完整解析AI人工智慧：3大浪潮＋3大技術＋3大應用｜大和有話說

所謂人工智慧（Artificial Intelligence；縮寫：AI），是指以人工方式來實現人類所具有之智慧的技術。

只不過，目前能實現與人類智能同等的技術還不 ... 直接觀看文章 大和有話說 GoodtoGreat. 所謂人工智慧（ArtificialIntelligence；縮寫：AI），是指以人工方式來實現人類所具有之智慧的技術。

只不過，目前能實現與人類智能同等的技術還不存在，世界上絕大多數的人工智慧還是只能解決某個特定問題。

本篇文章是在我閱讀了幾本AI的相關書籍後，所概略統整出的架構，希望讓初次接觸AI的讀者，能透過333口訣，快速理解AI到底是什麼。

  一、AI的三次浪潮 第一次AI浪潮 第一次AI浪潮起於1950～1960年，止於1980年代。

由於出現在網路之前，因此又被稱為「古典人工智慧」。

這時期出現的「符號主義」與「聯結主義」，分別是日後「專家系統」與「深度學習」的雛形。

只不過，雖然當時的成果已能解開拼圖或簡單的遊戲，卻幾乎無法解決實用的問題。

第二次AI浪潮 第二次AI熱潮伴隨著電腦的普及，出現在1980年代。

這時期所進行的研究，是以灌輸「專家知識」作為規則，來協助解決特定問題的「專家系統」（Expertsystem）為主。

然而，縱使當時有商業應用的實例，應用範疇卻很有限，熱潮也因此逐漸消退。

第三次AI浪潮 第三次AI浪潮則出現於2010年代，伴隨著高性能電腦、網際網路、大數據、感測器的普及，以及計算成本的下降，「機器學習」隨之興起。

所謂機器學習（Machineleaning），是指讓電腦大量學習資料，使它可以像人類一樣辨識聲音及影像，或是針對問題做出合適的判斷。

  二、AI的三大技術 快速瞭解了AI的發展史後，我們來看看當代人工智慧的三大代表性模型：遺傳演算法、專家系統、類神經網路。

遺傳演算法 遺傳演算法（Geneticalgorithm；GA），又稱為演化式演算法（Evolutionaryalgorithm），是受達爾文演化論所啟發的人工智慧。

它透過「適者生存」的規則，將「優秀的個體」想像成「好的答案」，透過演化的方式來找出最佳解。

專家系統 專家系統（Expertsystem），則是針對預設的問題，事先準備好大量的對應方式。

它應用在很多地方，尤其是疾病診斷。

只不過，專家系統只能針對專家預先考慮過的狀況來準備對策，它並沒有自行學習的能力，因此還是有其侷限性。

類神經網路 從第三次AI浪潮所興起的機器學習（Machinelearning）有許多種手法，其中最受矚目的，莫過於「深度學習」（Deeplearning）了。

所謂深度學習，是透過模仿人腦的「類神經網路」（Neuralnetwork）來學習大量資料的手法。

若你去觀察腦的內部，會發現有大量稱為「神經元」的神經細胞彼此相連。

一個神經元從其他神經元那裡接收的電氣信號量達某一定值以上，就會興奮（神經衝動）；在某一定值以下，就不會興奮。

興奮起來的神經元，會將電器信號傳送給下一個相連的神經元。

下一個神經元同樣會因此興奮或不興奮。

簡單來說，彼此相連的神經元，會形成聯合傳遞行為。

我們透過將這種相連的結構來數學模型化，便形成了類神經網路。

我們可以發現，經模型化的的類神經網路，是由「輸入層」（Inputlayer）、「隱藏層」（Hiddenlayer）及「輸出層」（Outputlayer）等三層所構成。

