨大潛力，但組織必須解決關鍵難題，才能充分發揮其價值。
AI 治理
資料治理政策必須遵守法規限制和隱私權法規。若要實作 AI，就必須管理資料品質、隱私權和安全性。您必須對客戶的資料和隱私保護負起責任。若要管理資料安全性，組織應了解 AI 模型如何在每一層級使用客戶資料並與之互動。
技術瓶頸
以機器學習訓練 AI 會耗用大量資源。若要讓深度學習技術正常運作，高門檻的處理能力至關重要。您必須擁有強大的運算基礎結構，才能執行 AI 應用程式和訓練模型。然而建立處理能力所需的成本非常可觀，而且會限制 AI 系統的可擴展性。
資料限制
您需要輸入大量資料，來訓練中立的 AI 系統。您必須具備足夠的儲存容量來處理訓練所用資料。同理，您必須具備有效的管理和資料品質程序，以確保訓練所用資料的正確性。
我如何開始在我的業務中使用人工智慧？
若要開始在您的業務中使用 AI，請識別 AI 可以提高效率的領域，例如使用聊天機器人自動化客戶服務、分析資料做出更好的決策，或個人化行銷工作。預測分析、AI 驅動的內容生成和建議系統等工具可以協助推動業務成長。
我如何開始在日常生活中使用人工智慧？
您可以透過 Alexa 等虛擬助理或自動化任務的智慧家居裝置開始在日常生活中使用 AI。此外，採用 AI 技術的應用程式可用於健身追蹤、語言學習和預算，這可使日常活動更有效率並根據您的需求量身打造。
什麼是 AWS 上的 AI 創新，以及如何建置與擴展？
利用最全面的人工智慧和機器學習服務集，重塑客戶體驗並精簡營運。
與久經考驗的 AI 領導者一起建置
利用 Amazon 超過 25 年的 AI 開拓經驗，擴展 AI 的下一波創新。AWS 讓 AI 可供更多人使用 – 從建置者、資料科學家到商業分析師和學生。AWS 擁有最全面的 AI 服務、工具和資源組合，為超過 100,000 名客戶帶來深厚的專業知識，以此滿足他們的業務需求並充分挖掘其資料的價值。安全性、隱私權和負責任的 AI 原則從未如此重要。客戶可以在保證隱私權、端對端安全和 AI 治理的基礎上使用 AWS 進行建置和擴展，以前所未有的速度進行轉型。
什麼是面向初學者的 AI 培訓？
AI 培訓通常從程式設計和電腦科學基礎開始。您應學習 Python 之類的語言，以及數學、統計學和線性代數。
然後，您可以繼續接受更專門的培訓。取得人工智慧、機器學習或資料科學碩士學位，以獲得更深入的理解和實作經驗。這些學位的課程通常涉及神經網路、自然語言處理和深度電腦視覺等主題。
然而，正規教育並不是唯一的途徑。您可以使用線上課程，按照自己的節奏學習並掌握特定技能。例如，在 AWS 上的生成式 AI 培訓包括由 AWS 專家就以下主題所提供的認證：
AWS 如何支援您的人工智慧技術需求？
AWS 讓 AI 可供更多人使用 – 從建置者、資料科學家到商業分析師和學生。AWS 擁有最全面的 AI 服務、工具和資源組合，為超過 100,000 名客戶帶來深厚的專業知識，以此滿足他們的業務需求並充分挖掘其資料的價值。客戶可以在保證隱私權、端對端安全和 AI 治理的基礎上使用 AWS 進行建置和擴展，以前所未有的速度進行轉型。AI on AWS 包括預先訓練的 AI 服務，適用於現成的智慧與 AI 基礎結構，以最大限度地提高效能和降低成本。
AWS 讓 AI 可供更多人使用，從建置者、資料科學家到商業分析師和學生。AWS 擁有最全面的 AI 服務、工具和資源組合，為超過 100,000 名客戶帶來深厚的專業知識，以此滿足他們的業務需求並充分挖掘其資料的價值。客戶可以在保證隱私權、端對端安全和 AI 治理的基礎上使用 AWS 進行建置和擴展，以前所未有的速度進行轉型。
AI on AWS 包括預先訓練的 AI 服務，適用於現成的智慧與 AI 基礎結構，以最大限度地提高效能和降低成本。
預先訓練的服務範例：
- Amazon Rekogniton 可自動化、精簡及擴展影像辨識與影片分析。
- Amazon Textract 可從任何文件擷取印刷文字、分析手寫文字及自動擷取資料。
- Amazon Transcribe 可將語音轉換為文字，從影片檔案擷取關鍵業務洞察，以及改善業務成果。
AI 基礎結構的範例：
- Amazon Bedrock 提供各種高效能 FM 及一系列功能。您可試驗各種頂級基礎模型，並使用資料以私有方式對其自訂。
- Amazon SageMaker 提供各種工具，可從頭開始預先訓練基礎模型，以便在內部使用。
- Amazon Elastic Compute Cloud (EC2) Trn1 執行個體採用 AWS Trainium 晶片技術，針對生成式 AI 模型的高效能深度學習 (DL) 訓練而專門建置。
立即建立免費帳戶，開始使用 AI on AWS！