什麼是 AI？
AI，也稱為人工智慧，是一種具有類似人類解決問題能力的技術。AI 在實際應用中表現為能模擬人類智慧，它能夠辨識影像、創作詩歌，並根據資料做出預測。
現代組織從智慧感測器、人工產生的內容、監控工具和系統日誌等不同來源收集大量資料。人工智慧技術會分析資料，並使用該資料有效地協助業務營運。例如，AI 技術可以回應客戶支援中的人類對話、建立原始影像和文字進行行銷，以及做出智慧建議進行分析。
最終，人工智慧就是讓軟體更聰明，進行自訂的使用者互動並解決複雜的問題。
AI 技術有哪些類型？
過去幾年，AI 應用程式和技術的數量呈指數上升。以下是您可能遇到的一些常見 AI 技術範例。
AI 的歷史
在 Alan Turing 1950 年極具開創性的論文《計算機與智慧》中，他提出機器思考的可能性。在該篇論文當中，圖靈首先創造了「人工智慧」一詞，並將其以理論和哲學概念提出。 不過，如我們今日所知的，AI 是許多科學家和工程師多年來集體努力的成果。
1940 年至 1980 年
1943 年，Warren McCulloch 和 Walter Pitts 提出了人工神經元模型，為 AI 核心技術神經網路奠定了基礎。
幾年後，Alan Turing 於 1950 年發表了《計算機與智慧》，引入了圖靈測試的概念來評估機器智慧。
這導致 1951 年至 1969 年間，研究生 Marvin Minsky 和Dean Edmonds 建置了第一部神經網路機器 SNARC，Frank Rosenblatt 開發了 Perceptron，這是最早的神經網路模型之一，而 Joseph Weizenbaum 創建了 ELIZA，這是最先模擬 Rogerian 心理治療師的聊天機器人之一。
1969 年至 1979 年，Marvin Minsky 示範了神經網路的局限性，這導致神經網路研究暫時衰退。由於資金減少以及硬體和運算限制，發生了第一個「AI 冬天」。
1980 年至 2006 年
1980 年代，人們對人工智慧研究 (主要是翻譯和轉錄) 重新產生了興趣並獲得了政府資助。在此期間，像 MYCIN 這樣的專家系統變得流行，因為它們模擬了醫學等特定領域的人類決策過程。隨著 1980 年代神經網路復興，David Rumelhart 和 John Hopfield 發表了關於深度學習技術的論文，其中表明電腦可以從經驗中學習
1987 年至 1997 年，由於其他社會經濟因素和網路繁榮，出現了第二個 AI 冬天。AI 研究變得更加分散，團隊在不同的使用案例中解決特定領域的問題。
從 1997 年到 2006 年左右，我們看到了 AI 領域的重大成就，包括 IBM 的 Deep Blue 西洋棋軟體擊敗了世界西洋棋冠軍 Garry Kasparov。除此之外，Judea Pearl 出版了一本涵蓋 AI 研究中的機率論和決策論的書，Geoffrey Hinton 等人普及了深度學習，導致神經網路的復興。不過，商業利益仍然有限。
2007 年至今
從 2007 年到 2018 年，雲端運算的進步讓運算力和 AI 基礎架構變得更加觸手可及。這帶來了機器學習的大量採用、不斷創新和進步。這些進步包括由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 開發且名為 AlexNet 的卷積神經網絡 (CNN) 架構，該架構贏得了 ImageNet 競賽，展示了深度學習在影像識別方面的力量，而 Google 的 AlphaZero 則在沒有人類資料的情況下，靠著自我對弈掌握了西洋棋、將棋和圍棋。
2022 年，使用人工智慧 (AI) 和自然語言處理 (NLP) 進行類似人類對話並完成任務的聊天機器人 (例如 OpenAI 的 ChatGPT)，因其對話能力而廣為人知，重新引發了 AI 的興趣和發展。
未來的 AI
目前的人工智慧技術都在一組預先確定的參數內執行。例如，經過影像辨識和生成訓練的 AI 模型無法建置網站。
通用人工智慧 (AGI) 是理論性 AI 研究領域，試圖建立具有類似人類智慧和自學能力的軟體。目的是讓軟體不需經過訓練或開發即可執行任務。
AGI 是一種理論追求，旨在開發具有自主自控能力、合理程度的自我理解，以及能夠學習新技能的 AI 系統。其能夠解決在建立它時沒教給它的設定和情境中的複雜問題。具有人類能力的 AGI 目前仍為理論性概念和研究目標。這是 AI 可能的未來之一。
AI 如今的使用情況如何？
如今 AI 無所不在，在幕後默默支援您最喜愛的應用程式。
適用於業務的人工智慧範例
