AI 人工智慧主要分成哪幾種？
AI 人工智慧根據能力範圍可分為「弱人工智慧」與「強人工智慧」兩大類。弱人工智慧（Weak AI）專注於人臉辨識、導航等特定任務，是目前技術的主流；強人工智慧（Strong AI）則具備與人類同等的理解力，目前仍處於研發階段。
一、弱人工智慧（Weak AI／Narrow AI）：專才型選手
- 是什麼：這是我們目前最常接觸到的AI。它們被設計來執行「特定任務」，而且通常做得比人類更好、更快。但它們無法處理超出設計範圍的事情。
- 就像是：您的手機人臉辨識（只會認臉）、導航系統（只會規劃路線）、垃圾郵件過濾器（只會判斷垃圾信）、工廠裡的自動化手臂（只會執行設定好的動作）。
- 重點：專注、高效，但「沒有真正的理解」。這是過去幾十年AI發展的主流。
二、強人工智慧（Strong AI／General AI-AGI）：全才型選手
- 是什麼：這是科幻電影裡常出現的那種AI，擁有與人類「同等或甚至超越」的理解力、學習能力和意識，能夠應對各種複雜、未知的問題。
- 就像是：電影《鋼鐵人》裡的賈維斯（Jarvis），能思考、能應變、能理解。
- 重點：目前還「不存在」，是科學家們追求的長遠目標。現在大家熱烈討論的AI，基本上都還屬於弱AI的範疇，只是能力越來越強大。
最近這波 AI 熱潮與以前有何不同？
您可能會想：「以前就有語音助理、推薦系統了，現在的AI到底厲害在哪？」關鍵差異在於「生成式AI」（Generative AI）的崛起。
生成式 AI（Generative AI）與傳統 AI 的關鍵差異在於其具備「創造新內容」的能力。過去的 AI 主要負責分析與預測現有數據，如辨識垃圾郵件或商品推薦；現在的 AI 則能根據指令產出文字、圖片與程式碼。
一、過去的AI（多為分析型／預測型Weak AI）
- 主要工作：分析「現有」的數據，找出規律、進行分類或預測。
- 就像是：一位經驗豐富的分析師，能從大量資料中找出重點、模式或異常。例如：判斷一封信是不是垃圾郵件、根據您的購物紀錄推薦商品、辨識圖片中的貓。它們主要是「理解」和「判斷」已存在的資訊。
二、現在的AI（以生成式AI為代表）
- 主要工作：不只是分析，更能「創造」出「全新」的內容。
- 就像是：一位多才多藝的創作者，能根據您的指令，生成文字、圖片、音樂、程式碼等。例如：ChatGPT寫報告、Midjourney畫插畫、Cursor協助寫程式。它們是基於學習到的龐大資料，「生成」前所未有的新東西。
AI能與你完成哪些事？該注意哪些風險？
三、為什麼生成式 AI 會在此時爆發？
- 更強大的演算法：例如大型語言模型（LLM）的突破。
- 更海量的數據：網路世界提供了AI學習所需的巨量資料。
- 更強大的運算能力：高效能晶片（GPU）讓複雜模型的訓練成為可能。
AI 技術發展對工作者有什麼影響？
理解了AI的種類與差異，更重要的是思考它對我們的影響：
一、導入 AI 能為企業帶來哪些機會？
- 提升效率：自動生成報告草稿、會議摘要、行銷文案、程式碼，釋放人力處理更有價值的事務。
- 激發創意：提供設計靈感、內容點子，甚至輔助新產品發想。
- 優化決策：更快地分析數據、預測趨勢（雖然這部分過去AI也在做，但生成式AI能用更自然的方式呈現結果）。
- 改善體驗：更聰明、更自然的聊天機器人，提升客戶服務品質。
二、使用生成式 AI 會面臨哪些挑戰？
- 內容準確性：生成式AI有時會「一本正經地胡說八道」（稱為「幻覺」），需要人工審核。
- 資訊安全與偏見：AI可能生成帶有偏見或不當的內容，資料隱私也是一大考量。
- 技能轉型：團隊成員需要學習如何有效運用AI工具（例如：學會下好的指令）。
- 成本與導入：採用AI技術需要評估投資報酬率。
工作者應如何應對 AI 趨勢？
AI 技術已融入日常工作，工作者應理解不同 AI 類型的能力與限制，並思考如何將其策略性地應用於實務中。掌握 AI 基本概念有助於在轉型浪潮中保持競爭力，而非僅是關注技術細節。
未來城市@天下｜關於 AI 的三個關鍵問答
A： 從能力範圍來看，AI 主要分為兩種。弱人工智慧（Narrow AI）專注特定任務，如人臉辨識、垃圾郵件過濾、商品推薦，是目前最普遍的形態。強人工智慧（AGI）則指能像人類一樣理解、學習並應對各種未知問題的 AI，目前尚不存在，是科學家追求的長遠目標。現在討論的 AI 幾乎都屬於弱 AI，只是能力越來越強大。
A： 過去的 AI 主要分析現有數據、找出規律或預測結果，例如判斷垃圾郵件、推薦商品。生成式 AI 的突破在於能「創造」全新內容，包括文字、圖片、程式碼、音樂。ChatGPT 寫報告、Midjourney 畫插畫都是代表案例，核心差異是從「理解判斷」升級為「生成創作」。
A： 主要有三項風險。第一是內容準確性，生成式 AI 有時會「一本正經地胡說八道」，產生看似合理但錯誤的資訊，需要人工審核。第二是資訊安全與偏見，AI 可能生成帶有偏見或不當內容，資料隱私也是考量。第三是技能轉型，團隊需學習如何有效下指令，才能真正發揮 AI 效益。
