一、什麼是人工智慧 (AI)?
人工智慧，簡稱AI，是電腦科學的一個重要分支，其目標在於創造出能夠模擬、延伸和擴展人類智慧的機器系統。更具體地說，AI致力於讓機器具備感知、學習、推理、規劃、決策甚至創造的能力，從而執行那些傳統上需要人類智慧才能完成的任務。從簡單的自動化規則，到複雜的自主學習與適應，AI的範疇正隨著科技進步而不斷擴展。
AI的發展歷程並非一蹴而就，而是一段充滿里程碑的旅程。其概念可追溯至1950年代，艾倫·圖靈提出了著名的「圖靈測試」，為判斷機器是否具備智慧奠定了基礎。隨後，1956年的達特茅斯會議正式確立了「人工智慧」這一學科名稱。早期AI研究聚焦於符號邏輯與專家系統，但受制於計算能力與數據量，經歷了數次「AI寒冬」。直到21世紀，得益於大數據的爆發、計算機硬體（尤其是GPU）的飛躍，以及演算法的突破，AI進入了以機器學習和深度學習為核心的爆發式成長期，從實驗室走進了我們的日常生活。
如今，AI的應用領域已無所不在，深刻改變著各行各業。在我們身邊，AI驅動著手機的語音助理、社交媒體的內容推薦、電子郵件的垃圾郵件過濾，以及地圖App的最佳路線規劃。在更專業的領域，AI協助醫生進行醫學影像分析以早期診斷疾病，幫助金融機構偵測異常交易，優化工廠的生產流程，甚至創作出音樂與藝術作品。對於香港的學生而言，理解這些基礎概念，正是未來無論選擇何種職業道路都不可或缺的科技素養。許多香港的中學電腦科課程已開始將AI基礎知識納入教學大綱，而一些機構提供的中學到校課程，更將AI體驗工作坊帶進校園，讓學生親手操作簡單的AI模型，激發他們對這一前沿領域的興趣。
二、機器學習 (ML) 基礎
機器學習是實現人工智慧的關鍵技術，其核心思想是讓電腦系統能夠從數據中自動學習規律和模式，並利用這些學習成果來進行預測或決策，而無需對每個任務都進行明確的程式編寫。根據學習方式的不同，機器學習主要可分為三大類：監督式學習、非監督式學習和強化學習。
- 監督式學習：如同有老師指導的學習。我們提供給機器大量「帶有標籤」的訓練數據，即每筆數據都包含了輸入特徵和對應的正確答案（標籤）。機器的任務是找出從輸入到輸出的映射關係。例如，給定一堆標註了「貓」或「狗」的圖片，讓機器學會區分兩者。常見的演算法包括線性回歸和邏輯回歸。
- 非監督式學習：如同自學。我們只提供沒有標籤的數據，讓機器自行發現數據內在的結構或分群。例如，給定顧客的消費數據，讓機器自動將顧客分成幾個具有相似特徵的群組，以利行銷。常見的演算法包括K-means分群。
- 強化學習：如同透過獎懲來學習。機器作為一個「智能體」，在與環境互動的過程中，根據其行動所獲得的獎勵或懲罰來調整策略，目標是最大化長期的累積獎勵。這類似於訓練寵物或玩電子遊戲，透過不斷試錯來找到最佳策略。AlphaGo擊敗圍棋冠軍就是強化學習的經典案例。
以下簡介幾種基礎且重要的監督式學習演算法：
- 線性回歸：用於預測連續的數值。它試圖找到一條最適合數據點的直線（或超平面），來描述輸入變數（如房屋面積）與輸出變數（如房屋價格）之間的線性關係。公式簡單直觀，是許多複雜模型的基礎。
- 邏輯回歸：雖然名為「回歸」，但主要用於解決「分類」問題，特別是二分類（如是/否、成功/失敗）。它透過一個S形函數（Sigmoid函數），將線性組合的結果映射到0到1之間的概率，從而判斷某個樣本屬於特定類別的可能性。
- 決策樹：一種模仿人類決策過程的樹狀模型。它透過一系列「如果…那麼…」的規則對數據進行層層劃分。例如，預測是否出門打球，可能先根據「天氣」分叉，再根據「濕度」分叉，最終到達一個結論（打球/不打球）。決策樹模型直觀易懂，是許多進階模型（如隨機森林）的組成單元。
掌握這些機器學習的基礎概念，是進入AI世界的重要一步。香港部分學校的中學電腦科課程已嘗試引入這些概念的簡化教學，而更深入的數據分析課程則會帶領學生使用Python等工具，實際操作這些演算法來分析真實數據集，例如分析本地的天氣數據或交通數據，讓學習過程更具體、更有成就感。
三、深度學習 (DL) 初探
深度學習是機器學習的一個子領域，其靈感來自於人類大腦的神經網絡結構。它透過構建多層的「人工神經網絡」來學習數據的層次化特徵表示，從而能夠處理極其複雜和非結構化的數據，如圖像、聲音和文字。正是深度學習的突破，推動了近年來AI在諸多領域的驚人表現。
神經網絡基本結構：一個最基礎的神經網絡由三類層次構成：輸入層、隱藏層和輸出層。每一層由多個「神經元」（或稱節點）組成。輸入層接收原始數據（例如圖像的像素值），隱藏層負責對這些數據進行多層次的轉換和特徵提取，輸出層則給出最終的結果（例如圖像的類別標籤）。神經元之間透過「權重」相連，學習的過程本質上就是透過大量數據不斷調整這些權重，使得網絡的預測結果越來越準確。這個調整過程依賴於「反向傳播」演算法和優化器來最小化預測誤差。
