何謂人工智慧？
早期對人工智慧（AI）的定義來自其創始人之一 Martin Minsky，他形容 AI 是「讓機器去執行那些需要有人類智慧才能執行之工作的科學」。雖然該定義的核心在今天仍然成立，但現代的電腦科學家更進一步，將 AI 定義為能夠感知其環境，並可採取行動以大幅提高成功實現其目標的機會，此外，系統能夠以不斷學習和適應的方式解讀和分析資料。
人工智慧的發展史
從希臘神話中的畢馬龍到維多利亞時代的科學怪人傳說，人類長期以來，一直亟思創造一種可以像人一樣思考和行動的人造生物。隨著電腦的興起，我們意識到人工智慧的願景不會以獨立自主的實體形式出現，而是以一組可以增強和適應人類需求的工具和連線技術問世。
人工智慧一詞首創於 1956 年，在位於新罕布夏州漢諾威的達特茅斯大學，某次科學研討會上提出。從那時起，AI 和資料管理便以極度相互依存的方式發展。為了執行有意義的強大分析，AI 需要大量的大數據。為了對大量資料進行數位處理，系統需要 AI。因此，AI 的歷史遂隨著運算能力和資料庫技術的興起而發展。
時至今日，曾經一次只能處理幾 GB 資料的企業系統，現在可以管理幾 TB 的資料，並且可以使用 AI 即時處理結果和洞察。與踉踉蹌蹌來到村莊的人造生物不同，人工智慧技術靈活且反應迅速，目的在於改善和增強人類夥伴的力量，而不是取代人類。
人工智慧的類型
AI 是技術發展速度最快的領域之一。然而時至今日，即使是最複雜的 AI 模型，也只是利用了三種人工智慧中最基本的「狹隘人工智慧」。另外兩種仍屬於科幻小說的內容，目前還沒有任何實際方法可茲利用。也就是說，按照過去 50 年來電腦科學的發展速度來看，很難説未來人工智慧將帶領我們走向何方。
人工智慧的三大主要類型
狹隘人工智慧（Artificial Narrow Intelligence，ANI）
ANI 是現存於世的 AI，也稱為「弱 AI」。雖然狹隘 AI 可以執行的任務，可能是由高度複雜的演算法和神經網路所驅動，但仍是非凡且目標導向的。臉部辨識、網際網路搜尋和自動駕駛汽車都是狹隘 AI 的範例。它之所以被歸類為弱，並不是因為它缺乏範圍和力量，而是因為它距離我們認為真正的人類智慧，還有一段很長的路要走。哲學家 John Searle 將狹隘 AI 定義為「有助於測試關於心智的假設，但實際上並非心智」。
通用人工智慧（Artificial general intelligence，AGI）
AGI 應該能夠成功地執行任何人類所能執行的智慧任務。跟狹隘 AI 系統一樣，AGI 系統可以從經驗中學習，並且可以發現和預測模式，但有能力進一步做得更好。AGI 可以在先前取得的資料或現有演算法未處理的廣泛任務和情況中推斷出該知識。
高峰超級電腦（Summit Supercomputer）是世界上少數展現 AGI 的超級電腦之一。它可以在一秒之內執行 20 億億次計算，若以人腦運算，這需要花費十億年的時間才能完成。要讓 AGI 模型在意義上切實可行，它們不一定需要非常強大的力量，但卻需要目前僅存在於超級電腦等級的運算能力。
超級人工智慧（Artificial superintelligence，ASI）
ASI 系統在理論上完全具有自我意識。它們不僅只是簡單地模仿或理解人類行為，而是根本就掌握住人類行為的精隨。
除了具有人類特質，並進一步強化遠超過人類本身的處理和分析能力，ASI 似乎呈現了一個反烏托邦的科幻未來，讓人類幾乎可以被淘汰。
今天活著的人類還不太可能看到這樣一個世界誕生，但話雖如此，AI 正以如此快的速度在發展，因此在預期人工智慧可能幾乎在每個可量化的地方都超越人類時，必須考慮道德準則和管理。正如史蒂芬·霍金（Stephen Hawking）說的那樣：「由於 AI 的巨大潛力，因此研究如何在獲取效益時避免潛在的陷阱，非常重要。」
人工智慧的效益
幾十年前，人工智慧（AI）在商業營運的使用還處於「早期採用者」階段，其潛力仍止於理論。從那個時候開始，AI 技術和應用程式一直在向前推進並為企業增加價值，IDC 預測，光從 2020 年到 2024 年，AI 技術支出就將增加一倍以上。隨著 AI 技術的改善，人類對其潛力以及應用的創造力，也有越來越深入的瞭解。現在，企業從 AI 系統衍生出越來越多可衡量的效益，包含下列五種：
- 業務範疇更有彈性：早在電腦出現之前，企業就知道收集和瞭解有關其業務、市場和客戶相關資料的價值。隨著資料集變得越來越大和越來越複雜，準確且即時分析資料的能力變得越來越具有挑戰性。具有 AI 功能的解決方案不僅能管理大數據，還能從中獲得可據以行動的洞察。藉由 AI，您可以自動化複雜的程序，更有效地利用資源，並且可更精準地預測和適應中斷（和商機）。
