AI學習筆記 — 認識AI人工智慧
面對AI時代的來臨，除了學習AI領域常用的Python語言外，對於AI是什麼？AI可以做什麼？以及AI未來的發展該與如何應用AI？等問題，是「AI學習筆記」系列想要探討的主題。今年（雖然目前已經是Q4了）與明年的期望，就是要好好的理解並學習與這個領域相關的知識。對於完全沒有背景知識的我來說，為了理解這些知識，不僅透過書籍的閱讀，線上課程的學習，並且加上自己的實作經驗等等。在此，將這段時間學習的心得做個紀錄，希望對其他像我一樣不具備理工背景的所謂「文科生」，而想要學習相關知識的朋友可以有所幫助。如有理解錯誤之處請不吝指教。
「AI人工智慧」可說是目前火紅的名詞。一提到它，一般常常會聯想到電影中常見的會自行走動、會聊天、會煮飯甚至於會嫉妒會戀愛的機器人。
實際上，「AI人工智慧」一詞也不怎麼新鮮，早在1956年美國達特茅斯學院召開的達特茅斯會議（Dartmouth Summer Research Project on Artificial Intelligence）中，「人工智慧」（Artificial Intelligence）一詞就被首次提出。
當時在會議中與會的多位科學家與研究人員，對於人工智慧的未來都寄予很高的期望。甚至有鐵口直斷、預言20年後將達到「奇點」（singularity），人工智慧可以超越人類。然而距離該會議已過半個世紀了，當年的預言並未兌現，奇點尚未到來。現在的「AI人工智慧」倒底又是什麼？
人工智慧是什麼？
實際上要替「AI人工智慧」這個名詞下定義並不容易。我們可以將這個名詞拆分為「人工」與「智慧」兩個詞來來看。
所謂的「人工」，相對於天然而言，就是非自然產生的，是透過人的作用而產生的事物，是人為的。例如，人工湖、人工雨、人工心臟等。至於「智慧」這個詞，什麼是智慧？是指分析、判斷、創造、思考的能力。這些都是人類與生具備的能力。
因此，天然的智慧就是我們平常習慣所知的人類的智慧。而所謂的人工智慧，是將人類的智慧「重現」於電腦上，能完成指導之外的事務。
然而人類智慧乃是存在世界上歷經數億年的演化而形成的。要直接透過電腦再現人類的智慧並不是一件容易的事。
因此，目前世界上絕大多數所謂的「人工智慧」都只是針對某個特定問題的智慧。以此我們可以總結一下人工智慧的專長與弱點：
人工智慧的專長：分類
「人工智慧」擅長根據人類預先輸入的大量資料建立分類規則。例如用來判斷收到的信件是否為垃圾郵件。如果您使用電子郵件的年資超過10年以上的話，應該可以感受到現在電子郵件信箱中收件夾裡面出現的垃圾郵件，似乎比10年以前少很多了。這是並不是因為現在的垃圾郵件比以前少，而是因為郵件軟體公司使用了AI最擅長的分類方式來幫助我們「過濾」掉不必要的垃圾郵件。
人工智慧的弱點：創造
雖說智慧是指是指具備分析、判斷、創造、思考的能力。但AI人工智慧的弱點卻是「創造」。人工智慧無法從無生有，它必須根據輸入的資料進行學習。再經由學習的過程，預測未來某件事發生的機率。
另外，AI人工智慧並不懂正確答案。即使它可以分辨出照片中的影像是蘋果還是橘子、是貓還是狗，但是對於蘋果是什麼？橘子是什麼？或者是貓是什麼？狗是什麼？人工智慧本身並沒有概念也不理解。
一旦面對相衝突的兩種資料，雖可以預測正確答案較可能偏向哪邊，但並非「知道」哪邊為正解。實際上答案是否正確仍然有賴於人類的判斷。
例如很會算數很會進行股票分析的人工智慧、很會判讀X光片很會下圍棋的人工智慧等等。
潮起與潮落：三次人工智慧熱潮
自1956年至今，已經發生過二次人工智慧熱潮，這一次可以說是人工智慧的第三次熱潮。以下簡單說明各次熱潮下人工智慧的發展。
第一次熱潮
從1956年達特茅斯會議開始，科學研究者對於人工智慧的未來無不寄予很高的期望。當時發展的人工智慧已能解開拼圖或簡單的遊戲，其中「ELIZA」為代表，是一個可以透過文字進行對話的電腦。
然而當時電腦的計算速度不夠快，硬體儲存的空間也不大，相關的程式設計與演算法理論尚未成熟
，且所能使用的數據量不足，幾乎無法解決實用的問題。於是企業與政府對於人工智慧的投資紛紛撤出，多個計畫被停止，迎來了人工智慧的第一次寒冬。
第二次熱潮
於1980年代開始，人工智慧又燃起了第二次的熱潮。這次是以「專家系統」為主。只要是用在替特定領域設計的系統，以灌輸專家知識作為規則，來協助解決特定問題。比如說，能以自然對話方式預約飯店的系統或者是能診斷的定疾病的系統。
