什麼是人工智慧 (AI)？

人工智慧 (AI) 是一套技術，可讓電腦執行各種進階功能，包括查看、理解及翻譯語音和文字語言、分析資料以及製作推薦內容等。

AI 是現代運算的創新基石，為個人和企業創造價值。舉例來說，光學字元辨識 (OCR) 會利用 AI 技術從圖片和文件中擷取文字和資料，將非結構化的內容轉化為適合企業使用的結構化資料，並從中取得寶貴的深入分析結果。

準備好了嗎？新客戶可以獲得價值 $300 美元的免費抵免額，盡情試用各項 Google Cloud 功能。

免費試用聯絡銷售人員

在 2022 年的 Gartner®《Magic Quadrant™ for Cloud AI Developer Services》(雲端 AI 開發人員服務 Magic Quadrant™) 報告中，Google 獲選為領導品牌

下載報告

人工智慧的定義

人工智慧是打造電腦與機器的科學領域，這些電腦和機器可以進行推論、學習以及採取行動，而這類行動原本需要人類智慧判斷或涉及超出人為分析能力上限的資料規模。

AI 是一個廣泛版圖，包含許多不同的專業領域，包括電腦科學、資料分析與統計資料、硬體與軟體工程、語言學、神經科學，甚至是哲學和心理學。

在業務營運方面，AI 是一組採用機器學習技術和深度學習的技術，可用於資料分析、預測和預報、物件分類、自然語言處理、推薦、智慧資料擷取等。

人工智慧類型

依據開發階段或正在執行的動作，人工智慧可透過多種方式分類。

例如，AI 開發通常分為四個階段。

被動機器：使用有限的 AI 技術，僅依據預先編寫的規則回應不同類型的刺激。不會使用記憶體，也無法學習新的資料。舉例來說，在 1997 年擊敗世界西洋棋冠軍 Garry Kasparov，由 IBM 打造的 Deep Blue 就是被動機器。
有限的記憶體：大多數的現代化 AI 都歸類為有限的記憶體。通常運用新的資料透過人工類神經網路或其他訓練模型來進行訓練，藉此使用記憶體隨著時間不斷改善這項技術。深度學習屬於機器學習的分支，屬於有限的記憶體人工智慧。
心智理論：目前並沒有心智理論型的 AI 技術，但這是不斷進行研究的方向之一。這類的 AI 技術可模擬人類的思維，並且具備與人類同等的決策能力，包括識別和記住情緒和在社交情境中做出回應，就像人類一樣。
自我意識：比心智理論型更高層級的 AI 技術，自我意識型 AI 是虛構的機器類型，具備自我存在的意識以及人類的智慧和情感。如同心智理論型的 AI，自我意識型 AI 目前並不存在。

用來廣泛區分人工智慧類型的另一個實用方式，是根據機器可執行的工作來分類。目前所謂的人工智慧，都屬於「狹義」人工智慧，只能根據其程式設計和訓練執行範圍較小的操作。例如，用於物件分類的 AI 演算法無法執行自然語言處理。Google 搜尋就是一種狹義 AI 技術，如同預測性分析或虛擬助理。

人工通用智慧 (AGI) 讓機器就像人類一樣，會「感覺、思考和採取行動」。AGI 目前並不存在。下一個層級是人工超智慧 (ASI)，讓機器能夠以任何優於人類的方式工作。

人工智慧訓練模型

企業談論 AI 時，經常會提到「訓練資料」。這是什麼意思呢？請記住，記憶體有限的人工智慧是一種 AI 技術，會隨著時間使用新資料進行訓練而不斷改善。機器學習是一種人工智慧的子集，可使用演算法訓練資料以取得結果。

大致而言，機器學習通常有三種類型的學習模式：

「監督式學習技術」是一種機器學習模型，會使用已加上標籤的訓練資料 (結構化資料) 將特定輸入內容對應至輸出。簡單來說，如要訓練演算法辨識貓咪的相片，就饋送標為貓的圖片。

