如果你拿起這本書，那就意味著你想投注心力和資源，幫助孩子做好準備，迎向人工智慧（artificial intelligence，簡稱AI）影響力與日俱增的未來世界。
但所謂的AI，到底是什麼呢？目前仍沒有一個定義能夠概括AI的所有可能性，甚至許多說法根本相互矛盾。你可能一方面聽到鑽研AI幾十年的專家表示，AI還不存在，但目前已經具備一些AI運作所需要的要素，而且正持續發展中；但另一方面又看到許多人在媒體上使用AI一詞，來談論特定的應用程式、機器人或電腦系統。這不禁讓人納悶，AI到底存不存在。的確，在這片眾說紛紜的雜音之中，我們實在很難釐清什麼才是AI。
會出現這樣的情況，其實並不令人意外。部分原因在於，隨著新科技的進展與普及，AI的定義也在持續改變。例如，以前有些人認為計算機是AI存在的證據，但我們現在通常將計算機視為一種基本的科技工具，並不覺得它們具備與人類相似的智慧。可以說，AI的認定標準隨科技進步而不斷提高，使得要明確定義AI變得十分困難。
有些人把AI的主要目標定義為「複製人類智慧」；另一些人則認為，AI的目標是輔助人類智慧，但無法複製或取而代之。對技術目標的不同看法，影響了人們對AI的定義，以及對AI所包含技術的認知。
另一部分原因則在於，人們甚至連什麼是「人類智慧」（human intelligence）都仍爭論不休。這問題不僅困擾著資訊科學界，在生物學或心理學領域也是如此。所謂人類智慧，是指智力測驗所得到的那個分數？還是指學習遷移的能力？或是指社交互動的能力？抑或是進行複雜演算的能力？或者其實存在著多元智慧？如果對於什麼是「人類智慧」都很難達成一致的意見，我們也可以合理假設，機器能力的差異也會導致我們很難取得唯一的AI定義。
關於「人工智慧」是什麼的問題，韋伯字典的定義是：
- 一個透過電腦模擬人類智慧行為的資訊科學分支。
- 機器模擬人類智慧行為的能力。
科技百科（Technopedia）則是將「人工智慧」定義為：「資訊科學的一個領域，著重在創造出能像人類一樣運作與反應的智慧機器」，並列舉出具備人工智慧的電腦所應能進行的活動，例如：
●語音辨識
●學習
●規劃
●設法解決問題
在撰寫本書的過程中，我常將教育工作者在探索AI世界時所遭遇的諸多困惑，拿來請教AI領域的專家們。長期投入相關主題研究的權威人士們擁有豐富的經驗，總能為我帶來適時的指引及深刻的啟發。
葛爾（Ashok Goel）是美國喬治亞理工學院（Georgia Institute of Technology）互動計算學院（School of Interactive Computing）的資訊與認知科學教授，他同時也是該學院人智計算（Human-Centered Computing）博士學位學程主任，擅長從「資訊世界」的觀點看待AI。身為創意、學習與認知論壇及互動智慧論壇的協調者，葛爾對於AI如何跟「人類世界」互動提供許多洞見。此外，他過去也曾擔任喬治亞理工學院設計與智慧實驗室（Design & Intelligence Laboratory）及生物靈感設計中心（Center for Biologically Inspired Design）主任，這些經歷都影響他如何看待AI對「實體世界」的衝擊。
葛爾認為，當人們就其自身專業領域角度定義AI時，往往不會將其他領域視為AI不可或缺的一部分。因此，唯有從跨領域的角度加以衡量，涵蓋生物學、資訊科學，到創意與認知等，我們才能獲得較為寬廣的視野，從而看見各領域AI定義間所隱含的交集。葛爾完整而全面的經歷，讓他擁有上述不同於一般專家的獨特洞見，同時也明確解釋為何AI定義會如此分歧，又讓初接觸AI領域的教育工作者深感困惑。
在與葛爾通信往返請益的過程中，他明確告訴我：「通用人工智慧」（artificial general intelligence，簡稱AGI）仍未誕生。截至目前為止，人們還製造不出能夠複製人類智慧的機器。我們還無法讓機器結合人類的互動、推論、處理與反應能力，展現出像人類那樣的情緒與創造力。
葛爾向我分享他創作的視覺圖表，以幫助大家了解該如何整合不同領域的AI觀點。你可以想像一個大圓圈，這代表所有AI的範疇。在這個圓圈裡，一些局部性功能的AI應用已經存在，而且被廣泛應用於現代生活中，例如：臉書具有臉孔辨識能力，可以判斷照片上的那個人是誰；又如語意網（semantic web）能夠把網頁資訊轉譯成機器能了解的語言。
在這個大圓圈裡又可分為三個較小的圓圈，它們以范恩圖（Venn diagram）般的樣貌彼此交疊（圖1）。
圖1
要創造通用人工智慧必須解決一些挑戰，而每一個較小的圓圈都代表目前已知的挑戰面向，分別為：「認知系統」、「機器學習」和「機器人學」。這三個AI面向間的界線並非涇渭分明，有些技術不只符合一種類別，這時它們就會落在小圓圈之間重疊的區域。
● 認知系統：處理人類世界。例如我們所熟知的聊天機器人；以及像「IBM華生」（IBM Watson）那樣的認知計算系統（cognitive computing system），從健康照護到幫助幼童學習字彙的冷知識遊戲（trivia game）等，已被廣泛運用於各類應用程式中。
● 機器人學：處理實體世界。讓機器可以到處移動，並與人類互動。其中一個著名的例子是通用汽車（General Motors）和美國航太總署（NASA）共同研發的機器手套，它能有效降低重複性工作對人體的負面影響。
● 機器學習：處理資訊世界。機器不只能處理大量資料，更能持續增進工作效能。
理論上，如果我們能在機器上讓這三個系統彼此整合，而且知道如何以有意義的方式讓機器彼此溝通、相互學習，我們就能夠創造通用人工智慧。但葛爾說，一些人開玩笑得稱AI應該是「幾乎整合」（almost integrated）的縮寫，因為目前還沒有人能搞清楚要如何整合機器人學、認知系統以及機器學習。葛爾也相信自己所創造出的這個圖表可能還缺少一些圓圈，那代表一些還沒發現、但對於真正的通用人工智慧來說是必需的要素。
如果我們只專注在想整合既有的AI元素，就會冒著遺漏其他重要元素的風險，例如認知科學、人類發展，以及社會文化的觀點。微軟共同創辦人艾倫（Paul Allen）曾在文章中主張，探究神經科學中我們尚未知曉的領域，將有助於解決創造AI時所面臨的挑戰。葛爾則認為神經科學觀點有其局限，因為它主要聚焦在了解人類大腦如何運作，但實際上人類所擁有的並非只是各自獨立運作的大腦和身體，我們還能在社會脈絡中進行學習——如同我們將在第二章看到的，人類的學習多數發生在其他人在場時。根據發展分子生物學家麥迪納（John Medina）的說法，人的經驗會影響大腦的連結方式。沒有兩個人的大腦會完全一樣，部分原因就在於每個人都具有獨特的生命經驗。
要明確界定出AI所包含的各種元素並不是件容易的事。例如，在什麼樣的條件下，才可以將一台「機器」視為是「機器人」？「速成教室」（Crash Course）是美國公共電視網（PBS）為各年齡層學習者所推出的一系列教育影片，本書中將使用他們在影片中所提出的定義。「速成教室」對機器人的定義是：「靠電腦控制自動導引，能執行一系列動作的機器」。我們可以透過以下兩支影片，了解「機器人」與「人工智慧」間的不同… 閱讀完整內容
