人工智慧AI是什麼？
AI 是人工智慧（Artificial Intelligence）的英文縮寫，意思是具有像人類一樣行為或表現能力的機器。
人工智慧 AI 是指電腦程式或機器能夠做出需要智慧來執行的事。AI 裝置可以自己運作，不一定需要人類對它下達指令。AI 的英文名稱來自一位美國的電腦科學家 約翰﹒麥卡錫……
人工智慧AI到底是什麼？
不同的專家可能會有不同的看法，但是大多數的專家認為只要看看AI能做什麼，你就能明白它到底是什麼。
看看AI能帶來什麼改變！許多專家認為具備AI的機器，可以做到以下三件事……
1. 可以利用數據來辨識周遭的特定事物。
2. 可以分析數據，然後根據分析結果做出預測、建議或決定。
3. 可以學習和自行改進。你訓練人工智慧程式去執行某件事後，它可以不斷自行改進執行的能力，不需要任何人力介入。
雖然AI 已經能做到許多事情，但仍然會出錯。因此除了開發新的AI技術，研究人員也在努力讓現有的AI 系統更加可靠、值得信賴。
我們的世界會有哪些改變？
許多人認為 AI 將會改變我們的世界，但是沒有人知道到底會有多大的變化，還有這些變化絕大多數是正面的還是負面的呢？你可以從以下的圖表設想可能的情況。
第 1 章AI 是怎麼運作的？
所有的電腦都是依照指令來執行任務，這些指令稱為演算法。尤其具有人工智慧的電腦，能夠運用非常複雜的演算法，足以讓電腦自己學習新的技能。
電腦專家是怎樣讓電腦變得這麼聰明呢？其實他們的靈感來自於人類的大腦。
沒有人完全了解人類的大腦到底如何運作。但我們知道，大腦中有數百億個神經細胞（也稱為神經元），這些神經元彼此連結，並且用非常複雜的方式相互傳遞訊息。當我們思考、學習和解決問題時，訊息就在這些神經元之間流動。基於我們對大腦的認識，電腦專家運用一種稱為類神經網路的程式設計方法來創造AI。這種技術讓電腦可以用類似大腦運作的方式來處理資訊。
什麼才是AI？
1997年，一部叫做「深藍」的超級電腦，擊敗了當時的西洋棋世界冠軍—俄羅斯的加里‧卡斯帕洛夫。這件事對智慧型運算來說是個重大的里程碑，因為電腦首次打敗了世界排名第一的西洋棋職業棋士。
「深藍」的演算法非常複雜，是由頂尖的程式設計師與西洋棋專家共同開發。當時各界都認為它是人工智慧發展史上的里程碑。然而以現在的標準來看，「深藍」並不算是真正的AI，因為它只是遵循設計好的程式指令來運作，並不具備自我學習的能力。
可以自學的機器
過去，程式設計師需要為機器設定精確的指令，讓它能夠應對所有可能的情境。但現在，他們可以設計演算法，讓機器自己學習該怎麼做。
AlphaGo圍棋程式
2016年，一款名叫AlphaGo的電腦程式在圍棋比賽中戰勝人類對手—南韓棋王李世乭，他是世界圍棋史上最頂尖的棋士之一。
跟「深藍」不同的是，AlphaGo 並沒有龐大的棋路資料庫作為思考的基礎，而是先透過「觀看」人類下棋的紀錄來學習圍棋，然後跟自己對弈來精進、提升棋力。換句話說，AlphaGo是自己學會下棋，因此它確實運用了人工智慧。
電腦學會執行特定任務的過程稱為機器學習。機器學習有許多種不同的類型，但每一種都包含三個階段—訓練階段、預測階段、測試階段。
訓練機器學習，通常需要大量的人工標註工作，一開始會耗費許多時間。（許多公司在宣傳自家的AI 軟體時，通常不會提到這件事。）
電腦可以快速的處理數千張圖片的資訊，但這需要強大的運算能力才做得到。這種類型的機器學習稱為監督式學習。在訓練過程中，機器需要人類幫忙標註大量的資料，才能學會判斷。
另一種機器學習的類型是，電腦會獲得一組沒有標籤的資料，它必須自行找出其中的規律，把相似的資料歸類，而不是由人類來告訴它要尋找什麼特徵。
這種機器學習的方式稱為非監督式學習，好處是不要花時間去標註大量的資料。此外，電腦往往比人類更能從大量資料中發現難以察覺的、細微的規律。
非監督式學習可以用來辨識異於常態的資料，在許多方面都很有用，例如：偵測信用卡詐騙ヽ防止電腦遭到駭客攻擊ヽ提前發現機器需要維修的跡象，以免發生故障。
神經網路
讓電腦具有學習能力的一種常見方式是，建立類神經網路（Artificial Neural Network，簡稱ANN，也稱為人工神經網路）系統。這種系統的靈感來自人體神經元相互溝通的方式，讓電腦可以學會如何處理資訊。
