機器學習的魔力

講者／嚴成文（國立中山大學機械與機電工程學系特聘教授）｜彙整／高英哲
整理自2019.09.23〈AI報你知‧大家都聽得懂的機器學習〉

效法自然

機器學習是一種掌握輸入與輸出間對應關係的方法學。其基本架構是藉由輸入大量資料，讓機器自行摸索，並由人類告知最終的結果是否正確；如果不是，機器便會適度調整，甚至從頭來過。電腦先是知道答案，再設法揣摩出人類心中那套判斷標準與規則。就像我們學習母語時從來沒背過文法，而是直接暴露在大量使用母語的環境中，每次犯錯便會遭到糾正，最終自然就學會了那套「知其然而不知其所以然」的文法規則。

「類神經網路」（neural network）是機器學習常見的形式之一。它模擬生物神經網路中神經元間的連結，但採用非線性的方式處理資訊。1980年代，傳統的機器學習仍須仰賴人力在茫茫數據中先挑選出關鍵特徵（例如惡性腫瘤特有的形態特徵），再餵給電腦學習（如何在醫療影像中一眼看出惡性腫瘤）；到了2010年代發展出「深度學習」（Deep Learning），憑藉著多頻帶、多頻道、多尺度的「卷積神經網路」（Convolutional Neural Network，CNN），原先仰賴人類經驗篩選關鍵特徵的前置工作也全都由電腦包辦。

優勢與劣勢

 機器學習較諸人腦有許多優勢。首先是處理速度，機器大多數的嘗試都以失敗收場，但屢敗屢戰，在失敗中學習，仍能在短時間內得到不錯的結果；再者是記憶容量，電腦的記憶能力當然遠勝人腦；第三是處理多變數的能力，人腦頂多同時處理三個變數就窮於應付，機器學習卻能同時應付上百個變數；最後是多模組運作能力，我們可以同時訓練多個神經網路並相互整合，完成更複雜的任務。相較之下，人與人之間卻常常因為許多因素而無法做到真正的合作無間。

機器學習的缺陷當然也不少。除了欠缺常識，很多時候無法意會像是雙關語這種細微差異外，機器學習強於解構分析卻不擅統合，也常犯見樹而不見林的謬誤。機器學習也無法進行跳躍性思考，沒有突發奇想這件事，只能在給定的範圍內尋求答案。最關鍵的一點，則是機器學習對於資料量的需求極大，在資料不足的情況下，很可能給出極為離譜的結果；這也是為什麼機器學習時常與「大數據」（big data）一同被提起的緣故。

前景看好

實務上，機器學習常為相關產業帶來突破性的發展，甚至顛覆性的變革。短期可見的改變非FinTech莫屬，指的就是依照機器學習給出的建議買賣股票，避免人類因為預期心理作出錯誤的投資決策。中期自駕系統的技術愈發成熟，一旦成功上路，便可避免諸如疲勞駕駛等因為人為因素造成的車禍，降低交通運輸的社會成本。長遠來看，智慧醫療也是一片看好。現在已有商品問世的智慧個人助理，日後的功能也絕不會僅限於提供天氣與交通狀況，藉由收集大量個人生活起居數據，未來甚至可能充當人類的伴侶。

台灣有相當靈活的製造業傳統，以及一批素質優秀的醫療人員，在智慧製造以及智慧醫療產業方面，都有相當不錯的競爭潛力。我們不會被AI取代，但是未來很有可能會被懂得AI的人所取代；只要我們有所準備，就毋需擔憂AI在未來勝過人類，而是坐享AI所帶來的便利與進步。

(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)