本課程教材以歷史發展的視角，帶領讀者理解人工智慧從誕生到生成式 AI 時代的完整演進過程。透過時間軸的梳理，我們將探討 AI 如何從早期的符號推理，經歷多次寒冬與復甦，最終發展到今日能夠創造內容的生成式 AI。
完成本課程後，您將能夠：
探討人工智慧的核心定義、哲學根源，以及為何要從歷史視角理解 AI 的發展。
關鍵概念：
- AI 的核心定義
- 哲學與科學根源（亞里斯多德、萊布尼茲、布爾）
- 歷史視角的重要性
- 典範轉移 (Paradigm Shifts)
提供視覺化的時間軸與關鍵詞地圖，作為整個課程的導航工具。
內容：
- 互動式時間軸圖表 (Mermaid)
- 五個時期的關鍵技術與事件
- 視覺化學習路徑
在深入歷史前，先建立理解框架：傳統 AI vs 生成式 AI 的本質差異。
關鍵對比：
- 分析型 AI vs 生成式 AI
- 核心目標與技術差異
- 應用場景對比（文本、視覺、音訊）
- 典範轉移的意義
探討 AI 誕生前的理論準備，以及最早期的思想實驗與計算模型。
重點人物與概念：
- 艾倫·圖靈與圖靈測試
- 圖靈機與可計算性
- 諾伯特·維納與控制論
- 符號 AI 與邏輯系統
AI 作為獨立學科的誕生，以及早期研究者的樂觀探索。
里程碑：
- 達特茅斯會議 (1956)
- 早期程式：Logic Theorist, GPS
- LISP 語言的誕生
- 感知器與早期神經網路
- 樂觀主義與早期挑戰
AI 研究遭遇挫折，以及透過專家系統與機器學習的復興之路。
轉折點：
- 兩次 AI 寒冬的成因
- 專家系統的興衰 (MYCIN)
- 從符號主義到機器學習的典範轉移
- 反向傳播演算法的突破
- 決策樹、SVM 等經典方法
三大要素匯聚，引爆 AI 的第三次浪潮。
革命三要素：
- 大數據時代的來臨
- GPU 加速的突破
- 深度學習演算法的成熟
技術突破：
- CNN 與 AlexNet 的勝利
- RNN/LSTM 處理序列數據
- Transformer 架構革命
- 預訓練-微調範式
從理解世界到創造世界，生成式 AI 的爆發與挑戰。
核心技術：
- 大型語言模型 (GPT, BERT, LLaMA, Claude, Gemini)
- 規模化定律
- 生成對抗網路 (GAN)
- 擴散模型 (DALL-E, Stable Diffusion)
- 多模態 AI (CLIP, GPT-4V)
倫理與社會挑戰：
- 偏見與公平性
- 透明度與可解釋性
- 數據隱私與深度偽造
- AI 監管與治理
- AI 對齊問題
回顧 AI 發展的完整歷程，提煉關鍵洞察，展望未來方向。
核心主題：
- 四個發展階段的典範轉移
- 多重因素的交織作用
- 技術、社會、哲學層面的未來展望
- 對當代的啟示
整理課程中出現的核心術語，以便快速查閱。
精選的影片、書籍、課程、論文資源，供深入學習使用。
資源類型：
- 推薦影片（中文講座）
- 經典書籍
- 線上課程
- 重要論文
- 學習路徑建議
按章節順序完整閱讀，建議分 2-3 次完成。
✅ 系統化：完整涵蓋 AI 從誕生到當代的發展歷程
✅ 視覺化：使用 Mermaid 圖表呈現時間軸與概念關係
✅ 深入淺出：專業術語配有詳細解釋與實例
✅ 中英對照：重要術語提供中英文對照
✅ 模組化：章節獨立，可依需求選讀
✅ 實用導向：連結當代應用與實際案例
✅ 批判思考：探討倫理、社會影響與未來挑戰
如有任何問題、建議或發現錯誤，歡迎提供回饋以協助改進教材品質。
開始學習 → 第 I 章：導論 — AI 的起源與意義