01_AI 與大型語言模型的演進

核心表格

核心主題	主要觀點／方法	對後續 AI 的作用	重要條件／限制／延伸
人工智慧	讓機器執行原本需要人類認知能力的學習、解題、模式辨識、語言理解與決策等工作	作為自然語言處理、機器學習、深度學習等技術的總稱	不同方法的能力、資料需求與限制並不相同
圖靈機	同一部機器可藉由不同指令執行不同可描述任務，不必改變實體機械結構	奠定可程式化計算的理論基礎	理論模型與 Bombe、ENIAC 等實際機器不可混為一談
符號式 AI	以規則、搜尋、符號與知識表示處理問題	形成早期解題、自然語言處理與專家系統	面對例外、脈絡與大規模知識維護時成本高
神經網路	由資料學習模式；感知器、反向傳播與 Hopfield 網路推動方法演進	讓 AI 從明確寫規則逐步轉向從資料學習	需要適當資料、訓練方法與運算資源
機率式推理	利用貝氏網路與隱馬可夫模型處理不完整與不確定資訊	讓 AI 能在不確定環境中進行推論	結果仍受模型結構與機率假設影響
運算能力與大數據	多核心、GPU／TPU、雲端、ImageNet、Word2Vec 等共同推動模型與資料規模成長	支援大型模型訓練與表示學習	資料或硬體更多，不等於模型一定更好
Transformer	2017 年提出多頭注意力機制，可平行處理序列資訊	成為 GPT、BERT 等大型語言模型的重要基礎	本章來源沒有提供統一效能基準，因此不自行補數字
大型語言模型	GPT-1、GPT-2、GPT-3、DALL-E、InstructGPT、ChatGPT、GPT-4 等形成快速演進時間軸	從文字預訓練走向對話、多模態與應用程式介面	參數量、使用者數、介面、隱私與安全是不同指標，不能互相替代

章節定位

第 1 章不是企業應用章，而是回答：今天的生成式 AI 與代理式 AI 是如何一步一步形成的？ 原書將人工智慧（Artificial Intelligence, AI）的發展串成一條長期技術鏈：形式邏輯 → 可程式化計算 → 符號式 AI → 自然語言處理與知識表示 → 神經網路 → 專家系統 → 機率式推理 → 平行運算 → 大數據 → Transformer → 大型語言模型。