人工智能系統的構建 (3.16 節)

各位未來的電腦科學家，你們好！本章將深入探討現今最令人興奮且發展迅速的領域之一：人工智能 (Artificial Intelligence, AI)。我們將探討如何讓電腦具備思考、學習和解決問題的能力，重點涵蓋其背後的技術（如神經網絡）以及 AI 所帶來的巨大效益與嚴峻風險。
如果這些概念聽起來很抽象，請不用擔心——我們會將這些複雜的構思拆解成簡單易懂的內容。讓我們一起開始構建數位大腦吧！


3.16.1 人工智能的應用與特徵

AI 並不僅僅是指機器人統治世界（目前還不是！）。它指的是構建出能夠執行傳統上需要人類智慧才能完成的任務的系統。

什麼是「人工智能」系統？

目前學界並沒有單一且一致的定義，但一般而言，如果一個系統能解決複雜問題，並透過以下其中一種方式達成目標，就會被視為具備人工智能：

  • 使用類似人類採用的方法（例如，觀察規律）。
  • 達成的解決方案至少與人類能達到的水平相當。

你知道嗎？ 在歷史上，電腦系統無法使用簡單的逐步演算法來解決這類問題，這正是為什麼需要開發 AI 來處理那些需要更複雜、「智慧型」方法之任務的原因。

狹義 AI (Narrow AI) 與通用 AI (General AI)

目前我們日常生活中使用的 AI 系統皆屬於狹義 AI。

  • 狹義 AI： 指能極其出色地執行特定任務的系統（例如：下棋、圖像識別、產品推薦）。它們無法執行其專業領域以外的任務。
  • 通用人工智能 (General AI)： 這是目前的研究領域。這類系統將具備像人類一樣的通用智慧，能夠處理廣泛的任務，這也是科幻小說中常見的情境。目前的 AI 並不具備通用智慧。
AI 的常見應用領域

現今 AI 已廣泛應用於多個領域：

  • 生成式 AI (Generative AI)： 能創作新內容的 AI（例如：撰寫文章、生成圖像、譜寫音樂）。例子：ChatGPT 或 Midjourney。
  • 搜尋與推薦系統： 能預測你接下來想看什麼或買什麼的演算法。例子：Netflix 推薦電影，或 Amazon 推薦產品。
  • 策略遊戲： AI 可以精通西洋棋或圍棋等遊戲，經常擊敗全球頂尖的人類玩家。
  • 醫療診斷： 透過分析掃描影像（如 X 光或 MRI），比人類更準確、更快速地識別疾病或規律的系統。
快速回顧：特徵
AI 用於處理複雜問題，現有的 AI 皆為狹義 AI。其主要應用包括創造新事物（生成式 AI）以及進行預測（推薦系統/診斷）。

3.16.2 構建智慧系統：神經網絡與訓練

神經網絡概念

神經網絡 (Neural Network) 是現代許多 AI 系統所使用的基礎架構。

  • 這是一個由互相連接的節點（有時稱為「神經元」）組成的網絡，其設計靈感來自人類大腦處理資訊的方式。

類比： 可以將神經網絡想像成一個數位大腦。它接收資訊，經過多個步驟進行處理，最後輸出答案。

簡單神經網絡的結構

簡單的神經網絡由多個層 (layers) 組成：

  1. 輸入層 (Input Layer)： 接收初始數據（問題的原始特徵）。例子：對於圖像識別，輸入可能是圖像的像素值。
  2. 隱藏處理層 (Hidden Processing Layer(s))： 「思考」過程在此發生。一層中的節點處理輸入資訊，並將輸出傳遞給下一層的節點。
  3. 輸出層 (Output Layer)： 產生最終結果或預測。例子：輸出可能是「貓」或「狗」。

節點之間的連接具有權重：一層中節點的輸出會經過加權，形成下一層節點的輸入。這些權重決定了前一個節點對後一個節點的影響程度。透過調整這些權重，網絡就能夠進行「學習」！

