人工智慧（Artificial Intelligence, AI)
摘要
人工智慧是一個跨領域概念，其核心不在單一定義，而在於對「機器是否能具備智能」的持續探討。隨著技術發展與應用擴展，人工智慧逐漸從工程問題延伸至哲學與認知層面。本文整理人工智慧在哲學、概念與理論三個層面的基本理解，作為前導性概念紀錄。
背景
對人工智慧的理解呈現多源分歧。一部分觀點依循產業技術路線，一部分依據學術權威定義，另有觀點從哲學本體論與日常經驗切入。此種多樣性導致「人工智慧」一詞在語義上具有高度流動性。該問題核心並非單一正確答案，而在於不同語境下詮釋方式與理論立場。
人工智慧的基本命題可表述為：機器是否能夠在形式上重現人類智能結構與功能。此命題涵蓋學習、推理、決策與語言等多個面向，並構成現代人工智慧研究的主軸。
哲學層面
從哲學觀點分析，機器對人類智能的模擬，並不必然導致機器等同於人類的結論。原因在於模擬（simulation）與本體（ontology）間存在本質差異。機器所展現行為，屬於功能層級的再現，而非生物性或意識性實體轉換。
然而，人工智慧的發展對世界觀產生間接影響。若一切智能行為皆可透過計算與模型重現，則支持一種形式的唯物主義（materialism），即所有現象皆可還原為可計算物理過程。此一推論尚具爭議，但哲學層面值得探討。
概念層面
智能功能的分解
人工智慧可以理解為對人類智能過程的拆分與重建。不同能力通常由不同模型負責，形成一種模組化結構。
感知（Perception）指從外部環境取得資訊的能力，包括影像、語音與各種感測訊號的處理。
推理（Reasoning）指對已知資訊進行邏輯運算與整理，進而形成結論或假設。
學習（Learning）指透過資料與經驗更新模型，使系統表現逐步改善。
決策（Decision-making）指在特定目標與環境條件下，從多個選項中選擇合適行動。
溝通（Communication）指理解與生成自然語言，使系統能與人類互動並交換資訊。
能力層級的區分
人工智慧通常以能力範圍區分為兩種類型。
弱人工智慧（Weak AI）專注於單一或有限任務，這類系統在特定問題上表現良好，但缺乏跨領域能力。
強人工智慧（Strong AI / Artificial General Intelligence, AGI）指具備通用智能的系統，可以在不同任務間進行學習與推理。
理論層面
機器學習（Machine Learning）作為人工智慧的重要方法，透過資料訓練模型，使系統能從經驗中建立規律並進行預測，而不需要明確設計每一條規則。在此基礎上，深度學習（Deep Learning）利用多層神經網路處理高維資料，能夠在影像、語音與自然語言等任務中學習複雜關聯，並逐步形成具有語境理解能力的表示方式。
與傳統依賴明確演算法邏輯的方法相比，這類模型更偏向從資料中抽取關係結構，而非直接比對關鍵字或條件。這使得系統能在面對多樣情境時維持一定程度的泛化能力，但同時也提高了對資料品質與資料分佈的依賴程度。
在模型訓練過程中，最佳化（Optimization）扮演核心角色。透過設計損失函數來衡量預測結果與實際資料之間的差距，並使用如梯度下降等方法反覆調整參數，使模型逐步逼近較佳結果。這個過程構成了人工智慧中學習能力的基礎，但也可能受到局部最佳解與收斂穩定性的影響。
此外，模型的表現不僅取決於演算法本身，也與資料表示方式（representation）密切相關。特徵如何被抽取與轉換，會直接影響模型是否能有效捕捉結構。深度學習在這一點上透過多層結構自動學習特徵，但其內部機制往往難以解釋，形成所謂的可解釋性問題。
最後，人工智慧系統在實際應用中仍面臨泛化限制與分佈偏移（distribution shift）問題。模型在訓練資料上表現良好，並不代表在不同環境下仍能維持同樣效果，這也是目前人工智慧從專用系統走向更通用能力時的主要挑戰之一。
