歡迎來到人工智慧 (AI) 的世界！

你好，未來的電腦科學家！這一章要探討的是現今科技領域中最令人興奮、發展最迅速的領域之一：人工智慧 (Artificial Intelligence)。別擔心，即使聽起來很複雜，我們將會一步步拆解電腦是如何模擬人類思考的。

你將會學到創造系統的核心概念，這些系統具備推理、解決問題，甚至從經驗中學習的能力。這些概念正是我們在現今社會隨處可見的自動化技術的核心！


6.3 人工智慧 (Artificial Intelligence)

什麼是人工智慧 (AI)？(6.3.1)

簡單來說，人工智慧 (AI) 是電腦科學的一個分支，致力於讓電腦表現出智能行為。

想像一下教導機器去思考、理解並做出決定，就像人類一樣。這就是 AI 的目標。

正式定義：

  • AI 是電腦科學的一個分支，處理電腦對智能行為的模擬。

試想一下 Siri 或 Alexa 這類的語音助理。當你問它一個問題時，它會模擬人類的智慧來理解你的請求，並提供相關的答案。

快速複習：核心概念

AI 的目標是賦予機器展現出某種行為的能力，如果這些行為是由人類執行的，我們就會認為這是具備智能的。


AI 系統的主要特徵 (6.3.2)

為了讓電腦系統展現智能行為，它需要幾項核心能力。課程大綱著重於以下三個關鍵特徵：

1. 資料與規則的收集 (Collection of Data and Rules)

AI 系統若沒有知識作為基礎，就無法「思考」。這些知識以兩種形式存在：

  • 資料 (Data)： 經過時間累積所收集的事實、數據、觀察結果和例子（例如：貓和狗的照片）。
  • 規則 (Rules)： 關於如何運用這些資料的邏輯陳述或指令（例如：如果影像中有尖耳朵，那麼它很可能是一隻狗）。

類比： 這就像給學生一本教科書（資料），以及教導如何詮釋和使用書中公式的教學指引（規則）。

2. 推理能力 (Ability to Reason)

推理是指根據系統現有的資料和規則，得出邏輯結論的能力。這涉及到運用規則來處理新的資訊。

  • 運作方式： 系統獲取輸入內容，根據其規則庫進行檢查，並產生合理的輸出或決策。

例子：一個系統看到一張新影像（輸入資料）。它進行推理：「這個物體是紅色的（事實）且它是圓形的（事實）且它有種子（事實）。我的規則庫顯示擁有這些事實的物體是蘋果。結論：這是一個蘋果。」

3. 學習與適應能力 (Ability to Learn and Adapt)

這大概是最像人類的特徵。一個智能系統應該能夠在不需要被明確重新編程的情況下，隨著時間的推移自我改進。

  • 學習： 吸收新的資料或經驗。
  • 適應： 根據所學到的內容，改變自身的規則或內部處理流程。

你知道嗎？這種能力是機器學習 (Machine Learning) 的基石，我們稍後會介紹。如果 AI 錯誤地診斷了一名病人，而醫生輸入了正確的診斷結果，AI 必須調整其規則，以避免將來再犯同樣的錯誤。


模擬智能行為 (6.3.3)

課程要求你了解兩種用於模擬智能行為的具體方法：

  1. 專家系統 (Expert Systems)
  2. 機器學習 (Machine Learning)

我們需要解釋這兩者的基本運作方式及其組件。


1. 專家系統

專家系統是旨在解決複雜問題並做出決策的 AI 程式，這些決策通常需要受過高度訓練的人類專家才能完成。

範例應用場景：醫療診斷、礦產勘探，或複雜機械故障排除。

專家系統的運作依賴於四個核心組件：

專家系統的組件 (K.R.I.I.)

記憶口訣：K.R.I.I. 可以幫助你記住這四個部分：Knowledge Base（知識庫）、Rule Base（規則庫）、Inference Engine（推理引擎）、Interface（介面）。

1. 知識庫 (Knowledge Base, KB)

  • 這儲存了關於特定領域的所有事實數據。
  • 例子：在醫療專家系統中，知識庫包含關於疾病、病人症狀以及藥物化學反應的事實。

2. 規則庫 (Rule Base, RB)

  • 這儲存了由人類專家提供的規則和邏輯，通常以 IF...THEN（如果...那麼）語句的形式呈現。
  • 這些規則決定了應該如何詮釋知識庫中的事實，以得出結論。
  • 規則範例：如果 (體溫 > 37°C) 且 (出現紅疹) 那麼建議：麻疹。

3. 推理引擎 (Inference Engine, IE)

  • 推理引擎是系統的核心「大腦」。
  • 它的作用是將規則庫中的規則應用於知識庫中的數據（以及使用者輸入的新數據），以得出結論或提出建議（即推理過程）。

4. 使用者介面 (User Interface, UI)

  • 這是讓使用者（例如實習醫生）輸入數據（例如病人症狀）並接收輸出結果（建議的診斷）的螢幕或平台。
專家系統如何運作（步驟）
  1. 使用者透過介面輸入初步事實或症狀。
  2. 推理引擎接收這些輸入。
  3. 推理引擎搜尋規則庫，找出符合輸入事實的規則。
  4. 它利用知識庫中的一般事實來支持或反駁潛在的結論。
  5. 系統循環執行這些規則，直到找到最佳的結論（推理階段）。
  6. 建議的結論（例如：「故障原因為保險絲燒斷」）會透過介面呈現給使用者。

2. 機器學習 (Machine Learning, ML)

機器學習是 AI 的一個子集，系統的設計目的是從資料中學習，而不是針對每一項任務都進行明確的程式編寫。

機器學習的定義 (6.3.3)

機器學習是指程式具有根據新的輸入內容和經驗，自動調整其處理過程及/或數據的能力。

別擔心，如果剛開始覺得很難，讓我們用一個簡單的例子來說明：

類比：垃圾郵件過濾器

  1. 傳統程式： 程式設計師撰寫一條明確的規則：如果電子郵件包含「免費賺錢」字眼，則標記為垃圾郵件。
  2. 機器學習程式： 系統被餵入 100 萬封電子郵件（資料）。它從猜測哪些是垃圾郵件開始。
  3. 學習： 當你手動將一封棘手的郵件標記為「非垃圾郵件」時，ML 程式會查看該郵件的特徵（關鍵字、寄件者、長度），並調整其內部處理過程，這樣未來它就不太可能將類似的郵件標記為垃圾郵件。

關鍵區別在於，ML 系統會根據回饋改變自己的邏輯，從而達成智能系統所需的學習與適應能力。

機器學習的重點整理
  • ML 的核心在於適應性。
  • 程式從海量資料中學習模式。
  • 當撰寫明確規則太過困難時（例如識別照片中的人臉——要為每一種像素組合編寫規則是不可能的），就會使用機器學習。

章節快速回顧

AI 總結：

  • AI 使用電腦來模擬智能行為。
  • 關鍵特徵包括使用資料/規則、推理以及學習/適應的能力。

專家系統：

  • 在特定領域內模仿人類專家（例如診斷）。
  • 組件：知識庫（事實）、規則庫（邏輯）、推理引擎（應用規則）、介面（使用者互動）。

機器學習：

  • 程式會根據經驗自動更改其處理流程或數據，以提升效能。
  • 用於影像識別或預測趨勢等複雜任務。