“人工智慧不會取代人類，但擁有人工智慧的人類將取代沒有人工智慧的人類。” ——哈佛商學院 Karim Lakhani 教授（拉卡尼，2023)

大學生需要了解哪些人工智慧知識

人工智慧 (AI) 正在徹底改變從醫療保健到金融等各個領域。了解其基礎和發展對於任何希望在當今商業世界中保持領先地位的人來說至關重要。本指南詳細介紹了您應該了解的有關人工智慧的十大知識，專為大學商學院學生量身定制。

了解人工智慧的興起和出現

什麼是人工智慧？

人工智慧 (AI) 是電腦科學的一個分支，專注於創建能夠執行通常需要人類智慧的任務的機器。這些任務包括辨識語音、辨識圖像、理解自然語言、做出決策，甚至玩西洋棋和圍棋等複雜遊戲。人工智慧的最終目標是開發能夠從經驗中學習、適應新輸入並精確且有效率地執行類似人類任務的系統。

商業環境中的人工智慧

對於商科學生來說，了解人工智慧至關重要，因為它改變了金融、行銷、營運管理等多個領域。人工智慧工具使企業能夠分析大量資料集、預測趨勢、自動化日常任務並改善決策流程。例如，在行銷中，人工智慧可以透過分析消費者行為和偏好來個人化客戶體驗。在金融領域，人工智慧可以增強詐欺偵測並實現交易策略自動化。

人工智慧的不同定義

人工智慧沒有普遍接受的定義。從廣義上講，它可以被描述為使用演算法來執行通常需要人類智慧的任務。然而，人工智慧的範圍可能有所不同：

• 狹義人工智慧： 專為特定任務而設計的人工智慧系統，例如 Siri 或 Alexa 等虛擬助手，它們擅長執行有限的功能。
• 通用人工智慧： 假設的人工智慧系統具有執行人類可以執行的任何智力任務的能力。這一級別的人工智慧仍然是理論研究的主題。
• 超級智慧人工智慧： 一個在所有領域超越人類智慧的人工智慧。這個概念更具推測性，也是專家們爭論的話題。

歐盟委員會將人工智慧定義為透過分析環境並採取行動實現特定目標來顯示智慧行為的系統。這個定義涵蓋了人工智慧可以擁有的廣泛功能，從簡單的自動化系統到複雜的學習演算法。

人工智慧的歷史根源與演變

早期的開始

人造生物的概念可以追溯到古代神話和故事。例如，希臘神話中的巨型機器人塔洛斯和猶太民間傳說中的傀儡，都是具有特殊能力的人造實體的早期代表。這些神話反映了人類對創造栩栩如生的機器的持久迷戀。

哲學基礎

17世紀，對人類思想進行機械解釋的想法開始形成。笛卡兒和其他哲學家推測了機械腦的可能性，為後來的技術進步鋪平了道路。笛卡兒的著名論點「Cogito, ergo sum」（「我思故我在」）強調了思維和意識的重要性，這是人工智慧研究的中心主題。

AI正式誕生

人工智慧作為一門科學學科於 1956 年在約翰·麥卡錫、馬文·明斯基、納撒尼爾·羅徹斯特和克勞德·香農組織的達特茅斯會議上正式誕生。這事件標誌著人工智慧第一波的開始。這次會議旨在探索創造能夠模仿人類智慧各個方面的機器的可能性。與會者討論了自然語言處理、神經網路和自我改進演算法等主題。

人工智慧的三波浪潮

1. 象徵性人工智慧（1950 年代至 60 年代）： 這個時代注重符號推理和邏輯。研究人員開發了可以執行邏輯推論並使用預定義規則解決問題的系統。著名的項目包括證明數學定理的邏輯理論家，以及模擬心理治療師的早期自然語言處理程序 ELIZA。
2. 專家系統（20 世紀 80 年代）： 第二波見證了專家系統的興起，它將人類的專業知識編碼成規則，以實現決策過程的自動化。這些系統被用於各個領域，包括醫療診斷、財務規劃和工程。儘管取得了成功，但專家系統由於依賴預定義規則而面臨局限性，這使得它們在處理新情況時缺乏靈活性。
3. 機器學習與深度學習（20 世紀 90 年代至今）： 隨著機器學習和深度學習演算法的發展，第三波帶來了重大進步。與以前的方法不同，這些演算法從數據中學習，隨著時間的推移提高其效能。關鍵突破包括神經網路、支持向量機和強化學習的發展。應用範圍從圖像和語音識別到遊戲和自動駕駛。