另外，學習資料則是由輸入資料以及相對應的正確解答來組成。

以影像辨識為例，為了讓AI學習類神經網路的模型，首先必須先將影像學習資料分割成像素資料，然後將各像素值輸進輸入層。

接受了資料的輸入層，將像素值乘上「權重」後，便傳送給後方隱藏層的神經元。

隱藏層的各個神經元會累加前一層所接收到的值，並將其結果再乘上「權重」後，傳送給後方的神經元。

最後，經由輸出層的神經元的輸出，便可得到影像辨識的預測結果。

為了讓輸出層的值跟各個輸入資料所對應的正解資料相等，會對各個神經元的輸入計算出適當的「權重」值。

這個權重的計算，一般是使用「誤差倒傳遞演算法」（ErrorBackPropagation），使用與正解資料之間的誤差，從輸出層逆推回去。

透過各「權重」的調整，來縮小輸出層的值與正解資料的值之間的誤差，以建立出完成學習的模型。

由於過去類神經網路之間進行傳遞的權重值難以最佳化，因此曾有多數研究者對類神經網路的研究持否定態度。

直到2006年，辛頓（GeoffreyHinton）開發出自動編碼器（Autoencoder）的手法，才突破了這項瓶頸。

自動編碼器是指，在類神經網路的輸入層和輸出層使用相同資料，並將隱藏層設置於二者之間，藉此用來調整類神經網路之間的權重參數的一種手法。

利用以自動編碼器所獲得的類神經網路權重參數值進行初始化後，便能應用「誤差倒傳遞演算法」，提高多層類神經網路的學習準確度。

透過類神經網路，深度學習便成為了「只要將資料輸入類神經網路，它就能自行抽出特徵」的人工智慧，而這又稱為「特徵學習」（featurelearning）。

深度學習最擅長的，是它能辨識圖像資料或波形資料這類無法符號化的資料。

自2010年代以來，如Google、Microsoft及Facebook等美國知名IT企業，都開始著手深度學習的研究。

例如，蘋果「Siri」的語音辨識，Microsoft搜尋引擎「Bing」所具備的影像搜尋等等，而Google的深度學習專案也已超過1,500項。

至於深度學習如此飛躍的成長，要歸功於硬體設備的提升。

圖形處理器（GPU）大廠輝達（NVIDIA）利用該公司的圖形卡來提升深度學習的性能，提供程式庫（Library）和框架（framework）產品，並積極開設研討課程。

另外，Google也公開了框架「TensorFlow」，可以將深度學習應用於資料分析。

  三、AI的三大應用 AI應用領域主要可分為語音辨識、影像辨識以及自然語言處理等三部分。

語音辨識 語音辨識部分，透過多年來語音辨識競賽CHiME的研究，已經有了等同人類的辨識度（CHiME，是針對實際生活環境下的語音辨識，所進行評測的國際語音辨識競賽）。

此外，Apple、Google、Amazon也相繼提出可應用於日常生活的服務，因此其成熟度已達到實用等級。

影像辨識 影像辨識部分，雖然一般圖片的辨識已有同等於人類的辨識率，但動態影像的辨識準確度卻仍比不上人類，目前還在進行各種演算法的測試。

其中，影像辨識目前最火熱的應用場域非自動駕駛莫屬了。

整個汽車、資通訊產業都正朝著自駕車的方向努力，例如Google持續進行自動駕駛的研究，TOYOTA也在美國設立豐田研究所，可以知道現階段的開發已十分接近實用化。

因此，我們可判斷目前影像辨識的成熟度是介在研究和實用等級之間。

自然語言處理 自然語言處理（Naturallanguageprocessing；NLP），是試著讓人工智慧能理解人類所寫的文字和所說的話語。

NLP首先會分解詞性，稱之「語素分析」（morphemicanalysis），在分解出最小的字義單位後，接著會進行「語法分析」（syntacticanalysis），最後再透過「語意分析」（semanticanalysis）來瞭解含意。

輸出部分，自然語言處理也與生成文法（generativegrammar）密切相關。

生成文法理論認為，只要遵循規則即可生成文句。

這也代表著，只要把規則組合在一起，便可能生成文章。

在自然語言處理中，最具代表性的應用就是「聊天機器人」（Chatbot）了，它是一種如真人般，可透過文字訊息與人對話的程式。

2016年，臉書推出了「FacebookMessengerPlatform」，而Line也推出了「MessagingAPI」，因而促使這種搭載NLP技術的聊天機器人成為矚目的焦點。

另外，由IBM所開發的華生（IBMWatson），也是應用NLP的人工智慧而成。

華生可以從維基百科等語料庫中抽取知識，學習詞彙與詞彙之間的相關性。

現在，就連軟體銀行（SoftBank）機器人Pepper也是搭載華生系統。

只不過，由於在日常對話中，我們很常省略詞句，也不一定會提及時空背景，因此當前的Chatbot尚無法與人類進行天花亂墜的對話。

所以說，現行多數的Chatbot廠商，還是會限定對話的環境與應用領域。

  延伸閱讀：【書摘】人工智慧來了｜大和有話說 參考書目： 李開復、王詠剛，2017，人工智慧來了，遠見天下文化，台北市。

古明地正俊、長谷佳明，2018，AI人工智慧的現在．未來進行式，遠流，台北市。

三宅陽一郎、森川幸人，2017，從人到人工智慧，破解AI革命的68個核心概念，城邦文化，台北市。

  分享此文：TwitterFacebook請按讚：喜歡正在載入... 文章分頁導航 【書摘】馬雲：未來已來｜大和有話說群雄並起，室內定位技術大比拼｜大和有話說 發表迴響取消回覆 在此輸入你的回應… 在下方填入你的資料或按右方圖示以社群網站登入： 電子郵件（必須填寫）（電子郵件地址不會公開） 名稱（必須填寫） 個人網站 您的留言將使用WordPress.com帳號。

