大約距今三十多年前，依靠網路遍佈全球所帶來的繁複資訊量，搭配上程式開發技術之進步，誕生出了能超出預定期望、不斷推理學習的虛擬『人工智能』，可以說是世界上相對發展迅速、並極具應用潛能的科技智慧結晶。現存普遍為針對特定目標所設計之『任務型人工智能』，像是手機裡多數屬於「分辨式人工智能」（Discriminative AI）的聊天機器人APP，有如：利用「VS Code」、「Flask」及「Microsoft LUIS」等工具客製化的「LINE Bot」（此指有實現文末『機器學習』目標，非僅預設固定對答、純「規則驅動」一類）；未來亦可能發展擅長藉分析能力推斷未知答案的類『通用型人工智能』，期望能達到像人類一樣全方位思考學習、也稱『強人工智能』，其時至今日雖尚無完全符合定義成品（對跨域知識整合、因果推理等指標範疇，仍存有精準實踐難度），然已有日漸趨近者如：以圍棋勝過人類的「AlphaGo」這般形式存在。
而在技術革新飛速的現局下，傳統聊天機器人核心結構也並非毫無變革，如首見於西元2020年、三年後大幅改版問世的「ChatGPT」，即改用前述「分辨式人工智能」以外設計，帶入數據運用更繁雜之「生成式人工智能」（Generative AI），以其能創造文本、圖像或創新表達的能力，在客戶服務、內容創作等領域廣泛應用，並自用戶體驗（UX）上大獲好評，大幅提升文創產業自動化、影響現有市場結構；對此，我們應該了解『人工智能』於當前得以蓬勃發展，乃是滿足以下三大要素：
- 「摩爾定律」：發生於硬體晶片上的現象，間接使網路自身能力與發展時長成正比。
- 「雲端運算」：相關處理轉至線上空間進行，帶來相對廉價的資料分析資源。
- 「大數據」：等同於提供了豐富且多元的學習素材。
至於『人工智能』是如何從只會接收輸入的數字符號，進步到能理解人類語言的語法並進行交流，就必須來了解『自然語言處理』（以下簡稱『NLP』）這項概念。
『NLP』關係到「語言學習」這一技能，本身有許多不同的執行方法，主要可歸納為下列兩種方案：
- 「符號式」：基於清晰規則和數據推理的人工智能，類似於統計原理，用以辨識、解讀目標樣態，並與人類孩童學習母語之方式相仿。
- 「規則式」：記下表現出來的固定規律及原則，適合處理明確、規範性的問題，常見於成人學習第二外語時的習慣。
而「符號式」或「規則式」這兩種模式雖有落差，但本質上仍貼近為一個脈絡。
『人工智能』的發展一度分化為兩個方向，前二者即歸屬於其中一類，雖然它們在早期備受推崇，但後續有更多資料成果浮現，皆說明此類設計雖於特定專業場合有所精確價值（如：財務分析、醫學診斷），但並不能應付一切挑戰，相關原因歸納如下：
- 規範太多，有時還會分層級（「大規則」裡帶有「小規則」）。
- 成果會隨時間變化，使其很難達到如「生物系統」般的認知能力（此指模仿人類學習及推理的方式，雖做得出領域專精，但難以實踐廣泛理解）。
- 常出現一種被稱為『波蘭尼弔詭』（Polanyi’s Paradox）的狀況，簡單而言就是「理解」與「執行」存在能力上的落差，使得工程師在設計上受到阻礙；好比華人多明白如何使用筷子進食，但很難具體用口語向西方人詳細解釋手指搭配方式、肌肉使力技巧。
另一條路線者雖然也同「符號式」方法一般，採用孩童習得語言之學習模式，但主張應避開其所受程序制約，轉而透過「經驗」及「改進」的重複性來規劃，而在他們持續努力下，也成功造就關鍵之『機器學習』技術領域，並在後續衍生出「人工神經網路」這等研究方向，順利推進了『通用型人工智能』的誕生進度。
具體來說，『人工智能』發展趨勢恰如浪潮般不斷推進，從「符號式」與「規則式」的萌芽，到後來「生成式人工智能」帶來創造性突破，當代人們正見證科技是如何跨出過往框架、開啟更多可能。當然我們也能預期技術進步勢必伴隨挑戰，如何平衡創新與規範往往會成為新難題，好比如：如何組織機器與人類專業知識結合、怎麼在數據驅動決策中維持公平倫理、確保能有效化解偏見和風險等等，這些都需要社會持續進行更多公共討論並制定規章來加以確保；未來它們不應只是演算法字元代碼的排列組合，而應成為輔助大眾解決問題之利器，世人需要以謹慎且負責的態度歡迎這股技術潮流，從實務創意產業到宏觀公共政策，都須採取更全面的跨領域合作、為之設定透明準則，替下一代鋪就一條智慧的康莊大道。
文／李學一
（文章僅代表作者觀點，不代表Newtalk新聞立場。）