人工智慧的核心概念

機器學習（ML）

機器學習是人工智慧的一個子集，專注於開發允許電腦根據數據學習並做出決策的演算法。機器學習分為三種主要類型：

• 監督學習： 涉及在標記資料上訓練模型，其中所需的輸出是已知的。該模型學習根據這些訓練資料將輸入映射到輸出。常見應用包括垃圾郵件偵測、影像分類和預測分析。
• 無監督學習： 涉及在未標記的資料上訓練模型，其中所需的輸出未知。此模型識別資料中的模式和結構。應用包括聚類、降維和異常檢測。
• 強化學習： 涉及訓練模型透過與環境互動來做出一系列決策。該模型透過接受對其行為的獎勵或懲罰來學習實現目標。應用包括遊戲、機器人和自動駕駛汽車。

深度學習（DL）

深度學習是機器學習的子集，它使用多層（因此「深度」）的神經網路來對資料中的複雜模式進行建模。神經網路的靈感來自於人腦的結構和功能，由處理訊息的互連節點（神經元）組成。神經網路的關鍵組成部分包括：

• 輸入層： 接收輸入資料。
• 隱藏層： 透過一系列轉換處理輸入資料。
• 輸出層： 產生最終輸出。

深度學習在影像和語音辨識、自然語言處理和自主系統等領域取得了重大進展。著名的深度學習架構包括用於影像處理的捲積神經網路 (CNN) 和用於序列資料的循環神經網路 (RNN)。

自然語言處理（NLP）

NLP 是人工智慧的一個領域，專注於電腦和人類語言之間的互動。 NLP 使機器能夠理解、解釋和產生人類語言。 NLP 的關鍵組成部分包括：

• 代幣化： 將文字分解為單獨的單字或標記。
• 詞性標記： 辨識句子中的文法部分。
• 命名實體識別： 將文本中的實體（例如姓名、日期、位置）進行識別和分類。
• 情緒分析： 確定文本中表達的情緒或情感。

NLP 的應用包括聊天機器人、語言翻譯、情緒分析和資訊檢索。

電腦視覺

電腦視覺使機器能夠解釋和分析來自世界的視覺數據，例如圖像和視訊。電腦視覺的關鍵組成部分包括：

• 圖片分類： 辨識影像中的物件或場景。
• 物體檢測： 定位和識別影像中的物件。
• 分割： 將影像劃分為有意義的區域或片段。
• 影像生成： 根據學習的模式建立新影像。

電腦視覺的應用包括臉部辨識、自動駕駛汽車、醫學影像和擴增實境。

機器人技術

機器人技術涉及機器人的設計和使用，機器人是人工智慧驅動的機器，能夠自主或半自主執行任務。機器人技術的關鍵組成部分包括：

• 洞察力： 使用感測器來感知環境。
• 規劃： 確定實現目標的行動順序。
• 控制： 精準執行計畫好的行動。
• 驅動： 使用馬達和執行器移動並與環境互動。

機器人技術的應用包括製造自動化、手術機器人、無人機和服務機器人。

人工智慧進步與應用的驅動力

科學突破

由於許多科學突破，人工智慧迅速發展。神經網路、支援向量機和強化學習等演算法的創新擴展了人工智慧的能力。認知科學和神經科學的研究也有助於理解如何在機器中複製人類智慧。

• 神經網路： 受人腦的啟發，神經網路由處理資訊的互連節點（神經元）組成。卷積神經網路 (CNN) 和循環神經網路 (RNN) 等神經網路架構的進步導致影像和語音辨識等任務的顯著改進。
• 支援向量機 (SVM)： 用於分類和迴歸任務的監督學習演算法。 SVM 的工作原理是尋找分隔不同類別資料點的最佳超平面。
• 強化學習（RL）： 機器學習的一個領域，代理透過與環境互動並接收獎勵或懲罰形式的回饋來學習做出決策。強化學習已成功應用於遊戲、機器人和自主系統。

運算能力增強

摩爾定律預測晶片上的電晶體數量每兩年增加一倍，運算能力的成長一直是人工智慧進步的關鍵驅動力。今天的智慧型手機比幾十年前最好的電腦更強大。運算能力的增強使得能夠處理訓練複雜人工智慧模型所需的大量資料。

• 圖形處理單元 (GPU)： GPU 最初是為渲染圖形而設計的，由於能夠有效地執行並行運算，現在廣泛用於人工智慧任務。
• 張量處理單元 (TPU)： Google 專為 AI 工作負載設計的專用硬件，與傳統 CPU 和 GPU 相比，速度和效率顯著提高。

