歡迎來到第 18 章：人工智能 (AI)
你好！準備好探索計算機科學中，最令人興奮且發展最迅速的領域之一：人工智能 (AI)。AI 的核心在於創建能模擬人類智慧的計算機系統——例如學習、解難、決策和理解語言。
從 Netflix 的推薦系統到手機上的語音助手，AI 已深入我們的日常生活。在本章中，我們將探討 AI 系統如何處理複雜問題，以及最關鍵的：它們如何進行學習和進化。
如果這些概念看起來有些抽象，請別擔心；我們會通過清晰的類比將其拆解，並直接與課程大綱的要求掛鉤！
1. 使用圖論 (Graphs) 解決 AI 問題
在計算機科學中，許多問題（例如尋找最佳路徑或解謎）都可以使用一種稱為圖 (Graph) 的數學結構來建模。
AI 中圖的用途與結構
想像一張地鐵圖。這張圖是 AI 中圖結構的完美類比：
- 節點 (Nodes / Vertices)： 代表個別的點、狀態或位置。（例如：一個地鐵站）
- 邊 (Edges / Arcs)： 代表節點之間的連接。它們通常帶有關聯的成本或權重。（例如：連接兩個站的鐵路線，而權重可能是交通時間或距離。）
圖如何協助 AI： AI 利用圖來表示狀態空間 (state space)——即系統可能採取的全部狀態和行動的集合。搜索這張圖，AI 就能找到達到目標狀態的最佳行動序列。
搜索算法：Dijkstra 算法與 A* (A-Star) 算法
當 AI 需要在圖中的兩個節點之間尋找最短或成本最低的路徑時，它會使用搜索算法。
Dijkstra 算法
目的： Dijkstra 算法基於邊的權重，找出從起始節點到圖中所有其他節點的最短路徑。它非常可靠。
類比： 想像你在使用一個標準的地圖應用程式，它嚴格地通過檢查從起點向外擴展的每一段連接道路來計算距離，直到到達目的地。這種搜索是詳盡無遺的，並保證能找到絕對的最短距離。
A* (A-Star) 算法
目的： A* 同樣用於尋找最短路徑，但它通常比 Dijkstra 快得多且更高效，尤其是在大型圖中。
秘訣：啟發法 (Heuristic)
A* 使用一種稱為啟發法的特殊函數。啟發法本質上是一個「有根據的猜測」，即對到達目標所需剩餘成本的估算。它能幫助算法優先考慮看起來最有希望的路徑。
- 如果 Dijkstra 是盲目地向所有方向搜索，A* 則會智能地將搜索聚焦在目標方向上，從而節省計算資源。
- A* 通過結合已經消耗的實際成本 (g) 和估計的剩餘成本 (h) 來計算優先級：
總估計成本 = \(g + h\)
你知道嗎？ A* 被廣泛應用於電子遊戲中的敵方尋路，以及現代 GPS 系統中，因為它能非常快速地找到最佳路徑。
快速回顧：圖搜索
- 圖： 節點和加權邊代表狀態和轉換。
- Dijkstra： 找到通往所有節點的實際最短路徑。
- A*： 通過使用啟發法（估算）高效地找到最短路徑。
2. 機器學習：學習的類別
機器學習 (Machine Learning, ML) 是 AI 的一個子領域，系統無需明確編寫規則，即可直接從數據中學習。機器不是透過編寫「如果 X 則 Y」來運作，而是透過接收數據並自行學習其中的關係。
機器學習類別
課程大綱要求你理解三種主要的 ML 類別，這些類別取決於數據的呈現方式以及系統接收反饋的方式。
(a) 監督式學習 (Supervised Learning)
這就像有一位老師或監督者指導學習過程。用於訓練的數據是已標註的 (labeled)，這意味著輸入數據已經關聯了正確的輸出或「答案」。
工作原理：
- 系統被展示一個輸入 （例如：一張蘋果的照片） 和正確的標籤 （例如：「蘋果」）。
- 它做出預測。
- 它將預測與正確標籤進行比較並計算誤差。
- 它調整內部的模型以減少未來預測的誤差。
常見任務：
- 分類 (Classification)： 預測離散的標籤 （例如：這封郵件是垃圾郵件還是非垃圾郵件？）
- 回歸 (Regression)： 預測連續的數值 （例如：預測明天的氣溫或房價）
(b) 非監督式學習 (Unsupervised Learning)
這是一種沒有老師的學習。訓練數據是未標註的 (unlabeled)。系統的工作是自行探索數據，找出隱藏的模式、結構或關係。
工作原理：
系統接收數據點，並被要求根據相似性對它們進行分組或結構化。
常見任務：
- 聚類 (Clustering)： 將相似的項目歸為一組。（例如：營銷公司利用此方法找出購買相似產品的客戶群體，從而進行針對性營銷。）
監督式與非監督式的類比：
- 監督式： 你向一個孩子展示 100 張貓和狗的照片，並告訴他們「這是貓，這是狗。」他們學會了分類新的照片。
- 非監督式： 你向一個孩子展示 100 張混合的照片，並要求他們將其分成兩堆相似的物體。他們雖然不知道名字，但能根據共享特徵找出類別（貓和狗）。
快速回顧：ML 類別
- 監督式： 使用已標註數據；找到從輸入到已知輸出的映射。
- 非監督式： 使用未標註數據；發現隱藏結構/模式（聚類）。
3. 進階 AI 與學習方法
在解決高度複雜的問題（如處理人類語音或駕駛汽車）時，AI 依賴強大的數學模型，這些模型主要受到人類大腦的啟發。
人工神經網絡 (Artificial Neural Networks, ANNs)
