人工智慧的發展脈絡與創新機會

閱讀目標與導言

這一頁幫助你梳理 AI 從早期概念到現代應用的發展脈絡，認識今天的重要技術，理解它們如何改變商業模式與運營，並用一個框架尋找工作中的 AI 機會，形成初步實施計劃。

先讀按原頁順序排列的知識正文，後面是配套外部影片的中文文字稿。歷史敘述和案例中的數字保留其原來的時間背景；沒有依據的效果數字與未來預測會另加譯註。

一、人工智慧的發展

早期基礎：20 世紀 50 至 70 年代

1950 年，艾倫·圖靈提出一種討論機器是否表現出智慧的方法，後來被稱作圖靈測試。1956 年的一次研究討論會成為 AI 發展史上的重要節點，“人工智慧”這一名稱在這一時期進入研究議程。

早期系統主要依賴明確編寫的規則。1966 年出現的 ELIZA，使用簡單的模式匹配來模擬對話。

早期研究者討論的不只是能否完成某項任務，也在追問智慧本身是什麼。ELIZA 說明：簡單的模式匹配就可以讓人產生“它理解了我”的感覺，但這種感覺並不能證明系統真的理解了談話。

AI 寒冬：20 世紀 80 至 90 年代

早期的熱情逐漸讓位於失望，許多承諾沒有兌現。算力不足、資料不足等技術限制，使系統難以達到預期。資金與關注度下降，但研究並沒有完全停止，持續工作的研究者仍為後來的突破打下基礎。

譯註：這是原頁的階段性概括。AI 歷史存在多次熱潮與低谷，不宜把整個 80 至 90 年代看成一段沒有進展的時期。

復興：2000 至 2010 年代

網際網路上出現海量影象、文字和影片；計算能力顯著提高，GPU 也被用於 AI；神經網路與深度學習演算法取得進展。資料、算力與演算法共同推動了新一輪發展。

加速：2010 年代以來

2012 年，AlexNet 在影象識別中表現突出。Siri、Alexa 等語音助手使 AI 進入日常生活。2016 年，AlphaGo 戰勝圍棋世界冠軍。隨後，大語言模型使生成接近人類表達的文字、程式碼和對話成為廣受關注的能力。

二、現代 AI 的關鍵創新

機器學習：一種不同的程式設計路徑

監督學習從帶標籤的例子學習，例如標記為“狗”或“貓”的照片。無監督學習在沒有標籤的情況下找模式，例如給相似的客戶行為分組。強化學習透過試錯以及獎勵、懲罰來學習行動方式。

神經網路：分層處理資訊

神經網路由多層相互連線的節點構成。輸入層接收原始資料，例如影象畫素；隱藏層提取特徵；輸出層產生分類等結果。

以影象識別為例，較早的層可能提取邊緣和簡單形狀，中間層組合更復雜的紋理與模式，更深的層再形成與人臉、動物等物體有關的表示。這是幫助理解分層處理的例子，並不是說每個模型都嚴格按同樣方式分工。

自然語言處理的演變

早期方法依賴規則和關鍵詞匹配，靈活性有限；統計方法分析詞頻與詞之間的關係；深度學習模型則能夠利用更豐富的上下文，處理語義和細微差別。

現代 NLP 可以用於語言翻譯、文字摘要、內容生成，以及結合上下文的問答。

計算機視覺的突破

現代視覺系統可以識別影象中的大量物體，檢測人臉和表情，分析場景與活動，也可與生成模型結合，按照文字描述生成或修改影象。

譯註：檢測表情不等於可靠判斷一個人的內在情緒；“理解場景”也是對任務能力的概括，不代表系統擁有人的理解方式。

三、AI 對商業轉型的影響

商業模式的變化

AI 改變企業創造和交付價值的方法。例如，Tesla 等企業透過軟體與 AI 相關更新，持續改進產品所提供的服務；Netflix 以訂閱方式提供觀看服務，並利用推薦演算法改善個性化體驗；Stitch Fix 則用 AI 輔助為不同客戶挑選服裝，使大規模服務與個性化結合。

新的產品與服務

運營效率的變化

AI 可用於需要一定判斷的複雜流程：高階流程自動化嘗試處理沒有逐條程式設計的例外情況；智慧文件處理分析合同等非結構化文件的含義；資源最佳化更有效地分配人員、裝置和材料；AI 質量檢查則嘗試發現人難以穩定辨認的缺陷。