人工智慧具有廣泛的應用範圍。雖然不是詳盡的清單，但以下的範例凸顯了 AI 對組織的各種使用案例。
聊天機器人和智慧助理
採用 AI 技術的聊天機器人和智慧助理會進行更複雜和仿似人類的對話。他們可理解情境，並針對複雜的自然語言和客戶查詢來產生一致的回應。他們在客戶支援、虛擬協助和內容產生方面表現卓越，以提供個人化的互動。這些模型具有持續的學習能力，讓它們能夠隨時間的推移協調並改善其效能，從而提升使用者體驗和效率。
例如，Deriv 是全球最大的線上經紀商之一，曾面臨跨各種平台存取大量資料的挑戰。其實作了採用 AI 技術的助理，可從客戶支援、市場行銷和招聘的多個來源中擷取並處理資料。使用 AI，Deriv 將招聘新人員所花費的時間減少了 45%，並將招聘任務時間縮短了 50%。
智慧文件處理
智慧文件處理 (IDP) 可將非結構化文件格式轉換為可用的資料。例如，這項技術可以將電子郵件、圖像和 PDF 等企業文件轉換為結構化資訊。IDP 使用自然語言處理 (NLP)、深度學習和電腦視覺等 AI 技術來擷取、分類和驗證資料。
例如，英國土地註冊處 (HMLR) 負責處理英格蘭和威爾斯 87% 以上的土地和財產所有權。HMLR 的社工會比較和檢閱與土地交易相關的複雜法律文件。該組織採用一個 AI 應用程式來自動化文件比較工作後，縮短了 50% 檢閱時間，並增強了物業轉讓核准程序。如需詳細資訊，請閱讀 HMLR 如何使用 Amazon Textract。
應用程式效能監控
應用程式效能監控 (APM) 是指使用軟體工具和遙測資料，來監控業務關鍵型應用程式效能的程序。以 AI 為基礎的 APM 工具會使用歷史資料在問題發生之前即進行預測。這些工具也可以向開發人員提出實用的解決方案建議，即時解決問題。此策略讓應用程式保持有效執行並突破瓶頸。
例如，Atlassian 就開發了相關產品以簡化團隊和組織。Atlassian 使用 AI APM 工具持續監控應用程式、偵測潛在問題並排定問題嚴重性的優先順序。透過此功能，團隊可以快速回應由 ML 提供的建議，並解決效能下降的問題。
預測性維護
AI 增強的預測性維護使用大量資料，來識別可能導致操作、系統或服務停機的問題。預測性維護讓企業能在潛在問題發生前解決問題，進而縮短停機時間並防止作業中斷。
例如，Baxter 透過全球 70 個製造基地全天候營運，以提供醫療技術。Baxter 採用預測性維護，自動偵測工業設備的異常狀況。使用者可以提前實施有效的解決方案，以縮短停機時間並提高營運效率。若要進一步了解，請閱讀 Baxter 如何使用 Amazon Monitron。
醫學研究
醫學研究領域透過 AI 來簡化流程、自動化重複性工作，以及處理大量資料。您可以在醫學研究中使用 AI 技術，協助推動端對端的藥物開發、轉錄醫療記錄並縮短新產品的上市時間。
實際應用上，C2i Genomics 即使用人工智慧來執行大規模且可自訂的基因體序列資料分析和臨床檢查。研究人員不必操心於運算解決方案，可以專注在臨床表現和方法開發。另一方面，工程團隊也使用 AI 來降低資源需求、工程維護和 NRE 成本。如需詳細資訊，請閱讀 C2i Genomics 如何使用 AWS HealthOmics。
人工智慧為業務帶來的優勢
組織可整合人工智慧功能，以最佳化業務程序、改善客戶體驗並加速創新。
機器學習、深度學習與人工智慧之間有何差異？
人工智慧 (AI) 是一個廣泛的定義，任何讓機器更像人類的策略或技術都可以稱為人工智慧。從自動駕駛汽車到機器人吸塵器和 Alexa 之類的智慧助理，它們都是一種 AI。雖然機器學習和深度學習都屬於 AI，但並非所有 AI 活動都是機器學習和深度學習。例如，生成式 AI 展示了類似人類的創造能力，且是一種非常高級的深度學習形式。
機器學習
雖然您可能會看到人工智慧和機器學習術語在許多地方互換使用，但機器學習在技術上仍是人工智慧的許多其他分支之一。這是致力於開發演算法和統計模型來關聯資料的科學。電腦系統使用機器學習演算法處理大量的歷史資料，並從中找出資料的模式。在目前的情境中，機器學習是指一組稱為機器學習模型的統計技術，您可獨立使用，或用於支援其他更複雜的 AI 技術。
深度學習
深度學習讓機器學習更進一步。深度學習模型使用神經網路，其共同協作來學習和處理資訊。它們包含數百萬個軟體元件，可在小資料單位上執行微型數學運算，以解決更大的問題。例如，它們會處理影像中的個別像素，以對該影像進行分類。現代 AI 系統通常結合多個深度神經網路來執行複雜的任務，例如，撰寫詩歌或從文字提示中建立影像。
人工智慧如何運作？
