人工智能到底是甚麼？用一個日常例子分清 AI、機器學習與生成式 AI

01 / 人工智能

先把智能兩字拿走

鏡頭根據過往照片判斷菠蘿包是否烤焦，才是機器學習：規則不是逐條寫下，而是由例子中調整。系統再按你冰箱的剩餘材料，寫出一份從未出現過的早餐餐單，這才進入生成式 AI。

三者可以藏在同一個畫面，卻做着完全不同的事。

02 / 人工智能

AI 是目標，不是一件零件

人工智能是一個寬闊目標：讓機器完成原本需要感知、推理、語言或決策的工作。機器學習只是達成這目標的一種方法；生成式 AI 又只是機器學習世界內，專門產生新內容的一族。

所謂「用了 AI」因此幾乎沒有說明任何技術。就像一間餐廳說自己「用了電」：雪櫃、燈和焗爐都是真的，能力卻不能互換。

03 / 人工智能

隱藏的一層是誰定義成功

最少人提到的是：模型會學甚麼，首先由人選擇要它猜甚麼。烤焦偵測器若以「顧客有沒有退貨」作標籤，學到的可能是顧客容忍度，而不是麵包顏色。

AI 看似從數據自行發現答案，其實有人早已透過標籤、損失函數和測試方法，把「正確」的邊界畫好。數據不是現實本身，只是現實被記錄後留下的影。

04 / 人工智能

會生成不等於會理解

生成式系統擅長製造統計上連貫的新排列。它可以寫出漂亮餐單，卻未必知道你的焗爐壞了、材料已過期，或客人對花生敏感。

流暢是輸出的質感，不是對世界狀態的保證。這正是它令人驚艷亦令人誤判的地方：介面像在交談，底層更接近一部極強的模式延續器。

05 / 人工智能

同一工具可以同時屬於三層

手機相簿用模型辨認人物，是機器學習；自動寫回憶標題，是生成式 AI；整個「幫你整理照片」的功能則可被包裝為人工智能。分類不是三選一，而是包含關係。

最簡單的判斷方法不是問它叫甚麼，而是問：規則由人直接寫好、由數據學出，還是根據學到的分布創造新輸出？

06 / 人工智能

真正的分界在失敗方式

傳統軟件多數以一致方式失敗：同一漏洞可重現。機器學習會在訓練資料稀少的角落失敗。

生成式 AI 更特別，它可以每次產生不同而又貌似合理的錯誤。選擇工具時，最重要的不是哪一個聽起來更先進，而是哪種失敗你承受得起。