機器學習與訓練

機器學習 (Machine Learning) 是一種 AI 類型，其系統效能會根據經驗（即餵入大量數據）而提升。

透過反向傳播 (Backpropagation) 進行訓練

網絡如何調整這些權重以變得更精準？這通常是透過一種稱為反向傳播的演算法來完成的。

  1. 前向傳播 (Forward Pass)： 將訓練數據輸入網絡，網絡做出預測（例如：它看到一張貓的照片，但猜測是「狗」）。
  2. 計算誤差 (Calculate Error)： 網絡將其輸出與正確答案（「基本事實」或 ground truth）進行比較，並計算誤差。
  3. 反向傳播 (Backward Pass)： 誤差會逐層向後傳遞。
  4. 調整權重： 演算法根據每個連接對誤差的貢獻程度，調整權重，使得網絡在下次做出預測時更有可能得到正確答案。

這個過程會重複數百萬次，直到網絡的效能達到最佳化。

深度學習 (Deep Learning)

當你聽到深度學習這個詞時，它指的是使用具有多個隱藏節點層（通常是數十或數百層）的神經網絡系統。使用更多的層數，讓系統能夠解決複雜度極高的問題，並識別極其錯綜複雜的規律，例如理解人類語言或複雜的視覺場景。

訓練數據中的偏差問題

人工智能系統的好壞取決於其訓練數據的品質。

  • 關鍵點： 在選擇訓練數據時必須非常謹慎，以確保系統不會產生偏差 (bias)。
  • 例子： 如果一個醫療 AI 只使用白人皮膚的皮膚癌圖像進行訓練，當它嘗試診斷深色皮膚患者時，可能會出現嚴重的失誤（顯示偏差），因為它缺乏識別該類案例規律的經驗（數據）。
重點總結：網絡
神經網絡使用具有加權連接的層（輸入層、隱藏層、輸出層）。它們透過機器學習進行學習，通常利用反向傳播根據誤差來調整權重。深度學習則指擁有許多隱藏層的神經網絡。

3.16.3 人工智能的效益與風險

AI 力量強大，但與任何強大的技術一樣，它既帶來巨大的機遇，也伴隨著顯著的挑戰。

使用人工智能的效益

相比人類或傳統計算方法，AI 系統具有以下幾個關鍵優勢：

  • 改善決策的一致性： AI 消除了人類的情感與疲勞，帶來客觀且穩定的分析（例如：更精準的醫療數據分析）。
  • 快速分析海量數據的能力： AI 可以處理人類團隊無法負荷的「大數據」。
  • 持續運行： AI 系統不需要休息或睡眠；它們可以 24/7 全天候運行。
  • 營運成本降低： 儘管初期設置成本較高，但從長遠來看，運行 AI 系統的成本通常低於聘請人類專家。
  • 在偏遠地區的普及性： AI 的專業能力可以傳遞到任何地方，在人類專家無法到達的地方提供服務。
人工智能帶來的風險

學生必須考慮以下倫理與社會風險：

  • 職位流失與社會影響： 由 AI 驅動的自動化可能導致特定行業的大規模失業。
  • 決策偏差： 如果訓練數據有瑕疵（例如反映了歷史上的性別或種族偏見），AI 將會在決策中延續並放大這種偏差（例如：貸款申請、招聘流程）。
  • 虛假資訊（錯誤的訓練數據）： 如果系統是基於錯誤的數據進行訓練，它將會產生錯誤且可能有害的輸出結果。
  • 抄襲： 生成式 AI 系統在基於現有作品創作內容時，引發了版權與知識產權的擔憂。
  • 在監控系統中的使用： 由 AI 驅動的人臉識別與追蹤系統對隱私與公民自由構成了嚴重風險。
  • 超級智慧系統對人類生存的風險： 理論上，若 AI 超越了人類的認知能力（假設性的通用 AI），它可能會採取對人類不利或造成傷害的行動。
常見誤區提醒：
討論偏差時，請記住它源於訓練數據，而不是惡意的程式編寫。數據反映了現實世界的不公，而 AI 學習了這些不公平的規則。

最終總結：人工智能

AI 是電腦科學的一個分支，致力於建構能夠透過數據進行學習（機器學習）並使用如神經網絡等結構的系統。雖然這些系統在效率與分析方面帶來了巨大效益，但我們必須積極減輕與偏差、職位流失以及先進系統長期安全性相關的風險。