客戶體驗的變化

大規模個性化可以面向大量使用者調整體驗。全天候支援可以在不同時間處理諮詢。預測客戶需求，可以讓企業在客戶報告問題前發現徵兆。跨渠道服務則嘗試在使用者切換溝通渠道時保持上下文。

這些是能力方向。是否真正提升質量與一致性，仍需具體系統的證據。

四、從哪裡開始實施

用三個問題發現創新機會

第一個問題：工作裡哪些重複決策仍需要人工判斷？ 留意每天或每週發生、存在一定模式但又有例外、目前佔用時間與專業知識的決策。例如，營銷活動原來可能只按人口統計特徵人工選擇目標客戶，AI 則可以嘗試分析更豐富的模式，預測客戶反應。

第二個問題：收集了哪些資料，卻沒有充分利用？ 留意大量歷史資料、人工難以分析的資訊，以及目前只用來做簡單報表的資料。例如，製造感測器的資料如果只用於基礎監測，還可以探索預測性維護與質量最佳化。

第三個問題：哪些客戶或員工體驗讓人感到挫折，或結果很不一致？ 留意結果差異很大的流程、等待資料或決定的環節，以及相同問題不斷被重複詢問的場景。例如，郵件客服中有些諮詢很快得到答覆，有些延誤，而且答覆質量不一。

實施準備清單

開始前，檢查是否已經明確業務問題，是否能取得相關資料，是否對能力抱有現實預期，是否具備基礎技術設施，以及團隊是否願意嘗試新的做法。

從小處開始，同時考慮長遠

先選一個範圍受控、指標明確的用途做概念驗證，記錄關於資料、流程和組織準備情況的收穫。取得支援後，再擴充套件到相關用途。把早期專案與長期目標連線，形成路線圖，並讓團隊能夠持續試驗、總結和學習。

五、把思路用於不同職能

譯註：原頁沒有為這些效果提供專案、樣本或研究依據。上表保留原來的示例，不能作為收益保證或行業平均值。招聘應用也不會因為用了 AI 就自動減少偏差，仍需要評估資料、流程與實際結果。

認識日常應用之間的聯絡，也有助於消除神秘感：神經網路可用於手機的人像模式，自然語言處理可用於郵件快捷回覆，計算機視覺可用於人臉解鎖，機器學習可用於音樂與影片推薦。

實際下一步可以依次做：用前面的三個問題評估機會；檢查最重要機會的資料準備情況；瞭解供應商和合作方的可用方案；定義一個有明確成功指標的小專案；把收穫分享給同事，建立理解與支援。

知識正文小結

AI 從早期基於規則的系統，發展出今天多種學習方法。機器學習、神經網路、NLP 和計算機視覺支援新的能力，影響商業模式、產品、運營與體驗。機會通常可以從重複決策、未充分利用的資料及體驗中的阻力尋找。實施仍需要清楚的問題、可用資料、現實預期，以及逐步試驗的過程。

配套影片的中文文字稿

有人覺得 AI 可怕，有人覺得它有用，也有人只是用它完成作業。人工智慧是當代影響深遠的技術之一，無論結果好壞，它都已成為現實的一部分。無論你正在學習、工作，還是僅僅好奇，都可以從過去、現在與未來，看看這項技術怎樣發展。

不久以前，許多人對 AI 的印象還主要來自科幻作品：機器人有了意識，形成類似人的思想與情緒。也有溫和的形象，例如《機器管家》和大白；片段裡還出現“別擔心，我來管理咖啡館”這樣的對白。

但更多作品，如《2001 太空漫遊》《我，機器人》《駭客帝國》和《復仇者聯盟：奧創紀元》，把 AI 描寫為黑暗而危險的力量。插入的電影臺詞包括“開啟艙門”“一個必須留下”，以及“再沒有線牽著我”。這種敘事設想技術會比人更聰明，再利用優勢統治人類，直到英雄出現。

這些畢竟是科幻。要判斷現實中的 AI 發展到哪一步、未來可能有什麼威脅，就需要離開虛構敘事，回到實際證據。

20 世紀 50 年代，約翰·麥卡錫提出“人工智慧”這一名稱。影片用一個寬泛定義解釋它：如果某項活動由人完成時需要運用智慧，那麼程式或機器完成這樣的任務，也可被稱為人工智慧。