- 更完善的客戶服務：AI 可讓企業個人化服務產品，並與客戶即時互動。當消費者在現代銷售漏斗中的位置從「潛在商機」移到「轉換」時，AI 會產生複雜多樣的資料集。AI 可讓企業系統運用這些資料，並提供更完善的服務與客戶互動。
- 制定決策更有自信：優秀的企業領導者總是努力制定迅速和明智的決策。決策越重要，就越有可能包含無數複雜的組成部分和相互依賴關係。AI 運用進階資料分析和可據以行動的洞察，支持領導者制定自信且即時的決策，有助於提升人類智慧與經驗。
- 相關產品和服務：許多傳統的研發模式屬於回顧型的。效能和客戶意見資料的分析，通常是在產品或服務進入市場後很久才能進行。這是因為沒有能夠迅速發現市場潛在差距和商機的系統。藉由具備 AI 功能的系統，企業可以同時即時查看各種資料集，這使得企業能夠根據最相關和最新的市場和客戶資料，修改現有產品和推出新產品。
- 敬業度高的員工：根據最新的蓋洛普民調顯示，員工敬業度高的公司，平均獲利高出 21%。工作場所的 AI 技術能減輕繁瑣的日常任務負荷，讓員工專心從事更有成就感的工作。使用 AI 的人力資源技術還可協助注意員工是否有焦慮、疲倦或無聊的情況發生。透過個人化健康建議和協助排列任務的優先順序，AI 可以支持員工，協助其恢復健康的工作生活平衡。
人工智慧技術
為了有用，AI 必須適用。只有當 AI 提供可據以行動的洞察時，才能實現其真正的價值。如果我們將 AI 視為人腦，那麼 AI 技術就像雙手、眼睛和身體的運動，讓大腦的想法得以執行。以下是一些使用最廣泛和發展迅速的 AI 技術。
人工智慧技術
機器學習
機器學習及其所有元件是 AI 的子集。在機器學習中，演算法會套用至不同類型的學習方法和分析技術，讓系統無需明確地設計程式即可自動學習和改善經驗。對企業而言，機器學習可應用於任何需要預測結果的問題或目標，並從複雜的資料分析中得出結果。
AI 與機器學習有何差別？機器學習是 AI 的元件，沒有 AI 就無法存在。因此，重點不在於兩者有差別，而在於兩者的差別之處。AI 可處理資料以制定決策和進行預測。機器學習演算法讓 AI 不僅可以處理這些資料，還能利用這些資料來學習以變得更聰明，無須任何其他程式設計。
自然語言處理（NLP）
NLP 可讓機器辨識和理解書面語言、語音指令或兩者兼有。這包括將人類語言翻譯成演算法可理解之形式的能力。自然語言產生（NLG）是 NLP 的子集，可讓機器將數位語言轉換為自然人類語言。在更複查的應用中，NLP 可以使用情境來推斷態度、情緒和其他主觀特質，以最準確地詮釋涵義。NLP 的實際應用包括聊天機器人和數位語音助理，例如Siri 和 Alexa。
電腦視覺
電腦視覺是電腦理解和「觀看」數位影像和影片的方法，而非單純進行辨識或分類。電腦視覺應用程式使用感應器和學習演算法，擷取複雜的情境式資訊，然後將其用於自動化或告知其他程序。電腦視覺也可視預測目的來推斷資料，基本上這表示電腦視覺可以看穿牆壁和周圍角落。自動駕駛汽車便是使用電腦視覺的絕佳範例。
機器人技術
機器人技術並非新鮮的技術，並且已使用經年，尤其是在製造業中。然而，如果沒有應用 AI 技術，必須透過手動程式設計和校準才能完成自動化。如果這些工作流程中存在弱點或效率低下，則只能在事後或發生故障後才能發現。人類操作員往往不知道導致問題發生的原因，或者可以進行哪些調整，以達到更高的效率和生產力。將 AI 導入技術組合時（通常是透過物聯網感應器），能夠大幅擴大機器人技術可執行任務的範圍、數量和類型。產業機器人的範例包括用於大型倉庫負責訂單揀選的機器人，以及可以設計程式以在最佳時間採收作物或執行農務的農業機器人。
實際運用企業人工智慧
每年都有越來越多企業意識到，AI 解決方案可為其營運帶來的效益和競爭優勢。某些產業（例如醫療保健和銀行業）具有特別龐大且易受攻擊的資料集。對其而言，AI 的實用性從最早的反覆測試與修正即顯而易見。時至今日，現代 AI 的範圍和可存取性，意味著 AI 在幾乎所有商業模式中都有相關應用。下列範例只點出少數幾個這樣的產業。
- 醫療保健業中的 AI
醫療資料集是世界上最大、最複雜、最敏感的資料集之一。AI 在醫療保健領域中的主要焦點，在於利用資料找出診斷和治療方案之間的關係，以及病患的治療結果。此外，醫療院所也轉向使用 AI 解決方案來支援其他營運領域與方案。其中包括員工滿意度和最佳化、病患滿意度，以及節省成本等等。瞭解在醫療保健領域中採用智慧技術和數位化的優勢。 - 銀行業中的 AI
