全面分析第三波人工智慧崛起

拓墣觀點：

在消費性終端產品發展進入瓶頸期的當下，許多國際大廠相繼投入人工智慧產品和服務的研發，帶領大眾開始關注人工智慧諸多潛在應用。

發展始自1956年的人工智慧是一門整合跨領域知識的學問，如今已進入第三波崛起階段。

本文將分析和說明人工智慧的範圍、崛起的過程和要件，再針對「機器學習」發展趨勢進行說明。

1. 人工智慧之範疇與應用性

(1)人工智慧之特性與範疇

人工智慧又稱為機器智能(Machine Intelligence)，是指利用人工製造出來的系統，讓電腦具有思考、推理、判斷與解決問題等能力。

而在人工智慧領域中所提及的行動，也不僅限於肢體動作，而是泛指所有制定出來的決策或行為。

人工智慧的產生，是人類針對各種問題，試圖將引發的思考、判斷、推理、計畫與決策等過程步驟化和公式化，讓電腦能在此結構下順利解決或處理目標問題，為達到這樣的目的，人工智慧必須建構在多項跨領域知識的基礎之上。

需要注意的是，人工智慧與機器人在研究範疇上其實無法畫上等號，因為人工智慧研究的是機器人的大腦，但機器人領域除了機器大腦外，還會進行其他如電子電路、機械結構等研究。

再者，人工智慧領域其實涵蓋諸多無形的軟體服務，這也是人工智慧與機器人領域有所區別的地方。

(2)人工智慧應用範圍廣泛，吸引眾多廠商投入市場

人工智慧的本質是由軟體運算模型組成的系統，可應用領域範圍極廣。

從網頁搜尋、垃圾信過濾、語音助理、自動駕駛車、人生物辨識、廣告行銷、安防監控、醫療診斷輔助、金融風險控管等，都可以看到人工智慧的身影。

更直接地說，人工智慧是一套讓產品和服務能表現更好的軟體技術工具，往往看不到實際形體，但有些廠商會基於某些目的給予人工智慧系統一個外型，使其以智能機器人的樣貌呈現在世人眼前。

在許多消費性終端產品已難以顯著成長的現在，許多國際大廠相繼開始投入人工智慧產品和服務的研發，也帶頭將大家的目光和希望移至人工智慧諸多潛在應用上。

在軟體方面，主流大廠如Google、Microsoft、Facebook、Amazon、百度、騰訊、阿里巴巴、Yahoo與Twitter等，無不積極布局相關雲端工具平台。

在硬體系統方面， NVIDIA、AMD、Intel、Qualcomm與Xilinx都已針對人工智慧發展高速運算處理器晶片，或布局相關加速硬體運算能力的產品。

至於Mobileye、Delphi與Tesla等廠商則持續積極布局自動駕駛車系統，以期早日達成自駕車實際上路目標。

此外，由於人工智慧崛起為未來帶來各種潛在商機，且產業鏈也尚未真正成形，因此除了國際大廠外，也吸引眾多新創廠商投入相關軟硬體與創新應用服務，形成百家爭鳴的狀態。

2. 三波發展歷史與爆發關鍵

1950年圖靈(Alan Turing，1921～1954)發表的著名論文圖靈測試(Turing Test)被視為智能機器的概念先驅。

而人工智慧一詞的出現，公認則應追溯至1956年的達特矛斯夏季人工智慧研究計劃會議，由計算機科學家的會議發起人約翰 麥卡錫所提出。

(1)第一、二波人工智慧崛起

1956年達特矛斯會議後十多年間是人工智慧第一次崛起的黃金年代。

計算機被應用於解決代數問題、證明幾何定理、學習與使用英語等，成果豐富，也讓研究人員信心倍增。

然而到70年代，研究人員發現人工智慧對許多項目的難度評估嚴重不足，遭遇的許多瓶頸也難以克服，最後無疾而終。

70～80年代，人工智慧轉向發展專家系統(Expert System)，加上日本政府注入大量資金積極發展第五代計算機計劃，希望能創造出能對話、翻譯、辨識圖像並推理的機器，刺激英美響應，並帶動人工智慧再次蓬勃發展。

但這波榮景僅持續了7年就進入尾聲，主因是效能落敗競爭產品且成本價格過高。

(2)第三波人工智慧崛起

經歷2次失敗低谷後，1993年至今發展則被稱為第三波人工智慧崛起，且機器學習成為重心。

不僅演算法在語音和影像辨識方面有極大突破，硬體運算能力也大幅提升，讓人工智慧技術開始立下多個重要里程碑，例如：

1997年5月IBM的超級電腦深藍戰勝世界西洋棋王Garry Kasparov；

2012年加州Google X Lab用1,000台電腦架成Google Brain，成功辨識人臉、人的身體與貓的圖片；

2016年3月，AlphaGo挑戰韓國世界圍棋棋王李世乭，以4：1取得壓倒性勝利，更引起全球譁然。

第三波人工智慧崛起也正滲透到我們日常生活當中。

Google Photos能識別照片中的物體，自動分類照片；

Amazon Echo能立即回應民眾問題，透過自然語音就能操控家中家電，甚至線上購物；

Google Now能自動推送民眾需要的訊息，可讓Inbox自動撰寫E-mail回覆等，都漸漸融入並改變民眾的生活習慣。

(3)三項核心條件＋一項重要因素

第三波人工智慧浪潮能再次崛起，是因為現代演算法、大數據(Big Data)與硬體運算能力3項核心條件的大幅改善，讓人工智慧技術終於能被實踐並展現驚人實績。

此外，雲端技術發展也是加速現代人工智慧發展的關鍵。

無論是把演算法相關軟體工具放在雲端空間供民眾使用和進行雲端運算，或利用雲端存取和放置大量數據資料等，透過雲端服務不僅讓人工智慧系統效能更加強大，也讓人工智慧推廣變得更加容易。

