陳迪源：新型商業化（三） —— 人工智能的演變

在前兩篇文章中，我們探討了人工智能（AI），尤其是生成式人工智能（AIGC），如何為企業賦能並引發商業世界的變革。在這篇文章中，我希望分享AI的歷史和演變，以便讀者能夠更好地理解這項技術的基礎。我們將深入分析AI的歷史發展、技術進步及其對各行各業的深遠影響。

人工智能有多種分類方式，一般來說，人工智能（AI）可以分為兩大類型：狹義人工智能和通用人工智能。狹義人工智能，也稱為弱人工智能，是設計來執行特定任務的（如人臉識別或網絡搜索），這是當今最常見的人工智能類型。通用人工智能仍然是理論上的，它將在幾乎所有認知任務上超越人類。人工智能的一個顯著分支是人工智能生成內容（AIGC）或生成式人工智能，其目的是創建能夠理解、學習和應用知識於廣泛任務的機器，類似於人類的智能。

自1950年代和60年代早期起步以來，人工智能（AI）已經經歷了巨大的變化。最初的AI系統依賴於簡單的預設程序來預測某些情境下的人類行為。然而，由於人類行為受到個人經歷、情緒、偏見和環境等多種因素的影響，這些早期的AI系統很難準確預測。因此，當時的AI並沒有引起如今這般的廣泛關注。

如今，AI已經變得能夠執行許多需要人類智慧的任務，如學習、推理、解決問題、感知和語言理解。這種顯著的轉變主要得益於技術的進步，尤其是存儲技術、高速網絡、計算機處理能力和圖形處理單元（GPU）的發展。GPU最初是為圖形處理設計的，但現在在快速處理大量數據方面發揮了重要作用。

現代AI的一個重大突破是機器學習的興起，這是一種讓系統從經驗中學習並改進的方法，而不需要人工明確編程。在機器學習中，深度學習是一種特別強大的技術。它利用模仿人類大腦結構的神經網絡來自動學習數據的層次表示。通過在大量數據上訓練，深度學習算法可以識別複雜的模式並做出精確的預測，使得AI能夠處理更複雜的任務。

然而，必須認識到AI的結果是概率性的，可能並不總是反映普遍的人類行為。AI基於其學習數據中的模式進行預測，但個別人類行為仍可能偏離這些模式。此外，AI答案的準確性取決於訓練數據的質量和代表性。偏頗或不完整的數據可能導致有缺陷或偏見的AI輸出。

儘管AI取得了顯著進展，但在全面模擬人類智慧方面仍有不足。AI在執行特定任務上表現出色，但在理解情感、情境推理和常識方面依然存在挑戰。有趣的是，像邏輯推理這樣的複雜人類思維，所需的計算能力相對較少，與複製我們的無意識技能和直覺所需的大量計算能力相比，顯得微不足道。這凸顯了人類認知的複雜性，以及開發能夠真正匹敵人類智慧的AI系統所面臨的挑戰。