跳至內容

人工智慧

本頁使用了標題或全文手工轉換
維基百科,自由的百科全書
「人工智慧」的各地常用名稱
中國大陸人工智能
臺灣人工智慧 、超級智慧
港澳人工智能
星馬人工智能、人工智慧
日本人工知能
越南智慧人造
韓國人工智能

人工智慧(英語:artificial intelligence,縮寫為AI)指讓電腦完成那些以往需要人類智慧才能應付的任務,比如學習、推理、解決問題、感知和決策。它橫跨工程學、數學和電腦科學,目標是研究並開發相關方法和軟體,讓機器能感知環境、運用學習和智慧採取行動,從而更可能達成既定目標。[1]

人工智慧的常見應用包括進階網路搜尋引擎、聊天機器人、虛擬助手、自動駕駛汽車,以及西洋棋、圍棋等策略遊戲中的對弈與分析。進入2020年代以來,生成式人工智慧被廣泛用來按文字提示生成圖像、音訊和影片。[2]

人工智慧研究的傳統目標包括學習、推理、知識表示、規劃、自然語言處理和感知,也為機器人學提供支撐。達成這些目標時,研究人員會用到狀態空間搜尋、數學最佳化、形式邏輯、類神經網路等技術,也常借力統計學、運籌學和經濟學的方法。此外,人工智慧還借鑑心理學、語言學、哲學、神經科學等學科的方法。[3] 有些公司,比如OpenAI、Google DeepMind和Meta,正在嘗試打造人工通用智慧(AGI)——通常指能跨廣泛任務與領域學習、推理和運用知識的人工智慧,但目前對其精確定義及判定標準尚無普遍共識。[4]

人工智慧作為一門學科誕生於1956年,[5]其歷史上曾多次經歷樂觀期,隨後又陷入失望和資金流失的AI寒冬。2012年後,圖形處理器被用於加速神經網路,深度學習在影像辨識等多個重要任務上取得突破性成果,資金和關注度隨之大增。[6]2017年Transformer架構出現後,這股勢頭進一步加快。[7]進入2020年代,人工智慧熱潮與生成式人工智慧的進步幾乎同步到來,後者讓創作和修改媒體內容成為可能。[2]除了人工智慧安全以及使用AI可能帶來的意外後果和危害,倫理問題、長期影響和潛在的存在風險也促使人們討論如何監管人工智慧。[8]

詳細定義

[編輯]

通常人工智慧是指用普通電腦程式來呈現人類智慧的技術。該詞也指研究這樣的智慧系統能否實現、又如何實現。隨著醫學、神經科學、機器人學及統計學等方面的發展,有報道認為,人類的部分職業也正逐漸被其取代。[9][10]

人工智慧的定義可以分為兩部分,即「人工」和「智慧」。[2]

一般教材把人工智慧定義為「智慧主體的研究與設計」[11],智慧主體指能觀察周遭環境並採取行動以達成目標的系統[12]。約翰·麥卡錫1955年將其定義為「製造智慧機器的科學與工程」[13][14]。安德烈亞斯·卡普蘭和麥可·海恩萊因則把人工智慧說成是「系統正確解釋外部資料、從中學習,並利用這些知識透過靈活適應,以達成特定目標和任務的能力」。[15]人工智慧也可定義為模仿人類認知功能(如學習和解決問題)的機器或計算機。它是電腦科學的一個分支:系統感知環境並採取行動,以最大限度地提高成功機會,而部分人工智慧系統能從過去的經驗中學習以做出合理決策並快速回應。

人工智慧研究人員的科學目標之一,是透過構建能進行符號推理的計算機程式來理解智慧。[16]

人工智慧的主要基礎組成部分是:[17]

人工智慧的研究高度技術化、專業化,各分支深入且彼此少有交集,因而涉及範圍極廣[18]。它的研究可以分成幾個技術問題,各分支主要圍繞具體問題展開,其中一個便是如何用不同工具完成特定應用。[19]

人工智慧的主要研究課題包括推理、知識、計劃、學習、交流、感知、移動、移物、使用工具和操控機械等能力[20]。通用人工智慧(AGI)仍是部分人工智慧研究者與研究機構所追求的長期目標。[21]

眼下弱人工智慧已有初步成果,在影像辨識、語言分析、棋類遊戲等單一任務上,系統的表現已能達到甚至超越人類的水準。人工智慧的通用性,意味著同一個AI程式能解決上述多種問題,不必為每項任務重新開發演算法,這與人類的處理方式相似;但要做到具備思考能力的強人工智慧還需時日,比較流行的路線包括統計方法、計算智慧和傳統意義上的AI。如今已有大量工具用到人工智慧,包括搜尋和數學最佳化、邏輯推演。基於仿生學、認知心理學以及概率論、經濟學的演算法等,也還在逐步探索之中。[22]

發展史

[編輯]
人工智慧發展大事記
年代 20世紀
40年代
20世紀
50年代
20世紀
60年代
20世紀
70年代
20世紀
80年代
20世紀
90年代
21世紀
00年代
21世紀
10年代
21世紀
20年代
計算機與硬體 ENIAC[23] 電晶體電腦[24] 大型機、時間分時系統[25] 微處理器、早期個人電腦[26] 個人電腦與工作站普及[27] 網際網路與叢集計算[28] 雲端運算與資料中心[29] GPU 加速深度學習[30] 專用 AI 加速器、超大規模運算中心[31]
人工智慧研究範式 形式神經元模型[32] 圖靈測試
1956 達特茅斯會議[33][34]
符號推理、搜尋與規劃(如 通用問題求解器)[35] 專家系統、知識工程(第一次「人工智慧寒冬」)[36][37] 專家系統熱潮、第五代電腦系統計畫
機率推理萌芽[38]
統計機器學習(支援向量機、貝氏網路 等)[39][40] 大規模資料 + 機器學習(搜尋、廣告、推薦)[41] 深度學習[42] 基礎模型與生成式 AI 範式[43]
神經網路與深度學習 1943 McCulloch–Pitts 神經元[44] 1958 感知器[45] 多層感知器研究[46] 反向傳播理論[46] LeNet[47] LSTM等遞迴網路[48] 深層信念網路[49] AlexNet、生成對抗網路、AlphaGo、Transformer[50][51][52][7] Transformer和擴散模型[7][53]
程式語言與工具 FORTRAN、LISP[54][55] ALGOL[56] Prolog[57] Smalltalk、C++[58][59] MATLAB、R[60][61] Python 與 scikit-learn[62][63] TensorFlow、PyTorch[64][65] Hugging Face[66]
知識表示與推理 形式邏輯、早期自動定理證明[67] 語義網路雛形[68] 語義網路、產生式規則[69][70] 框架理論、產生式系統[71] 貝氏網路、模糊邏輯[72][73] 描述邏輯、本體論[74] 語意網、OWL 等標準[75] 知識圖譜[76] 檢索增強生成[77]
專家系統與應用 DENDRAL[78] MYCIN等醫療專家系統[79] XCON:商用專家系統高峰[80] 專家系統衰退(因為知識獲取瓶頸)[81] 行業決策支援系統整合規則與機器學習[82] 規則系統 + 機器學習混合應用[83] 行業知識圖譜、規則引擎與大型語言模型結合[84]
2024年,中國和美國的人工智慧專利數量占全球人工智慧專利總數的四分之三以上。[85]中國擁有的人工智慧專利更多,而美國人工智慧專利申請公司平均每家擁有的專利數量比中國多35%。[85]

對機器或「形式」推理的研究,起源於古代的哲學家和數學家。邏輯學的研究直接催生了艾倫·圖靈的計算理論,他提出,一台只要操作簡單符號「0」和「1」的機器,就能類比任意複雜的數學推理過程。[86][87]這一理論,連同控制論、資訊論及神經生物學方面的同期發現,讓研究人員開始考慮能不能造一台「電子大腦」。[a] 此外,他們還開闢了日後成為人工智慧一部分的多個研究分支,[89]比如1943年沃倫·麥卡洛克與沃爾特·皮茨設計了「類神經元」,[90]圖靈則在1950年提出了「圖靈測試」,說明「機器智慧」是可能的。[87]

人工智慧研究領域正式成立於1956年,標誌是達特茅斯學院舉行的「達特茅斯會議」。[b][5] 與會者在20世紀60年代成了該領域的先驅。[c] 他們和學生開發的程式被媒體譽為「令人驚嘆」:[d] 電腦不僅能學會國際跳棋策略,還能解代數文字題、證明邏輯定理,甚至能用英語對話。[e][94]20世紀50年代末到60年代初,英美許多大學紛紛建立了人工智慧實驗室。[87]

20世紀60到70年代,研究人員堅信自己的方法終能造出通用智慧的機器,並把這一點當作領域的最高目標。[95]赫伯特·西蒙(Herbert Simon)曾預言:「未來二十年內,機器能勝任所有人類能完成的工作。」[96]馬文·明斯基(Marvin Minsky)對此表示贊同,他認為:「在一代人的時間內,『人工智慧』這一難題將會得到實質性的解決。」[97]但事實證明,他們低估了這個問題的複雜度。[98]1974年,受到詹姆斯·萊特希爾爵士(Sir James Lighthill)[99]的批評,加上美國國會更傾向於資助更有成效的專案,[100]美英政府都中止了探索性研究。明斯基和西摩·佩珀特(Seymour Papert)在《感知器》(Perceptrons)中提出的觀點,被誤讀為「類神經網路對解決現實問題毫無用處」,這一方法就此被否定。[101]隨後便是「人工智慧寒冬」,人工智慧專案一度很難拿到資助。[102]

20世紀80年代初,專家系統的商業成功讓人工智慧研究再度活躍,[103]這是一種旨在類比人類專家知識與分析技巧的AI程式。到1985年,AI市場估值已超過10億美元。與此同時,日本的第五代電腦專案推動英美兩國恢復學術研究的資助。[104]但從1987年Lisp機器市場衰退開始,人工智慧再次受挫,進入第二個較長的低迷期。[105]

在此之前,人工智慧的主要資金投給了進階符號專案,用來表徵計劃、目標、信念這類概念性對象。20世紀80年代,一些研究人員開始懷疑:這種方法真能模仿人類認知的全部過程嗎?特別是感知、機器人、學習和模式辨識,[106]於是轉向「次符號」方法。[107]羅德尼·布魯克斯(Rodney Brooks)乾脆不認同「表徵」這套概念,轉而專注於設計能移動、能自持生存的機器工程。[f] 朱迪亞·珀爾、盧特菲·澤德等學者發展出一批方法,在資訊不完備或不確定時靠合理推斷來處理,而非死守嚴格邏輯。[112][113]不過最顯著的進展來自傑弗里·辛頓和夥伴們在「聯結主義」及其神經網路研究上的突破。[114]1990年,楊立昆(Yann LeCun)證明卷積神經網路能辨識手寫數字。這項突破為神經網路在眾多實際應用領域打下了基礎。[115]