其中容易被忽略的是，軟體演算法和硬體運算能力間其實存在某種程度的抵換關係。

而人工智慧發展重點只關注於目標達成，不在乎軟硬體間效能的分配比重，因此若軟體效能極佳，則硬體效能的要求就可以較低。

以日本NEC為例，他們在2016年10月底於台灣舉辦的研討會上就表示，在他們優異的軟體演算法下，只要使用一般伺服器而不需超級電腦就能跑出人工智慧訓練結果。

不過，這種抵換關係僅止於目標應用表現維持不變，或較容易達成的條件。

若希望達到的目標非常遠大，則不僅軟體必須進步，搭配的硬體效能和規格也必須大幅度提升才有機會達成。

3. 人工智慧的學習功能

現在人工智慧領域中，機器學習(Machine Learning)和深度學習(Deep Learning)十分受到關注。

範圍又以人工智慧最大，機器學習次之，深度學習最小。

機器學習是人工智慧的一個分支，而深度學習則是實現機器學習的一種演算模型方法。

就現在人工智慧發展趨勢內涵而言，不管是提到人工智慧、機器學習、大數據分析或深度學習，其實大多所指的都是深度學習模型。

(1)機器學習的模式不只一種

若機器還停留在一個指令一個動作的架構下，即使設法寫出更多程式讓機器的判斷機制更完善，還是無法做到零疏漏境界。

因此，讓機器能自主學習，就成了研究的一大重點。

發展至今，機器學習樣貌已非常多元，常見的方法如下圖。

(2)半監督式學習與非監督式學習逐漸取代監督式學習

監督式學習、非監督式學習與半監督式學習都是餵給電腦大量數據資料的方式來進行，但過程略有差異。

監督式學習指的是將已標註標籤的圖片(例如大量標註為貓、狗的圖片)輸入給電腦，讓電腦學習這些標籤代表哪些照片。

非監督式學習指的是輸入許多未標記的貓狗照片，讓電腦自己學習判斷特徵和差異分類。

半監督式學習則綜合兩者特色，考量的是同時利用少量有標籤的資料和大量無標籤的資料進行機器學習訓練，培養其分類資料的能力。

監督式學習在訓練時所處理的資料都有標準答案，因此演算模型是在已知輸入什麼和輸出什麼下進行比對學習，概念上著重分類(Classifier)。

而非監督式學習使電腦需在未知答案下模型必須自己揣摩可能答案，此種方法著重於分群(Clustering)。

隨著數據資料爆炸，逐一標籤變得更不可行，因此近年機器學習模式逐漸走向非監督式學習和半監督式學習來訓練電腦。

此外，透過大量數據讓電腦自己學習判別並比對特徵值，即使一開始正確率很低，但透過反覆練習和修正，辨識正確率已可達到非常高。

此類功能可應用於醫療用途，例如新創人工智慧公司DeepCare主攻胸肺部CT的智能影像診斷，以大量胸肺部影像加上患者年齡、性別、症狀與確診疾病等訊息進行機器學習，形成結構化資料庫，能識別出可疑病灶圖片，進行病灶重點標註，為醫生預作篩檢，大幅節省醫生診斷時間。

(3)深度學習為矚目焦點

深度學習(Deep Learning)模型可謂是當今人工智慧發展最重要也最核心的技術，不僅讓人工智慧長期耕耘的語音辨識與影像辨識終於在辨識精準度上取得革命性的突破，也開始讓人工智慧被應用於提升各種領域的技術能力，應用領域範疇正在快速擴張當中。

而深度學習(Deep Learning)模型對於現代人工智慧發展會這麼重要的原因，在於它能夠讓辨識準確度大幅躍升至革命性的水準，讓人工智慧終於達到值得信賴程度，例如AlphaGo就是運用深度學習技術的成果。

深度學習不僅將人工智慧發展帶到另一個高度，驚人成果受到全世界矚目，也讓未來人工智慧應用發展越來越值得期待。

4. 小結

當前的第三波人工智慧浪潮崛起，是因為演算法、大數據與硬體運算能力3項核心條件大幅改善，加上雲端技術的進步所促成，使人工智慧成為信賴度高且可被實際運用的技術工具。

在演算法持續改善的同時，硬體廠商也正在積極提升產品效能，主要可區分為加速伺服器運算效能及加強終端即時運算能力這兩大方向。

在機器學習模式方面，非監督式學習、半監督式學習將成為資訊爆炸時代的主流，這些功能可應用於圖片自動分類、人臉辨識、人的行為辨識、自動駕駛車和無人機的自動導航能力、醫療識別可疑病灶、遊戲與棋類競賽等，應用範圍十分廣泛。

（聲明：本文為「拓墣產業研究院」原創，如需轉載請標明出處。

）