發布日期：2024 年 2 月 17 日，上次更新時間：2025 年 4 月 22 日
人工智慧 (AI) 涵蓋許多複雜的新興技術，這些技術過去需要人為輸入，現在則可由電腦執行。廣義來說，AI 是一種非人類程式、模型或電腦，可展現多種解決問題的解決方案和創意。電腦可以執行進階功能，這類功能過去用於解讀與推薦資訊。有了生成式 AI，電腦甚至可以產生新內容。
人工智慧 (AI) 這個縮寫詞經常用來代表人工智慧領域中的各種技術，但 AI 功能可能會大相逕庭。
這裡列出許多 AI 在網路上實作的相關術語和概念。如要進一步瞭解機器學習，請參閱機器學習詞彙表。
AI 如何運作？
訓練是每個模型的第一個步驟，機器學習工程師會建立演算法，為模型提供特定輸入內容，並展示最佳輸出內容。一般來說，網頁開發人員不需要執行這項步驟，但瞭解特定模型的訓練方式可能會有所幫助。雖然您可以微調模型，但最好還是花時間為工作選擇最合適的模型。
「推論」是指模型根據新資料得出結論的過程。模型在特定領域的訓練資料越多，推論就越有可能產生實用且正確的輸出結果。不過，無論模型接受多少訓練，都無法保證能進行完美的推論。
舉例來說，Green Light 會使用 AI 模型，以 Google 地圖資料進行訓練，瞭解交通模式。隨著接收的資料越來越多，系統會執行推論，提供最佳化交通號誌的最佳化建議
AI 會在哪裡執行？
模型發布前，AI 訓練會先完成。您可能需要進一步訓練，才能產生功能或準確度更高的模型新版本。
網頁開發人員應考量 AI 推論的執行位置。使用 AI 的成本很大程度上取決於推論。單一模型的功能範圍也會受到極大影響。
用戶端 AI
雖然網站上的大部分 AI 功能都需要伺服器，但用戶端 AI 會在使用者的瀏覽器中執行，並在使用者的裝置上執行推論。這可縮短延遲時間、降低伺服器端成本、移除 API 金鑰需求、提升使用者隱私權，以及提供離線存取功能。您可以實作可在多個瀏覽器中執行的用戶端 AI，並搭配 JavaScript 程式庫，包括 Transformers.js、TensorFlow.js 和 MediaPipe。
經過最佳化的用戶端端小型模型，可能會比大型伺服器端模型更出色，尤其是在針對效能進行最佳化時。評估您的用途，判斷適合您的解決方案。
伺服器端 AI
伺服器端 AI 涵蓋雲端 AI 服務。想像 Gemini 1.5 Pro 在雲端執行的情況。這些模型通常體積更大，功能也更強大。這一點對於大型語言模型尤其適用。
混合式 AI
混合式 AI 是指同時包含用戶端和伺服器元件的任何解決方案。舉例來說，您可以使用用戶端模型執行工作，並在裝置無法完成工作時改用伺服器端模型。
機器學習 (ML)
機器學習 (ML) 是指電腦在無需明確程式設計的情況下，學習並執行工作。在 AI 努力產生智慧的同時，機器學習則是透過演算法預測資料集。
舉例來說，假設我們想建立一個網站，評估任何特定日期的天氣。傳統上，這項工作可能由一或多位氣象學家執行，他們可以建立地球大氣和地表的表示方式，計算及預測天氣模式，並透過比較目前資料和歷史背景，判斷天氣風險。
相反地，我們可以為機器學習模型提供大量天氣資料，直到模型學習到天氣模式、歷史資料和指南之間的數學關係，進而判斷某天是否有好天氣。事實上，我們已在網路上建立這項功能。
生成式 AI 和大型語言模型
生成式 AI 是一種機器學習技術，可協助使用者創作內容，讓內容看起來像是人類創作，生成式 AI 會使用大型語言模型，根據提供的內容整理資料，並建立或修改文字、圖片、影片和音訊。生成式 AI 不僅能比對模式和預測，還能做更多事情。
