給初學者的現代科技史

AI 的想像，遇上 Python 的實作能力

人工智慧不是突然出現的奇蹟，Python 也不是一開始就為 AI 而生。這個網頁用清楚的時間線與互動卡片，帶你看懂兩者如何在幾十年內走到今天。

探索時間線 查看學習資源! 
model.learn(data)
python.build(tools)
humans.ask(why)
1956 AI 命名
1991 Python 發布

重點介紹

AI 與 Python 的關係，可以從三件事理解

01

AI 是讓機器展現智能行為的研究領域

從早期的符號推理、專家系統，到今天的機器學習與生成式 AI，核心問題一直是：如何讓電腦從規則、資料或互動中做出有用判斷。

02

Python 讓想法更容易變成可執行的實驗

Python 語法簡潔，適合快速試作。隨著 NumPy、Pandas、scikit-learn、TensorFlow、PyTorch 等工具成熟，Python 成為 AI 開發的重要語言。

03

資料、算力與開源社群把兩者推向主流

大量資料、GPU、雲端平台與開源套件，讓研究成果更快被複製、改良和產品化，也讓初學者能以較低門檻開始學習。

互動理解

選一個視角，看 AI 歷史如何改變

同一段歷史可以用不同方式閱讀。選擇你最在意的視角，右側會切換成對應的學習重點。

從「能不能思考」到「如何解決問題」

AI 早期關注機器是否能像人一樣推理。後來研究重心逐步轉向資料、模型、機率與學習方法，今天則更重視可靠性、應用場景與人機協作。

  • 適合先理解 AI 的大問題與演進脈絡
  • 能看出每一次技術浪潮背後的限制

時間線

從 AI 命名到 Python 成為資料科學主力

圖靈提出「機器能思考嗎？」

Alan Turing 用模仿遊戲思考機器智能，為日後 AI 討論奠定重要問題意識。

Dartmouth 會議讓 AI 成為正式研究領域

「Artificial Intelligence」一詞開始被廣泛使用，研究者相信機器推理有機會被系統化。

專家系統興起，也暴露維護成本

以人類專家規則建立系統曾經熱門，但知識更新困難，促使後來更多研究轉向資料驅動。

Guido van Rossum 發布 Python

Python 強調可讀性與開發效率，逐步吸引教育、科學運算、自動化與網路開發社群。

深度學習重新升溫

更大的資料集、GPU 與神經網路方法讓語音、影像辨識出現突破，帶動新一波 AI 熱潮。

Python 成為資料科學與機器學習主力

NumPy、Pandas、Jupyter、scikit-learn 等工具形成完整工作流，降低資料分析與模型訓練門檻。

Transformer 架構改變自然語言處理

注意力機制讓模型能更有效處理序列資料，後續大型語言模型多建立在相關概念上。

生成式 AI 進入日常工具

文字、圖像、程式碼生成工具快速普及，Python 仍是研究、串接 API、資料處理與原型開發的重要工具。

延伸資源

下一步可以這樣學

先學 Python 基礎

變數、條件、迴圈、函式、資料結構與檔案處理，是後續資料分析和 AI 實作的共同基礎。

再學資料處理

熟悉 CSV、表格資料、視覺化與基本統計。你會更容易理解模型為什麼需要乾淨資料。

最後做小型 AI 專案

例如文字分類、圖片分類、聊天機器人或資料預測。專案比單純看概念更能建立直覺。

GitHub Pages

需要上傳的檔案與部署方式

需要上傳

  • index.html
  • styles.css
  • script.js

部署步驟

  1. 在 GitHub 建立公開 repository。
  2. 把上述三個檔案放在 repository 根目錄。
  3. 進入 Settings > Pages。
  4. Source 選 Deploy from a branch，Branch 選 main，Folder 選 /root。
  5. 儲存後等待 1 到 3 分鐘，開啟 GitHub Pages 提供的網址。