作者: 171802pwpadmin

近年來，人工智慧（AI）的發展突飛猛進，從感知型人工智能（Perception AI）協助我們進行不同的自動化識別，再進化到生成式人工智能（Generative AI），為我們生成不同的文章、圖像、以至視頻，大幅度提升了我們的工作效率；而近期的發展焦點，則是代理型人工智慧（Agentic AI），讓 AI 不僅能執行預設任務，還能作出推理，動態調整策略、整合多模態數據，並與環境互動。至於下一個發展重點，很多業內人仕皆應為是實體人工智慧（Physical AI），把人工智能加入一個「身軀」（Embodiment），融入我們生活及工作各個環節，進一步改變人類生活與產業運作模式。   在探討下一個階段發展重點實體人工智慧（Physical AI）之前，讓我們回顧一下目前機械人的發展情況。 在探討下一個階段發展重點實體人工智慧（Physical AI）之前，讓我們回顧一下目前機械人的發展情況。 傳統機械人的發展及應用 傳統機器人自20世紀中葉問世以來，主要應用於工業自動化領域，如汽車製造、電子組裝等高精度、重複性任務。其核心特徵為固定程式邏輯與封閉式系統，雖具備高效穩定性，但缺乏環境適應能力。隨著技術演進，協作型機器人（Cobots）和感測器的引入，使其逐步擴展至醫療手術、物流倉儲等場景，但仍面臨彈性不足與高成本等限制。 近年來，傳統機器人正透過整合AI感知技術、大言語模型推理技術實現升級。自從2025年中國春節晚會宇樹（UNITREE）機械人亮相之後，AI 機械人的前景十分可觀，規模化生產局面正在加快形成。 具備感知的AI機械人 目前具備感智的AI機械人的應用已經十分廣泛，根據技術應用場景與功能，可分為以下幾類：  工業AI機械人（Industrial...

隨著人工智能(AI)的快速發展，代理式人工智能(Agentic AI)成為了當前技術領域的一大熱點。這種類型的AI不僅僅是回答單一問題，而是能夠主動地幫助用戶分解問題、執行任務，並在多輪互動中提供更高效、更個性化的解決方案。本文將從概念、技術核心到日常應用，解析代理式人工智能帶來的變革。 什麼是代理式人工智能(Agentic AI)？ 著名AI專家吳恩達(Andrew Ng)提出了人工智能領域的一個新趨勢 – 代理工作流程(Agentic Workflow)和人工智能代理(AI Agents)。 代理工作流程是一種創新的與大型語言模型(LLMs)的互動，以完成複雜任務並產生比傳統方法準確得多的輸出。與零樣本(Zero-shot)或少量示例(Few-shot)方法不同，代理工作流程採用更迭代(Iterative)和多步驟(Multi-step)的方法，將一個複雜任務分解為幾個小步驟。這個步驟可以令LLM模型能夠在每一步都能理解你的反饋，並進行自我反思，甚至乎與多個代理協作執行任務。 代理工作流程中使用的4種常見的人工智能代理設計模式：反思(Reflection)，工具使用(Tool use)，规划(Planning)和多智能体协作(Multi-agent collaboration)，這種模式的特點是人工智能系統通過自我反饋和迭代改進來增強其能力。通過反思和分析其初始輸出，人工智能系統可以提高其結果的質量和準確性。 代理人工智能的主要特點 自主決策：這些人工智能代理分析實時數據，並根據預定目標執行決策。 適應性：它們根據變化的情況進行演變，從環境中學習，而無需持續的人類干預。 自我改進：代理人工智能代理隨著時間的推移不斷提高其性能，從過去的經驗中學習。 與傳統LLM「一問一答」交互方式不同，代理式人工智能會與用戶進行一場動態對話，不僅僅是執行單一的任務或回答單一的問題，而是像一個「代理人」一樣，主動幫助用戶分解疑問為多個子問題，甚至是元問題(meta-problems)，然後通過研究、分析找到解決方案，並以總結性結果返回給用戶。例如，當用戶詢問「我想去巴黎旅遊，怎麼安排？」時，代理式AI不會只給出一個回覆，而是進一步詢問用戶的偏好，比如「你想什麼時候去巴黎？」「旅遊幾多日？」「預算範圍是多少？」最終通過多層次的交流，給出一個高度個性化的建議。 代理式人工智能常用的工作流...

