人工智慧、機器學習、深度學習解解惑／解聰文

人工智慧、機器學習、深度學習這三個名詞，都是最近經常被提起的行話；它們彼此緊密相關，但意義又不太相同，偶爾還會被誤用。本文就用白話來說明一下，這三個奇妙的東西到底是什麼。

最近，人工智慧（AI）是許多人掛在嘴邊的流行話題，甚至成為許多產業的行銷話術；每一家科技大廠都想在這個領域中拔得頭籌，只要有小公司在這方面有點成就，很快就會成為併購對象。

其實，AI已經在你生活中存在許久；像是語音辨識、手機上的助理功能、購物網站上的「你應該也會喜歡」演算法、串流影音網站的推薦、甚至醫師使用的影像比較判讀系統，其中都有AI功能的身影。

除了AI之外，「機器學習」（machine learning，ML）和「深度學習」（deep learning，DL）也是最近在市場上快速竄起的名詞。雖然這兩個名詞經常被混用、而且確實彼此緊密相關，但意思其實是有點差別的。

那麼，人工智慧、機器學習、以及深度學習之間到底有什麼不一樣？

人工智慧（AI）

根據最早提倡人工智慧的專家說法，廣義的解釋是「創造有智慧的機器，特別是電腦程式，所需要的科學與工程技術」；用這類技術所製造出來的電腦、電腦控制機器人、以及軟體，都會用近似人類的方式思考，但同時也有效運用了比人類更強的速度與力量。

在AI研究之之中，知識工程（Knowledge engineering）是非常重要的一環；因為一部機器要能像人類一樣運作，必須先擁有大量關於真實世界的資訊。舉例來說，一輛自動駕駛車輛，必須擁有足夠的環境資訊，才能安全的運行；如果沒有了這些資訊，即使有再好的決策演算法，仍然還是事倍功半。

換言之，人工智慧系統必須瞭解周遭環的物件，以及它們的類別、特性、以及彼此之間的關係，才有辦法進行知識工程相關的運算。

要讓機器擁有我們人類所謂的常識、認知、以及解決問題的能力，是非常困難而繁複的工作；而現在的AI系統，其實離這個目標還有相當大的距離。

機器學習（ML）

因為AI的範圍很廣，涵蓋了整個ML領域，所以ML的範圍自然窄得多。ML的基本定義是「在不經過程式導引的前提下，機器就具備學習的能力」；而這一點也正是目前正在發生的事情：把大量資料餵給電腦消化，然後讓電腦吐出分析或執行的結果。

作為AI體系的一部分，ML的主要功能在於讓電腦在接觸全新、或是不斷變動的資訊時，能夠透過學習和分析資訊內容，然後自我進化。舉個比較近的例子，就是Facebook的個人頁面就利用了機器學習功能，在分析使用者按讚的對象之後，推薦符合個人喜好的內容。

傳統ML系統的核心技術，在於透過統計分析和預測，找出大量資料中的變動模式、以及其中所隱藏的資訊，而不需要重複寫程式來指示分析方向。

在分析大量複雜資料的能力方面，ML在過去幾年之中有著明顯的進步，而這種能力經常就被稱為「大數據」（big data）；而同樣的，這種能力其實也經常出現在我們的生活中，例如Netflix影音服務的選片機制、或是社群網路根據話題趨勢與標籤（hashtag）來顯示貼文。

但機器學習中的特徵檢測（feature extraction/detection）功能，需要由程式設計師告訴電腦，該尋找哪些「有助於人類做決策」的資訊，這一點目前還需要很多時間；而程式設計過程中的人為錯誤因素，也可能會影響資料判讀的精確度。

深度學習（DL）

深度學習是ML研究領域中最新的分支，目標在於拉近ML與AI之間的距離。DL的出現，源自對人類「深度神經網路」的研究；而DL系統的運作則是在嘗試模擬人腦內層的功能──透過多層次的資訊處理來形成知識。

在DL系統中，機器會透過處理大量資料和演算法，來學會如何完成特定工作。當資料被餵進人工類神經網路之後，系統會詢問一連串的是非題或數值題，並且根據獲得的答案來對資料分類。

現在，透過深度學習原理來建構的影像辨識系統，已經應用在機器人、自動駕駛車輛、以及醫療病灶定位影像分析等應用的「訓練」上。

結語

不久之前，Google的AlphaGo系統透過不斷反覆「自己和自己下棋」磨練出了驚人的棋力；而同樣的訓練模式也將會普遍出現在未來的其他人工智慧系統上，而且進展速度只會更快。

而在不久之後的未來，這樣的趨勢將會帶領更多的新應用與新能力出現，且讓我們拭目以待。

（編譯／傅瑞德）