20世紀末到21世紀初,人工智慧用形式化的數學方法,結合針對特定問題設計的策略,逐步在學術界重建聲譽。這種聚焦於特定問題、規格化的路線讓研究者能產出可驗證的成果,也促進了與統計學、經濟學及數學等學科的交叉合作。[116]到2000年,人工智慧領域的解決方案已獲得廣泛應用,只不過在1990年代,這些方案往往不直接冠以「人工智慧」之名。[117]如今,部分人工智慧領域的學者認為,研究重點可能沒能全面覆蓋「造出多功能、全面智慧的機器」這個最初目標。2000年代,通用人工智慧(AGI)發展為獨立的研究領域,2008年舉辦了首屆AGI學術會議。[118]

2012年以來,深度學習開始主導行業標準,並迅速成為該領域廣泛採用的方法。[6]不少場合下,替代性方法被淘汰,深度學習得到優先採用。[g]深度學習的突破,既得益於硬體進步(如更快的電腦、[120]圖形處理單元與雲端運算技術[121]),也離不開廣泛的資料[122](包括ImageNet這類精心策劃的資料集,[121])。深度學習的成果讓公眾對人工智慧興趣大增,也促使資金大幅湧入。[h]2015到2019年,機器學習領域的出版物數量上升了50%。[123]

2016年,機器學習會議上,公平性與技術濫用成了突出話題;相關論文數量急劇增加,研究經費也隨之上升,眾多研究人員轉而聚焦這些議題。對齊問題逐漸成為學界討論的重點。[124]

2010年代末至2020年代初,AGI公司推出了一批廣受關注的產品。2016年,Google DeepMind研發的AlphaGo(阿爾法狗)戰勝了圍棋世界冠軍李世乭。GPT-3是OpenAI於2020年推出的大型語言模型,能生成高品質、類人的文字。[125]這些以及其他程式引發了劇烈的AI熱潮,主要企業向AI研究投入了數十億美元。[126]AI Impacts預測,到2022年,僅美國一地的AI年投資就會達到約500億美元,約20%的新晉美國電腦科學博士生將專攻AI。[126]2022年,美國預計有約80萬個人工智慧相關職位空缺。[127]

進入2023年,OpenAI推出了GPT-4,其多模態能力和推理效能明顯提升,既能處理文字和圖像輸入,在複雜問題解決上也更強大。隔年(2024年),OpenAI又發布GPT-4o,能處理文字、圖像等多種數據,並以更自然的對話能力獲得廣泛應用。[128]

截至2024年,AI技術的應用範圍進一步擴大。例如,Anthropic的Claude模型因安全性和可解釋性受到關注,被廣泛用於企業。與此同時,xAI於2023年推出Grok,旨在加速人類科學發現,尤其是在太空探索和物理學領域。根據市場研究,到2024年,全球AI市場規模已達約1640億美元,並以年複合增長率(CAGR)36.6%持續增長。[129]

2025年,中小型AI模型開始崛起,這類模型以更低的計算需求換取高效效能,廣受關注。深度求索於2024年12月24日推出DeepSeek-V3,這是一款通用大型語言模型(LLM),並於2025年1月發布DeepSeek-R1,專注於複雜邏輯任務的推理模型,兩者均提供開源權重和訓練方法。[130]DeepSeek R1擁有6710億(671B)個參數,被認為推理能力與OpenAI的o1模型相當,其高效的訓練方法也引發了全球AI競爭的熱潮。2025年3月6日,阿里巴巴集團發布QwQ-32B,一款320億(32B)參數的開源推理模型,據稱效能可媲美DeepSeek R1,在數學、編碼和一般問題解決等基準測試中超越OpenAI的o1-mini,且計算需求明顯降低。QwQ-32B的發布令阿里巴巴在香港上市的股票當天上漲超過8%,反映市場對中小型高效模型的看好。[131]

2025年下半年,模型發布依然密集。7月,xAI發布Grok 4,號稱「世界最強AI模型」。[132]8月2日,歐盟《人工智慧法案》第二階段義務生效,開始適用於通用人工智慧模型等主體。[133]8月7日,OpenAI發布GPT-5,向所有使用者開放。[134]9月,深度求索開源DeepSeek-V3.2-Exp,並公開新的稀疏注意力機制,推理速度提升、API成本下降。[135]Anthropic亦於同月發布Claude Sonnet 4.5,主打長時間自主編程。[136]11月,OpenAI發布GPT-5.1;[137]Google發布Gemini 3,強調「智慧體」(agent)能力;[138]Anthropic亦於同月發布Claude Opus 4.5,主打智慧體與編程任務。[139]據史丹佛大學《AI Index》2025年報告,企業AI採用率在2024年大幅上升,投資與監管也同步增長。[140]

進入2026年,「智慧體」成為行業的主要方向,各家廠商競相發布能自主執行多步任務的智慧體產品。2月,Anthropic發布Claude Opus 4.6。[141]3月,OpenAI發布GPT-5.4,面向企業專業任務;[142]Google推出Gemini 3.1 Pro,推理能力大幅提升。[143]5月,Google在I/O開發者大會上宣布Gemini進入「智慧體時代」,並推出Gemini Spark等智慧體;[144]OpenAI於同月發布GPT-5.5。[145]8月,深度求索發布DeepSeek-V4-Pro,強化智慧體能力。[146]與此同時,開放權重模型升溫,全球協同治理提速。[147]9月,OpenAI發布GPT-6系列模型[148],Anthropic發布Claude Opus 5.5[149]。

研究課題

[編輯]

目前人工智慧的研究方向已分成幾個子領域,研究人員希望一個人工智慧系統能具備某些特定能力,以下逐一列出並說明。[20]

演繹、推理和解決問題

[編輯]

早期的人工智慧研究人員直接模仿人類一步步的推理,就像下棋或做邏輯推理時那樣。[150]到了1980和1990年代,藉助概率和經濟學上的概念,人工智慧研究還發展出一套很成功的方法,來應對不確定或不完整的資訊。[112]

困難的問題可能需要大量運算資源,也就是「組合爆炸」:一旦問題超過一定規模,電腦會需要天文數字級的記憶體或運算時間。尋找更有效的演算法,是人工智慧研究的重要課題。[151]

人類解決問題,通常靠最快捷、直觀的判斷,而不是有意識的、一步一步的推導;早期人工智慧研究卻多半採用逐步推導。[152]人工智慧研究已在這種「次符號」的解決方法上取得進展:實體化Agent研究強調感知運動的重要性,神經網路研究則試圖類比人類和動物的大腦結構來重現這種技能。[153]

知識表示法

[編輯]
本體論將知識表示為一個領域內的一組概念以及這些概念之間的關係。

知識表示是人工智慧領域的核心研究問題之一,目的是讓機器儲存知識,並按某種規則推理出新的知識。[154]許多問題需要大量關於世界的知識,其中既有事先存好的先驗知識,也有透過智慧推理得到的知識。先驗知識由人類以某種方式告訴機器,推理知識則是先驗知識結合特定推理規則(邏輯推理)得到的。先驗知識可以描述目標、特徵、種類及物件之間的關係,也能描述事件、時間、狀態、原因和結果,甚至任何想讓機器儲存的內容。比如「今天沒有太陽,沒有太陽就是陰天」,用命題邏輯語言可寫成:今天 → 沒有太陽,沒有太陽 → 陰天。這是先驗知識,據此推理就能得到新知識:今天 → 陰天。從這個例子能看出,先驗知識的正確性很重要——這個例子裡「沒有太陽就是陰天」並不嚴謹,因為沒太陽也可能是下雨或下雪。另外,如果人工智慧能判斷太陽是否存在,在此前提下,也應該能判斷出陰天與晴天的差別。邏輯命題表示在知識表示中占有重要地位,邏輯推理規則是當前主要的推理規則。可以在機器中用邏輯符號定義每個邏輯命題,再讓機器存好相應的推理規則,機器自然就能推理。目前知識表達還有許多難題沒解決,比如:建立一個完備的知識庫幾乎不可能,資源因此受限;先驗知識的正確性需要檢驗,而且它有時並不只有對錯兩種可能。[155]

規劃

[編輯]

智慧代理必須能夠制定目標並達成這些目標。[156]為此,它需要建立一個可預測的世界模型(把整個世界狀態用數學模型表示出來,並能預測自己的行為會怎樣改變世界),這樣才能選出功效最大的行為。[157] 在傳統的規劃問題中,智慧代理被假定為世界上唯一能影響環境的行動者,因此其行為的結果是確定的。[158]但如果事實並非如此,它就得定期檢查世界模型的狀態是否和自己的預測相符;若不符,就必須修改計劃。所以智慧代理必須具備在結果不確定時推理的能力。[159]在多Agent情境下,多個Agent以合作或競爭的方式去完成目標,用演化演算法和群體智慧可以達成一種整體的突現行為目標。[160]

機器學習

[編輯]

機器學習的主要目的,是讓機器從使用者和輸入資料等處獲得知識,從而自動判斷並輸出相應的結果。這一方法能幫我們解決更多問題、減少錯誤、提高效率。對人工智慧來說,機器學習從一開始就很重要。[161]

機器學習的方法多種多樣,常見機器學習範式包括監督學習、非監督學習、自監督學習、半監督學習及強化學習等。監督學習先給機器一些訓練樣本並告訴它每類的標籤,然後據此訓練,提取出這些樣本的共同屬性,或訓練一個分類器;等新樣本來了,再用學到的屬性或分類器判斷它的類別。按輸出結果是離散還是連續,監督學習又分為分類和回歸兩類。非監督學習則不給標籤,只給一些樣本和規則,讓機器自己按規則分類。無論哪種方法,都要做誤差分析,才能確認它在理論上是否有誤差上限。[161]

自然語言處理

[編輯]

自然語言處理研究的是如何處理及運用自然語言;自然語言認知則是讓電腦「懂」人類的語言。自然語言生成系統把計算機數據轉化為自然語言,自然語言理解系統則把自然語言轉化為計算機程式更易處理的形式。[162]

運動和控制

[編輯]

運動和控制研究的是如何讓機器(尤其是機器人)在物理世界中移動和操作物體,涵蓋運動規劃、動力學與運動控制、機械臂操作與抓取等內容。[163]自動駕駛汽車、無人機和機械臂等系統都依賴這類技術。[164]

機器感知

[編輯]

機器感知[165]是指用感測器輸入的資料(如照相機、麥克風、聲納以及其他特殊感測器)來推斷世界的狀態。電腦視覺[166]能分析影像輸入;此外還有語音識別[167]、臉部辨識和物體辨識。[168]

社交

[編輯]
Kismet,一個具有表情等社交能力的機器人[169]

情感和社交技能對智慧agent來說很重要。首先,透過了解人類的動機和情感狀態,代理就能預測他人的行動,這涉及博弈論、決策理論以及情感感知能力。[170]此外,為了良好的人機互動,智慧代理也需要表現出情緒——至少能禮貌地與人打交道,並具備正常的情緒。[171]

創造力

[編輯]

創造力是人工智慧的一個子領域,既研究理論上(從哲學和心理學角度)定義的創造力,也研究實際的創造力——例如系統產生的輸出能否被視為創意,以及系統能否識別和評估創造力。相關領域包括人工直覺和人工想像。[172]

研究方法

[編輯]

目前還沒有統一的原理或範式指導人工智慧研究,許多問題上研究者都存在爭論。[173]

