當 AI 的「深度學習」形成偏見，法規該如何遏止傷害？

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入

本文轉載自 宜特小學堂，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

2024 年底將至，歐盟立法要求 13 類電子產品將強制統一採用 USB Type-C 接口，將在 12 月底強制實施。對於消費者來說是一大福音，對於企業則是重大衝擊，隨著截止日期日益逼近，企業該如何確保自家產品有符合規範，並維持在歐盟市場中的競爭力呢？

早在 2022 年，歐盟就已正式發布有關通用充电器的修訂指令 Directive（EU） 2022/2380，除了筆記型電腦在 2026 年 4 月 28 日才開始適用以外，其他 12 類可充電無線裝置 ( Radio Equipment )，包括手機、平板、數位相機、耳機及耳麥、手持遊戲機、可攜式喇叭、電子閱讀器、鍵盤、滑鼠、可攜式導航設備以及入耳式耳機，從今年 12 月 28 日起，就須統一採用 USB Type-C 充電接口。

這大大提高設備之間的相容性，為消費者提供更方便的充電解決方案，也能減少電子廢棄物的產生。甚至英國政府也考慮比照歐盟規範，開始諮詢是否要求所有新電子裝置採統一充電標準。

而歐盟境內將根據這一指令，所有銷售的相關電子設備都需要符合 IEC 62680-1-3:2021（USB Type-C^® Cable and Connector Specification）標準。此外，對於充電電壓超過 5 伏特、電流超過 3 安培或功率超過 15 瓦的設備，則須符合 IEC 62680-1-2:2021（USB Power Delivery specification）標準，確保這些設備能夠快速充電，並在各種充電環境下維持高效運作。

為了不讓OEM / ODM廠商面對新規範無所適從，2024 年 8 月底USB-IF（USB Implementers Forum，簡稱USB-IF）協會緊急推出符合 IEC 62680 測試規範的正式計畫（USB-IF Conformity to IEC 62680 (USB) Specifications Program），針對歐盟關注的 USB Type-C 裝置在「充電功能」上的要求，提供廠商一個簡便且具成本效益的測試流程。如此一來，大家對測試項目就有所依循，能確保自家產品符合規範。

本篇文章我們將火速解讀測項並分享已進行測試的實際案例，想進一步了解規範解讀，或是要帶領產品前進歐盟市場嗎？那就接著看下去吧！

為符合歐盟Type-C規範，USB-IF 公布的 IEC 62680 測試指南

USB-IF 從 IEC 62680（USB）規範繁複的測試項目中，針對歐盟對 Type-C 接口充電效能的要求，去蕪存菁定義了一組最基本的必要測試，測試內容可見 USB-IF 官網連結。

Conformity to IEC 62680 測試規範解讀

歐盟Directive（EU）的指令（EU 2022/2380）是對RED（Radio Equipment Directive）2014/53/EU中 3.3(a) 條款的補充，主要確保 13 類無線充電設備統一使用 USB Type-C 接口。宜特整理出符合 IEC 62680 規範的三大測試項目，以便讀者更清楚了解如何達到最新的合規要求。

USB Type-C 功能測試規範（USB Type-C Functional Test Specification）：

此測試項目主要是檢查 USB Type-C 裝置是否符合 USB Type-C 規範要求。測試內容涵蓋多種不同的 USB Type-C 操作模式，包括：

1. UPF/DFP（Upstream Facing Port / Downstream Facing Port）：

測試設備在擔任 Host 或 Device 角色時的功能和相容性。

2. DRP（Dual Role Port）：

檢查設備是否能在 Host 或 Device 角色間切換。

這些測試的目標是確保 USB Type-C 裝置能在不同設備間正確運作，並且符合電氣和計時要求，以建立穩定的功能連接。

USB 電力傳送合規性測試規範（Power Delivery Compliance Test Specification）：

這部分的測試是確保 USB Type-C 裝置符合 USB Power Delivery 3.1 的規範要求，如果產品支援 Power Delivery，就需要執行這項測試，具體包括：

1. 電壓、電流、電力的要求：

檢查設備是否符合 USB Power Delivery（PD）規範中定義的不同電壓與電流的要求。

2. 不同模式下的功能測試：

特別是在 PD2 Mode 和 PD3 Mode 下，測試設備的功能和向下相容性，確保設備能夠在不同的 PD 模式中正確運作。

3. USB Power Delivery (PD)：

確保設備能夠正確支持 USB Power Delivery SPR (Standard Power Range／標準功率範圍，簡稱SPR) 或 EPR (Extended Power Range／擴展功率範圍，簡稱EPR)，管理電力交換和通信。

