文/Frankie
面對即將來臨的 AI 時代，不論你處於哪個年齡層、從事什麼工作，都應該對近年來話題不斷的「人工智慧」有基本的認知。隨著人工智慧的崛起，很多名詞也相繼竄紅，比如「機器學習」與「深度學習」，我們就試著用簡單的概念來談談這些名詞背後的意義吧。
Google DeepMind 的 AlphaGo 圍棋軟體於2016年擊敗韓國棋王李世乭時，各家媒體廣泛使用「人工智慧」、「機器學習」與「深度學習」這幾個名詞來描述 DeepMind 的致勝關鍵，這三者雖然都是 AlphaGo 擊敗李世乭的原因，指的卻不是同一件事情，它們之間有著微妙的不同。「人工智慧」其實是一個非常廣泛的概念，因此以上這些說法都沒有錯，端看指的是 AI 的哪個特點。
以下這張圖大概能簡單說明三者間的關係，最早出現的 AI 就是最大的長方形，接著是後來出現的機器學習，最後則是目前於 AI 領域出現爆炸性成長的深度學習。
人工智慧 ( Artificial Intelligence, AI)
AI 最找能夠回溯到1956年的「達特茅斯會議」，人工智慧的定義正是在那場會議中提出的，當時的先驅們有個看似遙不可及的夢想：「藉由新興電腦、計算機建構出具備人類智力的複雜機器，這就是所謂的「廣義人工智慧（General AI）」的概念，擁有人類的所有感知（甚至超越人類），並能像人類一樣思考的神奇機器。
機械公敵裡被賦予人類情感的 Sonny 、《星際大戰》裡的 C-3PO...，電影裡出現過非常多廣義人工智慧的案例，然而現實中卻還沒有案例，相信未來這些機器人將不只存在於電影和科幻小說中。
既然談到了廣義 AI，那當然有所謂的「狹義人工智慧（Narrow AI）」，它指的是在處理特殊任務時，表現得和人類一樣好(甚至更好)的技術。現實生活中的狹義人工智慧案例就不少了，例如：設計師社群 Pinterest 上的影像分類、以及 Facebook 的人臉識別與各種語音識別等等...。
上述這些狹義人工智慧的例子，已經展現出了類似人類的智慧。那麼問題來了，這又是如何做到的呢？這種智慧是怎麼出現的呢？接下來我們進入綠色長方形圖的第二個長方形，機器學習。
機器學習 (Machine Learning)
機器學習其實應用了很多的統計學，其最基礎的運作方式，是通過演算法來分析數據、並從中學習，以及判斷或預測現實世界裡的某些事，並不是人工編寫特定的程式來使其完成某個任務，而是使用大量的數據和演算法來「訓練」機器，讓它從中學習如何執行特定的任務。
雖然多年來機器學習領域發展出很多演算法，如：決策樹學習、歸納邏輯編程、叢集、強化學習等等...，但這些都沒能達到廣義人工智慧的最終目標。
Google 在 Machine Learning 領域無疑是頂尖的單位，想要瞭解更詳細的技術層，可以參考這篇文章：
To be continued
