這一系列文章為 2016 泛 · 知識節「翻牆吧！知識」的活動紀實，我們將當下求知求真地感動盡力留下，想與世界某個角落正在努力翻牆的你分享。

知識不只在學校的黑板、不只在安靜的圖書館，當然 更不只在名為「學校」那棟被牆包圍的建築。2016泛 · 知識節「翻牆吧！知識」承襲著泛科學年會的精神與架構，變的是讓更多的知識在這裏碰撞，不變的是那渴求知識的靈魂。如果知識是一道牆，現在就讓我們用求知慾翻牆吧！

關於本場次【 機器學習與人工智慧的創新革命 】的活動介紹，請參考這裡。

文／黃珮蓁

曾因學業背景而一心嚮往傳統金融業的陳晏琳，因緣際會進入了新創軟體圈，展開了在數據分析、程式與開源軟體等領域的探索，目前任職於股感知識庫（Stockfeel），致力將艱深的投資與股票專業知識，以淺顯易懂的資訊圖表與文字傳遞給大眾。這次，我們在 2016泛．知識節第二天的活動中邀請到她，分享說明人工智慧的發展歷程，以及釐清近年許多人討論的熱門技術——人工智慧（Artificial Intelligence，AI）、機器學習（Machine Learning）與深度學習之間（Deep Learning）的差別。

陳晏琳首先指出，許多人對「人工智慧」的認知可能來自科幻電影，或是近期李世石對上 AlphaGo 的圍棋人機大戰，及致力從顯示卡轉型為人工智慧運算公司的 NVIDIA，這些看起來似乎和大眾的生活遙不可及，但其實，人工智慧滲透入一般人日常生活的程度或許比我們想像的還深，包括電子信箱的自動分類、Google 搜尋時的圖像辨識以及自動翻譯等工具，都是源自同領域的技術。「因此，對現代人來說，認識這些科技發展是非常重要的。」

1950 年代：人工智慧的哲學思考與實際應用

自 1950 年代電腦的誕生以來，人類對人工智慧的討論不曾停歇。

哲學家 John Searle 就將「智慧」分成弱人工智慧（Weak A.I. ）與強人工智慧（Strong A.I.），而判別的標準在於：是否存在感情與意識的狀態。以 AlphaGo 來說，弱人工智慧是透過運算、一次次地跑過數學模型並找到最優化的路徑，屬於單純的應用層面；強人工智慧則能意識到自己正在下棋，並知道自己為何下棋，必須處於擁有感情和意識的狀態，而圖靈測試（Turing Test）便是測試機器是否能表現出與人類等價，或以人類角度而觀、無法分辨的智能。

然而，這些對於「智慧」的討論都仍屬於「哲學」範疇，在電腦科學應用的領域中，則是關注「如何以電腦科學解決問題」，較不著重處理感情、意識或倫理的議題。

從人工智慧到機器學習，再從機器學習到深度學習

陳晏琳自 1950 年代說起人工智慧的發展說起，接著是 1980 年代受到學術與應用上愛戴的機器學習，深度學習則是到了 2012 年才真正興起，她說：「科學發展有匯聚的一條路，它們並非憑空而來，是科技發展的必然導致了這個狀態。」

隨著電腦技術的優化，出現了人工智慧的分枝 —— 機器學習。

人工智慧解決問題的方式有很多種，機器學習便是其中之一，透過模擬人類的學習行為，從資料中自行「學會」調節，讓電腦自然而然知道資料代表的意義。「機器學習除了仰賴好的運算能力，還需要大量數據，這些海量數據正是透過智慧型手機的普及、與大量使用行為累積而來。」也算是其中一種科技發展的必然。

提到應用層面，陳晏琳解釋，機器的判讀其實是從 0 和 1 的機械碼運算而來，當機器能判讀圖片內容，便能應用到氣象或醫學上的影像判斷，例如預測病人是否有糖尿病或眼部病變。

那麼，機器學習的分枝——深度學習，又稱深度神經網路（Deep Neural Network）——是如何出現的呢？

1980 年代起，開始有學者試著從醫學的角度模仿生物大腦神經網路，計算神經元如何在不同狀況被激發，並來回地測試與調整每次節點的反應與傳遞。2006 年，深度學習之父 Geoffrey Hinton 實際解決了「神經網絡反向解碼」的技術問題，開啟了深度學習的應用大門。直到 2012 年，在專做機器辨識搜尋的學習資料庫 ImageNet 所舉辦的機器學習競賽上，Hinton 的兩個學生用使用 NVIDIA GPU 來訓練神經網路，發現利用 GPU 運算較過去使用 CPU 的速度快上 10 到 20 倍，深度學習的技術運用於是開始步上軌道。

人工智慧的再思考

在演講的最後，陳晏琳表示自己對人工智慧技術抱持著相當正面的展望。「隨著技術的發展與普及，人工智慧已不是只有大公司玩得起的高科技，機器學習與深度學習就像一個封裝完好的黑盒子，透過 Tensorflow、Caffe 等工具包（Toolkit），調整一下 API，便能完成任務，例如日本便有農夫利用深度學習判讀小黃瓜優劣的成功案例。」

「人類和機器看似很接近，但其實是完全不同的生命體。」

而當技術的發展與突破日新月異，人類的工作有可能被機器所取代嗎？陳晏琳認為，人工智慧或機器學習仍存在盲點：它不能解釋預測的原因。

「傳統統計著重在解釋能力，若一個模型預測的 Error 能達到更低、但沒辦法解釋現象成因，還是會放棄；機器學習比起能否解釋、更著重預測的精準度高。然而發展科學時若不能解釋、就算預測得再準，還是不能理解一個現象為什麼會發生。」人類覺得簡單的事，有時機器可能做不到，反之亦然，陳晏琳淡淡地笑，「人類和機器看似很接近，但其實還是完全不同的生命體。」