review

3

．規則式及符號式為初期人工智慧研究的主要領域。前者仿照成人學習，注重教導機器規則。後者則仿照小孩學習，希望讓機器藉由學習辨明邏輯，並從自身發展出判別方法。

．然而，兩種做法都在各自的領域中碰壁，人工智慧寒冬就此降臨。

．前者的代表為「邏輯理論家」，後者的代表為「感知器」。儘管這些嘗試並未成功，但其中的經驗是導向如今機器學習技術的基礎。

review

4

．規則式人工智慧所面臨的困難，在於各項事物中的規則，尤其是現實世界中隱藏的規則，往往難以被簡單的論述。

．大量的例外以及各個概念中的模糊界線，導致規則式人工智慧的表現差強人意，遠不如人類。

．「常識」是大部分人類理解世界的方式。但直到2014年，機器都未能發展出令人滿意的常識推理系統。波蘭尼弔詭不只發生於特定領域，更無處不在我們的日常生活中。

review

5

．至於克服波蘭尼弔詭的嘗試，那便是「神經網路」的雛形。藉由模擬人腦經驗、重複、反饋、改進的過程，讓機器在一次次的演算中比前一次更加進步、貼近真實狀況。機器學習這個領域於此誕生。

．然而，人腦中1000億個神經元的複雜通訊，以當時甚至現代的技術顯然無法完全重現。在某些基本的分類工作都無法完成的情況下，感知器這個想法宣告失敗。

rise of ai

6

．人工智慧的發展貌似陷入困境，究竟是什麼契機讓這門技術起死回生，並如雨後春筍般蓬勃發展？雖然原因眾多，但主要可歸因於以下數項。

．硬體規模的發展及雲端演算的實現：前者擴大了機器學習的深度及廣度，後者則讓小預算的團體也有辦法進行相關研究。

．大數據現象：於網際網路上流通的大量文本、影像、音訊是訓練機器的絕佳材料。

．新的演算法：減少對人類介入的仰賴，更強調機器本身學習能力的「深度學習」領域。

rise of ai

7

．TENSORFLOW是由GOOGLE團隊開發，並使用在自家多項服務已改善使用者體驗的機器學習開源軟體庫。源自2010年初的distbelief，為google大腦的第二代機器學習系統。已開源供群眾使用，並有開授課程指導機器學習知識。github上已有上千個使用TENSORFLOW的庫。

．同時，張量處理單元tpu的發佈，更顯著影響了機器學習的效能，為專門為機器學習打造的積體電路。deepmind團隊日後所開發的alphazero即使用了tpu來進行運算。

硬體規模及雲端演算

rise of ai

8

．大量的參考資料對機器學習而言的重要性不言自明，不亞於硬體的影響。神經網路的本質是模擬人腦的學習過程，而對人類而言同樣也須要大量的接觸吸收資訊才能有所成長。

．imagenet便是由這個概念而產生的計畫，透過全世界群眾的貢獻，將超過十億張照片進行分類而成的資料庫。對於圖像辨識領域的貢獻超乎想像。

大數據現象

rise of ai

9

．在前述兩者的興起之下，「非監督式學習」開始出現。與以往問題與答案配對的「監督式學習」做法不同。非監督式學習僅提供機器所需的環境以及目標，由機器本身尋找適當解法。

新的演算法

．以走迷宮為例：

．Agent：機器本身

．ENVIRONMENT：迷宮

．REWARD：出口

．STATE：位置

．action：改變狀態的策略

．CONTROL POLICY：採取策略

usage of ai

10

．隨著人工智慧日漸強大，使用這項技術成功的案例遍布各領域，方式也各有不同。主要可以分為以下三種。

．藉由收集數據資料強化演算法

．藉由模仿人類經驗建構演算法

．不仰賴人為介入的完全自主化

．根據領域的不同以及預算的差異，每個人/企業有辦法採取的策略不盡相同。大部分現行ai依然採用監督式學習的方式，但若以通用人工智慧為目標，便不得不鑽研非監督式學習。

usagee of ai

11

．google資料中心的維護工作十分不易，考量到本身的運算負荷量以及天氣等不確定因素，過去並沒有降低溫度的確切作法，僅交給工作人員判斷。

．deepmind欲知道機器學習技術能否應用於這個問題上，便搜集了資料中心多年來的資料：運算負荷、感應讀取數值、溫度、濕度等等，來訓練演算法。他們讓藉由讓模型盡可能獲得高分(也就是更節能)，來強化演算法。最後得到了總耗能減少40%、間接成本減少15%的驚人成果。

收集數據資料

usagee of ai

12

．軟體工程師小池誠在老家的小黃瓜農場突發奇想，想嘗試利用機器學習的方式取代原本由母親進行的小黃瓜分撿工作。他利用7000張圖像以及前述的tensorflow技術訓練系統。結果正確率高達70%，並且可預期正確率還能更高。

．日本的富國生命保險公司則採用ibm的華生人工智慧技術，欲將一部份理賠員的工作自動化。他們先參考一部份過去的理賠資料，再將結果交由最終審查員審查。在這個過程中，機器學習了難以被說明但依然源於人類的經驗，並且隨著自身的進步可以往更高比率的自動化工作發展。

學習人類經驗

usagee of ai

13

．2016年夏季，一輛特斯拉自駕車撞上一部連結車的側方，導致車主當場死亡。推測原因是在當地的強烈光照下，導致攝影機未能注意到卡車。

．僅管這起案例聽起來像對完全自駕技術的警鐘，但GOOGLE自駕車發展計畫的領導人認為人終究會粗心大意，因此更應該完全排除人類參與。他們設計的自駕車就算在道路上遇到了難以預測的狀況，仍然能保持安全行駛。

完全自動化