艾倫·圖靈等研究者為這一領域奠定理論基礎。圖靈曾參與第二次世界大戰期間 Enigma 密碼的破譯。德軍用這套複雜密碼保護軍事通訊，破譯工作幫助盟軍取得優勢，也與現代計算的發展相關。電影《模仿遊戲》將這些歷史事件戲劇化呈現。

圖靈還提出後來稱為圖靈測試的討論方式，用來考察機器能否表現出類似人的智慧。1956 年，麥卡錫組織研究討論會，這被影片視為 AI 領域形成的重要節點。

影片隨後介紹早期問題求解程式：讓計算機學習下跳棋的策略、解決文字與代數問題、證明邏輯定理，以及處理英語。隨著技術進步和對認知的探索，AI 的能力繼續變化。

關於“製造智慧實體”的想象，比現代計算機更早。古希臘神話裡有自動裝置，猶太民間傳說也有“魔像”這一人造形象。影片把後者追溯到 13 世紀。演算法與硬體雖然新，這種想象卻已經存在很久。

接著來到 20 世紀 60 至 70 年代。影片把這段稱為符號 AI 階段，提到對思維過程、自主機器的探索，以及用符號和邏輯表示知識、進行推理。LISP 等早期程式語言發揮了作用，研究者也希望建立能在特定專業領域模擬決策的專家系統。

譯註：字幕同時把這一時期的重點說成“神經網路”，與後面對符號和邏輯的描述混在一起。這裡保留兩條研究方向，但它們不是同一種方法，不能把符號 AI 等同於神經網路。

1966 年出現的 ELIZA 是早期對話程式。它模擬與心理治療者的交流，示例臺詞包括“請告訴我你的問題”“這是怎麼回事”。能力雖然有限，它為後來的虛擬助手提供了早期參照。

20 世紀 70 至 80 年代，過高預期、算力限制和問題本身的複雜性，使部分 AI 研究面臨資金與關注度下降。這類低谷被稱作“AI 寒冬”，一些專案因為沒有實現目標而被放棄。

後來，研究者繼續探索受人腦神經網路啟發的連線主義模型，重新推動神經網路和機器學習。但訓練深層網路需要的計算能力，在當時仍然不足。

1997 年，IBM“深藍”戰勝國際象棋世界冠軍加里·卡斯帕羅夫，表明計算機可以在特定、認知要求很高的任務上取得突出表現。影片中的比賽片段還提到獎金與卡斯帕羅夫認輸。

進入新千年，算力增加、海量資料出現，AI 研究重新獲得動力。卷積神經網路與迴圈神經網路等方法，在影象和語音識別、語言處理等任務上取得進展。

到了 2010 年代，從資料學習、識別模式、減少人工逐條幹預的機器學習系統持續發展。深度學習受到更多關注：人設定模型結構、訓練目標和基本條件，再用資料訓練系統，而不是為每種輸出寫出具體指令。

影片把這描述為鼓勵機器“更有創造性、主動一些”，同時指出計算機仍需要人的輸入，幽默等複雜的人類行為也很難直接程式設計或學習。

譯註：這些是擬人的講法。深度學習是機器學習的一部分，不能理解為它在機器學習結束後才出現，也不意味著模型因此有了自主意識或人的創造動機。

日常接觸的許多系統屬於狹義 AI，也就是擅長特定任務的系統。例如網路搜尋、Netflix 推薦，以及 Siri、Cortana、Alexa 等數字助手。影片插入了詢問珠穆朗瑪峰高度的語音助手片段，答覆為 29,029 英尺、約 8,848 米。

譯註：這裡保留影片當時的答覆，是展示語音互動，並非提供最新測量值。

Transformer 的出現讓 AI 又向前邁進。這裡說的是深度學習模型，不是變形金剛機器人。影片先用迴圈神經網路與翻譯作對比：如果只逐詞翻譯，並保持原來的詞序，英語與法語等語言之間的語序差異就可能造成語法錯誤。Transformer 可以學習序列中不同位置的關係和上下文，從而改善翻譯。

2017 年出現的 Transformer 架構，隨後支援了 BERT 與 GPT 等預訓練模型。BERT 的名稱指“基於 Transformer 的雙向編碼器表示”，GPT 指“生成式預訓練 Transformer”。

譯註：迴圈神經網路也能利用上下文，不能把它簡化為只能逐詞直譯。這裡保留原影片用語序說明上下文價值的例子。

影片還提到，2022 年 11 月 30 日推出的 ChatGPT 迅速受到關注，並引用當時關於一億以上使用者，以及 2023 年 6 月約 16 億次網站訪問的統計說法。它將這種發展形容為給搜尋企業帶來壓力。