其中幾個長久沒有結論的問題是:是否應從心理或神經方面類比人工智慧?還是像鳥類生物學之於航空工程那樣,人類生物學與人工智慧研究其實無關?[174]智慧行為能否用簡單的原則(如邏輯或最佳化)描述?還是必須解決一大堆互不相干的問題?[175]

智慧能不能用詞、想法這類進階符號來表達?還是需要「子符號」層面的處理?[176]約翰·豪格蘭德(John Haugeland)提出GOFAI(出色的老式人工智慧)這一概念,也提議把人工智慧歸為synthetic intelligence,[177]這個概念後來被一些非GOFAI研究者採納。[178][179]

控制論與大腦類比

[編輯]

20世紀40到50年代,許多研究者探索神經學、資訊理論與控制論之間的聯絡,還造出了一些用電子網路絡構造的初步智慧。[180]

這些研究者還常在普林斯頓大學和英國的Ratio Club舉行技術協會會議[181]。到1960年代,大部分人已放棄這種方法,儘管這些原理在80年代又被重新提起。[182]

符號處理

[編輯]

20世紀50年代,數位電腦研製成功後,研究者開始探索人類智慧能否簡化成符號處理。研究主要集中在卡內基梅隆大學、史丹佛大學和麻省理工學院,各自都有獨立的研究風格。約翰·豪格蘭德(John Haugeland)把這些方法統稱為GOFAI(出色的老式人工智慧)[183]。20世紀60年代,符號方法在小型證明程式上類比進階思考取得了很大成就。[184]基於控制論或類神經網路的方法則退居次要地位[185]。60到70年代的研究者確信,符號方法終能造出強人工智慧的機器,這也正是他們的目標。[186]

子符號方法

[編輯]

1980年代符號人工智慧停滯不前,很多人認為符號系統永遠不可能模仿人類所有的認知過程,尤其是感知、機器人、機器學習和模式辨識。許多研究者開始轉向子符號方法,來解決特定的人工智慧問題[176]。

  • 自下而上、介面agent、嵌入環境(機器人)、行為主義、新式AI:機器人領域的研究者,如羅德尼·布魯克斯,否定符號人工智慧,轉而專注於機器人移動和求生這類基本工程問題。[195]他們的工作再次呼應早期控制論研究者的觀點,並提出了在人工智慧中運用控制理論。這與認知科學中的表徵感知論點一致:更高的智慧需要個體層面的表徵(如移動、感知和形象)。[195]
  • 計算智慧:1980年代中期,David Rumelhart等人重新提出神經網路和聯結主義[196]。這與其他子符號方法(如模糊控制和進化計算)同屬計算智慧學科的研究範疇[197]。

統計學方法

[編輯]

1990年代,人工智慧研究發展出複雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法——其結果可測量、可驗證,也正是近年來人工智慧成功的原因。共享的數學語言還促成了與既有學科(如數學、經濟或運籌學)的合作。斯圖亞特·羅素和彼得·諾維格(Peter Norvig)認為這些進步不亞於一場「革命」,是「neats的成功」[198]。也有人批評這些技術太專注特定問題,而沒考慮長遠的強人工智慧目標[199]。

整合方法

[編輯]
  • 智慧代理範式:智慧代理是一個會感知環境並採取行動以達成目標的系統。最簡單的智慧代理是那些能解決特定問題的程式,更複雜的代理還包括人類和人類組織(如公司)。這個範式讓研究者能研究單獨的問題、找出有用且可驗證的方案,而不必拘泥於單一方法。一個解決特定問題的智慧代理可以用任何可行的方法:有的用符號方法和邏輯方法,有的用子符號神經網路或其他新方法。這個範式還給研究者提供了與其他領域溝通的共同語言,如決策論和經濟學(也使用abstract agents的概念)。1990年代,智慧代理範式被廣泛接受。[12]
  • 代理架構和認知架構:研究者設計出一些系統來處理多智慧代理系統中智慧代理之間的相互作用。[200]一個系統中包含符號和子符號部分的系統稱為混合智慧系統,而對這種系統的研究則是人工智慧系統整合。分級控制系統則給反應級別的子符號AI和最進階別的傳統符號AI提供橋梁,同時放寬了規劃和世界建模的時間。[200]

應用

[編輯]

人工智慧目前在電腦領域的應用越來越廣,並在機器人、經濟政治決策、控制系統、仿真系統等領域發揮作用。[2]

基本應用

[編輯]

台灣學者林東清在《資訊管理:e化企業的核心競爭力》一書中,將人工智慧的基本應用(Fundamental Applications)分為感知、認知、創造力與智慧四個層面:[201]

感知能力(Perception)

[編輯]

指的是人類透過感官接收環境刺激、察覺訊息的能力,簡單說就是人類五官的看、聽、說、讀、寫等能力。學習人類的感知能力,是AI目前的主要焦點之一,包括:[202]

  • 「看」:電腦視覺(Computer Vision)、圖像辨識(Image Recognition)、臉部辨識(Face Recognition)、物件偵測(Object Detection)。
  • 「聽」:語音辨識(Sound Recognition)。
  • 「說」:語音生成(Sound Generation)、文字轉換語音(Text-to-Speech)。
  • 「讀」:自然語言處理(Natural Language Processing,NLP)、語音轉換文字(Speech-to-Text)。
  • 「寫」:機器翻譯(Machine Translation)、文字生成(Text Generation)[203]

認知能力(Cognition)

[編輯]

指的是人類透過學習、判斷、分析等心理活動來理解訊息、獲取知識的過程與能力。對人類認知的模仿與學習,是AI目前的第二個焦點領域,主要包括:[2]

  • 分析辨識能力:例如醫學圖像分析、產品推薦、垃圾郵件辨識、法律案件分析、犯罪偵測、信用風險分析、消費行為分析等。
  • 預測能力:例如AI執行的預防性維修(Predictive Maintenance)、智慧天然災害預測與防治。
  • 判斷能力:例如AI下圍棋、自動駕駛車、健保詐欺判斷、癌症判斷等。
  • 學習能力:例如機器學習、深度學習、增強式學習等等各種學習方法。[204]

創造力(Creativity)

[編輯]

指的是人類產生新思想、新發現、新方法、新理論、新設計,創造新事物的能力。它由知識、智力、能力、個性及潛意識等各種因素共同作用而成。這個領域人類目前仍遙遙領先AI,但AI也在急起直追,主要方向包括AI作曲、AI作詩、AI小說、AI繪畫、AI設計等。[2]

智慧(Wisdom)

[編輯]

智慧指的是人類深刻了解人、事、物的真相,能探求真理、明辨是非,進而過上有意義的生活的能力。這個領域牽涉人類的自我意識、自我認知與價值觀,是目前AI尚未觸及、也最難模仿的部分[201]。

實際應用

[編輯]

人工智慧在機器視覺[205]、指紋辨識[206]、臉部辨識[207]、視網膜辨識[208]、虹膜辨識[209]、掌紋辨識[210]、專家系統[211]、自動規劃[212]、無人載具[213]等上面得到了應用。

政府與城市服務

[編輯]

人工智慧也被用於許多不同領域。機器人可以在餐館和商店工作,參與城市基礎設施的維護;人工智慧用於管理運輸系統和自動駕駛車輛,也出現在垃圾收集、空氣品質監測等城市服務中。許多城市主動利用巨量資料和人工智慧,透過改善基礎設施的能源、計算能力和連接性來換取更高的經濟回報。[214]

人工智慧降低了行政成本、縮短了處理時間,許多政府開始把它用於各種公共服務。例如,移民流程的自動化減少了處理時間並提高了效率。[215]人工智慧代理還能協助都市計畫者,基於目標導向的蒙特卡羅樹搜尋進行場景規劃,提出土地利用方案;[216]人工智慧還被用於透過線上資料監控來調整環境風險政策。2019年金奈水危機期間,研究人員用潛在狄利克雷分配方法分析Twitter(X)上的討論,把主題歸為乾旱的影響與原因、政府回應和潛在解決方案等幾類。[217]人工智慧工具也與司法部門的人類法官配合,用於提供風險評估[218][214]。

應用領域

[編輯]

倫理

[編輯]

倫理管理

[編輯]

史蒂芬·霍金、比爾蓋茲、埃隆·馬斯克、Jaan Tallinn以及Nick Bostrom等人都對人工智慧技術的未來公開表達過憂慮[230]。人工智慧若在許多方面超越人類的智慧水準,不斷更新、自我提升,進而取得控制管理權,人類能否及時叫停這場「軍備競賽」、保住最高掌控權,已成為公眾關注的問題。就現有事實看,機器失控導致人員傷亡的事件時有發生,[231]這種情況是否會擴大規模,歷史經驗尚不足以給出可靠答案。特斯拉執行長馬斯克(Elon Musk)在麻省理工學院(MIT)航空航天部門百年紀念研討會上,稱人工智慧是「召喚惡魔」;[232]蓋茲(Bill Gates)也表示同意馬斯克的擔憂,並稱不明白為何有些人不擔心這個問題。[233]

Google DeepMind的人工智慧(AI)系統2016年在「AlphaGo」對戰南韓棋王李世乭時獲勝,開發商表示已在內部設立倫理委員會,針對人工智慧的應用制定政策,防範人工智慧被犯罪者濫用。[234]

科技進步的同時,人工智慧催生的「自主武器」軍備競賽已悄悄展開。英國、以色列與挪威都已部署自主飛彈和無人操控的無人機,這些飛彈具「射後不理」(fire-and-forget)能力,多枚飛彈還能互相溝通、分享找到的攻擊目標。[235]這些武器尚未大量投入使用,但其打擊決策由機器自行完成,無需人類逐次確認;專家擔心它們將很快被投入戰場。霍金等人在英國獨立報發表文章警告,未來人工智慧可能會比人類更能操縱金融市場、影響科學家和人類領袖,甚至研發出人們無法理解的武器。專家們擔心發展會失控,援引聯合國禁止研發某些特定武器的「特定常規武器公約」加以限制。[236]新南威爾斯大學研究人工智慧的托比·沃爾什教授認為,這是一種欺騙,因為機器沒有區別對待士兵和平民的技術。[237]

經濟衝擊

[編輯]

CNN財經網的數位媒體未來學家Amy Webb、美國線上等機構紛紛預測一些即將被機器人取代的職業。[238]日本野村綜合研究所也與英國牛津大學的研究學者共同調查,指出10至20年後,日本有49%的職業(235種)可能被機械和人工智慧取代而消失,直接影響約2500萬人[239]受影響的行業涵蓋超市店員、一般事務員、計程車司機、收費站運營商和收銀員、市場營銷人員、客服人員、製造業工人、金融中間人和分析師、新聞記者、電話公司職員、麻醉師、士兵和保安、律師、醫生、軟體開發者、操盤手、股票交易員等;其中薪酬較高的腦力職業被認為將最先受到衝擊[240]。

2017年6月,馬雲在美國底特律舉行「鏈結世界」(Gateway 17)產業大會,會上提出人工智慧可能導致第三次世界大戰。他的理由是,前兩次產業革命都導致了兩次大戰,戰爭原因並非創新發明本身,而是發明對社會上許多人生活方式的衝擊被處理不當;新科技在社會上既創造新工作也取代舊工作,產生新的輸家和贏家。若是輸家太多,就會累積成一股不穩定的社會能量,這股能量一旦被有心人利用,可能導致各種事件。他認為各國應強制規定AI機器只能用於人類做不了的工作,避免短時間大量人類被取代的失業大潮;但對於這類規定應如何在國際層面落實並確保遵守,馬雲並未提出具體方案。[241]

