人工智慧的發展與應用
人工智慧的發展與應用
講者／林斯寅（國立宜蘭大學資訊工程學系副教授）｜彙整／葉珊瑀
整理自2020.07.08 「AI報你知」校園講座．同名
人工智慧的發展歷程
雖早在1942年，科幻小說家Isaac Asimov便在其著作中提出機器人三大法則（Three Law of Robotics），但「人工智慧」（Artificial Intelligence，AI）一詞卻一直到1950年代，在一場工作會議（Dartmouth workshop）中才首次由學者提出，至今已70年。
- 第一波浪潮（1950-1970）
當時的科學家著重邏輯思考，把人的思考邏輯放進電腦，由專家寫下決策邏輯，發展一度看好。然而1980年，便有哲學家提出「中文房間論證」（Chinese room argument），認為按規則行事的AI本身稱不上具有「智慧」。
- 第二波浪潮（1980-1990）
1980年代集結人類專家（例如醫師）專業知識與經驗的專家系統（Expert System）大放異彩，但與第一波浪潮的研究成果相比，被認為突破不大。
與此同時，AI的另一條路徑──類神經網路，歷經1986年Geoffrey Hinton提出「反向傳播演算法」（back propagation）、2006年深度學習（deep learning），以及GPU（Graphic Processing Unit，圖像處理器）的加持之下，重新贏得大眾的矚目，再度開啟新一波的AI研究浪潮。
- 第三波浪潮（2010-）
從1996年IBM Deep Blue贏過世界西洋棋王後，AI開始不斷在各個領域打敗人類，寫下新的紀錄：；2011 IBM Watson在機智問答節目Jeopardy!獲得冠軍；2016年Google AlphaGo打贏世界排名第三的人類棋王李世乭，隔年打贏世界第一棋王柯潔。AI的第三波浪潮與大數據、機器學習及深度學習的出現，關係匪淺。
大數據、機器學習與深度學習
「大數據」一詞從2001年開始出現，2015年起應用範圍更廣，在資料探勘、資料科學、機器學習、人工智慧等各領域，都可見其身影。大數據有著4V性質：量大（volume）、多樣（variety）且變動快（velocity）的特性，改變了人們解決問題的思維，從過去以模型為導向（model-driven，將知識預先寫在模型中），到現在以資料為導向（data-driven，提供資料，令電腦從中學習）；但同時因為硬體的進步，使得資料的存取成本大幅降低，來源眾多，也讓資料的真實性（veracity）備受挑戰。
所謂機器學習，是在訓練階段提供大數據與標準答案給機器，使其辨識出特定物件的特徵。當機器自主學習出可用的模型後，在測試與之後的應用階段，即使丟入新的樣本，電腦也能透過部分特徵，找出與過往資料最相近的解答。後來的深度學習也是奠基於相同的原理，被廣泛應用於電腦視覺（computer vision）、自然語言處理（natural language processing）與語音辨識（speech recognition）。
當前的電腦視覺，已經可以辨識連續性影像，更逼近人類所看到的世界。可以應用在如自動駕駛技術，觀察人類駕駛是否疲勞駕駛，並適時發出警示音；另外也常應用在醫療領域，從醫療影像中判讀疾病的早期病灶與病徵。
語音辨識與自然語言處理技術，具體的挑戰有：文字組織鬆散，例如「我頭有點痛」、「我有點頭痛」兩句話所指涉的疼痛程度誰高誰低；斷句不清，例如「汽水不如果汁好喝」一句中的「如果」，與假設性語氣的如果不同，斷句錯誤會導致意義判斷錯誤；文意模糊性，例如「我家門前有條水溝很難過」，這裡所提到的「難過」可能是心裡難受，更可能是難以度過。Alexa、Siri之類的語音助理必須要有這類技術的支持，才能將人類語音指令或查詢到的資訊精準轉化為文字，有助於人機溝通。
(本文為教育部「人工智慧技術及應用人才培育計畫」成果內容)