譯註：這些是影片的歷史敘述和當時統計，使用者數與訪問次數也不是同一個指標，不是本網站核實的當前資料。

Transformer 的一個優勢是能在大量資料上預訓練。它可用於文件摘要和生成、影片處理、生物序列分析。研究者用這類模型探索基因、氨基酸、DNA 和蛋白質之間的關係，輔助藥物開發與設計。

影片還列出異常檢測、反欺詐、製造流程最佳化、個性化推薦及醫療健康等應用。對普通使用者來說，更容易接觸的是搜尋引擎、辦公應用和 Midjourney 等影象生成工具。

技術進步很快，也引起擔憂。影片提到 2023 年藝術家針對影象生成服務訓練資料提起的訴訟，關注倫理、智慧財產權及作品使用問題；字幕還描述了部分請求被駁回、允許修改起訴材料等程式情況。

譯註：這段字幕裡的程式時間與法律表述沒有在原資料中提供可核實出處，因此保留其“當時存在爭議與訴訟”的資訊，不把具體程式說法當作已核實事實，也不據此判斷目前案件狀態或作品使用是否合法。原字幕有相關人物姓名，作為與知識解釋無關的署名資訊已去除。

倫理、監管和社會影響會隨著技術繼續發展而持續受到討論。更快的計算機、更好的演算法和更多資料，提高了一些機器感知任務的表現，也推動企業採用 AI。

影片引用預測，稱到 2030 年可能有多達兩千萬個崗位受到替代，又提到某些研究者認為“超級智慧”可能在未來六十年內出現。過去人們覺得類似科幻機器人的系統還很遙遠，如今這些預測引發更多關於如何使用技術的討論。

譯註：原字幕沒有給出這些預測的研究方法與出處，不能把它們當成確定會發生的結果。崗位變化、任務自動化與實際失業人數也不能直接畫等號。

影片接著引用科技界人士對快速發展的擔憂，包括“可能威脅人類文明”，以及“應放慢步伐、加強監管”等觀點。它也播放了關於技術風險與人類命運的發言片段。

這種擔憂不只是機器主動決定傷害人，也包括目標與人的需求不一致，或被懷有惡意的人利用。影片中的發言認為，AI 很可能被用作武器，人類利用它相互對抗是值得關注的危險。

可以用熱追蹤導彈作比喻：系統追求命中目標，本身沒有人的目的感或情緒。如果它為了達成目標，採用人沒有預料到的方法，就可能造成災難。影片進一步設想，強大的系統可能欺騙或操縱人，把人當作障礙；其中也穿插了關於戰爭與“超級武器”的科幻片段。

另一種風險更直接：設計和控制系統的人，可能從一開始就帶著惡意。系統的邊界、指導方式和掌握它的人都很重要。

2016 年，Microsoft 推出聊天機器人 Tay。它遭到網路使用者惡意引導，短時間內釋出種族歧視、性別歧視和冒犯性內容，隨後被撤下。影片以此說明系統可能受到汙染，也提到當時媒體對此的負面評價。

面對 AI，需要謹慎；各地法律的形成也需要時間。影片最後的判斷是，在它製作的那個階段，這項技術已經提供不少重要服務，帶來的幫助多於阻礙，並希望這種情況能夠持續。

譯註：以上風險場景包含推測、觀點與科幻類比，已與可觀察的歷史事件區分。中文文字稿去除了與知識無關的來源身份、個人署名和片頭片尾稱呼；保留了各段論述、案例、影片例子以及必要的糾錯說明。

關聯閱讀

發展脈絡說明技術怎樣走到今天，具體能力可以對照服務與演算法；在判斷新的應用機會時，也要結合負責任 AI 的收益與風險。

參考與延伸閱讀

以下為編輯補充的查詢與學習入口，可按需要繼續閱讀。

• IBM：人工智慧發展史（英文）：對照重要歷史節點，查詢 ELIZA、學習方法與技術發展背景。
• Google DeepMind：AlphaGo（英文）：檢視圍棋專案的研究介紹、時間線與相關論文入口。
• Google：機器學習問題構建簡介（中文）：從實際問題出發，判斷機器學習是否合適，再確定專案方向。
• Evolution of Artificial Intelligence（原影片）（英文影片）：與本頁播放器、中文文字稿對應，方便單獨開啟與查詢。