數據科學家被哈佛商業評論稱為「二十一世紀最性感的職業」[242],人工智慧需求量大,促使不少大學(如伯克利大學)專門成立資料科學系。The Data Incubator是一家2012年成立的資料科學培訓機構,主要在矽谷和紐約運營,專注於巨量資料和人工智慧領域的企業培訓。[243]

AI對人類的威脅

[編輯]

此議題目前分成兩個學派:[244]

悲觀學派

[編輯]

此學派的代表是天文物理學家史蒂芬·霍金,以及特斯拉執行長伊隆·馬斯克。霍金認為AI對人類將來有很大的威脅,[245]主要有以下理由:

  1. AI會遵循科技發展的加速度理論。
  2. AI可能會有自我改造創新的能力。
  3. AI進步的速度遠遠超過人類。
  4. 人類會有被滅絕的危機。[245]

樂觀學派

[編輯]

另一方面,部分大型科技公司的AI研究者持較樂觀的看法,例如Meta首席AI科學家楊立昆(Yann LeCun)認為AI不會毀滅人類,也不會永遠取代人類的工作。[244]他們提出的理由包括:

  1. 人類只要關掉電源,就能除掉AI機器人。[246]
  2. 任何的科技都會有瓶頸,摩爾定律到目前也遇到相當的瓶頸,AI科技也不會無限成長,依然存在許多難以克服的瓶頸。[247]
  3. 依目前的研究方向,電腦無法突變、甦醒、產生自我意志,AI也不可能具有創意與智慧、同情心與審美等這方面的能力。[248]

AI與管理

[編輯]

有學者認為,AI逐漸普及後,將在企業管理中扮演重要角色;對於人類管理者應如何調整自身的工作職能,林東清提出了以下建議:

  1. 放棄行政工作;
  2. 退守分析預測的領域而強化自己的綜合判斷力;
  3. 把AI當作同事,形成協同合作的團隊;
  4. 多琢磨在創造力以及各種流程架構設計師角色;
  5. 強化自己人際網路、溝通協調、談判上的能力;
  6. 培養自身領導能力,能有效地帶領一支士氣高、團結、凝聚力強的工作團隊。[249]

濫用

[編輯]

2019年6月,基於神經網路技術的DeepNude軟體面世,可以把人物相片中的衣著褪去、顯現裸體。隨後,經該軟體處理的色情圖片在網路上泛濫並引發爭議,軟體最終在批評聲中被下架。據美國網路安全公司Sensity統計,DeepNude已產生68萬張以上女性的假裸照,其中70%的原相片來自社群網路上的真實女性[250],而經DeepFake技術處理的影片以每6個月翻一番的速度增長。截至2020年12月 (2020-12),Sensity檢測到的相關影片超過8.5萬個[251]。而惡用該技術則可能涉嫌違反《著作權法》等法律,日本警方便多次處理過使用人工智慧技術去除色情影片中的馬賽克[252]、替換色情影片中女優容貌[253]等相關案件。

監管

[編輯]
2023年人工智慧安全峰會的與會者合影
首屆全球人工智慧安全峰會(英語:AI Safety Summit 2023)於2023年11月在英國舉行,並發表了一項呼籲國際合作的宣言。

人工智慧監管指公共部門為促進和規範人工智慧而制定的政策和法律,因此它與更廣泛的演算法監管相關。[254] 全球各司法管轄區的人工智慧監管與政策格局,仍是一個新興問題。[255] 根據史丹佛大學的人工智慧指數,在127個受調查國家中,每年透過的人工智慧相關法律數量,從2016年的1項躍升到2022年一年的37項。[256] 2016到2020年間,超過30個國家透過了專門的人工智慧戰略。[123] 大多數歐盟成員國以及加拿大、中國、印度、日本、模里西斯、俄羅斯聯邦、沙烏地阿拉伯、阿聯、美國和越南都已發布國家人工智慧戰略;其他國家(包括孟加拉國、馬來西亞和突尼斯)正在制定自己的戰略。[123] 全球人工智慧夥伴關係於2020年6月啟動,指出人工智慧的發展必須符合人權和民主價值觀,以確保公眾對這項技術的信心和信任。[123] 亨利·基辛格、埃里克·施密特和丹尼爾·胡滕洛赫爾2021年11月發表聯合聲明,呼籲成立一個政府委員會來監管人工智慧。[257] 2023年,OpenAI領導人就超級智慧治理提出建議,認為超級智慧可能在不到10年內出現。[258] 同年,聯合國還成立了一個由科技公司高管、政府官員和學者組成的諮詢機構,為人工智慧治理提供建議。[259] 2024年8月1日,歐盟《人工智慧法案》生效,建立了首個覆蓋整個歐盟的全面人工智慧監管框架。[260] 2024年,歐洲理事會制定了首個具有法律約束力的國際人工智慧條約,稱為「人工智慧與人權、民主和法治框架公約」。該條約已由歐盟、美國、英國和其他簽署國透過。[261]

2022年益普索的一項調查顯示,各國對人工智慧的態度差異很大:78%的中國公民同意「使用人工智慧的產品和服務利大於弊」,而美國人中這一比例只有35%。[256] 2023年路透社/益普索的民意調查發現,61%的美國人認為人工智慧對人類構成風險,22%的人不這樣認為。[262] 在2023年福克斯新聞的一項調查中,35%的美國人覺得聯邦政府監管人工智慧「非常重要」,41%認為「有些重要」,13%回答「不太重要」,8%回答「完全不重要」。[263][264]

2023年11月,首屆全球人工智慧安全峰會在英國布萊切利園舉行,討論人工智慧的近期和遠期風險,以及強制性和自願性監管框架的可能性。[265] 包括美國、中國和歐盟在內的28個國家在峰會開始時發表了一項宣言,呼籲國際合作以應對人工智慧帶來的挑戰和風險。[266][267] 2024年5月,在AI首爾峰會上,16家全球人工智慧科技公司同意在人工智慧發展方面做出安全承諾。[268][269]

2026年3月,聯合國召開了獨立國際人工智慧科學小組的首次會議,該小組是一個由40名專家組成的機構,根據《全球數字契約》設立,旨在就人工智慧的社會影響編制年度循證報告。[270]

學科範疇

[編輯]

人工智慧是自然科學和社會科學的一門交叉學科。[271]

涉及學科

[編輯]

研究範疇

[編輯]

哲學

[編輯]

強人工智慧和弱人工智慧

[編輯]

人工智慧一個比較流行的定義、也是該領域較早的定義,來自當時麻省理工學院的約翰·麥卡錫。他在1956年的達特茅斯會議上提出:人工智慧就是要讓機器的行為看起來就像是人表現出的智慧行為。不過這個定義似乎忽略了強人工智慧的可能性(見下)。另一個定義則指,人工智慧是人造機器所表現出來的智慧。總體來講,目前對人工智慧的定義大多可分為四類,即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這裡的「行動」應廣義理解為採取行動、或制定行動的決策,而不是肢體動作。[292]

強人工智慧

[編輯]

強人工智慧觀點認為「有可能」製造出「真正」能推理和解決問題的智慧機器,而且這樣的機器將被認為是有知覺、有自我意識的。[293]強人工智慧可以有兩類:

  • 人類的人工智慧,即機器的思考和推理就像人的思維一樣。[174]
  • 非人類的人工智慧,即機器產生了和人完全不一樣的知覺和意識,使用和人完全不一樣的推理方式。[174]

弱人工智慧

[編輯]

弱人工智慧觀點認為「不可能」製造出能「真正」推理和解決問題的智慧機器;這些機器只是「看起來」智慧,但並不真正擁有智慧,也不會有自主意識。[294]

弱人工智慧一詞是相對於強人工智慧才出現的。人工智慧的研究曾一度停滯不前,直到類神經網路有了足夠的運算能力加以類比,才開始改變並大幅超前。不過,研究者不一定同意弱人工智慧的觀點,也不一定在乎或了解強弱人工智慧的區別,一直對定義爭論不休。[295]

就當下的人工智慧研究領域來看,研究者已大量造出「看起來」像是智慧的機器,取得相當豐碩的理論和實質成果。例如2009年,康乃爾大學教授Hod Lipson和博士生Michael Schmidt研發的Eureqa電腦程式,只要給一些資料,就能在幾十個小時內推論出牛頓花費多年研究才發現的力學公式,[296]也能用來研究其他領域的科學問題。這些所謂的弱人工智慧在神經網路發展下已有巨大進步,但如何整合成強人工智慧,目前還沒有明確定論。[297]

對強人工智慧的哲學爭論

[編輯]

「強人工智慧」一詞最初是約翰·希爾勒針對電腦和其它資訊處理機器創造的,其定義為:[298]

強人工智慧觀點認為計算機不僅是用來研究人的思維的一種工具;相反,只要執行適當的程式,計算機本身就是有思維的。

——John Searle,Minds, Brains and Programs,Behavioral and Brain Sciences第3卷,1980年

關於強人工智慧的爭論,不同於更廣義的一元論和二元論的爭論。核心問題是:如果一台機器唯一的工作原理就是轉換編碼數據,那這台機器有沒有思維?希爾勒認為不可能。他舉了中文房間的例子來說明:如果機器只是轉換數據,而數據本身是對某些事情的編碼表現,那麼在不理解編碼與實際事情的對應關係的前提下,機器不可能對處理的數據有任何理解。基於這一論點,希爾勒認為,即使有機器通過了圖靈測試,也不一定就真的像人一樣有自我思維和自由意識。[299]

也有哲學家持不同看法。丹尼爾·丹尼特在《意識的解釋》裡認為,人也不過是一台有靈魂的機器,那為什麼我們覺得「人可以有智慧,普通機器就不能」呢?他認為,像上述那種數據轉換機器,是有可能有思維和意識的。[300]

有的哲學家認為,如果弱人工智慧是可實現的,強人工智慧也是可實現的。比如西蒙·布萊克本在哲學入門教材Think裡說,一個人「看起來」智慧的行動,並不能真正說明這個人就是智慧的;我們永遠不可能知道另一個人是否真的像自己一樣智慧,還是她/他僅僅是「看起來」智慧。基於這個論點,既然弱人工智慧能讓機器「看起來」智慧,那就不能完全否定這機器真的有智慧。布萊克本認為,這是個主觀認定的問題。[301]

需要指出的是,弱人工智慧並非和強人工智慧完全對立:即使強人工智慧是可能的,弱人工智慧仍然有意義。至少,今天計算機能做的事,像算術運算等,在一百多年前是被認為很需要智慧的。而且,就算強人工智慧被證明是可能的,也不代表它一定能被研製出來。[302]

參看

[編輯]

參考文獻

[編輯]

