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。電腦可以執行進階函式，這類函式過去用於解讀與推薦資訊。如今，電腦也能透過 AI 技術產生新內容。
縮寫詞 AI 通常用於代表 AI 領域的各種技術。
常見的 AI 概念
有許多術語和概念可定義人工智慧和機器學習，這些概念可能對您有所幫助。以下列舉一些在網路上使用 AI 技術的實例
一般 AI
廣義來說，通用 AI 是一種非人類程式或模型，可展現多種問題解決和創意能力。模型是一組龐大的數學公式，其中包含一組參數和結構，機器需要這些參數和結構才能傳回輸出內容。
一般 AI 可執行多種工作，例如分析資料、翻譯文字、譜寫音樂、識別疾病等等。
狹義 AI
Narrow AI 是指可執行單一或特定子集工作系統。舉例來說，電腦與人類對弈 (請勿與Mechanical Turk混淆)。狹義 AI 有預先定義的參數、限制和情境組合，雖然看似能理解，但實際上只是等式答案。
您可能會在臉部辨識系統、語音助理和天氣預報中看到這類實例。您可以使用高度專屬的模型，改善網站和應用程式上的特定功能。
舉例來說，您建立了專門提供電影的網站，使用者可以登入、為喜愛的電影評分，以及探索新片。您可以使用預先填入的資料庫，根據使用者目前造訪的網頁推薦電影。或者，您也可以使用狹義 AI 模型，分析使用者行為和偏好，為讀者顯示最相關的資訊。
生成式 AI
大型語言模型 (LLM) 是一種具有許多參數的類神經網路 AI 模型，可用於執行各種工作，例如產生、分類或摘要文字或圖像。
生成式 AI 會根據 LLM 的內容和記憶回應輸入內容並建立內容。這項功能不只提供模式配對和預測功能，常見的生成式 AI 工具包括：
這些工具可建立文字、程式碼範例和圖片。這些功能可協助您規劃假期、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，應用情境都無窮無盡。
用戶端、伺服器端和混合式 AI
雖然大多數的網路 AI 功能都需要伺服器，但用戶端 AI 會直接在使用者的瀏覽器中執行。這項功能可帶來多項優點，例如低延遲、降低伺服器端成本、無需 API 金鑰、提升使用者隱私權，以及離線存取。您可以使用 JavaScript 程式庫實作跨瀏覽器運作的用戶端 AI，包括 Transformers.js、TensorFlow.js 和 MediaPipe。
伺服器端 AI 包含雲端 AI 服務。請想像 Gemini 1.5 Pro 在雲端執行。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 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。
經過最佳化處理的小型用戶端模型，可能會比經過效能最佳化的大型伺服器端模型更有效率，評估您的用途，判斷適合您的解決方案。
機器學習 (ML)
機器學習 (ML) 是一種 AI 形式，電腦無須透過明確的程式設計，即可進行學習。AI 致力於產生智慧，而機器學習則可讓電腦從經驗中學習。機器學習包含用於預測資料集的演算法。
機器學習是訓練模型的過程，可用於做出實用的預測，或從資料產生內容。
舉例來說，假設我們想建立一個網站，針對任何特定日期的天氣評分。傳統上，這項工作可能由一或多位氣象學家負責，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，判斷天氣等級。
相反地，我們可以為機器學習模型提供大量天氣資料，直到模型學會天氣模式、歷史資料和指南之間的數學關係，進而判斷某天天氣好壞。事實上，我們已在網路上建立這項功能。
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) 會嘗試模擬人腦處理資訊的方式。
AI 相關挑戰
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。
資料品質和新舊
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，在尋找最新資訊時，您可以透過提示工程提升 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。
倫理和偏見問題
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，因此會面臨一些挑戰。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，務必將減少偏見列為優先事項。
關於 AI 產生內容的版權，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，這點就值得深思。
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素材。
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 工具時最關心的重點。對於資料需求嚴格的商業環境 (例如政府和醫療照護公司) 而言，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 來：
- 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，而且不需要完全瞭解如何建構數學模型，以及收集可支援最熱門 AI 工具的複雜資料集。
您可能會發現，大多數模型都能立即滿足您的需求，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) 是一種利用人類回饋來改善模型與人類偏好和意圖一致性的技術。
- 低秩調整 (LoRA) 是一種參數效率高的 LLM 方法，可減少可訓練參數的數量，同時維持模型效能。