第二章 人工智慧之技術發展與法律保護
第一節 人工智慧之技術發展
第二章 人工智慧之技術發展與法律保護
第一節 人工智慧之技術發展
第一項 人工智慧之分類
人工智慧又稱機器智慧，屬於電腦科學之一環，為由人所製造出具有實現人 類智慧能力之機器，也有以此指稱創造它之技術以及學問。而人工智慧之概念深 廣且複雜，如何定義人工智慧即可單獨成立一篇論文進行討論，本文為簡要釐清 人工智慧之面貌，依據不同之角度進行分類，例如以思想分類可分為「強人工智 慧、弱人工智慧」，以學習型態分類可分為「監督型學習、非監督型學習及增強 學習」，並將人工智慧演算法實際應用之等級，套用社會實例，勾勒出一較為明 顯之輪廓，再進一步帶出人工智慧演算法分類，依發展歷程作排序，以迅速認識 當今生活中俯拾即是之熱門話題─AI。
第一款 人工智慧之思想分類
人工智慧依其思想成熟度分類，可分為「強人工智慧」(strong AI)與「弱人 工智慧」(weak AI)14。「強人工智慧」類別所欲發展之 AI 科技，強調電腦擁有與 人類無異之智慧及思考能力，且對自己的存在有所意識，其假設人工智慧可以理 解並解決問題、作出判斷、計畫、學習以及溝通，屬於睿智且具有自我意識之電 腦；相對地，「弱人工智慧」類別代表之 AI 科技，只專注於增加電腦部分思維特 徵，以使其成為更有用之工具15，認為電腦無法與人類智慧並駕齊驅，弱人工智 慧僅是研究、完成特定問題解決或是推理任務之軟體，未能包含人類之認知能 力。
有別於強人工智慧，弱人工智慧更接近特定問題解決者，其追求具有象徵人 類智慧之自覺與感知能力，亦不認為電腦具備擁有心靈之必要，只要能運用特定 智慧呈現出以知性手法解決問題即可16。部分評論認為弱人工智慧並不能被稱之 為「智慧」，因為其無法真正思考17。然而，現今普遍發展之科技大多為弱人工 智慧，強人工智慧假說目前尚未實現，但它是未來人工智慧發展之目標，亦顯示 出人類對於機器是否可以自主「思考」之疑問，而成為學者們長期爭論不休之議
14 Ela Kumar, APTIFICIAL INTELLIGENCE, 13-14 (2008).
15 Id.
16 松尾豐著，江裕真譯 (2016)， 《了解人工智慧的第一本書：機器人和人工智慧能否取代人類？》，
頁 63，台北：經濟新潮社。
17 Kumar, supra note 14.
10
題18。
如何判斷機器是否擁有智慧或有思考能力？著名之測驗為英國數學家 Alan Turing 提出圖靈測試(Turing test)，該測驗試圖建立一個標準，以測試機器是否具 有智能，以及對於自身存在之自覺19。1950 年，Turing 於 Mind 雜誌上發表「計 算機與智慧(Computing Machinery and Intelligence)」一文。於該文章中，Turing 討論人工智慧(該名詞當時尚未發明)，迄今仍使用於各式機器人中之「模仿遊戲」
20。
儘管隨著時代演進，人工智慧之研究超越當時理解，完全只以機器模仿人類 之弱人工智慧，正漸漸蛻變，圖靈測試亦隨之更迭，而於不同競賽與場合採不同 評審及評價方式，但圖靈測試仍提供近年來關於人工智慧模仿人類行為之評估標 準，且透過與人類專家之比對，驗證部分專業領域之智慧型程式。惟人工智慧研 究並非僅致力於通過圖靈測驗，亦非僅是突破弱人工智慧之稱謂，而應是透過各 項子領域之研究、強人工智慧之發展，在生活中各層面之運用都有令人耳目一新 之成果21。
第二款 人工智慧之學習型態分類
各類人工智慧之演算法(algorithm)學習型態，依據「賦予計算機智慧之手段 之不同」，又可分為監督型學習(Supervised Learning)、非監督型學習(Unsupervised Learning)以及增強學習(Reinforcement Learning)。
監督型學習，係指機器透過人類專家針對現有數據所標記之資料，學習如何 將現有數據之輸出值逼近人類專家所標記之資料。現今業界因此一學習方法之簡 便而廣泛使用，且因數據資料已由人類專家所經手，較不易產生機器理解上之誤 差，但由於其需大量由人工對數據標記之資料，可謂真正體現「人工」智慧一語 之真意，而非機器具有人工智慧。
非監督型學習，則是指機器自主性針對現有數據間之差異，進行歸類、分類，
而無須人類專家逐一指導。此一學習方法，節省了人類專家之標記時間，顯示機 器之效率性，並體現出機器具有近似於人類之智慧，但於一些較具挑戰性之邊際 數據，單純非監督型學習較難達到應有標準，亦即於此學習方法下較無法完全掌 控機器自主學習可能產生之誤差。