註解

[編輯]
  1. ^ "Electronic brain" was the term used by the press around this time.[86][88]
  2. ^ Daniel Crevier wrote, "the conference is generally recognized as the official birthdate of the new science."[91] Russell and Norvig called the conference "the inception of artificial intelligence."[90]
  3. ^ Russell and Norvig wrote "for the next 20 years the field would be dominated by these people and their students."[92]
  4. ^ Russell and Norvig wrote "it was astonishing whenever a computer did anything kind of smartish".[93]
  5. ^ The programs described are Arthur Samuel's checkers program for the IBM 701, Daniel Bobrow's STUDENT, Newell and Simon's Logic Theorist and Terry Winograd's SHRDLU.
  6. ^ Embodied approaches to AI[108] were championed by Hans Moravec[109] and Rodney Brooks[110] and went by many names: Nouvelle AI.[110] Developmental robotics,[111]
  7. ^ Matteo Wong wrote in The Atlantic: "Whereas for decades, computer-science fields such as natural-language processing, computer vision, and robotics used extremely different methods, now they all use a programming method called "deep learning." As a result, their code and approaches have become more similar, and their models are easier to integrate into one another."[119]
  8. ^ Jack Clark wrote in Bloomberg: "After a half-decade of quiet breakthroughs in artificial intelligence, 2015 has been a landmark year. Computers are smarter and learning faster than ever", and noted that the number of software projects that use machine learning at Google increased from a "sporadic usage" in 2012 to more than 2,700 projects in 2015.[121]