大型語言模型 (LLM) 包含大量 (通常是數十億個) 參數，可用於執行多種工作，例如產生、分類或摘要文字或圖片。
聊天機器人已成為使用生成式 AI 的熱門工具，包括：
這些工具可用來製作文字、程式碼範例和圖片。這些功能可協助你規劃假期、讓電子郵件內容更溫和或更專業，或是將不同資訊分類。
無論是開發人員還是非開發人員，都能找到無窮的應用情境。
深度學習
深度學習 (DL) 是一種機器學習演算法。舉例來說，深層類神經網路 (DNN) 會嘗試模擬人類大腦處理資訊的方式。
深度學習演算法可訓練為圖片中的特定特徵，與特定標籤或類別建立關聯。訓練完成後，演算法就能預測新圖片中的相同類別。舉例來說，Google 相簿可以辨識相片中的貓和狗。
自然語言處理 (NLP)
自然語言處理是一種機器學習技術，專注於協助電腦解讀人類語言，從任何特定語言的規則，到個人使用的特有用法、方言和俚語。
AI 的挑戰
建構及使用 AI 時會遇到許多挑戰。以下是您應考量的幾個重點。
資料品質和最新
用於訓練各種 AI 模型的大型資料集，通常在使用後很快就會過時。也就是說，如果您想取得最新資訊，不妨透過提示工程提升 AI 模型在特定任務上的效能，並產生更優質的輸出內容。
資料集可能不完整或太小，無法有效支援某些用途。嘗試使用多種工具或自訂模型以符合需求，可能會很有幫助。
倫理和偏誤問題
AI 技術充滿無限可能，不過，電腦和演算法都是人類建構的，訓練資料也可能由人類收集，因此會面臨許多挑戰。舉例來說，模型可以學習並放大人類偏見和有害的刻板印象，直接影響輸出結果。在建構 AI 技術時，務必以減少偏見為優先。
關於 AI 生成內容的版權，有許多倫理考量：誰擁有產出內容的所有權？尤其是如果產出內容受到版權內容的強烈影響，或直接複製自版權內容時，又該如何處理？
在產生新內容和構想之前，請先參考現有政策，瞭解如何使用您創作的內容。
安全性和隱私權
許多網頁開發人員表示，隱私權和安全性是他們在使用 AI 工具時最關心的問題。在資料需求嚴格的商業環境中 (例如政府和醫療照護公司)，更是如此。使用雲端 API 將使用者資料公開給更多第三方，這點令人擔心。請務必確保所有資料傳輸作業安全無虞，並持續監控。
用戶端 AI 可能是解決這些用途的關鍵。我們仍有許多研究和開發工作要完成。
開始在網路上使用 AI
您現在已熟悉多種人工智慧類型，可以開始考慮如何使用現有模型提高工作效率，並建構更優質的網站和網頁應用程式。
您可以使用 AI 技術執行以下操作：
- 為網站搜尋功能建立更完善的自動完成功能。
- 使用智慧相機偵測人類或寵物等常見物體
- 使用自然語言模型處理垃圾留言。
- 為程式碼啟用自動完成功能，提升工作效率。
- 提供下一個字詞或句子的建議，打造所見即所得的書寫體驗。
- 提供資料集的易讀說明。
- 以及更多應用程式...
預先訓練的 AI 模型是改善網站、網頁應用程式和工作效率的絕佳方法，您不必完全瞭解如何建立數學模型，以及收集最熱門 AI 工具所需的複雜資料集。
您可能會發現，大多數模型都能立即滿足需求，無須進一步調整。「調校」是指將已在大型資料集上訓練的模型，進一步訓練以滿足特定用途需求的過程。調整模型的方法有很多種：
- 人類回饋增強學習 (RLHF) 是一種技術，可利用人類回饋改善模型與人類偏好和意圖的一致性。
- 低秩適應 (Low-Rank Adaption，LoRA) 是一種 LLM 參數效率方法，可減少可訓練參數的數量，同時維持模型效能。