人工智慧 虞和芳 2.10.25.發佈

人工智慧 虞和芳 2.10.25.發佈 人工智慧德文稱KI，英文稱AI。廣義上指基於電腦的系統，能夠分析其虛擬或現實環境以提取相關信息，利用這些信息做出決策，從而提高實現既定目標的可能性。這將人工智慧支援的系統與缺乏獨立調整行為和專門執行預定義指令能力的基於規則的系統區分開來。 人工智慧也是電腦科學的一個分支學科，此學科涉及開發和研究產生這些系統的軟體和方法。在這背景下，人工智慧作為一個研究領域，例如，涉及智慧行為和機器學習的自動化，以及意識和創造力的形式化。由於對智能的定義多種多樣，因此這術語難以定義。 隨著時間的推移，許多領域已經發展出人工智慧方法。使用人工智慧方法描述的問題之間有了進一步的區分。這導致出兩個領域：弱人工智慧和強人工智慧。 這裡可以形成許多類別，而科學界在將主題分配給不同類型問題方面尚未取得重大進展。 計算機科學的工程部分涉及如何實現此類系統。範例包括多智能體系統、專家系統、Transformer 或服務導向的架構。 智能的屬性 智能的暫定定義是使生物在其環境中採取適當且主動行動的屬性。這包括以下能力： 感知環境數據，即對刺激做出反應；吸收、處理和將資訊儲存為知識；理解和生成語言；解決問題，採取行動；定義、實現和修改目標；自主決策。 人工智慧的實踐成功會迅速融入應用領域，即使符合其定義，許多人也不再將其視為人工智慧。 這種現象也稱為「人工智慧效應」。 術語的起源 「人工智慧」一詞由美國電腦科學家 John McCarthy 約翰·麥卡錫於1955年提出，當時他正在向 Rockefeller-Stiftung基金會申請 Dartmouth Summer Research Project on Artificial Intelligence達特茅斯人工智慧夏季研究計畫經費。此計畫開始於1956年夏季，10位科學家組成的團隊在大約8週的時間內就這個主題展開了研究。 定義嘗試 「人工智慧」一詞的定義多種多樣。根據不同的視角，工業界、科學研究界和政界對人工智慧的定義要麼基於其應用目標，要麼基於其科學基礎： “人工智慧是IT系統展現‘類似人類’的智慧行為的能力。” ——Bitkom e. V. 和德國人工智慧研究中心 “人工智慧[...]是計算機科學的一個分支，研究人類智能行為的機制[...]。” – 科學光譜，神經科學字典 “人工智慧 (AI) 是指能夠補充和增強人類視覺、聽覺、分析、決策和行動能力的技術。” – 微軟公司 “人工智慧是機器模仿人類邏輯思維、學習、規劃和創造力等能力的能力。” – 歐洲議會（網站） 根據 Stuart J. Russell 和 Peter Norvig 的說法，人工智慧的定義可以分為四類： 1. 複製人類思維 2.複製理性思維3複製人類行為4.複製理性行為 歐盟法律.定義 歐盟人工智慧法規第3條（定義）對「人工智慧系統」進行如下定義： 「就本法規而言，[…]『人工智慧系統』是指基於機器、旨在以不同程度的自主性運行的系統，一旦投入運行，即可進行自適應，根據收到的輸入，為明確或隱含的目標，產生預測、內容、建議或決策等輸出，從而影響物理或虛擬環境。」 序言使這一定義更加通俗易懂。 更安全地分類。 適合日常使用的定義 為了能夠在日常使用中將系統分類為“人工智慧”或“非人工智慧”，許多公司需要使用盡可能具體易懂的標準。這些標準由IT和合規利害關係人制定，以現有的資訊安全、合規和/或風險管理系統為背景，並基於以下定義（截至2024年12月）： 如果一個系統包含至少一個元件，其輸出基於其先前在學習階段基於大量資料自行產生的處理或決策模式，則此系統歸類為「人工智慧系統」。 另一個明顯的特徵是，人工智慧系統對於特定輸入的輸出不能僅透過程式設計、配置和參數化來預測，最多只能基於系統訓練時使用的資料來預測。這是基於風險的方法，因為人工智慧元件歸類為黑盒子，其內部工作原理不透明。 （請參閱黑盒測試。） 這些方法既適用於生成式人工智慧，也適用於預測式人工智慧。 非人工智慧系統，其演算法融合先前在其他地方學習到的人工智慧處理模式，由於上述缺乏透明度所帶來的風險，目前通常也歸類為人工智慧系統。例如，這適用於在不同專業環境中多次使用通用法學碩士 (LLM) 模型的情況。 （截至 2024 年 12 月） 上述方法的優點在於，它們解決了「智能」概念的模糊性以及對上述概念的解釋範圍。透過完全基於相關係統已知的技術方面來避免歐盟法規：對於每個原始碼（白盒），可以得出關於是否內建學習能力（例如，類似於下面列出的方法）的明確聲明。如果無法存取原始程式碼，可以諮詢製造商/程式設計師。 區分範例： 如果導航系統經過“訓練”，能夠使用所有可能行程子集的數據，為每個可能的行程找到最快路線，則此導航系統屬於人工智慧系統。 如果導航系統基於至少製造商/程式設計師已知的不可變*演算法和預先根據同樣已知規則優化的不可變*資料庫來確定最快路線，則這種導航系統不屬於人工智慧系統。 （*除常規更新外，例如出於安全、效率提升、新功能和地圖更新等原因，這些更新均不可變。） 在上述範例中，重點在於路線查找。任何語音控制都必須單獨考慮。 隱喻 關於人工智慧的論述深受隱喻性語言的影響。諸如人工智慧和機器學習之類的術語本身就是擬人化的隱喻，暗指人類的認知。 另一個常見的隱喻是黑盒子，它描述了許多人工智慧系統的不透明性。在科學論述中，大型語言模型也稱為隨機鸚鵡，表示它們在沒有真正理解內容的情況下產生文本。作家 Ted Chiang 泰德‧姜，將大型語言模型比喻為網路上模糊的 JPEG 圖片，以說明壓縮機制。 擬人化的隱喻頗具爭議，因為它們可能會誇大或扭曲人工智慧系統的形象。 另外，研究人員和記者也會討論將人工智慧比喻為工具、鏡子、動物、生物或自然現象等。隱喻的選擇不僅影響大眾對人工智慧的理解，在立法、監管和科學研究中也發揮作用。