類神經網路（ANN）就是以這種類似的方式運作。程式設計師會創造許多「節點」來模擬人體的神經元。整個類神經網路由一層層的節點組成。
每個節點就像是一臺小型電腦，能夠進行簡單的運算。節點與節點相互連接，交換資訊，就像大腦裡的神經元一樣。
具備 AI 的裝置，例如 FIZZY，就是透過類神經網路來學習。舉例來說，當FIZZY學習如何辨識一顆橘子，會先把輸入資料送進類神經網路中，經過好幾層節點的處理，最後產生結果並且輸出。
從錯誤中學習
一開始，工程師會透過「監督式學習」來訓練類神經網路。類神經網路會隨機的產生結果，如果這個結果是錯誤的，只要和正確的結果進行比對，就能慢慢修正、推敲出正確的結果。
AI學習辨識圖片的過程，就像是電腦跟人在玩一場大型的數字遊戲。無論是輸入的圖片訊息、節點之間的權重，還是電腦辨識後輸出的詞語，全都是用一連串的數字進行。以下用簡化的對話來說明這個過程。
這位人類老師的教法有點奇怪，甚至令人抓狂。但是電腦不會介意，也不怕失敗。它會不斷嘗試，努力找出正確的中間步驟（也就是權重），直到輸出正確的答案為止。
深度學習
節點層數非常多的類神經網路，就叫做深度神經網路。如果機器學習是透過這樣的神經網路，它的學習過程就稱為深度學習。
和簡單的類神經網路一樣，深度神經網路裡的節點也會根據自我學習的過程自動調整權重。不過，就連設計出這些網路的工程師，也未必清楚哪些節點之間的權重改變了，或者深度神經網路是根據什麼邏輯做出這樣的判斷。
第 2 章AI 時代來臨
人工智慧AI這個點子，最早是在1950年代由數學家和計算機科學家提出。他們想知道：機器有沒有可能像人類一樣擁有智慧？
到了21世紀的今天，AI已經實際運用在我們生活中的各個層面，例如幫助人們做決定、預測未來的情況，或是提出建議。翻開下一頁，各式各樣的AI應用實例會讓你嘆為觀止！
但是，請注意！AI並不是無所不能，它也有辦不到的事；此外，當我們依賴AI的幫助後，也要小心避免可能帶來的麻煩。
AI 是人工智慧（Artificial Intelligence）的英文縮寫，意思是具有像人類一樣行為或表現能力的機器。
人工智慧 AI 是指電腦程式或機器能夠做出需要智慧來執行的事。AI 裝置可以自己運作，不一定需要人類對它下達指令。AI 的英文名稱來自一位美國的電腦科學家 約翰﹒麥卡錫……
人工智慧AI到底是什麼？
不同的專家可能會有不同的看法，但是大多數的專家認為只要看看AI能做什麼，你就能明白它到底是什麼。
看看AI能帶來什麼改變！許多專家認為具備AI的機器，可以做到以下三件事……
1. 可以利用數據來辨識周遭的特定事物。
2. 可以分析數據，然後根據分析結果做出預測、建議或決定。
3. 可以學習和自行改進。你訓練人工智慧程式去執行某件事後，它可以不斷自行改進執行的能力，不需要任何人力介入。
雖然AI 已經能做到許多事情，但仍然會出錯。因此除了開發新的AI技術，研究人員也在努力讓現有的AI 系統更加可靠、值得信賴。
我們的世界會有哪些改變？
許多人認為 AI 將會改變我們的世界，但是沒有人知道到底會有多大的變化，還有這些變化絕大多數是正面的還是負面的呢？你可以從以下的圖表設想可能的情況。
第 1 章AI 是怎麼運作的？
所有的電腦都是依照指令來執行任務，這些指令稱為演算法。尤其具有人工智慧的電腦，能夠運用非常複雜的演算法，足以讓電腦自己學習新的技能。
電腦專家是怎樣讓電腦變得這麼聰明呢？其實他們的靈感來自於人類的大腦。
沒有人完全了解人類的大腦到底如何運作。但我們知道，大腦中有數百億個神經細胞（也稱為神經元），這些神經元彼此連結，並且用非常複雜的方式相互傳遞訊息。當我們思考、學習和解決問題時，訊息就在這些神經元之間流動。基於我們對大腦的認識，電腦專家運用一種稱為類神經網路的程式設計方法來創造AI。這種技術讓電腦可以用類似大腦運作的方式來處理資訊。
什麼才是AI？
1997年，一部叫做「深藍」的超級電腦，擊敗了當時的西洋棋世界冠軍—俄羅斯的加里‧卡斯帕洛夫。這件事對智慧型運算來說是個重大的里程碑，因為電腦首次打敗了世界排名第一的西洋棋職業棋士。
