什麼是 AI？
AI，也稱為人工智慧，是一種具有類似人類解決問題能力的技術。AI 在實際應用中表現為能模擬人類智慧，它能夠辨識影像、創作詩歌，並根據資料做出預測。
現代組織從智慧感測器、人工產生的內容、監控工具和系統日誌等不同來源收集大量資料。人工智慧技術會分析資料，並使用該資料有效地協助業務營運。例如，AI 技術可以回應客戶支援中的人類對話、建立原始影像和文字進行行銷，以及做出智慧建議進行分析。
最終，人工智慧就是讓軟體更聰明，進行自訂的使用者互動並解決複雜的問題。
AI 技術有哪些類型？
過去幾年，AI 應用程式和技術的數量呈指數上升。以下是您可能遇到的一些常見 AI 技術範例。
AI 的歷史
在 Alan Turing 1950 年極具開創性的論文《計算機與智慧》中，他提出機器思考的可能性。在該篇論文當中，圖靈首先創造了「人工智慧」一詞，並將其以理論和哲學概念提出。 不過，如我們今日所知的，AI 是許多科學家和工程師多年來集體努力的成果。
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 1951 年至 1969 年間，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 Perceptron，這是最早的神經網路模型之一，而 Joseph Weizenbaum 創建了 ELIZA，這是最先模擬 Rogerian 心理治療師的聊天機器人之一。
1969 年至 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
1980 年代，人們對人工智慧研究 (主要是翻譯和轉錄) 重新產生了興趣並獲得了政府資助。在此期間，像 MYCIN 這樣的專家系統變得流行，因為它們模擬了醫學等特定領域的人類決策過程。隨著 1980 年代神經網路復興，David Rumelhart 和 John Hopfield 發表了關於深度學習技術的論文，其中表明電腦可以從經驗中學習
1987 年至 1997 年，由於其他社會經濟因素和網路繁榮，出現了第二個 AI 冬天。AI 研究變得更加分散，團隊在不同的使用案例中解決特定領域的問題。
從 1997 年到 2006 年左右，我們看到了 AI 領域的重大成就，包括 IBM 的 Deep Blue 西洋棋軟體擊敗了世界西洋棋冠軍 Garry Kasparov。除此之外，Judea Pearl 出版了一本涵蓋 AI 研究中的機率論和決策論的書，Geoffrey Hinton 等人普及了深度學習，導致神經網路的復興。不過，商業利益仍然有限。
2007 年至今
從 2007 年到 2018 年，雲端運算的進步讓運算力和 AI 基礎架構變得更加觸手可及。這帶來了機器學習的大量採用、不斷創新和進步。這些進步包括由 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 則在沒有人類資料的情況下，靠著自我對弈掌握了西洋棋、將棋和圍棋。
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。
未來的 AI
目前的人工智慧技術都在一組預先確定的參數內執行。例如，經過影像辨識和生成訓練的 AI 模型無法建置網站。
通用人工智慧 (AGI) 是理論性 AI 研究領域，試圖建立具有類似人類智慧和自學能力的軟體。目的是讓軟體不需經過訓練或開發即可執行任務。
AGI 是一種理論追求，旨在開發具有自主自控能力、合理程度的自我理解，以及能夠學習新技能的 AI 系統。其能夠解決在建立它時沒教給它的設定和情境中的複雜問題。具有人類能力的 AGI 目前仍為理論性概念和研究目標。這是 AI 可能的未來之一。
