只听过AI你就落伍了，一篇文章让你秒懂人工智能的承先启后
2018-03-01 15:41:27
大家还记得之前打败世界棋王的Google AlphaGo吗，以及现在非常火红的精准医疗和翻译机器人吗?近年来我们时常在报章媒体上听到所谓的"人工智能"，都容易让我们直接连想到电影情节，不管是“AI人工智能”或是“黑客任务”里被机器人统治的场景，彷佛人工智能的浪潮，正在我们对机器人的殷殷期盼下，席卷而来。在各大企业的2018目标里，不管是Google、Facebook、微软或是百度等，我们也可以发现各巨头纷纷也在人工智能的领域里充当领头羊，担任了研发担当的角色，也在告诉我们人工智能已经不再是憧憬，而是趋势。
但人工智能是什么呢?跟我们先前提到的机器学习有什么不同。
首先我们必须从“智慧”这个名词来做一点讲究？假设我们现在跟自动聊天机器人来聊天，而他可以准确的回答我们的问题，例如下雨天他会提醒我们要带伞，或是可以跟我们稍稍的打情骂俏，像Siri一样，这样的计算机可以称做"人工智能"吗?以本质上来说，他真的拥有智慧了吗?过去这是许多哲学家在讨论的问题，于是美国哲学家约翰．瑟尔(John Searle)便提出了“强人工智能”(Strong A.I.)和“弱人工智能”(Weak A.I.)的分类。
强人工智能就像电影里面描绘的场景，让计算机或是机器人拥有自主判断的能力外，更多了情感、个性、社交等等的自我人格意识，例如复仇者联盟的幻视，就是一个超强人工智能的例子；而弱人工智能就是可以仿真人类的行为做出判断和决策。但过去因为受限于数据量、运算能力还有储存空间不足的问题，所以强人工智能一值无法顺利发展起来，但由于近15年来因为硬件储存成本的下降、加上运算能力增强及扩充，以及拥有大量的数据能做处理，才让属于若人工智能的"机器学习"可以兴起。
机器学习主要的用途：利用大数据来训练"机器"可以对事件的判断做出"预测"，所以会有五大要素
1.获取数据：机器学习必须先收集大量的数据来对机器进行训练。
2.分析数据：找出数据的关联性，也就是变量，例如降雨和湿度。
3.建立模型：透过数据的关联性做出模型，有点类似人脑的经验，例如降雨之后湿度会上升。
4.预测未来：为来可将新的数据输入模型后，就可以得到补助决策，例如明天降雨，那智慧家电会直接开除湿机。
5.修正预测：透过不断增生的新数据来修正模型内的参数
简单来说，从大量的数据数据里，结合统计模型来对未来事件做出预测，正式目前机器学习领域里，重要的发展方向，举凡像是Gmail的自动过滤垃圾邮件、Who's Call的自动过滤骚扰电话等等，这些都已经反应到"弱人工智能"在我们现在的社会里，的确是可实现的。
但除了机器学习之外，想必最近大家还听过一个名词叫做"深度学习"吧，那他又是什么呢
假如机器学习是人工智能的其中一个分歧，那深度学习也可以说是机器学习中的一条支线了。像是大家熟悉的AlphaGo，正式用这样的方式来发展人工智能。
早期机器学习的领域中有一条分支叫做"类神经网络"。就像大脑可以拥有需多神经一样，去做不同的树状分支，而人工神经就是利用这样的思维来做思考，你可以想象把一张图切成碎片，并输入到神经网络的第一层，接下来第一层的独立神经原做出导读与判断后接续传递到第二层、以此类推到最后一层来产出结果，而其中每一层的判断都会有一个权重来评估决策，并透过权重的总值来产出结果，后来这也被称做为现在家喻户晓的“深度学习”。
举例来说，像雅量里面提到的，假设我们今天拿到了一张图去做类神经分析，那他会去拆解里面所有的图像特征，并用神经元来确认每一个形状、字母、符号、尺寸等等，透过权重跟高度训练的推测，可以让系统有87分得把握来推断他是一张稿纸、剩下13分的机率来推测他是一块绿豆糕，最后透过网络把正确的结果回传给神经网络做修正。
当然过程中会出现大量的错误答案，但这也是一个绝佳的训练机会，透过成千上万，数以百万计的图像去做校正，来校正每一个神经元的输入权重，不断的滚动来取得精准的正确答案，让图片仅管刮风下雨、打雷起雾、或是马赛克等等，都可以明确的辨认图片里的绿色物体，到底是稿纸还是绿豆糕。
其中最有名的就是2012年，吴恩达在Google所制作的猫图测试，他在研究上的突破在于从根本上使用这些神经网络，增加了层数和神经元的数量，使神经系统变得更庞大，然后通过系统运行海量数据来训练，据说他可是使用了一千万支YouTube的影片图像，将数据的“深度”也一并运用在深度学习里，来取得更精准的答案，让系统可以透过自行判断来评判这张图到底是不是猫，据说准确度可是已经超越了人眼的判断了。
当然这些硬用上除了在判断是不是猫咪之外，还有一些实质上的应用，例如磁共振成像扫描中的肿瘤指针，来确认影像内的物体到底是不是肿瘤，或是Google的AlphaGo学习围棋游戏游戏，并且反复跟自己比赛来调整神经网络的比重，训练它进行围棋比赛，让每一步棋下得更为精准，这些都是实际上深度学习的应用。
仅管现在把这样的理论可以轻描淡写的叙述，但在资源较匮乏的过去十年前，不论是硬件或是资源上，都无法去做这样大量的计算数据，其中一个主因是因为大家都习惯把计算丢给计算机的CPU去做处理，但这样透过加权分析的复杂计算，会用到大量的矩阵，而显卡中的GPU才是最适合大量处理矩阵运算的硬件，但过去GPU不像CPU拥有编译程序(Compiler)这样的设计。
而突破性的发展就是NVIDIA在2006–2007年间推出全新运算架构CUDA，让用户可以撰写C语言、再透过CUDA底层架构转译成GPU看得懂的语言。这不仅让NVIDIA身价水涨船高，也成为了现在深度学习运算中必用硬件的关键。
所以别再讲人工智能啦，先搞懂机器学习和深度学习的奥妙之后，才发现现在我们生活中，其实已经充满了不少人工智能在做生活上的支持决策啰，也许在不久的将来里，强人工智能的发展已经指日可待了。
关注我们
Copyright©2019，All Rights Reserved.斯马特科技（广州）股份有限公司 粤ICP备17102244号