「深藍」的演算法非常複雜，是由頂尖的程式設計師與西洋棋專家共同開發。當時各界都認為它是人工智慧發展史上的里程碑。然而以現在的標準來看，「深藍」並不算是真正的AI，因為它只是遵循設計好的程式指令來運作，並不具備自我學習的能力。
可以自學的機器
過去，程式設計師需要為機器設定精確的指令，讓它能夠應對所有可能的情境。但現在，他們可以設計演算法，讓機器自己學習該怎麼做。
AlphaGo圍棋程式
2016年，一款名叫AlphaGo的電腦程式在圍棋比賽中戰勝人類對手—南韓棋王李世乭，他是世界圍棋史上最頂尖的棋士之一。
跟「深藍」不同的是，AlphaGo 並沒有龐大的棋路資料庫作為思考的基礎，而是先透過「觀看」人類下棋的紀錄來學習圍棋，然後跟自己對弈來精進、提升棋力。換句話說，AlphaGo是自己學會下棋，因此它確實運用了人工智慧。
電腦學會執行特定任務的過程稱為機器學習。機器學習有許多種不同的類型，但每一種都包含三個階段—訓練階段、預測階段、測試階段。
訓練機器學習，通常需要大量的人工標註工作，一開始會耗費許多時間。（許多公司在宣傳自家的AI 軟體時，通常不會提到這件事。）
電腦可以快速的處理數千張圖片的資訊，但這需要強大的運算能力才做得到。這種類型的機器學習稱為監督式學習。在訓練過程中，機器需要人類幫忙標註大量的資料，才能學會判斷。
另一種機器學習的類型是，電腦會獲得一組沒有標籤的資料，它必須自行找出其中的規律，把相似的資料歸類，而不是由人類來告訴它要尋找什麼特徵。
這種機器學習的方式稱為非監督式學習，好處是不要花時間去標註大量的資料。此外，電腦往往比人類更能從大量資料中發現難以察覺的、細微的規律。
非監督式學習可以用來辨識異於常態的資料，在許多方面都很有用，例如：偵測信用卡詐騙ヽ防止電腦遭到駭客攻擊ヽ提前發現機器需要維修的跡象，以免發生故障。
神經網路
讓電腦具有學習能力的一種常見方式是，建立類神經網路（Artificial Neural Network，簡稱ANN，也稱為人工神經網路）系統。這種系統的靈感來自人體神經元相互溝通的方式，讓電腦可以學會如何處理資訊。
類神經網路（ANN）就是以這種類似的方式運作。程式設計師會創造許多「節點」來模擬人體的神經元。整個類神經網路由一層層的節點組成。
每個節點就像是一臺小型電腦，能夠進行簡單的運算。節點與節點相互連接，交換資訊，就像大腦裡的神經元一樣。
具備 AI 的裝置，例如 FIZZY，就是透過類神經網路來學習。舉例來說，當FIZZY學習如何辨識一顆橘子，會先把輸入資料送進類神經網路中，經過好幾層節點的處理，最後產生結果並且輸出。
從錯誤中學習
一開始，工程師會透過「監督式學習」來訓練類神經網路。類神經網路會隨機的產生結果，如果這個結果是錯誤的，只要和正確的結果進行比對，就能慢慢修正、推敲出正確的結果。
AI學習辨識圖片的過程，就像是電腦跟人在玩一場大型的數字遊戲。無論是輸入的圖片訊息、節點之間的權重，還是電腦辨識後輸出的詞語，全都是用一連串的數字進行。以下用簡化的對話來說明這個過程。
這位人類老師的教法有點奇怪，甚至令人抓狂。但是電腦不會介意，也不怕失敗。它會不斷嘗試，努力找出正確的中間步驟（也就是權重），直到輸出正確的答案為止。
深度學習
節點層數非常多的類神經網路，就叫做深度神經網路。如果機器學習是透過這樣的神經網路，它的學習過程就稱為深度學習。
和簡單的類神經網路一樣，深度神經網路裡的節點也會根據自我學習的過程自動調整權重。不過，就連設計出這些網路的工程師，也未必清楚哪些節點之間的權重改變了，或者深度神經網路是根據什麼邏輯做出這樣的判斷。
第 2 章AI 時代來臨
人工智慧AI這個點子，最早是在1950年代由數學家和計算機科學家提出。他們想知道：機器有沒有可能像人類一樣擁有智慧？
到了21世紀的今天，AI已經實際運用在我們生活中的各個層面，例如幫助人們做決定、預測未來的情況，或是提出建議。翻開下一頁，各式各樣的AI應用實例會讓你嘆為觀止！
但是，請注意！AI並不是無所不能，它也有辦不到的事；此外，當我們依賴AI的幫助後，也要小心避免可能帶來的麻煩。
