「L11101 AI 定義與分類」
為經濟部 iPAS 人工智慧應用規劃師（初級） 鑑定考試中「人工智慧基礎概論」
的第一個核心主題。
.jpg)
以下根據 2026 年最新鑑定規範整理之重點：
一、 人工智慧（AI）的定義
AI 是指一種模擬或模仿人類智慧的技術與系統，
主要核心在於讓機器具備如人類般的認知、推理與學習能力：
基本核心：
讓機器能根據海量資料進行學習、辨識、推理，
並具備自主決策的能力以解決複雜問題。
關鍵特徵：
包括感知（環境辨識）、學習（從經驗中改進）、推理（邏輯分析）及
規劃（達成特定目標）。
二、 AI 的分類方式
根據能力程度與應用技術，AI 通常分為以下幾大類別：
1. 按能力程度分類（經典三層次）
狹義人工智慧（ANI）：
目前 2026 年最普遍的形式。僅能處理特定任務，
如語音辨識、圖像分類或推薦系統。
弱AI（Narrow AI）：
專注於特定任務，如語音識別（Siri）、圖像識別（醫療影像分析）。
這是目前最常見的AI形式。
通用人工智慧（AGI）：
理論上具備與人類相當的全面智慧，能處理跨領域任務。
2026 年業界預測 AGI 的實現已日益逼近。
強AI（General AI）：
理論上能執行任何智慧任務，與人類智慧相當，但目前仍處於研究階段。
超級人工智慧（ASI）：
理論上在所有領域皆大幅超越人類智慧的系統。
2. 按功能邏輯分類（鑑定重點）
鑑別式 AI（Discriminative AI）：
基於輸入資料進行辨識、分類與預測。
例如：偵測垃圾郵件、人臉辨識、股市預測。
生成式 AI（Generative AI）：
透過深度學習模型產生「新」的資料內容。
例如：文字創作、圖像生成、程式碼撰寫。
3. 按學習方式分類（子類別歸屬）
機器學習（ML）：
AI 的核心子集，強調透過演算法與數據讓系統「自我學習」。
深度學習（DL）：
機器學習的一種，利用「多層神經網路」模擬人類大腦運作，
是當前 AI 技術爆發的主流。
AI可分為：
機器學習（Machine Learning）：通過數據學習模式，如推薦系統。
深度學習（Deep Learning）：基於神經網絡，應用於圖像和語音處理。
自然語言處理（NLP）：如聊天機器人、翻譯工具。
計算機視覺（Computer Vision）：用於面部識別、自動駕駛。
機器人技術（Robotics）：結合AI實現自動化操作。
機器學習（Machine Learning）：
定義：通過數據學習模式，無需明確編程。
例如，Netflix的推薦系統。
應用：預測分析、客戶分群。
出處：Coursera 詳細說明機器學習如何基於數據訓練模型。
深度學習（Deep Learning）：
定義：基於人工神經網絡，模擬人腦處理數據的方式，
特別適用於複雜數據如圖像和語音。
應用：自動駕駛中的物體識別、語音轉文字。
出處：IBM 強調深度學習在圖像處理中的突破。
自然語言處理（NLP）：
定義：使機器理解和生成人類語言，
如聊天機器人、翻譯工具。
應用：虛擬助理（如Alexa）、語言翻譯。
出處：University of Illinois Chicago
提到NLP在語言交互中的重要性。
計算機視覺（Computer Vision）：
定義：使機器能解釋和理解視覺信息，
如面部識別、醫療影像分析。
應用：安防監控、自動駕駛。
出處：NASA 討論計算機視覺在太空探索中的應用。
機器人技術（Robotics）：
定義：結合AI實現自動化操作，如工業機器人、服務機器人。
應用：製造業自動化、醫療手術輔助。
出處：Britannica 提到機器人技術如何整合AI提升效率。
發表文章
