人工智慧（Artificial Intelligence, AI）

        正以前所未有的速度改變著世界。從科學家的實驗室到我們的日常生活，AI 的旅程像是一場從夢想到現實的奇幻冒險。這項技術，不僅賦予電腦模仿人類思考與學習的能力，更成為解鎖未來的關鍵鑰匙。

然而，人類為什麼需要 AI？我們不也能分析數據、做出決策嗎？答案在於資訊時代帶來的挑戰：數據的規模與複雜程度已超越人類的極限，而 AI 的出現，正是為了解決這一困境。



圖靈測試

        1950年，圖靈發表了一篇劃時代的論文，文中預言了創造出具有真正智能的機器的可能性。[34]由於注意到「智能」這一概念難以確切定義，他提出了著名的圖靈測試：如果一台機器能夠與人類展開對話（通過電傳設備）而不能被辨別出其機器身份，那麼稱這台機器具有智能。這一簡化使得圖靈能夠令人信服地說明「思考的機器」是可能的。論文中還回答了對這一假說的各種常見質疑。]圖靈測試是人工智慧哲學方面第一個嚴肅的提案。

達特矛斯會議

        世界上第一次出現人工智慧這個詞是在1956年的達特矛斯（Dartmouth）會議上在美國。當時總共有10位學者出席會議並且秉持著「要在機器上重現人類智慧」的信念，針對初期的人工智慧程式和各種相關的理論進行討論。

這個會議提倡了四個目標，分別是：
1、懂得使用語言：能更理解及使用文法，且還可以學習新的單字。
2、解決只有人類可以處理的問題：可以應付只有人類才能解決的高難度問題。
3、可以自我改良：從失敗中學習，並且做到自我改良，提升能力。
4、擁有抽像化和概念化的能力：可從得到的資料裡分析並找出特徵，同時產生新的概



深度學習  

深度學習是機器學習的一個分支，是一種受人腦啟發的技術，利用多層「人工神經網路」來學習和分析複雜的資料模式。 它能從非結構化或未標記的資料中自動學習特徵，並用於執行需要人類智慧的任務，例如圖像識別、語音辨識和自然語言處理。 深度學習的關鍵在於其「深度」的神經網路架構，能夠從原始資料中逐步學習到更複雜、更抽象的特徵。 
核心概念
  • 人工神經網路： 
    深度學習的核心，模仿人腦的神經元結構，由輸入層、多個隱藏層和輸出層組成。 
  • 深度： 
    指神經網路中包含多個隱藏層，這些層能循序漸進地學習資料的抽象表示。 
  • 表徵學習(Representation Learning)： 
    深度學習的優點之一，能從資料中自動學習和提取有用的特徵，取代了傳統方法中需要人工設計特徵的步驟。 
工作原理
  1. 訓練： 
    將大量的資料輸入到神經網路中，透過反覆調整網路參數來學習資料的模式。 
  2. 學習： 
    每一層的神經網路都能學習和提取不同層級的特徵，例如，在圖像識別中，第一層可能識別邊緣，下一層可能識別形狀，最終層可能識別出完整的物體。 
  3. 預測： 
    訓練完成後，模型就可以對新的資料進行預測和決策，例如，辨識一張新的照片是貓還是狗。 
應用領域
  • 電腦視覺：: 圖像辨識、目標偵測、影像分割。
  • 自然語言處理(NLP)：: 語言翻譯、文本生成、情感分析。
  • 語音辨識：: 將語音轉換為文字。
  • 其他領域：: 生物資訊學、推薦系統、自動駕駛等。 
生成式AI 
是一種能夠根據使用者提示創造新內容的AI 技術，其內容形式包含文字、圖像、音訊、影片及程式碼等。 它透過學習大量資料中的模式，能自主生成新的、與原始資料相似的內容，應用範圍廣泛，例如聊天機器人、媒體創作、產品設計等。 
工作原理
  • 深度學習：: 生成式AI 建立在深度學習和神經網路的基礎上，這些網路能夠從龐大資料集中學習模式和結構。 
  • 基礎模型：: 它通常由基礎模型（大型AI 模型）驅動，例如GPT 系列。 
  • 學習與生成：: 模型透過「訓練」來學習，當收到使用者輸入的提示（Prompt）時，它會根據所學的知識，生成新的內容，而非單純的資料重組。 
應用領域
  • 內容創作：: 生成故事、文章、詩歌、劇本、音樂或各種風格的圖像和影片。 
  • 自然語言處理：: 用於聊天機器人、虛擬助理，以及自動生成文案和摘要。 
  • 程式設計：: 協助開發人員編寫程式碼。 
  • 產品設計：: 在產品設計、建築和藝術領域提供靈感與協助。 
  • 數據科學：: 用於資料增強，生成合成資料用於訓練或其他分析目的。 
與傳統AI 的區別
  • 生成式AI：: 核心是「創造」新的內容。 
  • 傳統AI（鑑別式AI）：: 主要功能是「辨識」和「分類」現有資料，例如人臉識別、瑕疵檢測等。 

留言

張貼留言