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

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」。
深度學習深度學習(Deep Learning)是什麼深度學習利用多層神經網路,從資料學習不同層次的表示,常用於影像、語音與文字任務。本文以回收物照片分類為例,說明隱藏層、非線性、訓練和推論的角色,解釋模型可能記住背景而非物品,以及資料、算力與可解釋性的取捨。讀完能分辨深度學習和一般機器學習的關係,也能用新的拍攝條件檢查一個模型是否真的學到有用模式。閱讀全文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。
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。
| 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 |
機器學習(Machine Learning)是什麼機器學習(Machine Learning)是什麼機器學習透過資料調整模型,讓它對未見過的輸入做出預測或產生內容。本文用早餐店備料預估的例子,說明特徵、標籤、訓練與測試如何配合,辨別監督學習、非監督學習和強化學習,並解釋資料洩漏、過度擬合與環境改變的影響。讀完能看懂模型為何需要保留測試資料,也能用具體問題判斷一個看似很準的預測是否值得相信。閱讀全文
生成式 AI(Generative AI)是什麼生成式 AI(Generative AI)是什麼生成式 AI 從資料學到模式,依輸入條件產生文字、影像、聲音等內容。本文以社區二手市集宣傳素材為例,說明生成與分類、搜尋的差別,介紹語言模型、擴散與對抗生成等不同途徑,並解析內容看起來合理卻可能不忠於事實的原因。讀完能把創意需求、必須保留的資訊與人工驗收分開安排,判斷哪些產物仍只是待確認草稿。閱讀全文
AI 代理(AI Agent)是什麼:從回答問題到完成任務AI 代理(AI Agent)是什麼:從回答問題到完成任務AI 代理是能依目標與環境回饋選擇下一步的軟體系統,常由語言模型、工具與執行控制組成。本文用整理活動報名資料的情境,區分聊天回答、固定工作流程與代理任務,說明規劃、實際操作和完成證據為何不同。附交辦與驗收方法,幫你看懂代理能做哪些事、何時應停下,以及為什麼自主程度不等於可靠程度。閱讀全文
AI 名詞總索引:從 Loop Engineering 到生成式 AIAI 名詞總索引:從 Loop Engineering 到生成式 AI想看懂 Loop Engineering、Harness Engineering、Context Engineering、RAG、MCP 與其他 AI 名詞,可以從這份總索引開始。依 2026 年 9 月查證範圍,把這些概念分組整理,每個詞連到白話專文,附依任務安排的閱讀路徑、容易混淆的層次,以及原始論文和官方定義的查核方式。閱讀全文
覺得這篇整理實用嗎?分享給需要的朋友
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
資料來源
- OECD:AI system definition explanatory memorandum查證日期:
- NIST CSRC:Artificial intelligence glossary查證日期:
本文依據上方所列參考來源與標示之核對日期整理;票價、時刻、功能規格或服務條款可能變動,出發、預訂或購買前請至相關官方網站確認最新資訊。