何謂人工智慧？

這應該是所有想學習AI的人的第一個問題。
事實上，對於「智慧」的定義一直以來都不甚明確，因此能被稱為人工智慧的領域也相當廣泛。我們在這裡不會詳細的探討形而上的定義，而是會簡單說明它的歷史，以及幾個人工智慧發展方向。

早期歷史

如同其他許多的學科， 最早有關人工智慧的文章來自於神話體系。從希臘神話的機械人以及人造人而來，而在這之後的千年，世界各地都有關於人造人的嘗試與傳說（自動人形，魔像，我們常聽到的少林木人巷等等。），這些也會被視為機器人學的起源。
1950年，艾倫·圖靈提出著名的圖靈測試，為人工智慧的「智慧」做了個可以被多數人接受的定義。

圖靈測試

「如果一台機器，透過電子設備，能夠與人類展開交流，而且不會被分辨出其機器的身份，那麼稱這台機器具有智慧。」

以1950年代的通訊設備來說，能利用的通訊設備還只有文字交換能力。也就是說，你能不能分辨你讀到的文字是由人類發出的還是機器發出的？
這個測試讓人們對於人工智慧有了更具體的想像，可以說，到現在人工智慧努力的方向，都是要通過這個測試。

也因為提出了這個概念，圖靈被稱為AI之父(註1)。

但是，一直到1956年，人工智慧才被正式承認為一門學科。

達特茅斯會議

1956年，約翰·麥卡錫等人招開了一次學術研討會。會議的結論定義了現在的人工智慧領域：計算理論、自然語言處理、神經網路系統，機器學習等等，以及最重要的，人工智慧一詞的出現。麥卡錫因此也被稱為AI之父(註1)。

註1：這兩人的成就都可以被尊為AI之父，不過這個就可以牽扯到英國學界與美國學界的故事。另外，圖靈一直到2013年才洗脫罪犯的身分。

第一次發展

在1956年的達特茅斯會議後，AI開始了第一次黃金發展期，當時出現了許多的解題以及自然語言模型，大多數人皆對AI的發展感到十分樂觀，也有大批的資金挹注開發。

第一次衰退

然而到了70年代，AI發展遇到了瓶頸，除了問題複雜度開始提升以至於大多數模型無法適用，計算機計算能力的極限也慢慢浮現。由於缺乏進展，政府等機關提供的研究資金紛紛停擺，這個狀況一直持續到了80年代。

第二次發展

80年代時，專家系統開始抬頭，對於知識類的處理成為AI的主流方向。專家系統僅限於一個很小的知識領域，從而避免了常識問題；其簡單的設計又使它能夠較為容易地編程實現或修改。總之，實踐證明了這類程序的實用性。直到現在AI才開始變得實用起來。

同時，類神經網路的發展也有些突破。然而這次的抬頭也僅是一時，隨著1987年的經濟泡沫，AI也因為他高昂的開發成本慢慢沉寂下去。

第二次衰退

大獲成功的專家系統維護費用居高不下。它們難以升級，難以使用，脆弱（當輸入異常時會出現莫名其妙的錯誤）。主要原因在於，專家系統過度依賴知識庫，而知識庫必須人為的賦予。

第三次發展

1993年後，隨著計算機性能的上升，AI開始了爆炸性的發展。首先是IBM的深藍於1997年擊敗了西洋棋世界冠軍卡斯帕羅夫，2011年同樣產自IBM的沃森在問答節目中擊敗了人類選手。

進入21世紀，得益於大數據和計算機技術的快速發展，許多先進的機器學習技術成功應用於經濟社會中的許多問題。最廣為人知的就是2016年Google的Alpha Go在號稱棋類遊戲最終防線的圍棋中擊敗了李世乭，並在2017年，強化版的Alpha Go擊敗了世界圍棋棋王柯潔，宣告了人工智慧的勝利。

此時的AI已經幾乎完全變成神經網路的舞台了

第四次發展？

2020年後，AI界並沒有像之前一樣迎來再一次衰退期，反而因為注意力模型的出現再次大量發展。這其中站在風口浪尖的便是2022年的大型生成模型：ChatGPT，又稱GPT3.5。

而另一個大型生成模型也在同年迎來了廣泛關注，也就是使用擴散模型的圖象生成模型：Diffution Model。

生成式模型改變了很多事情。生產者們嘗試利用他加快一些瑣碎的文案工作；研究者們以GPT為底開發各種新的應用模型；業餘的人則可能使用擴散模型做出以往不是專家根本做不出來的美工項目。

直到現在，我們還沒有看到這次發展的盡頭。