如果有隻鸚鵡能回答任何問題，我將毫不猶豫宣稱牠是智慧生物。
——狄德羅（Denis Diderot）
信不信由你，人工智慧（artificial intelligence，AI）與表演藝術的糾葛已超過百年——在捷克劇作家卡雷爾．恰佩克（Karel Čapek）1920 年的作品《羅梭的全能機器人》（Rossum's Universal Robots）中，「機器人」（robot）一詞首度被用來描述這種外型似人，擁有與人類相同思考與行動能力的機械；而劇作中機器人原本設計來服務人類，卻「覺醒」而導致人類毀滅的設定，也成了後世科幻作品對人工智慧的經典想像：從《2001 太空漫遊》的 HAL 9000 到《魔鬼終結者》的天網，機器一旦開始思考，毀滅人類似乎總是它們的首要任務。
如果我們把人類到底多不該存在先放一邊，這類故事原型正好讓我們一窺大眾對 AI 的終極想像：它們能理解回應世界的變動並解決沒有標準答案的問題，最終甚至可能演化出自由意志而做出（就人類看來）叛逆的決定。這種能像人一般認知、思考、學習的 AI，稱作通用人工智慧（artificial general intelligence，AGI）或強人工智慧（strong AI）。
黑盒子中的秘密：人工智慧是如何產生「智慧」？
AGI 一直是 AI 研究領域的終極聖杯，現階段 AGI 離實現也還有段距離（註1）；目前日常生活可見的 AI 多是另一種思維的產物：機械無需「真的」有智慧，它們只要能執行所謂的「智慧型任務」就可以了；比如在停車場出入口辨識車牌、在海關驗證身分、自動或輔助汽車駕駛等等。這類 AI 被稱作應用人工智慧（applied AI）或弱人工智慧（weak AI），基本上只能在人類的明確命令下執行單一任務，於此範疇外，則通常一無所知。儘管如此，弱人工智慧仍不時震驚世人，特別在弈棋這個常跟「智力」聯想在一起的領域——比如 1997 年深藍擊敗西洋棋王卡斯帕洛夫，或 2016 年 AlphaGo 擊敗圍棋九段李世乭。但不論 AlphaGo 圍棋下得再好，不經過重新訓練，它並無法直接與人對弈其他棋類，更別說執行下棋以外的任務。
2022 年以前，強弱人工智慧的區別仍相當明顯，但隨著以 ChatGPT 為首的生成式 AI （generative AI）（註2）進入大眾視野，兩者邊界似乎變得有些模糊——能有模有樣回答幾乎任何問題的聊天機器人，狄德羅會毫無疑義認為它們有智慧嗎？就算我們把「谷歌停職員工聲稱 AI 有靈魂」或「聊天機器人向紐時專欄作家瘋狂示愛」這類驚悚故事只看作花邊新聞，2023 年 5 月一則貨真價實的研究報告指出：在一項超過 150 萬人參與的線上測試中，玩家能在兩分鐘聊天時間內，正確辨識機器人的準確度只有 60%——只比二選一瞎猜的 50% 機率好上一些。（註3）
即使幾乎騙倒人類，許多主流 AI 研究者仍認為 ChatGPT 等一眾聊天機器人不過只是能唯妙唯肖模仿人類的「隨機鸚鵡」（stochastic parrots）——它們並不理解自己在說什麼，只是根據學習過的巨量文本照樣造句。然而也有另一派聲音主張，真正的「理解」並不存在，「我們都只是隨機鸚鵡」（註4），智慧是結果，不是源由——根本上，這就是自柏拉圖以來即一直莫衷一是的「二元論」爭辯的延續。
有趣的是，近年 AI 發展所仰賴的基礎模型，仿似針對這道經典哲學難題的模擬實驗：這種稱作類神經網路（artificial neural network）（註5 ）的演算模型，試圖在物理機制上模仿大腦的運作，它們由巨量的神經元與突觸構成複雜的多層網路結構，並藉由大量訓練素材，透過回饋機制增強或抑制突觸的強度，來進行「學習」（註6）。2010 年後隨著硬體運算能力的成長以及「深度學習」（deep learning）演算法的發明，類神經網路得以突破規模限制，達到接近人腦的複雜程度，從而展現出驚人的理解及回應能力——不過遺憾的是，這不表示數千年來的難題已然得解——就像解剖人腦沒法找出智慧的源頭，我們也無法透過分析類神經網路得知它們如何（或有沒有）產生智慧：神經網路「學會」的知識或思想，分布在數以百億計的神經元以及數以兆計的突觸組合裡，分析此等數量級的綜合行為，基本上是不可能的任務。