數據爆炸

數位時代帶來了數據爆炸，為人工智慧系統的學習和改進提供了原材料。大數據技術使得海量資料集的收集、儲存和分析成為可能。這些資料對於訓練機器學習模型至關重要，機器學習模型需要大量資訊才能做出準確的預測和決策。

• 資料來源： 數據是從各種來源產生的，包括社交媒體、感測器、電子商務交易和行動裝置。這種多樣化的數據使人工智慧系統能夠從現實世界的場景中學習並提高其效能。
• 資料儲存： 雲端運算和分散式儲存系統的進步使得高效儲存和處理大量資料成為可能。

人工智慧的當前應用

人工智慧現已融入我們日常生活的許多方面，包括：

• 虛擬助理： Siri、Alexa 和 Google Assistant 等人工智慧助理可協助使用者執行任務、回答問題和控制智慧家庭裝置。
• 推薦系統： 人工智慧演算法根據用戶偏好和行為推薦產品、服務和內容。例如 Netflix 的電影推薦和亞馬遜的產品推薦。
• 衛生保健： 人工智慧用於診斷、個人化治療計劃和藥物發現。例如，人工智慧可以分析醫學影像以檢測癌症等疾病或協助醫生製定個人化治療計劃。
• 自動駕駛汽車： 自動駕駛汽車使用人工智慧來導航道路、避開障礙物並做出駕駛決策。特斯拉、Waymo 和 Uber 等公司處於開發自動駕駛技術的前沿。
• 金融： 人工智慧演算法分析市場趨勢、偵測詐欺並實現交易自動化。人工智慧也用於客戶服務聊天機器人和個人化財務建議。

定義人工智慧的挑戰

人工智慧面臨的最大挑戰之一是它是對我們不完全理解的事物的模仿：人類智慧。這個不斷發展的領域沒有一個單一的、固定的定義。隨著科技的進步，我們對人工智慧的理解和定義不斷發展。認識到這些挑戰凸顯了人工智慧的複雜性和動態性，需要不斷學習和適應。

• 道德考慮： 人工智慧的開發和部署引發了道德問題，例如人工智慧系統的偏見、資料隱私以及自動化對工作的影響。解決這些問題對於確保負責任地使用人工智慧至關重要。
• 可解釋性： 了解人工智慧模型如何做出決策對於獲得信任和確保問責制至關重要。研究人員正在致力於開發技術，使人工智慧模型更加可解釋和透明。

人工智慧的未來

雖然我們距離實現通用人工智慧（機器擁有所有人類智力能力）還很遙遠，但人工智慧目前的應用已經在改變我們的世界。隨著人工智慧不斷發展並融入生活的各個方面，未來充滿了令人興奮的可能性。隨時了解未來人工智慧的發展對於商科學生預測商業環境的變化和機會至關重要。

• 人工智慧與社會： 人工智慧對社會的影響將持續擴大，影響教育、醫療、交通和經濟等領域。了解這些影響將有助於企業領導者做出明智的決策，並利用人工智慧的潛力實現積極變革。
• 新興技術： 人工智慧將越來越多地與其他新興技術交叉，例如物聯網（IoT）、區塊鏈和擴增實境（AR）。這些協同效應將為創新和業務成長創造新的機會。

结论

了解人工智慧及其影響不僅適合科技愛好者，也適合科技愛好者。這對於商界的任何人來說都至關重要。隨著人工智慧的不斷發展，其影響只會越來越大，因此商科學生必須隨時了解情況並準備好在未來的職業生涯中利用人工智慧技術。這本綜合指南旨在為您提供必要的基礎知識，以駕馭不斷發展的人工智慧領域並發揮其在商業世界中的潛力。

参考资料

Lakhani, K. 與 Ignatius, A.（2023 年 8 月）。 人工智慧不會取代人類，但擁有人工智慧的人類將取代沒有人工智慧的人類。哈佛商業評論。 https://hbr.org/2023/08/ai-wont-replace-Humans-but-Humans-with-ai-will-replace-Humans-without-ai

莫利克，E.（2024）。 協同智能：與人工智慧一起生活和工作 （圖解編輯）。企鵝出版集團.國際標準書號：059371671X，9780593716717。

Sheikh, H.、Prins, C.、Schrijvers, E. (2023)。人工智慧：定義和背景。在：任務人工智慧。政策研究。施普林格、查姆. https://doi.org/10.1007/978-3-031-21448-6_2