生活分享

人工智慧（Artificial Intelligence）是什麼

人工智慧是涵蓋多種技術與應用的總稱，不等於聊天機器人，也不必一定會產生文字。本文從 OECD 的系統定義出發，以照片分類和社區資源推薦為例，說明輸入、推導、輸出與人的目標如何連結，整理它與機器學習、深度學習和生成式 AI 的關係。讀完能用具體問題判斷一項 AI 功能在做什麼，並分辨能力、自治程度與可信度。

更新日期: 閱讀時間約 7 分鐘

照片、文字紙張與方向路徑匯入中央運算圓，向外產生不同形狀的結果，象徵人工智慧的多種用途。
圖片：Mokaair (© Mokaair)

人工智慧，英文 Artificial Intelligence、縮寫 AI，是研究與製作能進行推論、辨識、規劃等工作的系統的廣泛領域。它可以預測、推薦、分類或產生內容，並不只指會聊天的軟體。理解一項 AI 功能，最好從它接收什麼、如何得到結果，以及結果如何影響人或環境開始，而不是先問它像不像人。

這裡採用 OECD 對 AI 系統的說明作為實用起點，同時保留不同領域對用詞範圍的差異。接下來用照片整理與社區資源推薦的原創例子，把抽象名詞拆成可觀察的流程。資料查證截至 2026 年 9 月 14 日。

先看系統做了什麼

OECD 的定義重視系統依目標，從輸入推導出預測、內容、建議或決策，並可能影響實體或虛擬環境；也指出不同系統的自治程度與部署後適應程度並不相同。這提供了一個跨應用的觀察方式，不需要先認定系統有意識、情感或人類般的理解。

NIST 詞彙頁則列出來自不同檔案的人工智慧定義，並提醒讀者回到各自語境。這表示「是不是 AI」有時取決於討論目的。產品文案、研究論文與治理文件可能使用不同邊界；一般使用者不必急著替所有軟體貼唯一標籤，更應弄清楚功能和限制。

例如相簿把照片分成貓、狗和風景，輸入是影像，輸出是類別或相關分數。寫信助理接收草稿和要求，輸出修改後的文字。導航推薦路線則涉及位置、路網和目標條件。它們可以包含 AI 元件，但整個產品還需要介面、資料、一般程式和人所制定的規則。

人工智慧不只有從資料學習

機器學習是 AI 的重要方法之一，透過資料訓練模型，讓它學到可用於新輸入的關係。知識與規則導向的方法也是 AI 發展的一部分，例如用明確知識和推論程式處理問題。現代系統也可能混合多種方法，不能因為沒有神經網路就斷言它一定不屬於人工智慧。

另一方面，一段固定時間啟動的簡單提醒，不會因為自動執行就自動成為 AI。自動化描述工作是否需要人逐次觸發；人工智慧描述系統中的推論或相關技術。兩者有交集，但不是相同問題。介紹產品時，應指出是哪個部分在辨識、推薦或生成，而不是只說「全自動」。

是機器學習中的一類方法，通常以多層神經網路學習表示；生成式 AI 則按產出內容的能力來分類。這些詞有不同分類角度，因此不能一律排成完全不重疊的幾個盒子。一個文字生成模型可以同時屬於深度學習、機器學習與人工智慧。

用社區資源推薦拆解一個例子

原創需求是：「幫新住戶找適合的社區活動。」系統收到住戶自行提供的興趣、可參加時段與活動資料，先篩掉時間不合的活動，再依相關性提出建議。預期輸出可以是幾個活動及推薦理由，而不是替住戶直接報名。推薦和執行報名是不同動作，所需權限也不同。

如果住戶只說喜歡戶外，系統可能推薦園藝或健走，但這只是依提供資訊做出的推論。它不應擅自認定住戶的年齡、健康狀況或其他敏感特徵。推薦理由應指出可核對的條件，例如時段相符、活動內容和興趣相近，讓使用者有機會修正理解。

