人工智慧

AI（全稱：Artificial Intelligence，中文：人工智慧）是計算機科學的一個分支，致力於研究、開發用於模擬、延伸和擴展人類智能的理論、方法、技術及應用系統。 其核心目標是使機器能夠執行通常需要人類智能才能完成的任務，包括學習、推理、感知、語言理解與決策等。 1950年，英國數學家艾倫·圖靈（Alan Turing）發表論文《Computing Machinery and Intelligence》，提出"圖靈測試"以評估機器智能； 1956年，約翰·麥卡錫（John McCarthy）在達特茅斯會議（Dartmouth Conference）上正式提出"Artificial Intelligence"這一術語，標誌著該學科正式誕生。 經過數十年發展，人工智慧已從早期的符號推理與專家系統，演進至以機器學習、深度學習和大語言模型為核心的現代範式，廣泛應用於自然語言處理、計算機視覺、醫療診斷與自動駕駛等領域。

Artificial Intelligence

中文名	人工智慧
縮寫	AI
領域	計算機科學
提出時間	1956年
提出者	約翰·麥卡錫（John McCarthy）
核心目標	模擬、延伸和擴展人類智能

定義

人工智慧目前尚無單一 universally accepted 的定義。 羅素（Stuart Russell）與諾維格（Peter Norvig）將其定義為"模仿通常與人類認知相關的學習、語言和問題解決等認知功能的系統"。 卡普蘭（Andreas Kaplan）與哈恩萊因（Michael Haenlein）則將其界定為"系統正確解讀外部數據、從中學習並通過適應性實現特定目標的能力"。 從應用角度看，當前部署的幾乎所有系統均屬"狹義AI"（Narrow AI 或 Weak AI），即專為單一、有限任務設計的系統；而"通用人工智慧"（Artificial General Intelligence, AGI）指在任意任務中具備人類般廣泛、靈活能力的假想系統，目前仍屬研究願景。

歷史

早期奠基

人工智慧的思想根源可追溯至20世紀40年代。1943年，沃倫·麥卡洛克（Warren McCulloch）與沃爾特·皮茨（Walter Pitts）發表《A Logical Calculus of Ideas Immanent in Nervous Activity》，提出首個神經網絡的數學模型。 1950年，圖靈發表《Computing Machinery and Intelligence》，提出"圖靈測試"以評估機器是否具有智能。 1951年，馬文·明斯基（Marvin Minsky）與迪恩·埃德蒙茲（Dean Edmonds）建造了第一台神經網絡計算機 SNARC（Stochastic Neural Analog Reinforcement Calculator）。

學科誕生與早期繁榮

1956年夏季，麥卡錫、明斯基、納撒尼爾·羅切斯特（Nathaniel Rochester）和克勞德·香農（Claude Shannon）等學者在達特茅斯學院舉辦為期八周的研討會，正式確立"人工智慧"術語及研究領域。 此次會議被公認為 AI 學科的正式誕生。隨後的十餘年被稱為"黃金年代"，研究人員開發出可證明幾何定理、求解代數問題及進行初步自然語言交互的程序，引發第一波研究熱潮。

AI寒冬

20世紀70年代至80年代初，由於計算能力有限、數據匱乏及早期承諾未能兌現，人工智慧進入資金削減與研究興趣低迷的時期，被稱為"AI寒冬"（AI Winter）。 儘管80年代中期專家系統（Expert Systems）曾短暫帶來商業應用熱潮，但因其缺乏適應性與擴展性，未能阻止第二次寒冬的到來。

機器學習與數據驅動轉型

20世紀90年代，機器學習（Machine Learning）範式興起，使系統能夠直接從數據中學習模式，而非依賴人工編寫的固定規則。 1997年，IBM 開發的深藍（Deep Blue）擊敗西洋棋世界冠軍加里·卡斯帕羅夫（Garry Kasparov），成為 AI 發展史上的標誌性事件。 同期，支持向量機、決策樹與早期神經網絡等算法逐漸成熟，推薦系統、語音識別與自然語言處理開始具備實用價值。

深度學習革命

2000年代至2010年代，多層神經網絡（深度學習）藉助大數據與算力提升實現突破。2012年，AlexNet 在圖像識別競賽中取得壓倒性優勢；2016年，Google DeepMind 的 AlphaGo 擊敗圍棋世界冠軍李世石。 進入2020年代，基於 Transformer 架構的大型語言模型（Large Language Models, LLMs）取得顯著進展，以 GPT 系列為代表的生成式 AI（Generative AI）向公眾開放，被視為人工智慧發展的重要里程碑。

技術分支

人工智慧涵蓋多個子領域，主要包括：

• 機器學習（Machine Learning）：使計算機從數據中學習規律而無需顯式編程，包括監督學習、無監督學習與強化學習。
• 深度學習（Deep Learning）：基於多層人工神經網絡的機器學習方法，擅長處理圖像、語音與文本等高維數據。
• 自然語言處理（Natural Language Processing, NLP）：使計算機理解、生成與人類語言相關的文本或語音。
• 計算機視覺（Computer Vision）：使機器從圖像或視頻中提取信息並理解視覺世界。
• 機器人學（Robotics）：結合感知、規劃與控制，使物理實體自主執行任務。
• 專家系統（Expert Systems）：基於知識庫與推理引擎模擬人類專家決策能力的早期 AI 系統。

倫理與社會影響

隨著 AI 能力的快速提升，倫理與社會議題日益受到關注。主要挑戰包括算法偏見（Algorithmic Bias）、隱私侵犯、就業市場衝擊、自主武器系統的道德風險，以及通用人工智慧可能帶來的長期生存風險。 聯合國教科文組織（UNESCO）等國際機構已發布 AI 倫理指南，倡導負責任地開發與部署人工智慧系統。