---
title: "人工智慧（Artificial Intelligence）"
slug: artificial-intelligence
language: zh-TW
source: https://aiterms.tw/terms/artificial-intelligence
updated_at: 2026-04-29
tags: [AI基礎, 機器學習]
ipas_term: true
---

# 人工智慧（Artificial Intelligence）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。
### 相關術語

> - **機器學習**：它是現代 AI 最核心的實作方法之一
> - **深度學習**：很多影像和語言應用都靠它推進
> - **自然語言處理**：理解與生成文字是 AI 的重要方向

---

來源：https://aiterms.tw/terms/artificial-intelligence
快查頁：https://aiterms.tw/terms/artificial-intelligence
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-artificial-intelligence