隨著人工智慧技術的迅猛發展，特別是生成式人工智能（Generative AI）的突破，深偽技術（Deepfake）生成的虛假內容越來越精緻，真假難辨。這些新型的 AI 技術不僅能夠生成極為逼真的圖像和影片，還能通過圖靈測試，讓人難以分辨真偽，這對社會帶來了深遠的影響。 問題及案件頻發 深偽技術（Deepfake）的進步使得其在圖像、聲音、視頻方面被廣泛應用，造成的困擾日益凸顯，主要包括虛假信息散播、個人隱私侵犯、詐騙欺詐犯罪、政治操控、法律道德問題、信任危機、文化與社會影響等等問題。 其中有一些已經發生的案例特別突顯，引起各界關注： 假新聞傳播：社交媒體上假新聞的快速傳播可能導致公眾恐慌和社會不穩定，深偽技術（Deepfake）使得假新聞的製作變得更加容易。有報導指出,  香港人工智能深偽騙案在去年增加十倍。併隨著通訊技術的同步快速發展，假新聞的擴散迅速，不僅影響民眾的觀點和情緒，進一步影響公眾的認知，對社會信任和公共輿論造成負面影響，還可能造成社會動盪甚至對國家安全構成威脅。所以有媒體呼籲，全民應該提升媒體素養，齊齊打擊假內容。 金融欺詐：人臉辨識技術在金融領域的應用可能因Deepfake技術而受到威脅，偽造的人臉可能被用於身份盜竊或欺詐行為，對財務安全構成威脅。詐騙者發掘利用人臉識別技術，偽裝成他人进行金融诈骗。早前據香港警方指出，一家跨國公司的一名財務人員在視訊電話會議中被騙，詐騙者利用Deepfake 技術冒充該公司財務長，從而騙取這家企業2600 萬美元。 殺豬盤：這個是指透過社交平台或交友程式誘騙受害人投資股票、賭博的詐騙手法。這類事件伴隨著社交平台及網路轉賬的發展而出現，今年10月香港警方偵破的一個案件揭露出詐騙集團已經開始利用深偽技術進行詐騙。 假文憑面試：通過Deepfake技術偽造的文憑和證書可能變得更加難以識別，不僅會給招聘者在招聘過程中增加了辨認難度，甚至入學及入職流程都無法避免。而通過偽造的文憑進行升學及應聘，已經成為一種灰色產業。在香港發生的假學曆風暴，已經蔓延到澳門。 以上例子只是目前利用深偽技術進行詐騙的冰山一角。面對這些挑戰，如何有效地打擊假冒技術成為當前越變緊急的問題。以下我們將會探討一些辨認真假的方法。 辨認真假的方法及限制 對抗虛假信息的手段多種多樣，很多研究團隊及公司致力於開發「反Deepfake」的工具，化身AI 人工智能時代的「數位偵探」。目前已有多種辨識方法進行”打假”: 使用音位–視位不匹配的 Deepfake 檢測 這個檢測方法是由斯坦福大學和加州大學的聯合研究團隊開發，使用先進的人工智能算法來檢測 Deepfake 中視位（Viseme）和音位（Phoneme）之間是否一致。背後的依據是Deepfake 常犯的錯漏，Deepfake技術難將視頻嘴型動態與人物發音時口型完美匹配。該檢測方法將嘴巴的運動（發音嘴型）與口語單詞（音位）進行比較，並查找任何不匹配的地方。 如果檢測到不匹配，則會彈出強烈提示，該視頻可能為深度偽造。 使用「血流」進行實時視頻Deepfake檢測 另外一個利用生理技術特征進行反深偽技術的是英特爾公司聯合紐約州立大學發明的 FakeCatcher實時深度造假檢測器。其背後的原理是利用人類心臟泵血時人類靜脈顏色會改變的事實，將這些收集到的數據通過算法及深度學習技術，轉換成時空圖鑒，作為視頻檢測的線索，檢測視頻的真假。這個微妙的「血流」Deepfake檢測技術能在毫秒之間達到96% 的準確率。 使用「混合邊界」進行Deepfake 檢測 動態視頻的反Deepfake方法較為多樣化，靜態照片的檢測亦有工具。微軟推出的驗證工具可以檢測靜態照片或視頻，提供實時置信度得分，其人工智能技術主要檢測深度偽造照片的細微灰度元素，比如頭髮絲與物體的混合邊界，與現實的圖片的參數是否差異，從而得出結論。...

心理健康(Mental health)是指個體在情感、心理和社會方面的健康狀態。它深刻影響不僅是個人的生活質量，還包括家庭和整個社會。隨著社會的快速演變，心理健康問題變得越來越突出。根據世界衛生組織的報告，全球有超過 4 億人患有抑鬱症，而這一數字仍在持續上升。這些驚人的數字使心理健康問題比以往任何時候都更受關注。 心理健康研究與數據分析的聯繫 從一開始，數據分析在心理健康研究的發展中發揮了至關重要的作用。經典的數據分析包括定量(Quantitative)和定性方法(Qualitative)。定量分析利用數據的統計特徵以數字形式描述心理健康狀況，而定性分析則專注於理解個體的經歷、感受和觀點。這兩種方法各有其優勢，可以相互補充，使研究人員和心理健康專業人士能夠更全面地理解心理健康的各個方面。 隨著科技的進步，人工智能(AI)在數據分析中的應用越來越普遍。心理健康研究採用最新 AI 數據分析技術已成為近年的發展方向。這一轉變的原因顯而易見：AI 可以處理大量數據並提取有用的信息，這在過去是非常困難的。AI 更提供了對文本數據深度分析的能力，可應用於評估個體以至群體的情感狀態，甚至預測心理健康問題的發生。 AI 數據分析在心理健康中的應用 AI 數據分析的相關技術具體是如何被應用在心理健康研究中呢？以下將分享一些我們常在報章看見的AI技術與其相關的心理健康應用。 機器學習：利用算法從數據中學習，識別模式並預測結果。常見的應用包括分類（例如情感分析）和回歸（例如預測心理健康指數）。 自然語言處理（NLP）：專注於使計算機理解和生成自然語言。可用於分析患者對話和社交媒體內容，以評估情感和心理狀態。通過分析患者的語言，NLP 可以幫助識別情感變化和潛在的心理健康問題。 深度學習：一種專門的機器學習形式，使用神經網絡處理大量數據。可應用於圖像識別、語音識別和自然語言處理等領域。...