什麼是人工智慧
人工智慧（通常縮寫為 AI）是一種技術，能讓機器執行通常需要人類智慧才能完成的任務。這可能包含辨識影像、理解語言、進行預測、提出建議、偵測模式、生成內容，或協助人們做出決策。
用一個簡單的方式來理解 AI 是這樣：傳統軟體會依照人類編寫的規則運作；而 AI 系統通常會從資料中學習模式。一個一般的程式可能會說：「如果客戶點了這個按鈕，就顯示那個頁面。」而 AI 系統可能會研究大量過去的範例，學會接下來可能會有人要購買哪個產品、哪個醫療影像需要進一步審查，或哪筆交易看起來可疑。
AI 不是魔法。它是由資料、模型、運算能力與人類的選擇所構建。當它運作得很好時，可以讓複雜的任務更快、更容易處理。當它被用得不好時，可能會帶有偏見、判斷錯誤、結果不透明，或被過度信任。
人工智慧的清晰定義
NIST 的術語表將人工智慧定義為：一種基於機器的系統，能針對由人類所定義的目標做出預測、建議或決策。這個定義很有用，因為它避開了科幻想像。AI 不一定是一台帶有個人性格的機器人。在多數真實情境中，AI 是會把輸入轉換成有用輸出的軟體。
OECD 的AI 原則將 AI 系統描述為：能產生輸出（例如預測、內容、建議或決策）的系統。OECD 也強調值得信賴的 AI，應尊重人權與民主價值。
用白話來說：AI 是一種電腦系統，它會使用資料與模型來產生輸出，使其在特定情境中看起來具有智慧或是有用。
人工智慧如何運作
大多數 AI 系統會遵循一個基本模式：
- 收集資料。
- 使用這些資料訓練一個模型。
- 用模型來辨識模式。
- 將模型套用到新的輸入。
- 產生輸出，例如預測、建議、排序、分類或生成的回應。
例如，電子郵件垃圾信（spam）過濾器可以從大量垃圾信與非垃圾信的範例中學習。隨著時間推移，它會學到各種模式：可疑連結、某些特定字句、不尋常的寄件者行為，或各種格式技巧。當一封新電子郵件送達時，模型會估計它很可能是垃圾信的機率。
IBM 關於人工智慧的指南指出，AI 是一種能讓電腦與機器模擬學習、理解、問題解決、決策與創造力的技術。聽起來範圍很廣，因為 AI 是一個領域，而不是單一產品。
AI、機器學習、深度學習與生成式 AI
人們常常把這些術語當作意思相同來使用，但它們並不完全一樣。
| 術語 | 簡單含義 | 例子 |
|---|---|---|
| 人工智慧 | 機器執行與智慧相關任務的廣泛領域 | 一種能推薦、預測、分類或生成的系統 |
| 機器學習 | 一種人工智慧類型，系統會從資料中學習模式 | 詐欺偵測、推薦系統、風險評分 |
| 深度學習 | 一種使用多層神經網路的機器學習方法 | 影像辨識、語音辨識、大型語言模型 |
| 生成式人工智慧 | 能創造全新內容的人工智慧 | 聊天機器人、影像生成、程式碼生成、影片生成 |
機器學習是建立人工智慧最重要的方法之一。深度學習是一種強大的機器學習類型。生成式人工智慧是一個較新的、備受矚目的類別，能產生文字、影像、音訊、影片、程式碼、簡報以及其他內容。
日常生活中的人工智慧真實例子
人工智慧已經是日常生活的一部分，即使人們並不稱它為人工智慧。
推薦系統是一個很容易理解的例子。當購物網站推薦商品、音樂 App 建議歌曲，或是影片平台決定下一個要顯示什麼時，人工智慧可能會根據使用者行為，以及來自許多其他使用者的模式來為選項進行排序。
詐欺偵測是另一個實用的例子。銀行與支付網路會使用人工智慧系統，偵測不尋常的活動，例如一筆消費與客戶平常的位置、時間、金額或消費模式不一致的交易。
醫療保健也在受監管的環境中使用人工智慧。美國食品藥品監督管理局（FDA）維護一份公開清單，列出獲准在美國上市銷售的AI 具備能力的醫療器材。其中許多工具支援醫學影像、心臟病學、放射學，以及臨床決策支援。這並不代表 AI 取代醫生。這代表 AI 能在法規監督下協助辨識模式或支援審查。
科學提供了最有力的例子之一。Google DeepMind 的AlphaFold 展示了 AI 如何協助預測蛋白質結構——這是一個對生物學、醫學與藥物研發都很重要的問題。史丹佛 AI 指數追蹤 AI 從實驗室快速走向產品、職場，以及政策辯論的速度。
