iPAS AI︱AI 是什麼？從弱 AI、AlphaGo 到 EU AI 法案

前言

第一章：AI 的定義與分類

1.1 AI 的三大類型 (Types of AI)

• 分析型 AI (Analytical AI)
• 核心功能： 資料分析、商業智慧 (BI)。
• 白話解釋： 像是「財務稽核」。它看著過去的數據，告訴你發生了什麼事（例如：上季營收下滑的原因）。

• 預測型 AI (Predictive AI)
• 核心功能： 需求預測、風險偵測。
• 白話解釋： 像是「風險評估師」。它利用機率模型推算未來，告訴你下個月庫存會不會缺貨，或是這筆交易是不是詐騙。

• 生成式 AI (Generative AI)
• 核心功能： 內容生成 (文字/圖像/影音)。
• 白話解釋： 像是「創意總監」。你給它指令 (Prompt)，它無中生有，創造出新的內容（如 ChatGPT, Midjourney）。

1.2 AI 的發展階段 (Development Stages)

• 弱 AI (Weak AI) / 狹義 AI：
• 定義： 只能處理單一特定任務，不具備自我意識。
• 現狀： 目前所有的 AI 應用皆屬此類（包含 AlphaGo、Siri、自駕車）。

• 強 AI (Strong AI) / 泛用 AI：
• 定義： 具備人類般的泛用型智能，能跨領域解決未曾見過的問題。
• 現狀： 尚未實現。

• 超 AI (Super AI)：
• 定義： 智力全面超越人類。
• 現狀： 僅存在於概念與科幻作品中。

1.3 AI 能力的三大基礎 (The Foundation)

1. 數據 (Data)： AI 的糧食。沒有數據，AI 就無法學習。

2. 演算法與模型 (Algorithms & Models)： AI 的大腦規則。告訴電腦如何處理數據的邏輯。

3. 計算能力 (Computing Power)： AI 的引擎。執行運算所需的硬體效能 (GPU/TPU)。

第二章：AI 基礎架構 (Infrastructure)

2.1 基礎層 (Foundation Layer)

• 定義： AI 運作的硬性支柱。

• 功能： 提供數據 (食材)、演算法 (食譜) 與算力 (廚房設備)。

• 重點： 這是物理基礎，沒有這一層，上層無法運作。

2.2 模型層 (Modeling Layer)

• 定義： 智慧的建構過程。

• 功能： 進行特徵工程、模型訓練與驗證。

• 重點： 這裡是「大廚烹飪」的地方。目標是確保模型具備**「泛化能力 (Generalization)」**——即面對沒看過的數據（新客人），也能做出正確的判斷。

2.3 應用層 (Application Layer)

• 定義： AI 的交付與維持。

• 功能： 將模型部署 (Deploy) 到實際環境，並透過 API 整合。

• 重點： 這裡是「外場服務」。除了讓用戶使用，還要持續監控與維護，確保系統穩定。

第三章：AI 研究流派與發展史

3.1 主要研究流派 (Major Schools)

1. 符號主義 AI (Symbolic AI)：
• 別名： 傳統 AI (Good Old-Fashioned AI)。
• 核心： 認為智慧來自對符號與規則的操作。
• 代表： 專家系統 (Expert System)。邏輯嚴謹，但缺乏彈性（非黑即白）。(活躍於 1970s-1980s)

2. 認知運算 (Cognitive Computing)：
• 核心： 模擬人類大腦的思考過程。
• 目標： 理解自然語言與非結構化數據，輔助人類決策，而非取代人類。

3. 具身智慧 (Embodied AI)：
• 核心： 認為智慧需要身體來與環境互動。
• 應用： 機器人學，透過感知與物理回饋來學習。

3.2 歷史關鍵點 (Key Historical Milestones)

• 1950年 - 圖靈測試 (Turing Test)： 由艾倫·圖靈提出，判斷機器是否具備人類智能的經典標準（能否在文字對話中騙過人類）。這是 AI 概念的起點。

• 1956年 - 達特茅斯會議 (Dartmouth Conference)： 由約翰·麥卡錫 (John McCarthy) 等人發起，首次正式提出「人工智慧 (Artificial Intelligence)」一詞，標誌著 AI 正式成為一門獨立學科。

• 2016年 - AlphaGo： Google DeepMind 開發的圍棋 AI 擊敗世界冠軍李世乭。這是弱 AI 的頂尖範例，展示了深度學習與強化學習在複雜策略上的突破。

第四章：AI 治理與倫理

4.1 治理五大核心原則

1. 公平性 (Fairness)： 確保 AI 決策對所有人都公平，不產生不合理的歧視。

2. 透明度與可解釋性 (Transparency & Explainability)： 應當盡量讓使用者理解 AI 做出特定決策的依據。

3. 穩健性與安全性 (Robustness & Safety)： AI 系統應當是穩定的，面對異常或惡意的輸入時，也能正常運行。

4. 問責制 (Accountability)： 當 AI 系統造成損害時，必須能夠明確找到負責任的對象或單位。

5. 隱私保護 (Privacy)： 數據使用須符合法規，保護個資。

4.2 國際規範：歐盟《人工智慧法》 (EU AI Act)