人工智慧 AI（教育部/台北市立大學）

人工智慧 AI（摘自：1.教育部。2.台北市立大學。3.人工智慧 - 現代方法（全華圖書）4.中華民國人工智慧學會
學名為AI(Artificial Intelligence)，根據中華民國人工智慧學會對人工智慧的定義，『人工智慧』的最終目的是使機器能夠做出人所能達到的智慧行為，所以"機器本身能否思考"這個問題的答案對此學科而言至關重要。而人工智慧的概念自1956年確立以降，其目的仍在追求塑造一個可比擬人類理解、判斷與執行能力的智慧型系統為目標，而在近半世界的研究過程中，發展出許多適用於各類問題的智慧理論與技術，就廣義角度而言皆可謂是"人工智慧科技"。 本學科著重於賦予一個系統理性與專業的推理能力，以大力提昇其品質；賦予一個系統事前規劃及線上模擬的能力以確切掌握其可能的行為偏差；賦予一個系統診斷與學習能力，並透過與環境的互動隨時修正其行為並增強其整體效應。本科技已深切影響了眾多相關領域在提昇系統智慧程度方面的成效。產業界中有關智慧型系統的發展，緣於善用此資源而致有所成者，例示頗多。日本最是個成功活用人工智慧科技於各式輕、重工業及日常用品的範例。歐美在航太、醫療及企管方面更是大量引用人工智慧科技來提昇系統智能。美國電腦學會1995年把電腦界的最高獎杜寧獎(Turing Award)，頒給了人工智慧領域的兩位傑出教授，除指出了未來產品系統智慧化的趨勢外，更彰顯與祈盼人工智慧科技在此趨勢中所扮演的重要角色。
人工智慧的誕生

由學者Warren和Walter在1943年所發表的研究被公認為人工智慧領域最早的研究，其使用了一個人工神經網路模型(Artificial Neural Networks,ANN)，並成為人工智慧開創的重要關鍵，其透過簡單的網路結構證明機器學習的可行性。 1956年由學者McCarthy、Martin、Claude和Shannon等四位學者在英國召集了對機器智慧型、人工神經網路以及自動化理論研究領域感興趣的學者舉行了由IBM公司所贊助的研討會。 有賴於這次研討會正式定義出了"人工智慧"的新科學。而起初的人工式計算十分緩慢而無效率，所幸拜1960年代積體電路發明所賜讓人工智慧得以突飛猛進的發展與實際運用。雖然此時的積體電路體積笨重，但可計算的規模和速度十足的讓問題的運算速度快上許多。由此可以了解到，若是要將人工智慧系統具體化，不僅僅是理論的發展，更需要仰賴其他學科同步的研究來達到此一目的。除了基本的數學、經濟學外，更包括了人類神經科學(1861年始)、心理學(1879年始)、電腦工程(1940始)、自動控制系統(1948年始)、語言學(1957年始)等許許多多各項研究的協助始能達到。
智慧行為的分野

簡單來說，人類接受外在環境所呈現的反應都可稱為"智慧行為"的表現。而在此我們可以簡單將所謂的智慧分為以下四種關係:
偵測:將外界事物以某種機制傳達到判斷中心(以人而言就是大腦)，如:透過眼睛來看到紅綠燈的紅燈亮起。

認知(Percetion):透過經驗累積來做出所偵測到的狀況的決定。

推論(Reason):將認知的結果進行推論，並取得最適合的結果做輸出。

學習(Learning):將可取得的資訊，包含現有資料、經驗累積等所構成的資料庫反覆學習，使得最後對應的答案更貼近系統結果。

以一個人工智慧機器人系統行經過十字路口為例:
偵測:由機器系統的感知器偵測到紅燈

認知:而在人類的社會規範下進行判斷，可以知道看到應該要停止。

推論:為了要停止，需要減慢速度。

(第二輪)認知:為了減慢速度，需要讓車輪停止滾動。

推論:邏輯推論最後的決定方案為要使車輪停止滾動，即為為紅燈所做出的回應行為。

人工智慧表現基本架構

人工智慧的表現通常由計算機來做出具體的呈現，包含感測器、處理器、輸出裝置、Feeback(回饋機制)。 而其整體相互間的資訊反覆傳遞所構成的系統，須具備以下能力:
符號化能力:將情境轉換為具體符號來加以運算與傳遞。

推論能力:通常由所建立的大型資料庫中進行方案選擇與推論。

回饋能力:將執行結果連續的傳遞資訊至決定中樞。

除錯能力:將錯誤或疑似錯誤資訊加以區別出來，避免做出錯誤的決定。

機械學習的能力:從既有經驗所建立的資料庫中以選擇的方式來重複訓練資料。

摘自：1.教育部。2.台北市立大學3.「人工智慧 - 現代方法（第二版）」, 全華圖書4.[中華民國人工智慧學會]