解析：
弱 AI（或稱窄 AI）指的是只能執行特定任務的 AI 系統，無法跨領域應用。該 PCB 檢測系統只能辨識電路板缺陷，無法遷移至其他任務，符合弱 AI 的定義。
你每天用手機拍照自動對焦、問天氣、看推薦影片，背後是不是都在用同一類技術？ 你可以把人工智慧想成讓機器模擬人類智慧的總稱，它不只會算，還會學、會判斷。 它是一個大概念，底下包含機器學習、深度學習、語言處理、視覺辨識等方法。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
人工智慧 vs 機器學習？ 人工智慧：整個領域的大傘 機器學習：用資料讓模型學規則的方法 最關鍵的區別：AI 是目標，機器學習是常見方法
機器學習 vs 深度學習？ 機器學習：從資料中學模式 深度學習：用多層神經網路做機器學習 最關鍵的區別：深度學習是機器學習裡的一個分支
人工智慧 vs 傳統程式？ 人工智慧：可以包含規則式系統與學習式系統 傳統程式：靠人先寫死規則 最關鍵的區別：AI 的重點是能從資料或經驗中調整行為
記住這句就好
讓機器表現出像人類的智慧，就是人工智慧
實際案例
翻譯服務 從規則式翻譯轉成神經機器翻譯後，語句更自然，這是 AI 進步很明顯的例子
影像辨識 手機相簿自動分辨人臉、場景與物件，讓使用者不用手動整理大量照片
深入了解
重點 你要看什麼 為什麼重要 感知 影像、語音、文字 讓機器知道外界發生什麼事 學習 資料、特徵、模型 讓機器從經驗中改進 決策 推論、分類、生成 讓機器做出可用結果
情境判斷
Q1：如果程式只靠 if-else 判斷溫度超過 30 度就開冷氣，這算 AI 嗎？ → 通常不算，因為它沒有從資料學習，只是人類寫死規則
Q2：導入 AI 時，應不應該先從最難的問題開始？ → 通常不應該，先從資料清楚、成功標準明確的問題做，成功率會高很多
iPAS 考題
Q：人工智慧和機器學習的關係是什麼？ 機器學習是人工智慧的一種實作方法，人工智慧的範圍比機器學習更大。
Q：以下哪個較像 AI 的應用？ 影像辨識、語音助理、推薦系統都屬於常見 AI 應用，單純公式計算則不是。
常見問題
學 AI 一定要很強的數學嗎？
看你要做什麼。應用端要先懂基本統計與資料處理，研究端才更需要線代與微積分。
AI 會取代人類嗎？
會改變很多工作，但通常是先取代重複且規則明確的部分，再補上新的人機協作方式。
現在的 AI 有意識嗎？
沒有。現代系統主要是在做模式學習與預測，不等於有主觀意識。
範例考題
某電子製造公司建置 AI 視覺檢測系統，用於辨識 PCB 電路板製程缺陷。系統在影像判讀任務上表現穩定，但其模型設計與訓練目標皆侷限於特定應用範圍，無法直接遷移至其他營運決策任務。依人工智慧能力範疇分類，下列何者最符合該系統特性？
- A. 弱 AI（Weak AI/Narrow AI） ✓ 正確答案
- B. 強 AI（Strong AI）
- C. 通用人工智慧（Artificial General Intelligence, AGI）
- D. 超級人工智慧（Artificial Superintelligence, ASI）
根據《金融機構運用人工智慧技術作業規範》，金融機構於使用人工智慧提供金融服務並直接與消費者互動時，下列何者非必要揭露之資訊？
- A. 該服務之 AI 模型原始程式碼 ✓ 正確答案
- B. 服務適用對象與用途範圍
- C. 該服務是否為 AI 自動完成
- D. 該服務是否提供替代方案
解析：
根據《金融機構運用人工智慧技術作業規範》，金融機構需揭露服務是否由 AI 自動完成、適用對象與範圍、是否有替代方案等資訊，但 AI 模型的原始程式碼屬於商業機密，非必要揭露項目。