然而專家系統無法像人類一樣推測與思考，只要超出原先設定範圍以外的輸入內容當時的人工智慧就無法應付。縱使具備商業應用的實例，應用之範疇卻非常的受限，實用的價值有限，熱潮也因此逐漸消退。
第三次熱潮
時間到了2010年代，由於高性能電腦的發展、網際網路的出現，外加雲端存取的大數據，以及各種IOT感測器等等，AI技術總算衝破了人類心理上的「絕對閾值」（absolute threshold），達到大多數人心目中「可用」的標準。
這一次熱潮的技術主要聚焦在機器學習與深度學習。電腦可以從數據中自行從資料找出模式與規則，優化自己的演算方式。不論是網路購物平台或Netflix影音平台的推薦系統、Youtube 廣告的推播、到家中的Amazon Echo智慧音箱、手上行動電話中的輸入法、人臉辨識或siri，甚至於自動駕駛汽車等等，都可以看到人工智慧的影子。
機器學習與深度學習
第三次人工智慧熱潮的主要技術為機器學習與深度學習，它們與人工智慧的關係就如下圖一般。機器學習為AI人工智慧的一種技術，而深度學習又是機器學習中的一種分支，以下分別簡述這兩種技術：
機器學習
現在所謂的「AI人工智慧」通常都使用了機器學習技術。所謂「學習」是指電腦透過「學習」的過程，將程式設計師給予的資料進行分析並改良設計師原先給予的規則。因此，機器學習隱含了「不僅僅是規劃好的事」，表示電腦這個機器本身可以自己學習，透過這樣的學習，讓電腦可以做到超出程式設計師所設計程式外的事。
機器學習包含許多方法，以目前的主流來說主要為下面三種：監督式學習（supervised learning）、非監督式學習（unsupervised learning）與強化學習（reinforcement learning）：
- 監督式學習：這種學習方式會先準備好「訓練資料」（training data），由人類扮演教師的角色讓人工智慧往單一方向學習。在監督式學習模型裡面需要有例題與標準答案（又稱為instructional signal）。易言之，是一種有標準答案的學習方式，可類似於我們考試時常見的是非題題型。例如：「某一封信是否為垃圾信？」就屬於這種學習方式。
- 非監督式學習：這種學習方式的模型則可以將特徵相似的資料分成不一同的群組而不需要事先準備例題與標準答案。與監督式學習不同的是，監督式學習由於需要標準答案的特性，不可能預測到未知的世界將發生的事情，也因此無法針對那些未知事項設定正確的答案。而非監督式學習則無此限制，也就不受人類聰明才智的限制。
- 強化學習：是在給定的環境的互動中自我反覆嘗試錯誤來最大化成果，以學習最佳的行為。換句話說，這種學習方式可以自行嘗試錯誤，從中找出最佳行動。它也可以視為非監督式學習的一種。這種學習方式一樣不會給定正確答案，而是以報酬來描述該行動的優劣，促使電腦採取更高報酬的行動。再以獲得最佳報酬為目標下，讓演算法學習到越來越強的運作方式。
深度學習
深度學習則是機器學習的一個分支。是模仿人類大腦類神經網絡設計出來的一種演算架構。雖然早在1990年代就存在了，但由於當時代電腦的運算能力不足，因此表現出來的效率不彰。近年來因為電腦硬體效能大幅提升，使得深度學習得以敗部復活。
深度學習具有三個步驟：建構網路、設定目標以及開始學習。
深度學習在某些領域的特定任務上表現出色，可以超越人類，因此近年來受到大眾的關注。例如在藥物研究與汽車的自動駕駛等領域有著各種應用。
結論
就如人工智慧的創始人閩斯基博士（Marvin L. Minsky）常常提醒大家：「人工智慧尚未開發完成」。目前所謂的AI人工智慧，並不是什麼都能夠實現的「阿拉丁神燈」，充其量只是一個可以針對特定問題進行解決的智慧。距離大家想像中或電影中可以像人類一般思考，可以應付多變世界的「奇點」（singularity）可以說距離尚屬遙遠。
即便如此，我們可以確定的是，人工智慧對於今後我們的生活，將會無所不在。目前大家熟悉的大多數工作或許在不久的未來，將會被AI所取代。面對這樣的趨勢，我們應該思考的是該如何與AI共存，而不是效法19世紀的盧德主義者們一樣，搗壞紡織機，抗拒新技術。
機器帶給人類的並非失業，而是更大的自由度的人生體驗。如果我們的祖先們當時將所有的紡織機破壞殆盡，今天的你可能無法坐在沙發上偷閒閱讀這篇文章，而是在礦坑中在田園裡辛勤的加班工作中。
我們不應該把這波AI浪潮看作是危機，而是嶄新的轉機，積極學習與暸解AI的各項知識。想必未來是個人與機器共存，協作完成各項工作的全新時代。