測試時可以提供一筆偏好晚間活動的輸入，檢查是否仍把清晨活動排在前面，再放入已取消活動，確認它不會繼續推薦。若活動資料已過期，問題可能出在資料更新；若資料正確而排序忽略時段，才需要檢查規則或模型。這種拆解比單純說 AI 推薦不好更容易改善。

人的目標與資料共同進入系統，系統產生預測、內容或建議，再由使用流程決定是否採取行動。
會提出建議，不等於已獲授權替使用者執行行動。 · 圖片：Mokaair (© Mokaair)

能力、自治和可靠性分開看

系統能完成某種任務，並不代表它有權自行採取所有相關行動。推薦活動的模型可能很會比對需求，但仍只能提供建議；另一個系統可能得到授權完成報名。自治程度取決於整個應用如何設計，不只是模型本身有多大，也不是回答語氣多有把握。

部署後會不會學習也是另一個問題。有些模型保持固定，只在新版本發布時更新；有些系統可能根據回饋調整排序或個人化狀態。使用者在對話中補充偏好，可能只是改變當次輸入，並不必然表示模型權重立即學會這個人。要看產品實際如何儲存與使用資料。

可靠性則要在特定用途上檢查。照片分類在光線充足的照片表現良好，未必能處理模糊夜景；活動推薦能找到熱門選項，未必能妥善保留少見需求。不能用單一展示或一個總分推論所有情境，更不應把流暢表達當作查證完成的證據。

一般使用者可以問的具體問題

面對標榜 AI 的功能，可以先問：它用哪些資料，輸出是預測還是已確認事實，會不會改變外部狀態，失敗時能否修正？如果產品無法說明資料來源與操作邊界，至少應把結果視為需要核對的建議。這些問題比爭論它是否「真的聰明」更能影響日常使用。

使用時也應提供任務真正需要的資訊。照片整理不一定需要公開整個家庭相簿，活動推薦也不一定需要完整住址與私人紀錄。讓系統使用較少但相關的資料，能讓結果更容易解釋；同時仍須檢視服務的資料處理規則，不能只憑功能名稱推斷隱私保障。

人工智慧的價值可以是協助分類、找出模式或提供草稿，並不需要取代人做所有決定。當你能說清楚輸入、推導方式、輸出及驗證方法，就已經掌握理解多數 AI 概念的起點。接著再讀機器學習與生成式 AI，會更容易分辨它們各自在這個大範圍裡負責什麼。

不同名詞不使用同一分類角度（2026 年 9 月查證）
名稱主要分類角度例子
人工智慧廣泛技術與系統領域辨識、規劃、推薦與生成
機器學習從資料訓練模型的方法由歷史樣本學分類
生成式 AI產生內容的能力依要求產生文字或影像

同主題延伸閱讀

  • 生活分享

    世界模型（World Model）是什麼：讓 AI 預測「接下來會怎樣」

    世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型，但這個詞至少有三種用法：強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線，以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃，並列出大型語言模型有沒有世界模型的正反研究，附讀新聞時的檢查問題。

  • 生活分享

    視覺語言模型（VLM）是什麼：讓 AI 讀圖片、再用文字回答

    視覺語言模型（VLM）能同時接收圖片與文字，再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構，說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊，並和多模態 AI、文字生圖分清楚；也整理它常犯的錯：數錯數量、搞混位置、說出圖裡沒有的東西，附上讀收據時逐行核對的步驟。

  • 生活分享

    溫度（Temperature）是什麼：AI 回答變化程度的取樣參數

    溫度（temperature）是文字生成時調整取樣的參數，讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別，說明 top-p 的來源和它與 top-k 的差別，並依官方文件與論文指出：調低溫度不代表更準，設成 0 也不保證每次相同，部分模型還不開放調整。

  • 生活分享

    合成資料（Synthetic Data）是什麼：兩種用途、品質控管與模型崩潰

    合成資料是由演算法或模型產生、模仿真實資料特徵的資料，常見用途有兩種：訓練模型，以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究（替換與累積資料的差別）與 NIST、ICO 的隱私文件，說明做法、抽查流程，以及它不能保證的事。

引用本文的文章

最新旅遊情報攻略

資料來源

生活分享