銀行與金融機構對安全性、法規遵循和交易速度的需求較高，因此是最早採用 AI 技術的產業之一。AI 機器人、數位付款顧問和生物識別詐欺偵測機制等功能，皆有助於提升效率和客戶服務，以及降低風險和詐欺。瞭解銀行如何運用數位化和智慧技術推動端對端服務。 - 製造業中的 AI
當裝置和機器連線以透過中央系統傳送和接收資料時，它們即構成物聯網網路。AI 不僅能處理這些資訊，還能使用資訊來預測商機和中斷，並自動執行最佳的任務和工作流程作為回應。在智慧工廠中，這延伸到 3D 印表機的隨選製造協定和虛擬存貨。瞭解 Adidas 如何使用機器學習在 24 小時內交付定制款運動鞋。 - 零售業中的 AI
疫情對購物習慣產生了巨大影響，與去年同期相比，網購量明顯大幅上升。這對零售商而言，已造成競爭激烈且快速變化的環境。網購消費者參與互動的接觸點範圍非常廣泛，並產生比以往更大的複雜與非結構化資料集。為了充分瞭解並利用這些資料，零售商正在尋找能夠處理和分析不同資料集的 AI 解決方案，以提供實用的洞察，並與客戶即時互動。瞭解如何運用智慧技術和數位化因應零售新世界的挑戰與商機。 - 農業中的 AI
在農業領域中，AI 應用不僅提高產量，還推動對永續經營的創新研究。AI 的預測能力也提升農業和食品供應鏈的效率。例如，透過評估農作物成熟時間、天氣和市場距離的資料，預測分析可告知農民選擇不同生產類型的最有效時間。這包括農業機器人工作流程自動化，以及農民應在特定時間採收和處理農作物的時間和數量。瞭解我們如何使用智慧技術來推動永續經營並促進成長。
人工智慧倫理與挑戰
1948 年，電腦科學先驅 Alan Turing 說：「如果電腦能夠騙得過人類，使其相信它是人類，那麼它就應該稱得上有智慧」。雖然現代 AI 驅動的電腦，其處理速度和分析能力對 Turing 來說似乎令人難以置信，但他可能已經能理解這種能力會帶來的倫理困境。隨著 AI 越來越善於理解人類並模仿人類，它也越來越像人類。而當我們透過數位管道產生越來越多的個人資料，我們也需要越來越多能夠信任支撐我們日常活動的 AI 應用。以下是幾個企業領導者需要注意和監控的倫理挑戰範例。
- 客戶資料的使用倫理
在 2020 年代，不管是作為企業還是個人，我們共用和收集的大部分資訊都是透過數位連線的管道來完成。 2020 年初，全球有超過 35 億部智能手機，透過社群媒體和搜尋行為共用大量資料，譬如從 GPS 定位到用戶個人詳細資料與偏好。隨著企業能更廣泛地存取客戶的個人資訊時，設立基準和不斷開發協定以保護隱私及大幅降低風險變得極為重要。 - AI 偏見
由於 AI 系統的演算法程式設計中存在人為偏見，或是會有透過機器學習過程中的錯誤假設所傳播的系統性偏見存在，因此偏見可能會蔓延到 AI 系統中。在第一種情況中，能夠更明顯地看到偏見如何發生，而在第二種情況中，則可能更難發現和避免偏見。應用 AI 來分配照護標準的美國醫療保健系統，就曾發生過一起眾所周知的 AI 偏見例子。系統的演算法瞭解到，某些人口群體支付醫療費用的能力較低，然後系統推斷此資訊後，錯誤地將該人口群體關聯爲能得到的照護權較少。在發現這個不幸的錯誤後，加州大學伯克萊分校的電腦科學家與開發人員一起修改演算法的變數，才將偏見減少了 84%。 - AI 透明度和可解釋的 AI
AI 的透明度是決定演算法如何以及為什麼得出特定結論或決策的能力。告知結果和結果本身的 AI 和機器學習演算法通常非常複雜，以至於超出了人類的理解範圍。諸如此類的演算法被稱為「黑盒子」模型。對於企業來說，重要的是要確保資料模型是公平、公正，且可以解釋和經得起外部審視的。尤其是在航空或醫療等領域，因為攸關人命。因此，使用這些資料的人必須非常重視資料管理方案，這一點非常重要。 - 深度偽造和假新聞
深度偽造（Deepfake）是「深度學習」（Deep Learning）和「偽造」（Fake）這兩個字的混成詞。這是一種使用 AI 和機器學習的技術，通常是將某個人的臉疊加到某影片中另一個人的身體上，其準確度幾乎與原始版本無異。在無辜的情況下，該技術確實可以帶來令人驚嘆的視覺效果，例如在電影《愛爾蘭人》（The Irishman）中，演員勞勃·狄尼洛（Robert De Niro）和喬·派西（Joe Pesci）減齡 30 年的樣子。不幸的是，這樣技術常被用來製作幾可亂真的假新聞，或是將名人置入本人從未出現過的圖片或不雅影片中。
SAP Insights 電子報