【專題探索】AI科技競賽帶動全球產業新走向
林毅璋 (2018/01/09) 《台經月刊第41卷第1期》
人工智慧(Artificial Intelligence, AI)是2017年最熱門的科技話題，不僅是投資界熱門標的，也成為輿論報導焦點，紛紛探討職場上哪些工作可能會被替代。然而，值得深入探討的是促成這波AI熱潮背後所累積的整體科技應用，以及AI發展至今的功能與特點，將為各產業帶來哪些根本性的改變？藉以勾勒出未來在各產業上的應用方向。
AI的發展歷程與特點
AI就是讓機器能夠像人類一樣解決特定問題。過去AI已經掀起兩波熱潮，第一波是1956~1960年間，當時主要研究運用電腦針對特定範圍議題進行推論、探索並加以解決；第二波是八○年代，大家開始把知識灌入電腦中，奠定機器學習(machine learning)與神經網絡(neural network)架構的基礎。
機器學習是指透過分析數據來學習如何完成某種特定任務的計算機算法；神經網絡則是由神經元所組成，透過連結形成網絡，模仿人類腦神經結構的計算模型。雖然單個神經元只會解決最簡單的問題，但組合成一個分層的整體架構，就能解決複雜問題。
讓機器有智慧，並不一定要真正賦予其思辨能力，而是可以靠大量閱讀、儲存資料並加以分辨。在八○年代中期和九○年代早期，許多重要的演算法都已發展出來，但礙於當時科技所囿，功能發展有限。前兩波失敗的原因在於軟硬體技術不足，缺乏大規模數據資料，計算複雜度無法提升等，以致無法解決大範圍的問題，不好應用。不過，在第二波熱潮中，已奠定機器學習的技術，即確立程式自動學習的機制，利用是非題的方式去學習分類，一旦掌握分類方式後，電腦可以自行學會如何分類、判斷、辨識，並進一步預測。
目前AI的第三次熱潮則是源自大數據(Big Data)及深度學習(deep learning)的應用。原本機器學習的弱點在於特徵工程(feature engineering)部分，也就是「特徵量」設計。特徵量指的是機器學習在輸入時的變數，以定量呈現目標的特徵。機器學習會因為挑選的特徵量不同而影響準確度，但決定選擇哪些特徵量是由於人類的設計，電腦才能依此進一步完成差異比對的工作。
相較之下，深度學習擁有更多的神經網路、具有更複雜的連接層方式，因此能進行自動特徵提取。多層人工神經網路重疊起來所建構出的學習系統能使得電腦學習更深，並能根據資料，自行創造、取得特徵量，不再凡事都由人類來設計特徵量，如此一來便解決原本在機器學習時與判斷僵化與框架問題，例如著名的AlphaGo就是以13層人工神經網路系統建構而成。
深度學習、智慧製造、AI醫療應用、工業4.0、自駕車技術、智慧語音助理、大數據分析、AI晶片、數據隱私保護、人工智慧法規挑戰
分享：
