人工智慧 (AI)

menu icon

人工智慧 (AI)

人工智慧實現電腦和機器模仿人類思維的問題解決和決策能力。

何謂人工智慧?

在過去幾十年來已出現不少關於人工智慧 (AI) 的定義,但 John McCarthy 在此 2004 年報告 (PDF, 106 KB)(IBM 外部鏈結)中提出以下定義:「人工智慧是指製造智慧型機器的科學與工程,特別是智慧型電腦程式。 它與使用電腦理解人類智慧的類似任務有關,但 AI 不必只侷限在生物可觀察的方法上。」

然而,在此定義現身的幾十年前,在 Alan Turing 於 1950 年發表的開創性著作 "Computing Machinery and intelligence" (PDF, 89.8 KB)(IBM 外部鏈結)中就已經出現關於人工智慧的對話。在這篇報告中,經常被稱為「電腦科學之父」的 Turing 提出以下問題:「機器可以思考嗎?」有鑑於此,他提供了現在知名的「圖靈測試」,其可讓人類詢問者嘗試區辨電腦和人類的文字回應。 雖然此測試從發表以來經歷過很多審查,但它一直是 AI 發展史的重要組成部分,也是哲學上的一個持續概念,因為它使用了語言學中的觀念。

Stuart Russell 和 Peter Norvig 隨後發表 "Artificial Intelligence: A Modern Approach"(IBM 外部鏈結),該書成為 AI 研究方面的主要教科書之一。 在這本書中,他們鑽研出 AI 的四個潛在目標或定義,在理性以及思考與行動的基礎上區別電腦系統:

人類方法:

  • 思考方式像人類的系統
  • 行事像人類的系統

理想方法:

  • 理性思考的系統
  • 理性行事的系統

Turing 的定義將會落在「行事像人類的系統」的類別中。

在最簡單的形式中,人工智慧是指一個領域,其中結合電腦科學與強大資料集以便能夠解決問題。 它還包含機器學習和深度學習等子領域,這些經常與人工智慧相提並論。 這些專業領域由 AI 演算法構成,這些演算法試圖建立能夠根據輸入資料來建立預測或分類的專家級系統。

如今仍有許多話題圍繞著 AI 發展,我們可以預期市場上隨時會出現新興技術。 如同 Gartner’s hype cycle(IBM 外部鏈結)當中所述,產品創新,例如自動駕駛汽車和個人助理,遵循 「典型的創新進展」,從狂熱、一段時間的幻滅,到最終理解創新在市場或領域中的關聯和角色。就像 Lex Fridman 在他 2019 年演講這裡(IBM 外部鏈結)中所說的,我們處於期望膨脹的高峰,接近幻滅的開始。

當圍繞 AI 倫理的對話出現,我們開始看到幻滅隱約顯現。 若要進一步閱讀 IBM 在 AI 倫理對話中的立場,請透過這裡閱讀更多內容。

人工智慧的類型(弱 AI 與強 AI)

弱 AI,也稱為狹義 AI 或狹義人工智慧 (Artificial Narrow Intelligence, ANI),是經過訓練的 AI,著重在執行特定作業。 弱 AI 驅動了我們現今周圍的大部分 AI。「狹隘」可能是這類 AI 更準確的描述詞,因為它一點也不弱;它啟用一些非常強大的應用程式,例如 Apple 的 Siri、亞馬遜的 Alexa、IBM Watson 和自動駕駛汽車。

強 AI 由強人工智慧 (AGI) 與超人工智慧 (ASI) 所組成。 強人工智慧 (AGI),或一般 AI,是一種理論上的 AI 形式,其中機器擁有與人類相當的智慧;它擁有自覺意識,能夠解決問題、學習與規劃未來。 超人工智慧 (ASI),也稱為超級智慧,將超越人類大腦的智慧與能力。 雖然強 AI 仍完全只是理論沒有實際範例,但這並不表示 AI 研究人員不會去探索它的發展。 在目前,ASI 的最佳範例可能來自科幻小說,例如電影「超人」中的 HAL、電影「2001 太空漫遊」中的流氓電腦助理。

深度學習與機器學習

深度學習和機器學習往往被拿來交換使用,因此值得注意這兩者之間的細微差異。 如同前述,深度學習和機器學習都是人工智慧的子領域,深度學習其實是機器學習的子領域。

顯示 AI、 ML 與 DL 之間相互關係的視覺呈現

 

深度學習其實是由神經網路所構成。深度學習中的「深度」是指,一個由 3 層以上所構成的神經網路,其中包括輸入和輸出,可以視為深度學習演算法。 這通常使用以下圖表來呈現:

深度神經網路圖

深度學習和機器學習之間的不同在於其各自演算法的學習方式。 深度學習會將流程的許多特性擷取片段自動化,消除一些人為介入需求,並且啟用大型資料集。 如同 Lex Fridman 在前述 MIT 演講中所說的,您可以將深度學習想成是「可擴充的機器學習」。 標準或「非深度」機器學習比較依賴人為介入的學習。 由人類專家決定用來瞭解資料輸入之間差異的特性,這通常需要更多的結構化資料才能進行學習。

「深度」機器學習可以利用含標籤的的資料集,也稱為監督學習,來告知其演算法,但含標籤的的資料集並非必要。 它可以吸收保持原始形式的非結構化資料(例如:文字、影像),而且它可以自動決定用於區別不同資料種類的特性階層。 與機器學習不同,它不需要人為介入來處理資料,這使得我們能夠以更有趣的方式擴充機器學習。

人工智慧的應用

如今有為數眾多的真實 AI 系統應用。 以下是一些最常見的範例:

  • 語音辨識:它也稱為自動語音辨識 (ASR)、電腦語音辨識或語音轉文字,它是一種使用自然語言處理 (NLP) 將人類語音處理成書面格式的能力。許多行動裝置將語音辨識納入其系統中,以利進行語音搜尋,例如 Siri,或提供更多的文字相關協助工具。
  • 客戶服務:線上聊天機器人將在顧客旅程中取代服務人員。 它們可以回答某些主題,例如出貨的常見問題 (FAQ),或提供個人化的建議、交叉銷售產品或為使用者建議尺寸,改變了我們對於跨網站和社群媒體平台客戶參與的想法。 範例包括使用虛擬客服之電子商務網站上的傳訊機器人、傳訊應用程式,例如 Slack 和 Facebook Messenger,以及通常由虛擬助理和語音助理完成的作業。
  • 電腦視覺:此 AI 技術可讓電腦和系統從數位影像、影片及其他視覺輸入中獲得有意義的資訊,並根據這些輸入採取行動。 這種可提供建議的能力使它顯得與影像辨識作業大不同。 採用卷積神經網路技術的電腦視覺促成了社交媒體上的可標記照片的應用程式、醫療保健方面的放射影像,以及汽車業中的自駕車。
  • 建議引擎:AI 演算法使用過去的消費行為資料來協助探索資料趨勢,從而開發更有效的交叉銷售策略。 這用來在線上零售商的結帳流程中向顧客提出相關附加建議。
  • 自動化股票交易:專門設計用來將股票投資組合最佳化,AI 驅動的高頻交易平台可每天完成數千甚或數百萬筆交易,完全無需人為介入。

人工智慧的歷史: 關鍵日期和名稱

「可思考的機器」構想可以追溯到古希臘時期。 但是,自從電子運算,以及本文部分討論主題的相關技術問世以來,人工智慧發展中的重要事件和里程碑包括以下:

  • 1950 年:Alan Turing 出版了 Computing Machinery and Intelligence 一書。在這篇論文中,Turing(在第二次世界大戰期間因破解納粹的 ENIGMA 代碼而聞名)提議回答「機器可以思考嗎?」這個問題,並提出圖靈測試以用來確定電腦是否能展現與人類相同的智慧(或相同智慧的結果)。 此後,人們就一直在爭論「圖靈測試」的價值。
  • 1956 年:約翰·麥卡錫 (John McCarthy) 在達特茅斯學院 (Dartmouth College) 有史以來的第一次 AI 會議中創造了「人工智慧」一詞。(麥卡錫後續發明了 Lisp 語言。)同年稍後,艾倫·紐厄爾 (Allen Newell)、克里夫·肖 (J.C.Shaw) 和赫伯特·賽門 (Herbert Simon) 建立了 Logic Theorist,這是有史以來第一個可以執行的 AI 軟體程式。
  • 1967 年:弗蘭克·羅森布拉特 (Frank Rosenblatt) 建構了 Mark 1 感知器,這是第一台以神經網路為基礎的電腦,該神經網路透過反覆試驗來「學習」。 僅僅一年後,馬文·閔斯基 (Marvin Minsky) 和西摩爾·派普特 (Seymour Papert) 出版了一本名為 Perceptrons 的書,這本書不僅成為神經網路的里程碑式著作,而且至少在一段時間內,它一直是未來神經網路研究專案的一個論據。
  • 1980 年代:使用反向傳播演算法來訓練自己的神經網路,在 AI 應用中被廣泛使用。
  • 1997 年:IBM 的 Deep Blue 在國際象棋比賽(和複賽)中擊敗了當時的國際象棋世界冠軍加里·卡斯帕洛夫 (Garry Kasparov)。
  • 2011 年:IBM Watson 在 Jeopardy! 節目中擊敗了節目冠軍肯·詹金斯 (Ken Jennings) 和布拉德·魯特爾 (Brad Rutter)。
  • 2015 年:百度的 Minwa 超級電腦採用一種稱為卷積神經網路的特殊深度神經網路對影像進行識別及分類,其準確率高於一般人。
  • 2016 年:DeepMind 的 AlphaGo 程式採用深度神經網路技術,在一場五回合的比賽中擊敗圍棋世界冠軍選手李世乭 (Lee Sodol)。 這場勝利是很有意義的,因為隨著遊戲的進行,可能的移動數非常龐大(僅四步移動之後,就有超過 14.5 兆的可能移動數!)。 後來,據報導 Google 以 4 億美元的價格收購了 DeepMind。

人工智慧與 IBM Cloud

IBM 一直是為企業推動 AI 驅動技術的領導者,並為多個行業開創了機器學習系統的未來。 基於數十年來的 AI 研究、與各種規模組織的多年合作經驗,以及從超過 30,000 次 IBM Watson 互動中學到的經驗,IBM 開發了 AI Ladder 以成功進行人工智慧部署

  • 收集:簡化資料收集與可存取性。
  • 組織建立業務營運就緒分析基礎。
  • 分析建置可擴充且值得信賴的 AI 驅動型系統。
  • 注入:在整個商業架構中進行系統整合與最佳化。
  • 現代化:將您的 AI 應用程式和系統帶進雲端中。

IBM Watson 為企業提供他們轉換業務系統和工作流程所需的 AI 工具,同時大幅提升自動化與效率。 如需 IBM 如何協助您完成 AI 旅程的相關資訊,請探索 IBM 產品組合中的受管理服務與解決方案

請註冊 IBMid 並建立您的 IBM Cloud 帳戶