前年（2016）的那場人類與電腦（AlphaGo）的對弈，想必大家仍記憶猶新。在那之後引來更多對於人工智慧（Artificial Intelligence）的期待與想像，究竟 AI 在人類未來生活中可以扮演什麼樣的角色。是會像科幻電影那般，成為機器主宰地球的窘境，還是會成為人類得力的重要夥伴呢？

泛科知識與科技部南部科學園區管理局 推出的人工智慧沙龍系列活動首場，邀請到成功大學資訊工程系的 高宏宇教授／人工智慧學會理事，來跟我們分享在產業與學界中對於 AI 實務應用。

從專家系統邁向深度學習架構

人工智慧早年以 專家系統 為研究發展方向，透過資料庫與推理系統，希望讓電腦模擬人類進行逐步的思考與推理，進而將專家的知識與思維建構在機器中，但因電腦運算速度不足，導致能處理的問題有限。但近年較為廣泛的做法是借鏡人腦當中的神經元判斷方式，提取數據的特徵，有策略的讓機器從人類標註的數據中去建立目標預測模型。當訓練樣本數以及資料的維度增加後，就能建立準確的模型。

圖像辨識發展已進入高原期，文字辨識還有探索空間

高教授指出，過去幾年 ImageNet 等組織發起各種影像辨識的比賽，相關的演算法發展一日千里，現在的辨識率已經超越人類，可達 99% 以上（能做的事情都做的差不多了，所以 ImageNet 也不再辦比賽啦），已經超越人腦辨識的正確率。

文字的辨識則分為字形與語法兩方面，訓練 AI 辨識手寫文字或理解整段的句子進行翻譯都已有豐碩成果，然而讀懂一般文字容易，目前研究學者正努力攻克的方向則是嘗試讓 AI 理解文字中的情緒與語調的差異，但讀醫學論文又是另一個新世界啦，這也是本場活動的最有趣的部分所在。

使用深度學習架構建立醫師的論文閱讀模型

醫界目前每年可產出幾十萬篇論文，遠遠超出人類可以閱讀的數量，對醫生來說，一篇論文中可能只有十分之一的句子是重要的，所以延伸出兩種閱讀論文的方式：一種是「看重點就好」，讓 AI 將論文整篇看完後節錄重點；第二種是「看重要的部份」針對標註論文核心論述以及研究結果讓醫師可以更快速的跳到該段落閱讀完整論述。

初期還是需要請資深醫師針對兩種方式進行論文整理與標註，再讓電腦透過深度學習網路建構醫師標註邏輯的模型，日後新的論文就可以直接套用模型讓電腦幫你讀論文啦（有沒有很智慧，很簡單？），但因於醫學領域詞彙與縮寫龐雜，同樣的縮寫與字根在疾病、化學物質、細胞、物種、基因、變異等不同領域的詞意不盡相同，而不同醫師的習慣用語與描述方式產生的廣義字與同義字辨認也是目前研究的困難之處。

革命尚未成功，歡迎加入挑戰

AI 技術目前仍持續發展，教授表示現今 AI 領域的各項賽事如火如荼，醫學領域如 NIPS 競賽在 2017 年就讓挑戰者們嘗試用自己寫的 AI 來讀懂癌症病例嘗試運用在個人化治療，Google 也有針對視網膜病變及癌症組織切片等計畫正在進行，NASA 用來辨識可能存在的類地行星，如果你也想要成為 AI 的高手，可以先去Kaggle網站上找個自己感興趣的比賽來練練功吧。