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)