( 登出 /  變更 ) 您的留言將使用Google帳號。

( 登出 /  變更 ) 您的留言將使用Twitter帳號。

( 登出 /  變更 ) 您的留言將使用Facebook帳號。

( 登出 /  變更 ) 取消 連結到%s 透過電子郵件通知我後續回應。

有新文章時用Email通知我。

Δ 大和有話說 蕭佑和，Nick，任職於中華開發資本CDIBCapitalGroup，負責中華開發創新加速基金、阿里巴巴台灣創業者基金之案源開發及投資評估，主要關注於移動互聯網、電子商務、物聯網、雲端運算等四大領域。

進入創投業前，曾任職於華泰電子，負責中國地區互聯網產品之商業模式建立以及市場拓展。

2016年起，經營自媒體「大和有話說」，內容以創業投資、產業觀察為主軸，多次獲〈經理人雜誌〉、〈科技報橘〉、〈商業周刊〉、〈創業小聚〉、〈Career雜誌〉、〈Money錢〉、〈MBAtics〉等社群媒體轉載及採訪。

畢業於國立清華大學科技管理所，曾在上海交通大學安泰經濟與管理學院交換學生。

熱愛英雄電影，尤其是美國隊長。

興趣是閱讀、籃球及吉他，週末偶爾變身為街頭藝人，享受與人互動的溫度。

念念不忘，必有迴響，相信持續寫作所帶來的能量。

歡迎與我聯繫：[email protected] 顯示完整個人檔案→ Facebook LinkedIn 搜尋： 本日熱門文章 【新創融資】種子輪、天使輪、A輪、B輪、C輪，你都弄懂了嗎｜大和有話說 毫米波雷達是什麼？自動駕駛、智慧家庭都少不了它！｜大和有話說 【新創募資】Seed、Angel、A、B、C輪的估值行情在哪？｜大和有話說 VC如何看新創公司的股權結構｜大和有話說 【圖解】工業機器人之五大機械結構及關鍵零組件分析｜大和有話說 【圖解】3D感測技術發展與應用趨勢｜大和有話說 【圖解】台灣行動支付大比拼：LinePay、街口支付、ApplePay｜大和有話說 完整解析AI人工智慧：3大浪潮＋3大技術＋3大應用｜大和有話說 智慧車、電動車、無人車！淺談全球汽車業發展趨勢｜大和有話說 【新創募資】為何「優先清算權」與「股權比例」同等重要？｜大和有話說 文章月份 2021年十二月 (3) 2021年十月 (1) 2021年八月 (1) 2021年七月 (2) 2021年六月 (2) 2021年五月 (3) 2021年一月 (1) 2020年九月 (1) 2020年二月 (1) 2020年一月 (1) 2019年十二月 (1) 2019年十月 (1) 2019年六月 (1) 2019年五月 (2) 2019年三月 (1) 2019年二月 (3) 2018年十二月 (2) 2018年十一月 (1) 2018年十月 (1) 2018年九月 (1) 2018年八月 (2) 2018年七月 (2) 2018年五月 (2) 2018年四月 (2) 2018年三月 (2) 2018年二月 (1) 2018年一月 (2) 2017年十二月 (3) 2017年十一月 (1) 2017年十月 (3) 2017年九月 (2) 2017年八月 (3) 2017年七月 (2) 2017年六月 (2) 2017年四月 (2) 2017年三月 (4) 2017年二月 (2) 2017年一月 (4) 2016年十二月 (4) 2016年十一月 (4) 2016年十月 (5) 2016年九月 (2) 2016年八月 (5) 透過電子郵件關注網誌 輸入電子郵件地址以關注此網誌，並透過電子郵件接收新文章通知。

電子郵件地址： 關注 追蹤 已追蹤 大和有話說 加入其他326位關注者 我要註冊 已經有WordPress.com帳號了？立即登入。

大和有話說 自訂 追蹤 已追蹤 註冊 登入 複製短網址 回報此內容 以閱讀器檢視 管理訂閱 收合此列   載入迴響中...   發表迴響… 電子郵件(必要) 名稱(必要) 網站 %d位部落客按了讚：