參照

[編輯]
  1. ^ Russell, Stuart J.; Norvig, Peter. Artificial Intelligence: A Modern Approach 4th. Hoboken: Pearson. 2021. ISBN 978-0-1346-1099-3. LCCN 20190474. 
  2. ^ 2.0 2.1 2.2 2.3 2.4 2.5 What is artificial intelligence (AI)?. IBM. [2026-08-15]. (原始內容存檔於2026-08-11) (英語). 
  3. ^ Russell & Norvig (2021,§1.2).
  4. ^ Tech companies want to build artificial general intelligence. But who decides when AGI is attained?. AP News. 2024-04-04 [2025-05-20]. (原始內容存檔於2026-08-06) (英語). 
  5. ^ 5.0 5.1 Dartmouth workshop: The proposal:
  6. ^ 6.0 6.1 Deep learning revolution, AlexNet:
  7. ^ 7.0 7.1 7.2 Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Łukasz; Polosukhin, Illia. Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NeurIPS 2017). 2017 [2026-08-15]. (原始內容存檔於2026-07-30). 
  8. ^ Floridi, Luciano; Cowls, Josh; Beltrametti, Monica; et al. AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines. 2018, 28 (4): 689–707. doi:10.1007/s11023-018-9482-5. 
  9. ^ 人工智能(AI)造福社會 同時也帶來威脅. [2021-02-17]. (原始內容存檔於2020-11-27). 
  10. ^ 人工智能「搶飯碗」 2020年會計師將被AI取代. [2021-02-17]. (原始內容存檔於2020-11-27). 
  11. ^ 針對研究智慧代理的人工智慧定義:
  12. ^ 12.0 12.1 智慧代理範式: 此處使用的定義--目的,動作,感知與環境出自Russell & Norvig (2003).
  13. ^ 儘管這點上存在爭論(見Crevier (1993,第50頁)), McCarthy在一個訪談中明確的說"我想出了這個詞" . (Skillings 2006)
  14. ^ McCarthy對人工智慧的定義:
  15. ^ Kaplan, Andreas; Haenlein, Michael. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. 2019-01-01, 62 (1): 15-25 [2025-01-12]. ISSN 0007-6813. doi:10.1016/j.bushor.2018.08.004. (原始內容存檔於2025-02-17). 
  16. ^ Russell & Norvig 2003,chpt. 1
  17. ^ The Basic Components and Branches of AI. 2025-05-14 [2025-07-07]. (原始內容存檔於2026-02-13). 
  18. ^ Pamela McCorduck (2004,第424頁) writes of "the rough shattering of AI in subfields—vision, natural language, decision theory, genetic algorithms, robotics ... and these with own sub-subfield—that would hardly have anything to say to each other."
  19. ^ Russell & Norvig 2003,chpt. 1
  20. ^ 20.0 20.1 這些智慧的特徵出自以下教材:
  21. ^ 強人工智慧常出現在人工智慧的導論中:
  22. ^ Russell & Norvig 2003,chpt. 1
  23. ^ Hartree, Douglas R. The ENIAC, an Electronic Computing Machine. Nature. 1946, 157 (3990): 527. 
  24. ^ Logic Circuits for a Transistor Digital Computer. Proceedings of the IRE. 1956. 
  25. ^ Corbató, Fernando J.; Daggett, Marjorie Merwin; Daley, Robert C. An Experimental Time-Sharing System. Proceedings of the Spring Joint Computer Conference (AFIPS). 1962. 
  26. ^ Microprocessor at 50: Looking Back and Looking Forward. IEEE Micro. 2021. 
  27. ^ 30th anniversary of the PC and the post-PC era. IEEE Computer. 2011 [2026-08-15]. (原始內容存檔於2025-04-23). 
  28. ^ Sterling, Thomas; Becker, Donald J.; Savarese, Daniel; et al. Beowulf: A Parallel Workstation for Scientific Computation. Proceedings of the International Conference on Parallel Processing (ICPP). 1995. 
  29. ^ Armbrust, Michael; Fox, Armando; Griffith, Rean; et al. A View of Cloud Computing. Communications of the ACM. 2010, 53 (4): 50–58. doi:10.1145/1721654.1721672. 
  30. ^ Nickolls, John; Dally, William J. The GPU Computing Era. IEEE Micro. 2010, 30 (2): 56–69. doi:10.1109/MM.2010.41. 
  31. ^ A Survey on Machine Learning Accelerators and Evolutionary Hardware Platforms. IEEE Design & Test. 2022 [2026-08-15]. (原始內容存檔於2026-03-14). 
  32. ^ Russell & Norvig 2003,chpt. 1
  33. ^ Turing 1950
  34. ^ McCarthy et al. 1955
  35. ^ Newell & Simon 1963
  36. ^ Russell & Norvig 2003,chpt. 1
  37. ^ Crevier 1993
  38. ^ McCorduck 2004
  39. ^ Cortes, Corinna; Vapnik, Vladimir. Support-vector networks. Machine Learning. 1995, 20 (3): 273–297. doi:10.1007/BF00994018. 
  40. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. 1988. 
  41. ^ A survey of machine learning for big data processing. EURASIP Journal on Advances in Signal Processing. 2016. doi:10.1186/s13634-016-0355-x. 
  42. ^ LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey. Deep learning. Nature. 2015, 521: 436–444. doi:10.1038/nature14539. 
  43. ^ Zhou, Ce; et al. A comprehensive survey on pretrained foundation models: A history from BERT to ChatGPT. International Journal of Machine Learning and Cybernetics. 2024. 
  44. ^ McCulloch, Warren S.; Pitts, Walter. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 1943, 5 (4): 115–133. doi:10.1007/BF02478259. 
  45. ^ Rosenblatt, Frank. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review. 1958, 65 (6): 386–408. doi:10.1037/h0042519. 
  46. ^ 46.0 46.1 Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. Learning representations by back-propagating errors. Nature. 1986, 323: 533–536. doi:10.1038/323533a0. 
  47. ^ LeCun, Yann; Bottou, Léon; Bengio, Yoshua; Haffner, Patrick. Gradient-based learning applied to document recognition. Proceedings of the IEEE. 1998, 86 (11): 2278–2324. doi:10.1109/5.726791. 
  48. ^ Hochreiter, Sepp; Schmidhuber, Jürgen. Long short-term memory. Neural Computation. 1997, 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. 
  49. ^ Hinton, Geoffrey E.; Osindero, Simon; Teh, Yee-Whye. A fast learning algorithm for deep belief nets. Neural Computation. 2006, 18 (7): 1527–1554. doi:10.1162/neco.2006.18.7.1527. 
  50. ^ Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25 (NeurIPS 2012). 2012 [2026-08-15]. (原始內容存檔於2026-08-08). 
  51. ^ Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; et al. Generative adversarial nets. Advances in Neural Information Processing Systems 27 (NeurIPS 2014). 2014 [2026-08-15]. (原始內容存檔於2025-02-22). 
  52. ^ Silver, David; Huang, Aja; Maddison, Chris J.; et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016, 529: 484–489. doi:10.1038/nature16961. 
  53. ^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter. Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). 2020 [2026-08-15]. (原始內容存檔於2026-07-14). 
  54. ^ Backus, J. W.; et al. The FORTRAN automatic coding system. Proceedings of the Western Joint Computer Conference. 1957. doi:10.1145/1455567.1455599. 
  55. ^ McCarthy, John. Recursive functions of symbolic expressions and their computation by machine, Part I. Communications of the ACM. 1960, 3 (4): 184–195. doi:10.1145/367177.367199. 
  56. ^ Naur, Peter; et al. Revised report on the algorithmic language ALGOL 60. Communications of the ACM. 1963, 6 (1): 1–17. doi:10.1145/366193.366201. 
  57. ^ 57.0 57.1 Cohen, Jacques. A tribute to Alain Colmerauer. Theory and Practice of Logic Programming. 2001-11, 1 (6) [2026-08-15]. ISSN 1475-3081. doi:10.1017/S1471068401001119. (原始內容存檔於2025-11-24) (英語). 
  58. ^ Kay, Alan C. The Early History of Smalltalk. History of Programming Languages Conference II (HOPL-II). 1993. doi:10.1145/154766.155364. 
  59. ^ Stroustrup, Bjarne. The C++ Programming Language. Addison-Wesley. 1985. ISBN 0-201-12078-X. 
  60. ^ Moler, Cleve; Little, Jack. A history of MATLAB. Proceedings of the ACM on Programming Languages. 2020, 4 (HOPL). doi:10.1145/3386331. 
  61. ^ Ihaka, Ross; Gentleman, Robert. R: A language for data analysis and graphics. Journal of Computational and Graphical Statistics. 1996, 5 (3): 299–314. doi:10.1080/10618600.1996.10474713. 
  62. ^ LJ Interviews Guido van Rossum. Linux Journal. 1998 [2026-08-15]. (原始內容存檔於2023-03-30). 
  63. ^ Pedregosa, Fabian; et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011, 12: 2825–2830 [2026-08-15]. (原始內容存檔於2026-08-13). 
  64. ^ Abadi, Martín; et al. TensorFlow: A system for large-scale machine learning. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16). 2016 [2026-08-15]. (原始內容存檔於2026-08-07). 
  65. ^ Paszke, Adam; et al. PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems 32 (NeurIPS 2019). 2019 [2026-08-15]. (原始內容存檔於2026-07-22). 
  66. ^ Wolf, Thomas; et al. Transformers: State-of-the-Art Natural Language Processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. 2020. doi:10.18653/v1/2020.emnlp-demos.6. 
  67. ^ Robinson, J. A. A machine-oriented logic based on the resolution principle. Journal of the ACM. 1965, 12 (1): 23–41. doi:10.1145/321250.321253. 
  68. ^ Quillian, M. Ross. Semantic memory. Minsky, Marvin (編). Semantic Information Processing. MIT Press. 1968: 227–270. 
  69. ^ Quillian, M. Ross. Semantic memory. Minsky, Marvin (編). Semantic Information Processing. MIT Press. 1968: 227–270. 
  70. ^ Russell & Norvig 2003,chpt. 10
  71. ^ Minsky, Marvin. A framework for representing knowledge. Winston, Patrick Henry (編). The Psychology of Computer Vision. McGraw-Hill. 1975: 211–277. 
  72. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. 1988. 
  73. ^ 73.0 73.1 73.2 Zadeh, Lotfi A. Fuzzy sets. Information and Control. 1965, 8 (3): 338–353. doi:10.1016/S0019-9958(65)90241-X. 
  74. ^ Baader, Franz; et al (編). The Description Logic Handbook: Theory, Implementation and Applications. Cambridge University Press. 2003. ISBN 978-0-521-78176-3. 
  75. ^ Berners-Lee, Tim; Hendler, James; Lassila, Ora. The Semantic Web. Scientific American. Vol. 284 no. 5. 2001: 34–43. 
  76. ^ Hogan, Aidan; et al. Knowledge graphs. ACM Computing Surveys. 2021, 54 (4). doi:10.1145/3447772.  已忽略未知參數|article-number= (幫助)
  77. ^ Lewis, Patrick; et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). 2020 [2026-08-15]. (原始內容存檔於2026-07-27). 
  78. ^ Buchanan, Bruce G.; Feigenbaum, Edward A. DENDRAL and Meta-DENDRAL: Roots of knowledge systems and expert system applications. Artificial Intelligence. 1993, 59 (1–2): 233–240. doi:10.1016/0004-3702(93)90171-D. 
  79. ^ Shortliffe, Edward H. Computer-Based Medical Consultations: MYCIN. Elsevier. 1976. ISBN 978-0-444-00179-5. 
  80. ^ McDermott, John. R1: A rule-based configurer of computer systems. Artificial Intelligence. 1982, 19 (1): 39–88. doi:10.1016/0004-3702(82)90021-2. 
  81. ^ Russell & Norvig 2003,chpt. 1
  82. ^ Advancing Decision-Making through AI-Human Collaboration: A Systematic Review and Conceptual Framework. 2025. 
  83. ^ 83.0 83.1 Wagner, William P. Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies. Expert Systems with Applications. 2017-06-15, 76. ISSN 0957-4174. doi:10.1016/j.eswa.2017.01.028. 
  84. ^ Pan, Shirui; et al. Unifying large language models and knowledge graphs: A roadmap. IEEE Transactions on Knowledge and Data Engineering. 2024, 36 (7): 3580–3599. doi:10.1109/TKDE.2024.3352100. 
  85. ^ 85.0 85.1 Buntz, Brian. Quality vs. quantity: US and China chart different paths in global AI patent race in 2024 / Geographical breakdown of AI patents in 2024. R&D World. 2024-11-03. (原始內容存檔於2024-12-09). 
  86. ^ 86.0 86.1 Russell & Norvig 2021,第9頁.
  87. ^ 87.0 87.1 87.2 Copeland, J. (編). The Essential Turing: the ideas that gave birth to the computer age. Oxford, England: Clarendon Press. 2004. ISBN 0-19-825079-7 (英語). 
  88. ^ Google books ngram. [2024-05-20]. (原始內容存檔於2023-07-27). 
  89. ^ AI's immediate precursors:
  90. ^ 90.0 90.1 Russell & Norvig (2021),第17頁.
  91. ^ Crevier (1993),第47–49頁.
  92. ^ Russell & Norvig (2003),第17頁.
  93. ^ Russell & Norvig (2003),第18頁.
  94. ^ Successful programs the 1960s:
  95. ^ Newquist (1994),第86頁.
  96. ^ Simon (1965,第96頁) quoted in Crevier (1993,第109頁)
  97. ^ Minsky (1967,第2頁) quoted in Crevier (1993,第109頁)
  98. ^ Russell & Norvig (2021),第21頁.
  99. ^ Lighthill (1973).
  100. ^ NRC 1999,第212-213頁.
  101. ^ Russell & Norvig (2021),第22頁.
  102. ^ First AI Winter, Lighthill report, Mansfield Amendment
  103. ^ Expert systems:
  104. ^ Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US):
  105. ^ Second AI Winter:
  106. ^ Russell & Norvig (2021),第24頁.
  107. ^ Nilsson (1998),第7頁.
  108. ^ McCorduck (2004),第454–462頁.
  109. ^ Moravec (1988).
  110. ^ 110.0 110.1 Brooks (1990).
  111. ^ Developmental robotics:
  112. ^ 112.0 112.1 Uncertain reasoning:
  113. ^ Russell & Norvig (2021),第25頁.
  114. ^
  115. ^ Russell & Norvig (2021),第26頁.
  116. ^ Formal and narrow methods adopted in the 1990s:
  117. ^ AI widely used in the late 1990s:
  118. ^ Wang 2008
  119. ^ Wong (2023).
  120. ^ Moore's Law and AI:
  121. ^ 121.0 121.1 121.2 Clark (2015b).
  122. ^ Big data:
  123. ^ 123.0 123.1 123.2 123.3 UNESCO (2021).
  124. ^ Christian (2020),第67, 73頁.
  125. ^ Sagar, Ram. OpenAI Releases GPT-3, The Largest Model So Far. Analytics India Magazine. 2020-06-03 [2023-03-15]. (原始內容存檔於2020-08-04) (美國英語). 
  126. ^ 126.0 126.1 DiFeliciantonio (2023).
  127. ^ Here's where the A.I. jobs are. CNBC. 2023-04-05 [2026-08-15] (英語). 
  128. ^ OpenAI 的新 GPT-4o 可以處理文本、圖像等. NBC News. 2024-05-13 [2025-03-07]. (原始內容存檔於2025-09-20) (美國英語). 
  129. ^ Artificial Intelligence Market Size to Reach USD 1,811.8 Billion by 2030. Precedence Research. Precedence Research. 2024-01-15 [2025-03-07]. (原始內容存檔於2026-02-07) (美國英語). 
  130. ^ Lee, Kangwook. Deepseek Introduces New Technologies to the AI World. The Daily Cardinal. 2025-03-06 [2025-03-07]. (原始內容存檔於2025-11-11) (美國英語). 
  131. ^ 經濟日報. DeepSeek有勁敵!阿里發布新開源模型 家用顯卡就能跑. 經濟日報. 2025-03-06 [2025-03-07]. (原始內容存檔於2025-08-25) (中文(臺灣)). 
  132. ^ 马斯克旗下xAI发布Grok 4,号称“世界上最强AI模型”. 證券時報. 2025-07 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  133. ^ The Second Wave of EU AI Act Requirements are In Force: Five Things Business Should Know. Debevoise & Plimpton. 2025-08-05 [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  134. ^ OpenAI releases new flagship AI model GPT-5. 新華社. 2025-08-08 [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  135. ^ DeepSeek新模型上线!引入DSA新稀疏注意力,还又狙了CUDA一枪. 澎湃新聞. 2025-09-29 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  136. ^ Introducing Claude Sonnet 4.5. Anthropic. 2025-09-29 [2026-08-15] (英語). 
  137. ^ GPT-5.1: A smarter, more conversational ChatGPT. OpenAI. 2025-11-12 [2026-08-15]. (原始內容存檔於2026-08-16) (英語). 
  138. ^ 谷歌发布最新AI模型Gemini 3. 新華網. 2025-11-20 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  139. ^ Introducing Claude Opus 4.5. Anthropic. 2025-11-24 [2026-08-15]. (原始內容存檔於2026-01-16) (英語). 
  140. ^ Stanford 2025 AI Index Reports Surge in Adoption, Investment, and Global Impact as Trust and Regulation Lag Behind. THE Journal. 2025-04-09 [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  141. ^ Claude Opus 4.6. Anthropic. 2026-02 [2026-08-15]. (原始內容存檔於2026-07-05) (英語). 
  142. ^ OpenAI launches GPT-5.4, its most powerful model for enterprise work. Fortune. 2026-03-05 [2026-08-15]. (原始內容存檔於2026-07-18) (英語). 
  143. ^ 谷歌Gemini 3.1 Pro发布:推理能力翻倍,专为复杂任务而生. IT之家. 2026-03-06 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  144. ^ Google I/O 2026炸场:世界模型、AI数字水印来了!Gemini正式进入“Agent时代. 澎湃新聞. 2026-05-21 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  145. ^ Introducing GPT-5.5. OpenAI. 2026-05 [2026-08-15]. (原始內容存檔於2026-08-15) (中文(繁體)). 
  146. ^ DeepSeek-V4-Pro 正式版上线. 深度求索. [2026-08-15]. (原始內容存檔於2026-08-13). 
  147. ^ 7月全球人工智能发展盘点:开放权重模型升温,全球协同治理提速. 北京日報. 2026-08-03 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  148. ^ GPT-6 系列模型指南. OpenAI. 2026-09-29 [2026-10-03] (中文(中國大陸)). 
  149. ^ Introducing Claude Opus 5.5. www.anthropic.com. [2026-10-03] (英語). 
  150. ^ Problem solving, puzzle solving, game playing and deduction:
  151. ^ Intractability and efficiency and the combinatorial explosion(英語:combinatorial explosion):
  152. ^ Psychological evidence of sub-symbolic reasoning:
  153. ^ Brooks 1990
  154. ^ Russell & Norvig 2003,chpt. 10