人工智慧系統採用一系列技術來運作。細節有所差異，但核心原則不變：它們將所有資料類型 (例如文字、影像、影片和音訊) 轉換為數字呈現，並以數學方式識別它們之間的模式和關係。因此，人工智慧技術需要訓練 – 它們接觸大量現有資料集來「學習」，類似於人類從現有知識庫封存中學習。下面列出了一些讓人工智慧發揮作用的技術。
神經網路
人工神經網路是人工智慧技術的核心。神經網路會模擬人類大腦的事件處理過程。人類大腦包含數百萬個神經元，可處理和分析資訊。人工神經網路使用人工神經元，來一起處理資訊。人工神經元也可稱為「節點」，是透過數學計算來處理資訊並解決複雜問題。
自然語言處理
自然語言處理 (NLP) 使用神經網路來解析、理解，以及從文字資料中收集含義。其運用各種運算技術，專於解碼和理解人類語言。這些技術允許機器處理單詞、語法句法及單詞組合來處理人類文字，甚至產生新文字。自然語言處理在總結文件、聊天機器人和進行情緒分析方面至關重要。
電腦視覺
電腦視覺使用深度學習技術，從影片和影像中擷取資訊和見解。您可以將其用於監控線上內容是否包含不當影像、進行臉部辨識，以及分類影像詳細資料。對自駕轎車和卡車來說，監控環境並立即做出決策是至關重要的能力。
語音識別
語音識別軟體使用深度學習模型來解譯人類語音、辨認單字並偵測含意。神經網路可以將語音轉錄為文字並展現聲音情緒。您可以在虛擬助理和客服中心軟體等技術中使用語音識別技術，以偵測語音的含意，進一步執行相應任務。
生成式 AI
生成式 AI 指的是一種人工智慧系統，可以透過簡短的文字提示，創造新的內容和成品，例如影像、影片、文字和音訊。不同於過去僅限於資料分析的 AI 技術，生成式 AI 利用深度學習和大量資料集，來產生高品質、仿似人類的創意成果。不過，這令人耳目一新的創新應用問世同時，也出現對偏見、惡意內容和智慧財產權侵害的隱憂。總體而言，生成式 AI 代表了 AI 功能演進的重大里程碑，能以仿似人類的方式產生人類語言和新成品。
人工智慧應用程式架構有哪些關鍵部分？
人工智慧架構由三個核心層組成。所有核心層都在 IT 基礎設施上執行，該基礎設施提供 AI 所需的運算和記憶體資源。
面向初學者的 AI 培訓選項
AI 培訓通常從程式設計和電腦科學基礎開始。您應學習 Python 之類的語言，以及數學、統計學和線性代數。
然後，您可以繼續接受更專門的培訓。取得人工智慧、機器學習或資料科學碩士學位，以獲得更深入的理解和實作經驗。這些學位的課程通常涉及神經網路、自然語言處理和深度電腦視覺等主題。
然而，正規教育並不是唯一的途徑。您可以使用線上課程，按照自己的節奏學習並掌握特定技能。例如，AWS 上的生成式 AI 培訓包括專家針對以下主題的認證：
人工智慧實作有哪些挑戰？
若干挑戰讓 AI 實作和使用變得複雜。以下障礙是一些最常見的挑戰。
AI 管控
資料管控政策必須遵守法規限制和隱私權法規。若要實作 AI，就必須管理資料品質、隱私權和安全性。您必須對客戶的資料和隱私保護負起責任。若要管理資料安全性，組織應了解 AI 模型如何在每一層級使用客戶資料並與之互動。
技術瓶頸
以機器學習訓練 AI 會耗用大量資源。若要讓深度學習技術正常運作，高門檻的處理能力至關重要。您必須擁有強大的運算基礎設施，才能執行 AI 應用程式和訓練模型。然而建立處理能力所需的成本非常可觀，而且會限制 AI 系統的可擴展性。
資料限制
您需要輸入大量資料，來訓練中立的 AI 系統。您必須具備足夠的儲存容量來處理訓練所用資料。同理，您必須具備有效的管理和資料品質程序，以確保訓練所用資料的正確性。
負責任的 AI
負責任的 AI 是考慮 AI 系統大規模的社會與環境影響的 AI 開發。與任何新技術一樣，人工智慧系統對使用者、社會和環境產生變革性的影響。負責任 AI 需要增強正面影響，並優先考慮 AI 開發和使用方式的公平性與透明度。負責任的 AI 可確保 AI 創新和資料驅動的決策不會侵犯公民的自由和人權。組織認為建置負責任的 AI 極具挑戰性，同時可在快速發展的 AI 領域中保持競爭力。
AWS 如何支援您的人工智慧技術需求？
AWS 讓 AI 可供更多人使用 – 從建置者、資料科學家到商業分析師和學生。AWS 擁有最全面的 AI 服務、工具和資源組合，為超過 100,000 名客戶帶來深厚的專業知識，以此滿足他們的業務需求並充分挖掘其資料的價值。客戶可以在保證隱私權、端對端安全和 AI 管控的基礎上使用 AWS 進行建置和擴展，以前所未有的速度進行轉型。AI on AWS 包括預先訓練的 AI 服務，適用於現成的智慧與 AI 基礎設施，以最大限度地提高效能和降低成本。