Posted By on 5 月 13, 2019 in Edge AI開發地圖, 特寫 | 4 comments

作者：林敬恆

提到人工智慧（Artificial Intelligence）一詞，大家第一個閃過的印象可能是科幻電影那擁有人類智慧的機器人，或是電影鋼鐵人中的「賈維斯」智慧助理。這些天馬行空的技術的確都屬於人工智慧的範疇，但這其實只是人工智慧其中一小部份的領域，它的應用面充斥在各種產業，早已和我們的生活密不可分。

AI 介紹與簡史

一般稱的 AI 其實是 Artificial Intelligence 的縮寫，而這個名字也清楚地表達了它的涵義。人工智慧的定義其實就是以「人工」編寫的電腦程式，去模擬出人類的「智慧」行為，其中包含模擬人類感官的「聽音辨讀、視覺辨識」、大腦的「推理決策、理解學習」、動作類的「移動、動作控制」等行為。

AI 即是以「人工」編寫的電腦程式，模擬出人類的「智慧」行為（圖片來源：AI FOR PEOPLE）

AI 這個詞彙首次出現是在 1950 年，那時離現代電腦的發明也不過幾年的時間，當時的人工智慧做的不過是跑一些寫好的邏輯程式、處理數學定理證明，應用其實並不廣；此外，由於當時電腦體積龐大、性能又有諸多限制，人工智慧發展很快就面臨到瓶頸了。

沉寂一陣子後，在約二、三十年前，因為電腦儲存空間、運算性能的突破，AI 重新回歸主流技術發展重點，開始出現「機器學習」這塊領域，並得到了很好的成果，如發展出「支持向量機（SVM）」模型，能有效分類處理各種數據；到了最近幾年，又因為技術與演算法的進步，再度發展出「深度學習」這個領域，AI 的成長儼然已成為不可忽視的巨獸！

到了這邊，讀者是否開始對逐漸出現的名詞感到困惑呢？別擔心，以下會用簡單的方式向各位介紹。

AI 的應用與技術內容

AI 功能的身影已經充斥在我們的生活，它的樣貌已不再那麼的神祕，舉凡交通、娛樂、醫療等，到處都可見其蹤影，以下舉幾個例子讓大家更了解 AI 的樣貌：

• 手機助理語音辨識功能
• 社群網路上的廣告投放
• 串流影音網站的推薦（如 YouTube 推薦影片、Spotify 精選）
• Google Map 最佳路線規劃

而要如何讓電腦實現以上的功能呢？這邊介紹一些常見 AI 的運行原理：

• 搜尋：尋找最佳路徑、最短運算的搜尋方法，用來加快電腦的運算或減少記憶體的負擔，如 BFS 優先廣度演算法、A star（A*）演算法等。

A*演算法展示（圖片來源：Wikipedia）

• 邏輯推論：為了讓電腦能進行推理、抉擇、修正，發展了許多邏輯推論系統，最廣為大家使用的就是布林運算，其主要利用二元的運算符號（0、1）去定義邏輯的函數，相當方便直觀，應用也很廣泛。

布林運算真值表（圖片來源：Boolean Operators）

• 統計、機率：主要目的是透過機率統計數學模型，幫助分析資料、處理大量數據，如 EM 演算法、貝氏網路等。
• 神經網路： 模仿生物神經網路的結構與功能，能透過輸入的資料訓練，產生對應的演算法模型，學習判斷指定的問題。

解析 AI/ML/DL 的關係

既然提到了神經網路，就不得不提及「機器學習 Machine Learning（ML）」、「深度學習  learning（DL）」， 這兩個最近非常火熱的名詞了，究竟機器學習（ML）與深度學習（DL）到底差別在哪呢？

AI 演進（圖片來源：NVIDIA）

我們可以從上面這張圖清楚理解，AI、ML、DL 這三個名詞的關係就像洋蔥一樣層層遞進，機器學習（ML），是人工智慧（AI）底下的技術分支，而深度學習（DL）是近年才從機器學習衍伸出的領域，可以比喻為俄羅斯娃娃，一個子領域之中又有更深入的子領域。

機器學習與深度學習的訓練比較：機器學習需要人為特徵分類（Feature extraction），而深度學習則是交給模型自己處理分類（圖片來源：XENONSTACK）

• 機器學習

簡單來說，為了讓電腦透過自我學習的方式，去解析數據或做出問題判斷，不斷優化改進自身，而非單純寫好程式，僅處理單一特定問題，其中其實包含了許多學問，如統計、機率、演算法、逼近理論等多項領域。

傳統的機器學習結構：資料→特徵擷取→模型→答案

為了達到預測的效果，機器學習會不斷讓模型最佳化去擬合資料，然而在特徵擷取上，仍然需要透過手動去標記特徵，將特徵轉為編碼或向量形式後，再透過機器學習的模型去處理，最後得到預測結果。

機器學習在資料分析上已經發展得非常成熟。舉例來說，如果將藍球和紅球都丟入袋子裡，要怎麼完美的劃出一條線將他們分割呢？這時透過機器學習的模型—向量支持機（SVM）處理，就能將所有的球拉到更高的維度做切割，讓原本散亂的球，在三維空間漂浮看起來，變得容易分類。

SVM 分割示意圖（圖片來源：Quora）

然而在處理影像辨識或是複雜的分析上，機器學習還是有一定的限制，畢竟它所需要的特徵都還是需要人為的特徵分類，那麼深度學習又是如何運作的呢？

• 深度學習

深度學習是透過神經網路（Neural Network）的方式來實踐，而神經網路由無數個神經元串聯所組成，這些神經元的運作方式和人類神經一樣，一個連著一個傳遞訊號，只不過輸入的不是生物電流，而是變數、權重（weight）、誤差（bias）；其中，每個神經元本身都是個小小的函數，資料會在神經網路中慢慢轉化，最後得到我們的預測模型。

深度學習的結構：資料→模型（特徵擷取自學）→答案

與傳統深度學習不一樣的是，在特徵擷取的部分，我們把它交給神經網路去處理，讓它在不斷地反覆運算中逐漸萃取出所需要的特徵，不斷改進模型本身權重，最後產生預測模型。這個步驟需要大量的反覆運算，也就是為什麼深度學習領域到這幾年隨著 GPU 技術的突破才又突飛猛進的進步！

以「貓狗辨識」舉例，深度學習的訓練只需將標記好類別的影像輸入到模型中，神經網路會自行將影像特徵擷取出來。那麼這裡問一個問題，如果這時候將「豬」的照片丟入，模型會給出什麼結果呢？A. 貓 B. 狗 C. 豬，想好了嗎？

透過捲積神經網路訓練貓狗辨識（圖片來源：Medium）

其實答案選 A 和 B 都對喔！由於神經網路訓練的是貓狗模型，所以模型會按照它分類的特徵去判別這隻豬的照片，嘗試讓它在貓或狗之中選出一個答案（即使它不是貓也不是狗），所以這也是深度學習的限制，預測的模型主要仍取決於輸入訓練的資料，所以選 C 的各位，抱歉答錯了呦！

小結

AI 技術發展至今，那些曾經被認為是空想的技術也逐漸變得不再那麼遙遠，隨著物聯網了發展而興起的邊緣運算也開始嶄露頭角，AI 的下一步將會是什麼樣的光景呢？讓我們一起見證吧！

（責任編輯：賴佩萱）