  155. ^ 155.0 155.1 Davis, Randall; Shrobe, Howard; Szolovits, Peter. What is a knowledge representation?. AI Magazine. 1993, 14 (1): 17–33. doi:10.1609/aimag.v14i1.1029. 
  156. ^ Planning(英語:automated planning and scheduling):
  157. ^ Information value theory(英語:Applied information economics):
  158. ^ Classical planning:
  159. ^ Planning and acting in non-deterministic domains: conditional planning, execution monitoring, replanning and continuous planning:
  160. ^ Multi-agent planning and emergent behavior:
  161. ^ 161.0 161.1 What is machine learning?. IBM. [2026-08-15]. (原始內容存檔於2026-08-06) (英語). 
  162. ^ 162.0 162.1 What is natural language processing?. IBM. [2026-08-15]. (原始內容存檔於2024-12-14) (英語). 
  163. ^ Russell & Norvig 2003,chpt. 25
  164. ^ Artificial Intelligence In Robotics. Socratica. [2026-08-15] (英語). 
  165. ^ Machine perception:
  166. ^ Computer vision:
  167. ^ Speech recognition:
  168. ^ Object recognition(英語:Object recognition):
  169. ^ Kismet. MIT Artificial Intelligence Laboratory, Humanoid Robotics Group. [2012-10-12]. (原始內容存檔於2014-10-17). 
  170. ^ Russell & Norvig 2003,chpt. 17
  171. ^ Emotion AI, explained. MIT Media Lab. [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  172. ^ Computational Creativity. VUB Artificial Intelligence Lab. [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  173. ^ Nils Nilsson(英語:Nils Nilsson (researcher))寫道:"Simply put, there is wide disagreement in the field about what AI is all about"(簡而言之,對於人工智慧的核心究竟是什麼,學界存在廣泛分歧)(Nilsson 1983,第10頁)。
  174. ^ 174.0 174.1 174.2 174.3 Biological intelligence vs. intelligence in general:
    • Russell & Norvig 2003,第2–3頁, who make the analogy with aeronautical engineering.
    • McCorduck 2004,第100–101頁, who writes that there are "two major branches of artificial intelligence: one aimed at producing intelligent behavior regardless of how it was accomplioshed, and the other aimed at modeling intelligent processes found in nature, particularly human ones."
    • Kolata 1982, a paper in Science, which describes McCathy's indifference to biological models. Kolata quotes McCarthy as writing: "This is AI, so we don't care if it's psychologically real"[1] (頁面存檔備份,存於網際網路檔案館). McCarthy recently reiterated his position at the AI@50(英語:AI@50) conference where he said "Artificial intelligence is not, by definition, simulation of human intelligence" (Maker 2006).
  175. ^ 175.0 175.1 Neats vs. scruffies(英語:Neats vs. scruffies):
  176. ^ 176.0 176.1 Symbolic vs. sub-symbolic AI:
  177. ^ Haugeland 1985,第255頁.
  178. ^ 存档副本. [2012-10-13]. (原始內容存檔於2017-11-05). 
  179. ^ Wang, Pei. Artificial general intelligence, 2008: proceedings of the First AGI Conference. IOS Press. 2008: 63 [2011-10-31]. ISBN 978-1-58603-833-5. (原始內容存檔於2020-08-21). 
  180. ^ Russell & Norvig 2003,chpt. 1
  181. ^ AI's immediate precursors: See also Template:See section. Among the researchers who laid the foundations of AI were Alan Turing, John Von Neumann, Norbert Wiener, Claude Shannon, Warren McCullough, Walter Pitts and Donald Hebb.
  182. ^ Russell & Norvig 2003,chpt. 1
  183. ^ Haugeland 1985,第112–117頁
  184. ^ Russell & Norvig 2003,chpt. 1
  185. ^ The most dramatic case of sub-symbolic AI being pushed into the background was the devastating critique of perceptrons by Marvin Minsky and Seymour Papert in 1969. See History of AI, AI winter, or Frank Rosenblatt(英語:Frank Rosenblatt).
  186. ^ Russell & Norvig 2003,chpt. 1
  187. ^ Cognitive simulation, Newell and Simon, AI at CMU (then called Carnegie Tech):
  188. ^ Soar (history):
  189. ^ McCarthy and AI research at SAIL(英語:Stanford Artificial Intelligence Laboratory) and SRI International:
  190. ^ AI research at Edinburgh and in France, birth of Prolog:
  191. ^ AI at MIT under Marvin Minsky in the 1960s :
  192. ^ Cyc:
  193. ^ 193.0 193.1 Knowledge revolution:
  194. ^ Expert systems:
  195. ^ 195.0 195.1 Embodied approaches to AI:
  196. ^ Revival of connectionism:
  197. ^ Computational intelligence(英語:Computational intelligence)
  198. ^ 形式方法是當前首選的("簡約派的勝利"):
  199. ^ Langley, Pat. The changing science of machine learning. Machine Learning. 2011-03, 82 (3): 275-279. ISSN 0885-6125. doi:10.1007/s10994-011-5242-y (英語). 
  200. ^ 200.0 200.1 Agent architecture(英語:Agent architecture)s, hybrid intelligent system(英語:hybrid intelligent system)s:
  201. ^ 201.0 201.1 林, 東清. 資訊管理:e化企業的核心競爭力. 台北: 元照. 2019: 93. ISBN 978-957-511-112-0. 
  202. ^ Russell & Norvig 2003,chpt. 24
  203. ^ Russell & Norvig 2003,chpt. 22
  204. ^ Russell & Norvig 2003,chpt. 18
  205. ^ Davies, E. R. Computer and Machine Vision: Theory, Algorithms, Practicalities. Academic Press. 2012. ISBN 978-0-12-386908-1. 
  206. ^ Maltoni, Davide; Maio, Dario; Jain, Anil K.; Prabhakar, Salil. Handbook of Fingerprint Recognition 2nd. Springer. 2009. ISBN 978-1-84882-253-5. 
  207. ^ Zhao, Wenyi; Chellappa, Rama; Phillips, P. Jonathon; Rosenfeld, Azriel. Face recognition: A literature survey. ACM Computing Surveys. 2003, 35 (4): 399–458. doi:10.1145/954339.954342. 
  208. ^ A novel approach of retina-based biometric authentication using multifractal analysis and wavelet fusion. Multimedia Tools and Applications. 2025. doi:10.1007/s11042-025-20976-y. 
  209. ^ Daugman, John. How iris recognition works. IEEE Transactions on Circuits and Systems for Video Technology. 2004, 14 (1): 21–30. doi:10.1109/TCSVT.2003.818350. 
  210. ^ Zhang, David; Kong, Adams Wai-Kin; You, Jane; Wong, Michael. Online palmprint identification. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003, 25 (9): 1041–1050. doi:10.1109/TPAMI.2003.1227981. 
  211. ^ Liao, Shu-Hsien. Expert system methodologies and applications—a decade review from 1995 to 2004. Expert Systems with Applications. 2005, 28 (1): 93–103. doi:10.1016/j.eswa.2004.08.003. 
  212. ^ Ghallab, Malik; Nau, Dana; Traverso, Paolo. Automated Planning: Theory and Practice. Morgan Kaufmann. 2004. ISBN 978-1-55860-856-6. 
  213. ^ Hassanalian, M.; Abdelkefi, A. Classifications, applications, and design challenges of drones: A review. Progress in Aerospace Sciences. 2017, 91: 99–131. doi:10.1016/j.paerosci.2017.04.003. 
  214. ^ 214.0 214.1 Artificial intelligence in local government services: Public perceptions from Australia and Hong Kong. Government Information Quarterly. 2023, 40 (3): 101833. doi:10.1016/j.giq.2023.101833 (英語). 
  215. ^ Revisiting 'who gets in': borders and migration management in the era of automation and AI in Canada. AI & Society. 2025. doi:10.1007/s00146-025-02602-5. 
  216. ^ Systematizing heterogeneous expert knowledge, scenarios and goals via a goal-reasoning artificial intelligence agent for democratic urban land use planning. Cities. 2019 [2026-08-15]. (原始內容存檔於2024-04-21). 
  217. ^ Digital Surveillance for Monitoring Environmental Health Threats: A Case Study Capturing Public Opinion from Twitter about the 2019 Chennai Water Crisis. International Journal of Environmental Research and Public Health. 2020, 17 (14). doi:10.3390/ijerph17145077. 
  218. ^ 218.0 218.1 DeMichele, Matthew; Silver, Ian A.; Parkin, William. Learning to predict violence: Deep learning approaches to violent crime prediction during pretrial release. Criminology & Public Policy. 2026, 25 (3). ISSN 1745-9133. doi:10.1111/1745-9133.70022 (英語). 
  219. ^ Control theory in the era of intelligent systems: Applications, trends, and future directions. Annual Reviews in Control. 2026. 
  220. ^ Humanoid Robots and Humanoid AI: Review, Perspectives and Directions. ACM Computing Surveys. 2025. doi:10.1145/3770574. 
  221. ^ Autonomous mobile robots in intelligent warehousing: Workflow-centric integration for Industry 5.0 logistics. Advanced Engineering Informatics. 2026. 
  222. ^ Koza, John R. Survey of genetic algorithms and genetic programming. Proceedings of the WESCON '95 Conference. 1995 [2026-08-15]. (原始內容存檔於2026-05-15). 
  223. ^ Artificial Intelligence Applied in Legal Information: A Systematic Mapping Study. Journal of Computer Science & Technology. 2022 [2026-08-15]. (原始內容存檔於2026-05-16). 
  224. ^ Campbell, Murray; Hoane, A. Joseph; Hsu, Feng-hsiung. Deep Blue. Artificial Intelligence. 2002, 134 (1–2): 57–83. doi:10.1016/S0004-3702(01)00129-1. 
  225. ^ Global physician perspectives on artificial intelligence in healthcare across 50 countries and territories. npj Digital Medicine. 2026. doi:10.1038/s41746-026-02726-y. 
  226. ^ 港大研發AI「驗樓」應用程式 助業主維修前初步評估樓宇狀況. Now 新聞. 2026-10-25 [2026-11-02] (中文(香港)). 
  227. ^ am730. 港大eCheckGo重塑建築檢測效率 大模型驅動巡查系統 為高密度城市建立新驗樓標準. am730. 2026-04-20 [2026-11-02] (中文(香港)). 
  228. ^ 港大研發AI樓宇檢測系統 eCheckGo 勇奪日內瓦國際發明展評判特別嘉許金獎. 香港文匯報. [2026-11-02] (中文(香港)). 
  229. ^ 港大研發「eCheckGo」AI 建築檢測系統 強化城市安全 實現快速樓宇巡查. The HKU Lead. 2026-04-29 [2026-11-02] (中文(香港)). 
  230. ^ 人工智慧有多恐怖?聽聽「天才」Demis Hassabis 怎麼說!. INSIDE 硬塞的網路趨勢觀察. [2016-04-15]. (原始內容存檔於2018-09-03) (中文(臺灣)). 
  231. ^ 美國無人的士事故不斷. 大公報. 2026-02-22 [2026-08-15]. (原始內容存檔於2026-08-15) (中文(繁體)). 
  232. ^ Elon Musk says artificial intelligence is like "summoning the demon". CBS News. 2014-10-27 [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  233. ^ Microsoft's Bill Gates insists AI is a threat. BBC News. 2015-01-29 [2026-08-15]. (原始內容存檔於2015-01-29) (英語). 
  234. ^ 彭慧明. AlphaGo贏棋王 靠兩大密技. 經濟日報. 2016-03-19 [2016-04-15]. (原始內容存檔於2016-04-26) (中文(臺灣)). 
  235. ^ Docherty, Bonnie. Losing Humanity: The Case Against Killer Robots. Human Rights Watch. 2012 [2026-08-15]. (原始內容存檔於2016-02-04). 
  236. ^ Sid Weng. 專家憂人工智慧武器成「殺人機器」 多國研商限制規範. 關鍵評論網. 2014-11-13 [2016-04-15]. (原始內容存檔於2016-04-27) (中文(臺灣)). 
  237. ^ 蕭喬雲. 別再讓機器人殺人!反對團體呼籲勿用人工智慧參與戰爭. 風傳媒. 2015-10-22 [2016-04-15]. (原始內容存檔於2021-02-13) (中文(臺灣)). 
  238. ^ Transcript of Amy Webb Interview on Peter McCormack Show: Work Is About to Break. SingjuPost. [2026-08-15]. (原始內容存檔於2026-07-12) (英語). 
  239. ^ 日近半職業 將被人工智慧取代. 中國時報. 2015-12-03 [2016-04-15]. (原始內容存檔於2021-02-13) (中文(臺灣)). 
  240. ^ 人工智慧:提前到來的職業殺手. Evans Data. [2016-04-15]. (原始內容存檔於2019-05-11) (中文(臺灣)). 
  241. ^ 中時-馬雲談AI的風險. [2017-06-23]. (原始內容存檔於2017-06-22). 
  242. ^ 数据科学:二十一世纪最Sexy的职业. 哈佛商業評論. [2017-09-22]. (原始內容存檔於2017-06-14). 
  243. ^ The Data Incubator. [2026-08-15]. (原始內容存檔於2024-01-24) (英語). 
  244. ^ 244.0 244.1 Meta scientist Yann LeCun says AI won't destroy jobs forever. BBC News. 2023-05-26 [2026-08-15]. (原始內容存檔於2026-08-15) (英語). 
  245. ^ 245.0 245.1 Stephen Hawking warns artificial intelligence could end mankind. BBC News. 2014-12-02 [2026-08-15]. (原始內容存檔於2015-10-30) (英語). 
  246. ^ 面对AI抗命,该不该“如临大敌”. 北京日報客戶端. 2025-05-27 [2026-08-15]. (原始內容存檔於2026-08-15) (中文). 
  247. ^ Intelligent Computing: The Latest Advances, Challenges, and Future. Intelligent Computing. 2023 [2026-08-15] (英語). 
  248. ^ Searle 1980
  249. ^ 林東清. 資訊管理 e化企業的核心競爭能力 七版. 台北市: 智勝. 2019-06: 187. ISBN 978-957-511-112-0. 
  250. ^ 陳根. 人工智能“脱衣”再现,技术与道德的撕裂对立. 澎湃. 2020-11-02 [2022-05-07]. (原始內容存檔於2025-08-25) (中文). 
  251. ^ Reports. Sensity. [2022-05-07]. (原始內容存檔於2022-05-19) (美國英語). 
  252. ^ 「モザイク破壊」AIでアダルト動画を加工 著作権法など違反疑いの男逮捕|社会|地域のニュース|京都新聞. 京都新聞. [2022-05-07]. (原始內容存檔於2022-05-25) (日語). 
  253. ^ IPPA | 宮城県警察本部サイバー犯罪対策課による『フェイク動画』DVD販売摘発に関するお知らせ. www.ippa.jp. [2022-05-07]. (原始內容存檔於2025-01-25). 
  254. ^ 減輕風險的人工智慧監管:Berryhill et al. (2019)、Barfield & Pagallo (2018)、Iphofen & Kritikos (2019)、Wirtz, Weyerer & Geyer (2018)、Buiten (2019)
  255. ^ 256.0 256.1 Stanford University (2023).
  256. ^ Kissinger (2021).
  257. ^ Altman, Brockman & Sutskever (2023).
  258. ^ n.a. UN Announces Advisory Body on Artificial Intelligence. Voice of America. 2023-10-25 [2024-10-05]. (原始內容存檔於2024-09-18). 
  259. ^ AI Act enters into force. European Commission. [2025-08-11]. (原始內容存檔於2026-08-14) (英語). 
  260. ^ Council of Europe opens first ever global treaty on AI for signature. Council of Europe. 2024-09-05 [2024-09-17]. (原始內容存檔於2024-09-17). 
  261. ^ Edwards (2023).
  262. ^ Kasperowicz (2023).
  263. ^ Fox News (2023).
  264. ^ Milmo, Dan. Hope or Horror? The great AI debate dividing its pioneers. The Guardian Weekly. 2023-11-03: 10–12. 
  265. ^ The Bletchley Declaration by Countries Attending the AI Safety Summit, 1–2 November 2023. GOV.UK. 2023-11-01 [2023-11-02]. (原始內容存檔於2023-11-01). 
  266. ^ Countries agree to safe and responsible development of frontier AI in landmark Bletchley Declaration. GOV.UK (新聞稿). [2023-11-01]. (原始內容存檔於2023-11-01). 
  267. ^ Second global AI summit secures safety commitments from companies. Reuters. 2024-05-21 [2024-05-23]. (原始內容存檔於2026-08-19). 
  268. ^ Frontier AI Safety Commitments, AI Seoul Summit 2024. gov.uk. 2024-05-21 [2024-05-23]. (原始內容存檔於2024-05-23). 
  269. ^ UN launches independent scientific panel on artificial intelligence. UN News. 2026-03-03 [2026-03-07]. (原始內容存檔於2026-08-01). 
  270. ^ Russell & Norvig 2003,chpt. 1
  271. ^ Reclaiming AI as a Theoretical Tool for Cognitive Science. Computational Brain & Behavior. 2024. doi:10.1007/s42113-024-00217-5. 
  272. ^ Russell & Norvig 2003,chpt. 1
  273. ^ Carleo, Giuseppe; et al. Machine learning and the physical sciences. Reviews of Modern Physics. 2019, 91 (4). doi:10.1103/RevModPhys.91.045002. 
  274. ^ Russell & Norvig 2003,chpt. 1
  275. ^ Russell & Norvig 2003,chpt. 1
  276. ^ Sociological Perspectives on AI, Intelligence and Communication. Systems Research and Behavioral Science. 2025. doi:10.1002/sres.3123. 
  277. ^ Russell & Norvig 2003,chpt. 22
  278. ^ Russell & Norvig 2003,chpt. 3
  279. ^ Russell & Norvig 2003,chpt. 7
  280. ^ Russell & Norvig 2003,chpt. 11
  281. ^ Russell & Norvig 2003,chpt. 18
  282. ^ Russell & Norvig 2003,chpt. 21
  283. ^ Russell & Norvig 2003,chpt. 24
  284. ^ Deep Learning Architectures for Pattern Recognition: A Comparative Review of Challenges, Applications, and the Path Toward XAI. Electronics. 2026, 15 (11). doi:10.3390/electronics15112402.  已忽略未知參數|article-number= (幫助)
  285. ^ Mitra, Sushmita; Pal, Sankar K.; Mitra, Pabitra. Data mining in soft computing framework: A survey. IEEE Transactions on Neural Networks. 2002, 13 (1): 3–14. doi:10.1109/72.977258. 
  286. ^ Langton, Christopher G. (編). Artificial Life. Addison-Wesley. 1989. ISBN 978-0-201-09346-9. 
  287. ^ Russell & Norvig 2003,chpt. 1
  288. ^ Complex & Intelligent Systems. Complex & Intelligent Systems (Springer). [2026-08-15]. (原始內容存檔於2026-08-07). 
  289. ^ Holland, John H. Adaptation in Natural and Artificial Systems. University of Michigan Press. 1975. ISBN 978-0-472-08460-9. 
  290. ^ Fayyad, Usama; Piatetsky-Shapiro, Gregory; Smyth, Padhraic. From data mining to knowledge discovery in databases. AI Magazine. 1996, 17 (3): 37–54. doi:10.1609/aimag.v17i3.1230. 
  291. ^ Russell & Norvig 2003,chpt. 1
  292. ^ Searle 1980
  293. ^ Searle 1980
  294. ^ Russell & Norvig 2003,chpt. 26
  295. ^ Schmidt, Michael; Lipson, Hod. Distilling Free-Form Natural Laws from Experimental Data. Science. 2009-04-03, 324 (5923): 81–85. doi:10.1126/science.1165893. 
  296. ^ Russell & Norvig 2003,chpt. 26
  297. ^ Searle 1980
  298. ^ Searle 1980
  299. ^ Dennett 1991
  300. ^ Blackburn, Simon. Think: A Compelling Introduction to Philosophy. Oxford University Press. 1999. ISBN 978-0-19-210024-5. 
  301. ^ Russell & Norvig 2003,chpt. 26