這些測試旨在確保 USB Type-C 裝置在提供電力時，能夠滿足規範要求，從而確保設備在實際使用中的安全性和穩定性。

USB 電源測試規範（Source Power Test Specification）：

這些測試是用來驗證 USB Type-C 接口作為電源供應端時的各項功能。如果產品具備Source Power能力，就需要執行以下測試，測試內容包括：

1. 負載測試（Load Test）：

檢查設備在不同負載下的電壓和電流變化。

2. 過電流保護（Over Current Protection，簡稱OCP）：

檢查設備在過電流情況下是否能夠啟動保護機制，防止損壞。

3. Multi-Port 裝置的電力分配和管理：

對於具有多個 Type-C Port 的設備，測試其在多個 Port 同時使用時的電力分配和管理功能。

這些測試的目的是確保 USB Type-C 電源在實際使用中能夠安全、穩定、可靠地提供所需的電力，並且在多 Port 裝置的情況下，各個 Port 之間的電力分配和管理也符合規範要求。

案例分享

宜特訊號測試實驗室透過符合 USB-IF 規範的測試儀器進行測試，並擷取過程中未通過的資訊，提供給廠商進行除錯後（debug）順利取得相關證書。以下分享兩個案例：

案例一 : 合規測試規範變動導致測試誤判的問題排查

在產品測試過程中，可能因為合規測試規範（Compliance Test Specification，簡稱 CTS）更動或是尚未定義，造成測試儀器誤判而未能通過測試。透過側錄的資訊（Trace or Log）檢查未通過的結果與 CTS 似乎有衝突，宜特訊號測試實驗室將此現象反應給儀器商進行討論，確認出真正的問題之外，亦會在每週和 USB-IF 協會的線上會議確認是否有類似問題已被提出工程變更請求（Engineering Change Request，簡稱 ECR），未來是否有機會修正為工程變更通知（Engineering Change Notice，簡稱 ECN），並進而修訂 CTS，減少廠商 debug 時間。

案例二 : 負載測試中 Vbus 電壓過低問題的分析與解決

進行負載測試時（Load Test），Vbus 過低且未在規範要求的時間內恢復到合適的電壓範圍，如下圖，若 Vbus 低於 4.75V（VSrcNew（min））且未能在 tSrcTransient 內拉回至 4.75V 以上。儀器就會判定產品未能通過負載測試，這種情況可能導致裝置無法正常工作。遇到這樣的情形，宜特訊號測試工程師會說明規範，讓廠商了解未通過的原因，協助對症下藥、縮短 debug 時間。

當負載（load）高於或低於 60mA 時，Source 輸出電壓在應對負載瞬態變化時必須遵守以下規範（見下表）：

1. 負載高於或等於60mA的情況：

Source 輸出電壓必須在負載瞬態變化後的 5 毫秒內，回到介於 vSrcNew 和 vSrcValid 之間的範圍內。

2. 負載低於60mA的情況：

Source 輸出電壓必須在負載瞬態變化後的 150 毫秒內，回到介於 vSrcNew 和vSrcValid 之間的範圍內。

如何進行 USB-IF Conformity to IEC62680？

USB-IF 為了有效管理和追蹤 USB 產品設備，將審查所有提交的測試結果並提供正式的批准。OEM/ODM 廠商可將其 USB Type-C 產品提交至 USB-IF 授權的獨立測試實驗室（Independent Test Labs，簡稱 ITLs）進行正式測試。廠商需要先取得 Vendor ID（VID），VID 可以透過成為 USB-IF 會員或購買取得。有了 VID 後就能進入 USB-IF 網站中登錄產品，USB-IF 會分配給該產品一個 Test ID（TID）識別碼，用於追蹤該產品的測試和認證記錄，接著就能開始進行 Conformity 測試。通過測試的產品會被公開登錄在 USB-IF 網頁上的 IEC 62680 Conformity 名單中，並收到來自 USB-IF 證明產品符合 IEC 62680（USB）規範的通知信。

