什麼是人工智慧（Artificial Intelligence, AI)？
關於「什麼是人工智慧」這個問題，有的人跟隨科技巨頭的技術理念，有的聽取專家權威的見解，有人文本質的哲學角度探討，或從自身生活應用來探討。
因此「什麼是人工智慧」這個問題，雖然看似基礎，卻也隨著技術發展而不斷被重新詮釋，不管從哪個面向探討，都很難界定對錯，因為這涉及到宏觀深遠的意義，而非僅是表面的技術或是科學議題
人工智慧的發展根本在於使機器「模擬人類智慧」的可能性探索，這個的技術領域，包含學習、推理、決策、語言等等。
本文將作為前導概念紀錄
哲學層面
哲學的角度上來看，人工智能實際上最終結果，並不一定能證明「因為機器能夠模擬人類，因此機器就等同於成為人類」，因為機器任何特徵都不屬於一般的生物擁有，也可能間接的證明這個物理世界是唯物主義的根本，因為任何事物都能夠被模擬，不再有不能用科學解釋的抽象事物。
概念層面
人工智慧的模擬智能類型
人工智慧的主要在於模擬人類的智能過程，每個功能都可以拆分成各個模型來進行，以下是粗略的將人工智慧的任務對應到人類的智慧表現
-
感知（Perception）：
從外部世界擷取資訊的能力，包含視覺、語音、環境信號等。 -
推理（Reasoning）：
對已知資訊進行邏輯運算與歸納，以形成結論或假設。 -
學習（Learning）：
透過資料經驗更新內部模型，使行為或判斷逐步改善。 -
決策（Decision-making）：
根據環境與目標，從多種行動中選擇最適策略。 -
溝通（Communication）：
理解與生成自然語言，促進人機互動與知識交換。
人工智能等級
人工智能的等級只是粗略的區分強人工智能和弱人工智能，而目前屬於弱人工智慧的階段，原因在於現有的人工智慧模型多專注於特定任務，尚未達到跨領域的通用智能水平，
弱人工智慧（Weak AI）: 專注於特定任務的 AI，目前大多數應用均屬此類，主要解決明確、單一目標的問題。 強人工智慧（Strong AI / Artificial General Intelligence, AGI）: 具備類似人類的通用智慧，能跨不同領域思考、學習與決策。此類系統目前仍停留在理論與研究階段，尚未實際實現。
理論層面
機器學習（Machine Learning）
機器學習透過數據訓練模型，自動找出規律或預測結果，而不需明確程式規則。
監督式學習：使用已標記的資料訓練模型，如教機器辨識「這是貓」「這是狗」。
非監督式學習：讓機器自行從未標記資料中發現規律，如客戶分群、異常檢測。
深度學習（Deep Learning）
機器學習的一種方法，使用多層神經網路（如 CNN、RNN）處理複雜資料，特別適合影像、語音與自然語言。
舉例來說，以傳統的搜索邏輯可能透過演算法來完成搜索任務，而多層神經網路則可以透過人工神經網路（Artificial Neural Network）方法，推理出多維度的資料關聯，這個資料的維度可以想像成數學矩陣，而不僅是一個向量，最終在整個神經網路傳遞完畢後，推理出最佳化結果。
更具體的簡單例子，假如使用傳統軟體工程演算法邏輯，搜索「Dog」那麼則依照不同情境下所定義好的演算法邏輯，逐一比對所有資料，並找到對應的資料含有「Dog」。若是使用深度學習的方法，它則可以透過多層神經網路的傳遞找出與「Dog」有關聯的資料，神經網路可以學習並理解這些文字之間的關係，而不是僅是關鍵字索引。
最佳化（Optimization）
在給定目標與限制下，尋找最優解的數學方法或演算法，常用於訓練模型或資源配置。
目前重要的最佳化方法，使人工智慧能具備「學習」的能力
損失函數（Loss Function）: 衡量模型預測與實際結果的差距，最佳化的目標就是最小化損失函數。 梯度下降（Gradient Descent）: 最常見的最佳化演算法，透過計算梯度方向逐步調整模型參數，使損失函數達到最小值。
參考資料
AWS. (n.d.). 什麼是人工智慧 (AI). 取自 https://aws.amazon.com/tw/what-is/artificial-intelligence/ Google Cloud. (n.d.). 什麼是人工智慧 (AI). 取自 https://cloud.google.com/learn/what-is-artificial-intelligence?hl=zh-TW