什麼是人工智慧?

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 是一種非人類程式或模型,可展現多種解決問題的方法和創意。

電腦可以執行進階功能,這類功能過去用於解讀和推薦資訊。如今,電腦還能透過 AI 產生新內容。

縮寫詞 AI 經常用於代表 AI 領域的各種技術。

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

生成式 AI 會根據大型語言模型的內容和記憶回應輸入內容並創作內容。

大型語言模型 (LLM) 是一種 AI 模型,內含大量 (通常是數十億個) 參數,可用於執行各種工作,例如產生、分類或摘要文字或圖片。

生成式 AI 不僅能比對模式和預測,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。這些功能可協助你規劃假期、讓電子郵件內容更溫和或專業,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 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。您可以實作跨瀏覽器運作的用戶端 AI,並搭配 JavaScript 程式庫,包括 Transformers.jsTensorFlow.jsMediaPipe

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,尤其是在為效能進行最佳化時。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 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

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,直到模型學會天氣模式、歷來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) 會嘗試模擬人類大腦處理資訊的方式。

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,務必將減少偏見列為優先事項。

關於 AI 產生內容的版權,我們有許多倫理考量,例如誰擁有產出內容的所有權?尤其是當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。

在產生新內容和構想之前,請先考量現有政策,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 工具時最關心的問題。這在資料需求嚴格的商業環境中尤其明顯,例如政府和醫療照護公司。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:

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立數學模型和收集複雜的資料集,就能支援最受歡迎的 AI 工具。

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。調校是指將已在大量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: