當傳統AI遇見現代AI
人工智慧依照機器 (電腦) 能夠處理與判斷的能力區分為四個分級，分別為自動控制、探索推論、機器學習、深度學習。在本文章中我們會探討人工智慧是如何興起的，以及早期的人工智慧「模糊專家系統」是如何建構與運作，並討論傳統 AI 如何跟現代 AI 並存。透過專家系統+機器學習來解決日常生活中的最佳化問題。
人工智慧的歷史
人工智慧（Artificial Intelligence，AI）的發展可以追溯到第二次世界大戰的末期，當時為了解決軍事上和情報上的問題，因此科學家們開始研究發展一種有智慧的機器。從此科技戰就如火如荼地展開了！
人工智慧的分級
人工智慧依照機器能夠處理與判斷的能力大致分為四級：
- 第一級人工智慧：自動控制
機器含有自動控制的功能，可以經由感測器偵測外界的資訊。例如透過溫度感測器來偵測吸塵器的馬達是否過熱並達到停止運轉效果或是冷氣低於20度時就進入待機模式……等。因此程式設計師必須先把所有可能的情況都考慮進去才能寫出控制程式。這就衍伸出一些問題，像是靈活度不高，且需要有經驗的專家介入才能完成。
- 第二級人工智慧：探索推論
這邊逐漸開始強調邏輯推理，可以說是補足第一級的問題。將知識組織成Ontology(知識本體)並讓機器從知識本體中去推論。典型的例子就是專家系統，他是透過特定領域的專家訂定出一套知識庫與規則庫，並產生大量輸入與輸出資料的排列組合來解決日常生活中的問題。
- 第三級人工智慧：機器學習
機器可以根據資料學習如何將輸入與輸出資料產生關聯，機器學習是一種學習的演算法，並從資料中去學習並找出問題的解決方法。其應用包括搜尋引擎、大數據分析等。我們依據資料與學習方式可大致分為監督式學習、非監督式學習、增強式學習，此外自監督學習這個名詞最近也熱烈的討論中。
- 第四級人工智慧：深度學習
他是一種機器學習的方法，藉由模仿人類大腦神經元的結構，定義解決問題的函式。所謂深度學習是一種具有深度 (多層)的 Neural Network。機器可以自行學習並且理解機器學習時用以表示資料的「特徵值」，因此又稱為「特徵表達學習」，其應用包括：影像分類、手寫數字辨識等。
邏輯 VS. 模糊
人工智慧的方法非常多樣，早期的人工智慧研究聚焦在邏輯推論的方法
- 邏輯推論方法，需要百分之百確定的事實配合，因此在實務上不容易使用
- 模糊推論方法，雖然在理論上較不優美，但是在實務上卻很有用！
下面這張圖左邊是傳統布林邏輯，右邊是模糊邏輯。如果硬要規定180公分以上才叫高的人，那麼身高179公分的族群就要抗議了。但是如果高的定義是由模糊的隸屬函數來定義的話，179公分已經相當高了！
自然語言的模糊邏輯表示
模糊邏輯中還可以應用叫做hedges的語意表達式來更貼近自然語言其他的運算符。一般性的副詞如”非常”或”有點”能使用數學公式修改集合的內涵。
模糊(Fuzzy) 起源
Fuzzy 起源於1965年美國加州柏克萊大學的L.A. Zadeh教授，在 Information and Control 學術期刊上所發表的論文-模糊集合(Fuzzy Sets) 。是為了解決真實世界中普遍存在的模糊現象而發展的ㄧ門學問，用一種數學模型來描述語意式的模糊資訊的方法。
模糊系統
模糊系統(fuzzy system)已廣泛地應用於自動控制、圖樣識別(pattern recognition)、決策分析(decision analysis)、以及時序信號處理等方面。近來在機器人領域中更與類神經網路結合使機器人更具備智慧性。
語意式模糊規則
這邊以Mamdani模糊推理模型為例。假設模糊規則庫中，只有以下三個模糊規則：
如下圖a有一個輸入X對應到一個輸出Y。X的集合有三個分別為小、中、大;Y的集合也有三個一樣也是小、中、大。我們藉由上面的三條規則可以得到下圖b為整體輸入與輸出的函數關係。
Why use Fuzzy Logic for control?
1.非線性或不易明白理解(Vague模糊)的事物，並處理解決複雜的系統
2.易於描述人類的知識
模糊化類神經網路
三種最典型的「模糊化類神經網路」分別為：
(1) 適應性網路架構的模糊推論系統(adaptive network-based fuzzy inference system 簡稱為 ANFIS) 。
(2) 模糊適應性學習控制網路(fuzzy adaptive learning control network 簡稱為 FALCON) 。
(3) 倒傳遞模糊系統(backpropagation fuzzy system) 。