「非監督式的學習技術」是一種機器學習模型，可根據未加上標籤的資料 (非結構化資料) 學習模式。與監督式學習技術不同，不能事先掌握最終結果。確切來說，其演算法會「從」資料中學習，並依據屬性將資料分組。舉例來說，非監督式的學習技術適用於模式比對和描述性模型。

除了監督式和非監督式學習技術外，通常也會採用名為「半監督式學習」的混合方法，僅為部分資料加上標籤。半監督式學習技術已知最終結果，但演算法必須找出如何組織及整理資料，才能達到理想的結果。

「強化學習」是一種機器學習模型，廣泛稱為「從做中學」。「代理程式」會藉由測試和錯誤 (意見回饋循環) 來學習執行定義的任務，直到出現在理想範圍內的效能。代理程式執行任務的情況良好時會獲得正面強化，並在表現不佳時得到負面強化。強化學習的其中一個例子，是訓練機器手臂拿起球。

常見的人工類神經網路類型

AI 中常見的訓練模型類型是人工類神經網路，大致依據人類腦部設計的模型。

類神經網路是人工神經元系統 (有時稱為「感知器」)，是一種用於分類及分析資料的運算節點。資料會送入類神經網路的第一層，每個感知會做出決定，然後將相關資訊傳送到下一層中的多個節點。訓練模型超過三個層，稱為「深層類神經網路」或「深度學習」。有些現代類神經網路有成千上百層。最終感知器的輸出結果會完成為類神經網路設定的工作，例如將物件分類或尋找資料中的模式。

以下列舉幾個常見的人工類神經網路類型：

「前饋類神經網路」(FF) 是最古老的類神經網路之一，資料會單向經過多層人工神經元，直到輸出完成為止。現代，大多數前饋類神經網路都被視為「深層前饋」，並含有多個層 (以及多個「隱藏」層)。前饋類神經網路通常會與名為「反向傳播」的錯誤校正演算法搭配使用，簡單來說，從類神經網路的結果開始，然後反向找出錯誤以改善類神經網路的準確度。許多簡單但強大的類神經網路都具有深層前饋。

「循環類神經網路」(RNN) 與前饋類神經網路的不同之處，在於它們通常會使用時間序列資料或與序列相關的資料。與使用各網路節點權重的前饋類神經網路不同的是，循環類神經網路具備前一層事件的「記憶」，並附加到目前層的輸出內容。例如，在執行自然語言處理時，RNN 可以「記住」句子中的其他字詞。RNN 通常用於語音辨識、翻譯和產生圖片說明文字。

「長期/短期記憶」(LSTM) 是進階的 RNN，可利用記憶體「記住」前層情況。RNN 與 LSTM 的差別在於 LSTM 能透過「記憶體儲存格」來記住先前層發生的事情。LSTM 常用於語音辨識和預測。

「卷積類神經網路」(CNN) 包含一些現代人工智慧常見的類神經網路。CNN 通常用於圖片辨識，它會使用幾個不同的層 (先是卷積層，接著是池化層) 來篩選圖片的不同部分，然後再拼湊成完整圖片 (在全連接層)。早期的卷積層可能會先找出圖片的簡單特徵 (例如顏色和邊緣)，然後再尋找其他層中更複雜的特徵。

生成對抗網路 (GAN) 涉及兩個相互競爭的類神經網路，最終改善輸出內容的準確率。其中一個網路 (產生器) 會建立另一個網路 (辨別器) 嘗試證明為真或否的例子。我們使用 GAN 打造寫實的圖片，甚至是藝術。

AI 技術的優勢

自動化

AI 可以自動化處理工作流程和程序，或是在人工團隊之中獨立和自動處理工作。舉例來說，AI 可以持續監控及分析網路流量，藉此協助自動化網路安全的各個層面。同理，智慧型工廠可能有數十種不同的 AI 技術，例如運用電腦視覺技術在廠區空間行進的機器人、檢查產品有無瑕疵、建立數位攣生或使用即時分析，以評估效率和輸出。