卷積神經網絡 (CNN) 在圖像識別中的應用：CNN是專門為處理網格狀數據（如圖像）而設計的深度神經網絡。它的核心在於「卷積層」，該層使用一系列可學習的濾波器（或稱卷積核）在輸入圖像上滑動，提取局部特徵，如邊緣、紋理等。透過多層卷積和池化（降採樣）操作的堆疊，CNN能夠從低級特徵（邊緣）逐步組合出高級特徵（眼睛、輪廓，乃至整個物體）。因此，CNN在圖像分類、物件偵測、人臉識別等任務上表現卓越。香港的智慧城市項目中，基於CNN的技術已被應用於交通流量監控、公共安全等領域。
循環神經網絡 (RNN) 在自然語言處理中的應用：與CNN不同，RNN是為處理序列數據（如文字、時間序列、語音）而設計的。它的關鍵特性是具有「記憶」能力，網絡中的神經元不僅接收當前輸入，還會接收來自上一個時間點的自身輸出，從而能夠捕捉序列中的前後依賴關係。這使得RNN非常適合需要理解上下文的任务，例如機器翻譯、文本生成、情感分析等。不過，傳統RNN存在梯度消失問題，難以學習長距離依賴，因此後續發展出了長短期記憶網絡（LSTM）和門控循環單元（GRU）等改進模型。這些技術正是驅動智能聊天機器人、語音輸入法和新聞摘要工具的背後引擎。
四、AI倫理與社會影響
人工智慧在帶來巨大便利與效率的同時，也引發了一系列深刻的倫理挑戰和社會影響議題。作為未來的社會棟樑，中學生在學習AI技術的同時，也必須培養對這些問題的批判性思考能力。
AI的偏見與歧視：AI系統並非絕對客觀，它們的判斷完全取決於訓練數據和演算法設計。如果訓練數據本身反映了社會中存在的歷史偏見（例如在招聘、信貸審批數據中存在的性別或種族不平等），那麼AI模型就會學習並放大這些偏見，導致「算法歧視」。例如，一個用於篩選求職者簡歷的AI系統，如果主要使用男性高管的數據進行訓練，可能會對女性求職者或非傳統背景的求職者產生不公平的評分。這提醒我們，開發和部署AI必須包含數據審查、偏差檢測和多元化的團隊視角。
AI對就業的影響：自動化與AI確實會取代一部分重複性高、規則明確的工作崗位，這引發了對「技術性失業」的擔憂。然而，歷史表明，技術革命在淘汰舊職位的同時，也會創造出前所未有的新工種。AI時代將更需要能夠與AI協作、進行創造性思考、解決複雜問題以及具備高情商的人才。對於香港學生而言，與其恐懼被取代，更應積極準備。學校的中學電腦科課程應加強邏輯思維和編程能力，而校外的數據分析課程或中學到校課程提供的AI啟蒙教育，則能幫助學生提前了解未來職場所需的技能組合，將AI從「競爭對手」轉變為「得力助手」。
AI的監管與治理：隨著AI深度融入社會，如何對其進行適當的監管與治理成為全球性課題。這涉及多個層面：如何確保AI系統的安全與可靠？如何保護個人隱私數據不被濫用？如何界定自動駕駛汽車發生事故時的法律責任？如何防止AI技術被用於惡意目的（如深度偽造、自主武器）？各國政府、國際組織、科技公司和學術界正在積極探討建立AI倫理準則和法律框架。例如，歐盟已推出《人工智能法案》，旨在對高風險AI系統實施嚴格監管。這意味著未來的AI從業者不僅需要技術知識，還必須具備法律、倫理和社會責任感。
五、擁抱AI時代，培養科技素養
我們正站在一個由人工智慧驅動的時代轉折點。AI不再只是科幻電影中的情節，而是實實在在重塑我們學習、工作和生活方式的強大力量。對於中學生來說，這既是挑戰，更是機遇。害怕或迴避科技浪潮並非明智之舉，主動了解、學習並善用AI，才是面向未來的正確姿態。
培養AI時代的科技素養，遠不止於學習編程或操作軟體。它至少應包含以下幾個層面：首先是理解基礎概念，就像本文所介紹的AI、ML、DL的基本原理，這是與智能世界對話的共通語言。其次是發展計算思維，即學會像電腦科學家一樣，將複雜問題分解、抽象、模式識別並設計算法步驟來解決問題。這種思維能力在各學科乃至日常生活中都極具價值。再者是強化數據素養，在數據驅動決策的時代，能夠正確地理解、分析、詮釋和運用數據是一項核心競爭力。
最後，也是最重要的，是建立健全的倫理觀與社會責任感。技術本身是中立的，但其應用卻有善惡之分。未來的創造者和使用者必須思考技術發展的長期影響，確保科技向善，以人為本，促進社會的公平與永續發展。
香港的教育體系和社會資源正在為此做出努力。正規的中學電腦科課程在進行現代化改革，引入更多前沿內容；多元化的中學到校課程將業界專家和新鮮的實踐項目帶進課堂；而專注於實戰的數據分析課程則為學有餘力的學生提供了深化技能的途徑。作為學生，應積極利用這些資源，保持好奇心，勇於動手嘗試，在探索AI奧秘的過程中，不僅成為技術的使用者，更立志成為未來智能社會的負責任塑造者。讓我們以開放的心態和紮實的準備，共同擁抱這個充滿無限可能的AI時代。
