所謂人工智慧（Artificial Intelligence；縮寫：AI）， 是指以人工方式來實現人類所具有之智慧的技術。 只不過， 目前能實現與人類智慧同等的技術還不存在，
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起於1950～1960年， 止於1980年代。 由於出現在網路之前，
第二次AI浪潮
第二次AI熱潮伴隨著電腦的普及， 出現在1980年代。 這時期所進行的研究， 是以灌輸「專家知識」作為規則， 來協助解決特定問題的“專家系統”（Expert system）為主。 然而， 縱使當時有商業應用的實例， 應用範疇卻很有限， 熱潮也因此逐漸消退。
第三次AI浪潮
第三次AI浪潮則出現於2010年代， 伴隨著高性能電腦、網際網路、大資料、感測器的普及， 以及計算成本的下降， “機器學習”隨之興起。 所謂機器學習（Machine leaning）， 是指讓電腦大量學習資料， 使它可以像人類一樣辨識聲音及影像，
二、AI的三大技術
快速瞭解了AI的發展史後， 我們來看看當代人工智慧的三大代表性模型：遺傳演算法、專家系統、類神經網路。
1、遺傳演算法
遺傳演算法（Genetic algorithm；GA）， 又稱為演化式演算法（Evolutionary algorithm）， 是受達爾文演化論所啟發的人工智慧。 它透過「適者生存」的規則， 將“優秀的個體”想像成“好的答案”， 透過演化的方式來找出最佳解。
2、專家系統
專家系統（Expert system）， 則是針對預設的問題， 事先準備好大量的對應方式。 它應用在很多地方， 尤其是疾病診斷。 只不過， 專家系統只能針對專家預先考慮過的狀況來準備對策， 它並沒有自行學習的能力， 因此還是有其局限性。
3、類神經網路
從第三次AI浪潮所興起的機器學習（Machine learning）有許多種手法，
類神經網路的由來
若你去觀察腦的內部， 會發現有大量稱為“神經元”的神經細胞彼此相連。 一個神經元從其他神經元那裡接收的電氣信號量達某一定值以上，
興奮起來的神經元， 會將電器信號傳送給下一個相連的神經元。 下一個神經元同樣會因此興奮或不興奮。 簡單來說， 彼此相連的神經元， 會形成聯合傳遞行為。 我們透過將這種相連的結構來數學模型化， 便形成了類神經網路。
類神經網路：深度學習
我們可以發現，經模型化的的類神經網路，是由“輸入層”（Input layer）、“隱藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構成。另外，學習資料則是由輸入資料以及相對應的正確解答來組成。
以影像辨識為例，為了讓AI學習類神經網路的模型，首先必須先將影像學習資料分割成圖元資料，然後將各圖元值輸進輸入層。
接受了資料的輸入層，將圖元值乘上“權重”後，便傳送給後方隱藏層的神經元。隱藏層的各個神經元會累加前一層所接收到的值，並將其結果再乘上“權重”後，傳送給後方的神經元。最後，經由輸出層的神經元的輸出，便可得到影像辨識的預測結果。
為了讓輸出層的值跟各個輸入資料所對應的正解資料相等，會對各個神經元的輸入計算出適當的“權重”值。
這個權重的計算，一般是使用“誤差倒傳遞演算法”（Error Back Propagation），使用與正解資料之間的誤差，從輸出層逆推回去。透過各「權重」的調整，來縮小輸出層的值與正解資料的值之間的誤差，以建立出完成學習的模型。
由於過去類神經網路之間進行傳遞的權重值難以優化，因此曾有多數研究者對類神經網路的研究持否定態度。直到2006年，辛頓（Geoffrey Hinton）開發出自動編碼器（Autoencoder）的手法，才突破了這項瓶頸。
自動編碼器是指，在類神經網路的輸入層和輸出層使用相同資料，並將隱藏層設置於二者之間，藉此用來調整類神經網路之間的權重參數的一種手法。利用以自動編碼器所獲得的類神經網路權重參數值進行初始化後，便能應用「誤差倒傳遞演算法」，提高多層類神經網路的學習準確度。
透過類神經網路，深度學習便成為了“只要將資料登錄類神經網路，它就能自行抽出特徵”的人工智慧，而這又稱為“特徵學習”（feature learning）。
