人工智慧實際上如何運作，以及為什麼現在很重要

經濟合作暨發展組織（OECD）是一個由成員政府協調該技術政策的組織，它將人工智慧系統定義為「一種機器型系統，為了明確或隱含的目標，從它接收到的輸入推斷出如何生成輸出，例如預測、內容、建議或決策，這些決策可能會影響實體或虛擬環境。」根據該組織對該定義的說明，經合組織理事會在2023年修訂了這一措辭，以在生成式人工智慧工具普遍使用時保持技術準確性。

從手寫規則到從數據學習

較舊的軟體遵循程式設計師逐行編寫的指令：如果X發生，就執行Y。根據IBM的技術說明，機器學習是當今大多數人工智慧背後的方法，它相反地向演算法提供大量示例，讓它自己找出模式。一旦訓練完成，系統可以對新信息進行分類、預測值、標記異常情況或推薦操作，而無需為每種情況給出確切的規則。

經合組織將人工智慧系統的運作分為三個要素。輸入是在開發或使用過程中輸入到系統的數據、代碼或規則。推論是系統從這些輸入推導出輸出的步驟，這可以在建立模型時或部署後發生。輸出是系統生成的預測、內容、建議或決策，這些決策隨後可能影響實體或虛擬環境——例如，汽車的轉向、建議視頻列表或生成的文本段落。

神經網路在系統內部做什麼

根據IBM的說法，當今最廣泛使用的機器學習方法是神經網路，這是一種以大腦為鬆散參考建立的結構，由互相連接的節點層組成，共同處理數據。與傳統程式不同，神經網路預先不被告知連接輸入和輸出的規則；相反，它被展示許多輸入和輸出對，並通過反復接觸調整自己，以發現它們之間的連接。

IBM的說明指出，深度學習是指具有許多層的神經網路——通常包括輸入層、至少三個（通常數百個）隱藏層和輸出層。在圖像識別系統中，早期層傾向於對邊緣或顏色等簡單特徵做出反應，而較深層則將這些組合成形狀，最終形成可識別的對象。這種分層結構使系統能夠從未標記的數據中自動提取相關特徵，這是使當今生成式人工智慧工具成為可能的原因之一。

根據IBM的說法，構建大型生成式人工智慧模型通常涉及三個階段：在大規模、通常未標記的資料集上進行初始訓練階段，這可能需要數千個專用處理器並花費數百萬美元；一個調整階段，其中模型被適應於特定任務，有時使用人類反饋；以及部署後的持續評估，以檢查和完善其輸出。

為什麼重要：採用率和投資數據

根據史丹福大學人文中心人工智慧研究院的2025人工智慧指數報告所追蹤的多項指標，人工智慧的影響範圍增長迅速。報告任何人工智慧使用的組織比例在2024年上升至78%，高於前一年的55%。生成式人工智慧在2024年吸引了339億美元的全球私人投資，比2023年增長18.7%。該報告稱，在美國，私人人工智慧投資在2024年達到1091億美元，遠遠超過中國的93億美元和英國的45億美元。

該報告還記錄了人工智慧基準性能的提升：在2023年引入的三項測試（用於衡量先進系統的MMMU、GPQA和SWE-bench）中，得分在一年內分別上升了18.8、48.9和67.3個百分點。根據同一報告，在監管領域，美國食品和藥物管理局清除的人工智慧醫療設備數量從2015年的6個增長到2023年的223個。

競爭格局

史丹福報告還追蹤了2024年哪些國家製造了最引人注目的人工智慧模型：美國機構製造了40個，而中國製造了15個，歐洲製造了3個。該報告稱，與此同時，頂級美國和中國模型在主要基準上的性能差距從2023年的兩位數縮小到2024年的幾乎相同。