AI 發展脈絡：從規則式到深度學習
要理解現今風靡的生成式 AI，我們必須回顧人工智慧（AI）的發展歷程。早期的 AI 系統大多是規則式系統，也就是由人類專家將知識彙整為一條條邏輯規則和 IF-THEN 條件，讓電腦依照規則行事。這類方法在 20 世紀後半葉產生了不少專家系統應用，能在狹窄領域（如醫療診斷、下棋）表現出一定智慧。但規則式 AI 無法自我學習，需要人工更新規則，適應性有限。一旦場景超出預先設定的規則範圍，系統就束手無策。
機器學習時代的來臨
進入 21 世紀，隨著計算資源提高和資料累積，AI 研究重心轉向機器學習。與規則式系統不同，機器學習讓電腦透過資料找出規則，而非由人硬寫規則。也就是說，工程師提供大量已知輸入輸出對，讓演算法自行「學習」其中的模式。透過監督式學習、非監督式學習等方法，電腦開始能從資料中歸納經驗，處理越來越複雜的任務。例如，影像辨識不再靠人工編寫的特徵提取規則，而是交由模型從成千上萬張圖片中學出辨別特徵。
深度學習的崛起
機器學習的一個重要分支是深度學習。深度學習運用了多層次的人工神經網路，使電腦能端對端地學習特徵表示，大幅提升了效果。關鍵轉折點出現在 2010 年代初：研究者成功訓練非常深的神經網路（擁有多層隱藏層），再加上 GPU 平行運算和海量資料的助力，模型準確率頻頻刷新紀錄。深度學習快速崛起為主流 AI 方法，應用範圍涵蓋圖像辨識、語音識別、自然語言處理等幾乎所有 AI 領域。更棒的是，深度學習模型自動學習特徵的能力，減輕了人工設計特徵的負擔，讓 AI 系統能處理過去難以應付的複雜問題。
從深度學習到生成式 AI
深度學習的蓬勃發展直接催生了生成式 AI 的出現。生成式模型可以在學習海量資料後，生成逼真的新內容。例如，生成對抗網路（GAN）能創作以假亂真的圖像，而大型語言模型（LLM）則能生成連貫的段落文字。這些生成能力的背後，正是深度學習強大的表示學習和模式擬合能力。以 ChatGPT 為代表的生成式 AI 模型，結合了 Transformer 等先進深度學習架構與大規模語料訓練，不僅能理解語言，更能創造語言。可以說，沒有深度學習，就沒有今日令人驚嘆的生成式 AI。
結語
從早期僅能遵循固定規則的專家系統，到能自我學習的機器學習模型，再到以深度學習為基礎的生成式 AI，人工智慧技術實現了飛躍式的進步。我們正處於 AI 發展的歷史高點，深入理解這條發展脈絡，有助於我們把握當前生成式 AI 技術的核心價值與未來挑戰，為後續的進階學習打下基礎。