深度學習最擅長的，是它能辨識圖像資料或波形資料這類無法符號化的資料。自2010年代以來，如Google、Microsoft及Facebook等美國知名IT企業，都開始著手深度學習的研究。例如，蘋果「Siri」的語音辨識，Microsoft搜尋引擎「Bing」所具備的影像搜尋等等，而Google的深度學習項目也已超過1,500項。
至於深度學習如此飛躍的成長，要歸功於硬體設備的提升。圖形處理器（GPU）大廠輝達（NVIDIA）利用該公司的圖形卡來提升深度學習的性能，提供程式庫（Library）和框架（framework）產品，並積極開設研討課程。另外，Google也公開了框架「TensorFlow」，可以將深度學習應用於資料分析。
三、AI的三大應用
AI應用領域主要可分為語音辨識、影像辨識以及自然語言處理等三部分。
1、語音辨識
語音辨識部分，透過多年來語音辨識競賽CHiME的研究，已經有了等同人類的辨識度（CHiME，是針對實際生活環境下的語音辨識，所進行評測的國際語音辨識競賽）。此外，Apple、Google、Amazon也相繼提出可應用於日常生活的服務，因此其成熟度已達到實用等級。
2、影像辨識
影像辨識部分，雖然一般圖片的辨識已有同等於人類的辨識率，但動態影像的辨識準確度卻仍比不上人類，目前還在進行各種演算法的測試。其中，影像辨識目前最火熱的應用場域非自動駕駛莫屬了。
整個汽車、資訊通訊產業都正朝著自駕車的方向努力，例如Google持續進行自動駕駛的研究，TOYOTA也在美國設立豐田研究所，可以知道現階段的開發已十分接近實用化。因此，我們可判斷目前影像辨識的成熟度是介在研究和實用等級之間。
3、自然語言處理
自然語言處理（Natural language processing；NLP），是試著讓人工智慧能理解人類所寫的文字和所說的話語。NLP首先會分解詞性，稱之“語素分析”（morphemic analysis），在分解出最小的字義單位後，接著會進行“語法分析”（syntactic analysis），最後再透過“語意分析”（semantic analysis）來瞭解含意。
輸出部分，自然語言處理也與生成文法（generative grammar）密切相關。生成文法理論認為，只要遵循規則即可生成文句。這也代表著，只要把規則組合在一起，便可能生成文章。
在自然語言處理中，最具代表性的應用就是“聊天機器人”（Chatbot）了，它是一種如真人般，可透過文字訊息與人對話的程式。2016年，臉書推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因而促使這種搭載NLP技術的聊天機器人成為矚目的焦點。
另外，由IBM所開發的華生（IBM Watson），也是應用NLP的人工智慧而成。華生可以從維琪百科等語料庫中抽取知識，學習詞彙與詞彙之間的相關性。現在，就連軟體銀行（SoftBank）機器人Pepper也是搭載華生系統。
只不過，由於在日常對話中，我們很常省略詞句，也不一定會提及時空背景，因此當前的Chatbot尚無法與人類進行天花亂墜的對話。所以說，現行多數的Chatbot廠商，還是會限定對話的環境與應用領域。
類神經網路：深度學習
我們可以發現，經模型化的的類神經網路，是由“輸入層”（Input layer）、“隱藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構成。另外，學習資料則是由輸入資料以及相對應的正確解答來組成。
以影像辨識為例，為了讓AI學習類神經網路的模型，首先必須先將影像學習資料分割成圖元資料，然後將各圖元值輸進輸入層。
接受了資料的輸入層，將圖元值乘上“權重”後，便傳送給後方隱藏層的神經元。隱藏層的各個神經元會累加前一層所接收到的值，並將其結果再乘上“權重”後，傳送給後方的神經元。最後，經由輸出層的神經元的輸出，便可得到影像辨識的預測結果。
為了讓輸出層的值跟各個輸入資料所對應的正解資料相等，會對各個神經元的輸入計算出適當的“權重”值。