來源

[編輯]
中文書
教材
人工智慧歷史
報道與報告
  • Clark, Jack. Why 2015 Was a Breakthrough Year in Artificial Intelligence. Bloomberg News. 2015-12-08 (英語). 
  • Goldman, Sharon. 10 years later, deep learning 'revolution' rages on, say AI pioneers. CNET. 2022-09-14 (英語). 
  • Notes from the AI frontier: Applications and value of deep learning. McKinsey Global Institute. 2018-04 [2026-08-15] (英語). 
  • Wong, Matteo. Deep Learning's Diminishing Returns. The Atlantic. 2023 (英語). 
  • DiFeliciantonio, Chelsea. AI has been in a 'boom.' Will it end in a 'bust'?. San Francisco Chronicle. 2023-04-01 (英語). 
  • Edwards, Benj. Poll: 61% of Americans say AI threatens humanity's future. Ars Technica. 2023 (英語). 
  • Kasperowicz, Peter. Regulate AI? GOP much more skeptical than Dems that government can do it right: poll. Fox News. 2023 (英語). 
  • Fox News. Fox News Poll: More see bad than good in AI. 2023 [2026-08-15] (英語). 
  • Kissinger, Henry A.; Schmidt, Eric; Huttenlocher, Daniel. The Challenge of Being Human in the Age of AI. The Wall Street Journal. 2021-11 (英語). 
  • Altman, Sam; Brockman, Greg; Sutskever, Ilya. Governance of Superintelligence. OpenAI. 2023-05-22 [2026-08-15] (英語). 
  • Stanford University HAI. Artificial Intelligence Index Report 2023. 史丹佛大學以人為本人工智慧研究院. 2023-04 [2026-08-15] (英語). 
  • UNESCO. UNESCO Science Report: The Race Against Time for Smarter Development. Paris: UNESCO Publishing. 2021-06 (英語). 
  • The Law Library of Congress, Global Legal Research Directorate. Regulation of Artificial Intelligence in Selected Jurisdictions. Library of Congress. 2019-01 (英語). 
政策與機器人學文獻
  • Berryhill, Jamie; Kok Heang, Kévin; Clogher, Rob; McBride, Keegan. Hello, World: Artificial Intelligence and its Use in the Public Sector. OECD Working Papers on Public Governance (Paris: OECD Publishing). 2019-04, (36) (英語). 
  • Barfield, Woodrow; Pagallo, Ugo (編). Research Handbook on the Law of Artificial Intelligence. Cheltenham: Edward Elgar Publishing. 2018 (英語). 
  • Iphofen, Ronal; Kritikos, Mihalis. Regulating artificial intelligence and robotics: ethics by design in a digital society. Contemporary Social Science. 2019 (英語). 
  • Wirtz, Bertram W.; Weyerer, Jan C.; Geyer, Charlotte. Artificial Intelligence and the Public Sector—Applications and Challenges. International Journal of Public Administration. 2018 (英語). 
  • Buiten, Miriam C. Towards Intelligent Regulation of Artificial Intelligence. European Journal of Risk Regulation. 2019, 10 (1): 41–59 (英語). 
  • Weng, Juyang; McClelland, James; Pentland, Alex; Sporns, Olaf; et al. Autonomous mental development by robots and animals. Science. 2001, 291 (5504): 599–600. doi:10.1126/science.291.5504.599 (英語). 
  • Lungarella, Max; Metta, Giorgio; Pfeifer, Rolf; Sandini, Giulio. Developmental robotics: a survey. Connection Science. 2003, 15 (4): 151–190 (英語). 
  • Asada, Minoru; Hosoda, Koh; Kuniyoshi, Yasuo; Ishiguro, Hiroshi; et al. Cognitive developmental robotics: a survey. IEEE Transactions on Autonomous Mental Development. 2009, 1 (1): 12–34 (英語). 
  • Oudeyer, Pierre-Yves; Baranes, Adrien; Kaplan, Frédéric. Intrinsically motivated exploration for developmental and active sensorimotor learning. From Motor Learning to Interaction Learning in Robots. Berlin: Springer. 2010 (英語). 
其他

擴充閱讀

[編輯]

外部連結

[編輯]