生成式 AI 與像 Pi 這樣的工具
生成式 AI 是許多人如今最直接接觸到的 AI 部分。生成式 AI 不僅僅是分類資料或做出預測，它能創造新的內容：文字、圖片、程式碼、簡報、影片、圖表、摘要，或設計草稿。
這就是Pi 能自然成為日常工作中 AI 的真實例子的地方。過去，一份簡報通常從空白投影片和大量手動排版開始。有了 Pi，使用者可以從筆記、文件、大綱或粗略想法出發，再把這些素材轉成結構化的簡報。這樣的 AI 不是神秘的機器，而是用來整理與表達資訊的實用助理。
Pi 也展示了 AI 如何在同一個工作流程中整合多種能力。它能產生簡報主題、客製樣式與色彩、使用現成元件、套用自動版面、提供圖示資料庫，並在投影片需要支援性的視覺素材時呼叫 AI 影像生成。因為 Pi 也能生成影片或視覺資產，所以它能協助解釋那些僅靠靜態文字單獨就很難傳達的想法。
有用的部分不只是「AI 讓簡報變得更好」。更重要的是，AI 能降低「思考」與「溝通」之間的摩擦感。創辦人可以把投資人筆記轉成簡報式提案。教師可以把課程大綱轉成班級簡報。團隊可以把報告轉成更具視覺呈現的高層更新。最終仍由人來決定要傳達的訊息，但 AI 會協助把內容塑造成更清楚的形式。
AI 擅長什麼、不擅長什麼
當任務涉及模式、規模或重複時，AI 特別強。它能比人更快掃描大型資料集，同時比較多種訊號，並能根據範例做出預測。
實用的 AI 工作包括：整理長篇文件、對圖片或文字進行分類、偵測異常、推薦產品、預測需求、翻譯語言、生成草稿文字或視覺內容、支援客戶服務，以及協助專家審閱複雜資訊。
但 AI 也有極限。它可能產生聽起來很自信、卻其實錯誤的答案。生成式 AI 系統可能捏造事實、編造來源、誤解脈絡，或把訓練資料中的模式過度概化。AI 也可能在資料中反映偏見，而當敏感資訊處理不當時，隱私也可能成為風險。
負責任的 AI
負責任的 AI 意味著用護欄來建置與使用 AI。這並不代表要避開 AI。它代表在信任 AI 之前，先問更好的問題。
NIST 的AI 風險管理架構很有用，因為它提供組織一套思考可信賴 AI 的方式：有效性、可靠性、安全性、資安、透明度、可解釋性、隱私，以及公平性。
負責任的 AI 流程應該會問：AI 正在解決什麼問題？使用了什麼資料？若系統出錯，可能會傷害到誰？準確度如何衡量？使用者能否理解輸出結果？以及是否有人類監督？
OECD 對可信賴 AI 的研究以及 NIST 的 AI RMF 指向相同方向：AI 應該有用，但也要負責。決策越重要，監督就應該越謹慎。
裁決（Verdict）
人工智慧是一個廣泛的科技領域，能協助機器根據資料與模型進行預測、提供建議、做出決策，或生成內容。它驅動推薦系統、詐欺偵測、醫療軟體、導航、客戶支援、科學研究，以及生成式工具。
要理解 AI 最簡單的方法，並不是把它當作像人一樣的心智，而是把它視為以模式為基礎的系統。它可能很有力量、很快、也很實用，但它並非自動就正確或公平。好的 AI 需要好的資料、周全的設計、測試、透明度，以及人類的判斷。
像 Pi 這樣的工具展現了 AI 的實用面：協助人們把混亂的資訊整理成更清晰的表達，例如用投影片、圖片、版面配置、圖示，甚至是影片風格的視覺效果。這才是 AI 在最好的狀態下真正的承諾：不是取代判斷，而是幫助人們更有效地使用資訊。
常見問題（FAQ）
Q：用簡單的話說，什麼是人工智慧？
A：人工智慧是讓電腦能夠執行通常需要人類智慧的任務的技術，例如辨識模式、做出預測、提出建議、理解語言，或是生成內容。
Q：AI 和機器學習有什麼差別？
A：AI 是一個更廣泛的領域。機器學習是建立 AI 的其中一種方式：系統會從資料中學習模式，而不只是遵循人類事先寫好的固定規則。
Q：人工智慧有哪些真實的例子？
A：真實的例子包括推薦系統、詐欺偵測、醫療影像分析、導航應用、客服聊天機器人、翻譯工具、AlphaFold，以及像 Pi 這樣的 AI 簡報工具。
Q：人工智慧總是可靠嗎？
A：不一定。AI 可能很有用，但也可能出錯、有偏見、不夠安全，或難以解釋。重要的 AI 系統需要進行測試、人類監督、保護隱私，以及負責任的治理。