這個權重的計算，一般是使用“誤差倒傳遞演算法”（Error Back Propagation），使用與正解資料之間的誤差，從輸出層逆推回去。透過各「權重」的調整，來縮小輸出層的值與正解資料的值之間的誤差，以建立出完成學習的模型。
由於過去類神經網路之間進行傳遞的權重值難以優化，因此曾有多數研究者對類神經網路的研究持否定態度。直到2006年，辛頓（Geoffrey Hinton）開發出自動編碼器（Autoencoder）的手法，才突破了這項瓶頸。
自動編碼器是指，在類神經網路的輸入層和輸出層使用相同資料，並將隱藏層設置於二者之間，藉此用來調整類神經網路之間的權重參數的一種手法。利用以自動編碼器所獲得的類神經網路權重參數值進行初始化後，便能應用「誤差倒傳遞演算法」，提高多層類神經網路的學習準確度。
透過類神經網路，深度學習便成為了“只要將資料登錄類神經網路，它就能自行抽出特徵”的人工智慧，而這又稱為“特徵學習”（feature learning）。
深度學習最擅長的，是它能辨識圖像資料或波形資料這類無法符號化的資料。自2010年代以來，如Google、Microsoft及Facebook等美國知名IT企業，都開始著手深度學習的研究。例如，蘋果「Siri」的語音辨識，Microsoft搜尋引擎「Bing」所具備的影像搜尋等等，而Google的深度學習項目也已超過1,500項。
至於深度學習如此飛躍的成長，要歸功於硬體設備的提升。圖形處理器（GPU）大廠輝達（NVIDIA）利用該公司的圖形卡來提升深度學習的性能，提供程式庫（Library）和框架（framework）產品，並積極開設研討課程。另外，Google也公開了框架「TensorFlow」，可以將深度學習應用於資料分析。
三、AI的三大應用
AI應用領域主要可分為語音辨識、影像辨識以及自然語言處理等三部分。
1、語音辨識
語音辨識部分，透過多年來語音辨識競賽CHiME的研究，已經有了等同人類的辨識度（CHiME，是針對實際生活環境下的語音辨識，所進行評測的國際語音辨識競賽）。此外，Apple、Google、Amazon也相繼提出可應用於日常生活的服務，因此其成熟度已達到實用等級。
2、影像辨識
影像辨識部分，雖然一般圖片的辨識已有同等於人類的辨識率，但動態影像的辨識準確度卻仍比不上人類，目前還在進行各種演算法的測試。其中，影像辨識目前最火熱的應用場域非自動駕駛莫屬了。
整個汽車、資訊通訊產業都正朝著自駕車的方向努力，例如Google持續進行自動駕駛的研究，TOYOTA也在美國設立豐田研究所，可以知道現階段的開發已十分接近實用化。因此，我們可判斷目前影像辨識的成熟度是介在研究和實用等級之間。
3、自然語言處理
自然語言處理（Natural language processing；NLP），是試著讓人工智慧能理解人類所寫的文字和所說的話語。NLP首先會分解詞性，稱之“語素分析”（morphemic analysis），在分解出最小的字義單位後，接著會進行“語法分析”（syntactic analysis），最後再透過“語意分析”（semantic analysis）來瞭解含意。
輸出部分，自然語言處理也與生成文法（generative grammar）密切相關。生成文法理論認為，只要遵循規則即可生成文句。這也代表著，只要把規則組合在一起，便可能生成文章。
在自然語言處理中，最具代表性的應用就是“聊天機器人”（Chatbot）了，它是一種如真人般，可透過文字訊息與人對話的程式。2016年，臉書推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因而促使這種搭載NLP技術的聊天機器人成為矚目的焦點。
另外，由IBM所開發的華生（IBM Watson），也是應用NLP的人工智慧而成。華生可以從維琪百科等語料庫中抽取知識，學習詞彙與詞彙之間的相關性。現在，就連軟體銀行（SoftBank）機器人Pepper也是搭載華生系統。
只不過，由於在日常對話中，我們很常省略詞句，也不一定會提及時空背景，因此當前的Chatbot尚無法與人類進行天花亂墜的對話。所以說，現行多數的Chatbot廠商，還是會限定對話的環境與應用領域。