雖然 USB-IF Conformity to IEC 62680（USB）為 OEM/ODM 廠商提供了一個正式的測試途徑，以符合歐盟指令，但需要注意的是，這與完整的 USB-IF 認證計畫有所不同。USB-IF 認證計畫提供了更為全面的測試，不僅能證明產品符合歐盟對充電功能的要求，還能驗證其在數據傳輸、可靠性和互通性方面是否達到 USB-IF 的標準。通過完整認證的產品有資格使用消費者熟知且信任的 USB 認證標章，而僅通過 USB-IF Conformity to IEC 62680（USB）規範計畫的產品則無法使用該標章。儘管如此，該新計畫仍能協助 OEM/ODM 廠商快速測試其產品，進一步推動進入歐盟市場的進程。

宜特科技作為 USB Power Delivery（PD）正式認證的測試實驗室（ITL），已取得 USB-IF 最新的 Power Delivery 3.1 技術授權，並同時具備 USB4 V1 電氣測試（Electrical Testing）、USB 3.2 和 USB 2.0 產品認證測試的資格。這些授權能協助客戶進行各類 USB-IF 產品的認證測試，並幫助驗證 13 類 Type-C 可充電無線裝置是否符合 IEC 62680 標準，順利取得 USB-IF 符合性認證。如需要獲得 USB-IF 標章認證，宜特也提供完整的 USB 相容性測試，為產品提供更全面的保障。

本文出自 www.istgroup.com。

即使再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？

錯，可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡，頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德（John Hopfield）和傑佛瑞·辛頓（Geoffrey Hinton）。他們以「人工」的方法打造了類神經網路，最終模擬出生物的「智慧」，奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的，竟然會是物理學？物理要怎麼讓 AI 更像人類？

從巴甫洛夫的狗到赫布理論：理解學習的基礎

為了解答這個疑問，我們需要一些背景知識。

20 世紀初，俄羅斯心理學家巴甫洛夫發現，狗在食物還沒入口前，就會開始分泌唾液。他進行了一系列實驗，改變食物出現前的環境，比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之，狗只要聽到鈴聲，就會開始分泌唾液。

大約 50 年後，神經科學家赫布（Donald Hebb）提出了一個假說：大腦中相近的神經元，因為經常同時放電，會產生更強的連結。這種解釋稱為「赫布理論」，不僅奠定了神經心理學的發展，更成為現代深度學習的基礎。

然而，赫布理論雖然描述了鄰近神經元的關係，卻無法解釋大腦如何建構出如此複雜的聯想網路。

霍普菲爾德網路：物理學家對神經網路的貢獻

然而，赫布理論雖能描述神經元之間的關係，卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威（John Conway）的「生命遊戲」（Game of Life）中獲得靈感，試圖建立一個可以在電腦上運行的記憶系統。

「生命遊戲」由數學家康威（John Conway）發明，玩家開始時有一個棋盤，每個格子代表一個細胞，細胞可以是「活」或「死」的狀態。根據特定規則，細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現，這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元，在出生時處於初始狀態，經過刺激後，神經元間的連結會產生或斷裂，形成強大的記憶系統。他希望利用這些理論，創造一個能在電腦上運行的記憶系統。

然而，他面臨一個難題：赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行，必須要有明確的數學規則。

物理學的啟發：易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型：易辛模型（Ising Model）。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中，電子具有「自旋」，自旋產生磁矩。電子的自旋方向只有「向上」或「向下」，這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向，類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響，並通過計算系統能量，得出自旋狀態的分佈。霍普菲爾德借用了這個概念，將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算，以及赫布理論的動態連結，創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

突破瓶頸：辛頓與波茲曼機

然而，霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題，無法找到系統的全局最優解。為了解決這個問題，加拿大計算機科學家傑佛瑞·辛頓（Geoffrey Hinton）提出了「波茲曼機」（Boltzmann Machine）。

辛頓將「模擬退火」的概念引入神經網路，允許系統以一定的機率跳出局部最小值，尋找全局最優解。他還引入了「隱藏層」的概念，將神經元分為「可見層」和「隱藏層」，提高了網路的學習能力。

受限波茲曼機（Restricted Boltzmann Machine）進一步簡化了模型，成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來：跨學科的融合

霍普菲爾德和辛頓的工作，將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸，還奠定了深度學習的基礎，對現代 AI 技術產生了深遠的影響。因此，2024 年諾貝爾物理學獎頒給他們，並非意外，而是對他們在跨學科領域的重大貢獻的肯定。

AI 的發展，離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作，正是這種融合的典範。未來，隨著科學技術的進步，我們有理由相信，AI 將越來越接近人類的思維方式，甚至可能超越我們的想像。