ANNs 是受到大腦生物神經網絡結構啟發的計算模型。它們是大多數現代機器學習和深度學習系統的骨幹。
結構：
ANN 由多層互連的處理單元組成，稱為神經元 (neurons) 或節點。每個神經元之間的連接都有一個數值，稱為權重 (weight)。這些權重就是網絡在訓練過程中，通過調整來「學習」的對象。
- 輸入層： 接收數據（例如：圖像的像素值）。
- 隱藏層： 執行複雜的計算和特徵提取。層數越多，網絡越深。
- 輸出層： 提供最終結果（例如：分類，如「汽車」或「卡車」）。
深度學習 (Deep Learning, DL)
深度學習只是一種特殊的機器學習，它使用非常深的人工神經網絡（擁有許多隱藏層的網絡）。
- 傳統的 ML 可能只有一到兩層隱藏層；而深度學習可能有數十層。
- 這種深度使系統能夠自動從原始數據中提取越來越複雜的特徵。 （例如：在圖像處理中，第一層可能檢測邊緣，下一層檢測形狀，最後一層識別物體。）
為什麼要用深度學習？ 它在處理非結構化數據（圖像、音頻、文本）方面表現出色，因為這些數據的特徵很難手動定義。
強化學習 (Reinforcement Learning, RL)
強化學習是一種 AI 代理 (agent) 通過在環境中採取行動並接收獎勵 (rewards) 或懲罰 (penalties)（反饋）來學習決策的方法。
- 沒有訓練數據或監督者；代理完全通過試錯法 (trial and error) 學習。
- 目標： 最大化隨時間累積的獎勵。
類比： 教機械人走路。當它走對時，獲得正面獎勵；當它跌倒時，獲得懲罰。它最終會找出最佳的肌肉動作序列，以最大化其獎勵（保持直立）。
應用： 機器人技術、訓練 AI 玩複雜遊戲（如象棋或圍棋），以及優化工業流程。
快速回顧：進階學習
- ANNs： 仿照大腦，使用神經元之間的加權連接。
- 深度學習： 使用具有許多隱藏層的 ANN 來處理複雜任務。
- 強化學習： 通過獎勵和懲罰（試錯法）進行學習。
4. 訓練 AI：反向傳播與回歸
為了使人工神經網絡有效學習，它需要一種機制，根據監督訓練期間所犯的錯誤來調整權重。這種機制稱為反向傳播。
誤差反向傳播 (Back Propagation)
反向傳播是用於訓練 ANN 的主要算法。它的工作原理是計算輸出層的誤差，並將該誤差反向傳播到網絡中，以確定每個權重對錯誤的貢獻程度。
逐步流程（學習週期）：
- 前向傳播 (Forward Pass)： 輸入數據通過網絡逐層傳遞，直到生成最終的輸出預測。
- 誤差計算： 計算網絡的預測值與實際正確值（已知標籤）之間的差異。這就是誤差。
- 反向傳播 (Backward Pass)： 誤差從輸出層開始，穿過隱藏層，向後傳播到輸入層。
- 權重調整： 算法利用微積分（不用擔心，你不需要知道具體的數學公式！）計算*梯度*（誤差對權重變化的敏感度）。然後，它會稍微調整權重以減少計算出的誤差。
通過重複這個週期數千或數百萬次，網絡的權重會逐漸完善，從而得到一個準確的模型。
記憶小撇步： 反向傳播是 AI 將錯誤的「責任」分配給特定權重的過程，這樣它就知道如何修正它們。
機器學習中的回歸方法
回歸是監督式學習中使用的一種基礎統計方法。其主要目的是預測。
定義： 當 AI 需要預測一個連續值（範圍內的數值，而非固定的類別）時，會使用回歸方法。
例子：
- 分類預測類別：「這個水果是蘋果還是香蕉？」（離散輸出）
- 回歸預測數量：「這個蘋果有多重？」或「明天的股價是多少？」（連續輸出）
在機器學習的背景下，回歸方法建立了自變量（輸入）與因變量（我們想要預測的輸出）之間的關係。
5. AI 的社會、經濟與環境影響
AI 是一項強大的工具，與任何技術一樣，它具有深遠的影響。
社會問題
- 偏見與公平性： AI 系統從數據中學習。如果訓練數據包含人類偏見（例如歷史上的種族或性別偏見），AI 將會複製並可能在決策中放大這些偏見（例如在貸款申請或招聘決策中）。
- 私隱： AI 訓練依賴海量的個人數據（大數據），引起了人們對監控和濫用私人信息的擔憂。
- 假資訊： AI 可以創建極其逼真的虛假內容（深度偽造 Deepfakes），威脅大眾信任並導致虛假資訊的傳播。
經濟問題
- 職位流失： AI 和自動化可以取代人類從事常規、重複性或複雜分析性工作（例如工廠工人、某些行政角色，甚至一些法律研究工作）。
- 創造新職位： 雖然一些工作會消失，但也會創造新的職位，這些職位需要 AI 維護、倫理道德和數據科學方面的技能。
- 生產力提升： AI 能比人類更快速地處理海量數據和複雜計算，從而顯著提高各行各業（金融、醫療、物流）的效率。
環境問題
- 能源消耗： 訓練大型、複雜的深度學習模型（例如用於大型語言模型的模型）需要巨大的計算能力，導致極高的能源使用和巨大的碳足跡。
- 優化： 相反地，AI 也可用於優化能源網絡、交通流量和製造流程，從而整體上提高環境效率。 （例如：利用 ML 預測能源需求以減少浪費。）
作為一名計算專業人員： 考慮這些影響至關重要。像 BCS（英國計算機學會） 和 IEEE（電氣電子工程師學會） 這樣的倫理機構推廣倫理準則，以確保 AI 的開發負責任。