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 是指非人類的程式、模型或電腦，可展現廣泛的問題解決能力和創造力。電腦可以執行進階功能，這些功能過去是用來解讀與推薦資訊。有了生成式 AI，電腦甚至可以生成新內容。
AI 這個縮寫通常會交替使用，代表人工智慧領域中的各種技術，但 AI 的功能可能差異很大。
您可以在這裡找到網路上實用 AI 的許多術語和概念。 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步，機器學習工程師會建構演算法，為模型提供特定輸入內容，並展示最佳輸出內容。一般而言，網頁開發人員不需要執行這個步驟，但瞭解特定模型的訓練方式可能對您有幫助。雖然可以微調模型，但建議您將時間用於為工作挑選最合適的模型。
「推論」是指模型根據新資料得出結論的過程。模型在特定領域接受的訓練越多，推論就越有可能產生實用且正確的輸出內容。不過，無論模型接受多少訓練，都無法保證能做出完美推論。
舉例來說，綠燈會使用以 Google 地圖資料訓練的 AI 模型，瞭解交通流量模式。系統收到更多資料後，會執行推論，提供交通號誌最佳化建議
AI 運算是在哪裡進行？
模型發布前，AI 訓練會先完成。我們可能會進一步訓練模型，推出功能更強大或準確率更高的模型新版本。
網頁開發人員應注意 AI 推論的執行位置。使用 AI 的成本主要取決於推論。單一模型的能力範圍也會受到極大影響。
用戶端 AI
網頁上的大多數 AI 功能都依賴伺服器，但用戶端 AI 會在使用者瀏覽器中執行，並在使用者裝置上進行推論。這項功能可縮短延遲時間、降低伺服器端成本、免除 API 金鑰需求、提升使用者隱私權，以及提供離線存取權。您可以使用 JavaScript 程式庫 (包括 Transformers.js、TensorFlow.js 和 MediaPipe)，實作可在各種瀏覽器中運作的用戶端 AI。
小型最佳化用戶端模型有可能勝過較大的伺服器端模型，尤其是在針對效能進行最佳化時。評估您的用途，判斷適合的解決方案。
伺服器端 AI
伺服器端 AI 包含雲端 AI 服務。請將 Gemini 1.5 Pro 視為在雲端執行的模型。這些模型通常更大、更強大，大型語言模型尤其如此。
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，如果裝置無法完成工作，則改用伺服器端模型。
機器學習 (ML)
機器學習 (ML) 是指電腦在未經過明確程式設計的情況下，學習及執行工作的過程。AI 的目標是產生智慧，而 ML 則是由演算法組成，可預測資料集。
舉例來說，假設我們想建立一個網站，用來評估任何一天的天氣。傳統上，這項工作可能由一或多位氣象學家完成，他們會建立地球大氣和地表的代表性資料、運算及預測天氣模式，並比較當前資料與歷史背景，從而決定評分。
我們可以提供大量天氣資料給機器學習模型，直到模型學會天氣模式、歷史資料和指南之間的數學關係，瞭解特定日期的天氣好壞。事實上，我們在網路上建構了這項功能。
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， 模擬人類的創作方式，讓內容更貼近生活。 生成式 AI 會使用大型語言模型整理資料，並根據提供的背景資訊建立或修改文字、圖片、影片和音訊。生成式 AI 不只是比對模式和預測。
大型語言模型 (LLM) 有許多 (通常是數十億個) 參數，可用於執行各種工作，例如生成、分類或摘要文字或圖片。
聊天機器人已成為非常熱門的工具，可供使用者運用生成式 AI，包括：
這些工具可以生成文字、程式碼範例和插圖。例如規劃假期、潤飾電子郵件內容或調整語氣，或是將不同資訊分類。
無論是否為開發人員，都能透過這個平台實現無限可能。
深度學習
深度學習 (DL) 是一類機器學習演算法。例如，深層類神經網路 (DNN) 嘗試模擬人腦處理資訊的方式。
深度學習演算法可能會經過訓練，將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是否含有相同類別的內容。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)
自然語言處理是機器學習的一種，著重於協助電腦理解人類語言，包括特定語言的規則，以及個人使用的特異性、方言和俚語。
AI 帶來的挑戰
建構及使用 AI 時會遇到許多難題。以下僅列出幾項應考量的重點。
資料品質和近期性
用來訓練各種 AI 模型的大型資料集，通常在用完後很快就會過時。也就是說，在尋找最新資訊時，您或許可以運用提示工程，提升 AI 模型在特定工作上的效能，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。建議您嘗試使用多種工具，或自訂模型來滿足需求。
倫理和偏誤問題
AI 技術令人期待，而且潛力無窮。不過，電腦和演算法最終是由人類建構，並以人類可能收集的資料訓練，因此會面臨多項挑戰。舉例來說，模型可能會學到並加深人類偏見和有害刻板印象，直接影響輸出內容。開發 AI 技術時，請務必優先考量如何減少偏誤。
AI 生成內容的著作權有許多倫理考量，例如誰擁有輸出內容的著作權，尤其是當輸出內容受到著作權素材的影響很大，或是直接複製著作權素材時。
生成新內容和點子前，請先瞭解現有政策，確認如何使用您建立的素材。
安全性和隱私權
許多網頁開發人員表示，使用 AI 工具時，他們最擔心隱私權和安全性問題。在政府和醫療保健公司等資料要求嚴格的商業環境中，更是如此。使用雲端 API 將使用者資料公開給更多第三方，是令人擔憂的問題。任何資料傳輸都必須安全無虞，且持續受到監控。
用戶端 AI 可能是解決這些用途的關鍵。我們還有許多研究和開發工作要做。
開始在網頁上使用 AI
現在您已瞭解各種人工智慧，可以開始考慮如何運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。
你可以使用 AI 執行下列操作：
- 為網站搜尋功能打造更完善的自動完成功能。
- 使用智慧攝影機偵測常見物體，例如人或寵物
- 使用自然語言模型處理垃圾留言。
- 啟用程式碼自動完成功能，提升工作效率。
- 提供下一個字詞或句子建議，打造所見即所得的撰寫體驗。
- 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、網路應用程式和生產力的絕佳方式，不必完全瞭解如何建構數學模型和收集複雜資料集，就能使用最熱門的 AI 工具。
您可能會發現大多數模型都能立即滿足需求，不必進一步調整。 微調是指以大型資料集訓練模型後，再進一步訓練模型，以滿足特定用途需求。您可以透過下列幾種技術調整模型：
- 人類回饋增強學習 (RLHF) 是一種技術，可運用人類回饋，提升模型與人類偏好和意圖的一致性。
- 低秩適應 (LoRA) 是 LLM 的參數高效方法，可減少可訓練的參數數量，同時維持模型效能。