而增強學習，與非監督型學習一樣，無須人類專家教導，然不同之處在於，
增強學習仍有導師存在，僅該導師之角色，由人類專家轉換為現實環境，亦即，
18 陳昭妤 (2017)，《論人工智慧創作與發明之法律保護－以著作權與專利權權利主體為中心》，
頁 9，國立政治大學科技法律與智慧財產研究所碩士論文。
19 Kumar, supra note 14.
20 Michael Negnevitsky 著，李聯旺、廖珗洲、謝政勳譯 (2012)，《人工智慧：智慧型系統導論 ( Artificial Intelligence：A Guide to Intelligent Systems)》，第三版，頁 1-3，新北市：全華圖書。
21 陳昭妤，同前註 18，頁 9-12。
11
增強學習是直接透過與外在環境接觸及反饋之經驗而自我發展出一套有智慧之 系統22。此類近年較為突出者為 Deep Q Learning，利用 Deep Q Learning，可使機 器進行 Atari 系列之電子遊戲23，故增強學習，可能為邁向高人工智慧或強人工 智慧之途徑之一。
然而，上述分類亦非絕對24，事實上尚有混合型之學習方法存在，如近年發 展出之生成對抗網路 (Generative Adversarial Neural Network)，即採對抗型學習，
利用兩組不同層級之人工神經網路(Discriminator 及 Generator)相互對抗，藉由不 同目標下之倒傳遞法以相互訓練彼此之精準度，某程度上即混合監督型以及非監 督型學習。
是以，傳統機器學習演算法下，可能有監督型學習、非監督型學習或增強學 習之模型；深度學習演算法下，亦有監督型學習、非監督型學習以及增強型學習，
或甚至是混合型。因此，所謂監督型學習、非監督型學習及增強學習，只是依據 各類演算法下賦予機器智慧之手段不同所作出之區分，而並非針對演算法本身所 作出之區分25。總而言之，欲發展高效能之人工智慧，尚須逐步減少監督型學習 模型之比例，朝向非監督型甚至是增強學習，始能不斷寫下 AI 歷史之新篇章。
第三款 人工智慧之使用等級分類
人工智慧科技之運用，充斥於現今社會使用之各項產品中。依社會上一般人 對於人工智慧之認知，有學者將人工智慧一詞之使用情況分為四種等級26： 第一級人工智慧，係把純粹之控制程式稱為「人工智慧」。自行銷角度，將 加裝單純「控制程式」之產品稱為人工智慧，例如許多具有「智慧」外觀之家用 電器(空調、吸塵器、洗衣機等)，其視環境(輸入)之不同改變行為(輸出)，則此類 技術應屬於「控制工學」、「系統工學」領域，以人工智慧稱之尚非合適。
第二級人工智慧，是所謂典型之人工智慧，行動模式較為多元、變化多端，
例如將棋程式、掃地機器人、回答問題之 AI 等，基於推論探索能力或知識基礎 之加入，精於將輸入與輸出間牽上關係，而可產生極為大量的輸入與輸出間組合，
除前述釋例，典型的拼圖解析程式或是醫學診斷程式亦屬之。
第三級人工智慧，為加入機器學習之人工智慧。係指內建搜尋引擎或是根據 大數據自行作出判斷之人工智慧。其依據資料，學習如何將輸入與輸出間加以連 結，因此大多數運用機器學習的演算法則，根據充當樣本之資料，自行學習規則
22 Ian Goodfellow, Yoshua Bengio& Aaron Courville, DEEP LEARNING (2016).
23 Volodymyr Mnih, Koray Kavukcuoglu, David Silver& Alex Graves, Ioannis Antonoglou, Daan Wierstra& Martin Riedmiller, Playing atari with deep reinforcement learning, NIPS Deep Learning Workshop, 1-9 (2013).
24 Goodfellow& Bengio& Courville, supra note 22.
25 王柏霳 (2019)，〈從美國國會立法觀察人工智慧的挑戰與變革〉，《科技法律透析》，第 31 卷第
3 期，頁 41-42。
26 松尾豐，同前註 16，頁 57-60。
12
或知識。而觀察最近發展之人工智慧，多數屬於此級分類類型，有些過去只是第 二級之人工智慧，在採納機器學習後，進階為第三級人工智慧。
第四級人工智慧，為加入深度學習之人工智慧。係指人工智慧懂得學會在機 器學習時用於表示資料之變數(特徵量)，以深度學習為代表之「特徵表達學習」
即屬此類，透過電腦自行取得高層次特徵量，再據以分類圖片，即由人工智慧自 行創造特徵量，而非經人類加以設計27。深度學習領域是機器學習領域中正在發 展中且備受矚目的領域，透過多層次神經網路模型28，模擬人類的大腦學習模式，
加強機器的辨識能力。
透過上述使用等級之分類，不難看出 AI 科技之產品運用，涉及機器學習、
深度學習與人工神經網路等，與演算法之發展息息相關，各類之演算法更藉由實 際產業之應用，使得技術發展逐漸邁向成熟。因此，欲了解何謂人工智慧？何謂
「核心 AI」？有必要對於演算法有初步之認識，而針對演算法之分類，於下一 項進行說明。
第四款 人工智慧之演算法分類
承上所述，人工智慧科技運用之演算法，為 AI 之核心本質。然而，演算法 技術種類多元，且非從一而終，基於不斷進化、改良，漸而形成日趨成熟之現代 AI 科技，以下即簡要說明人工智慧演算法之沿革與分類。
早期對於人工智慧之定義，多以機器模仿人類智慧行為作為出發點，但隨著 人工智慧、電腦之迅速發展，今日人工智慧甚至可能完成超越人類所能及之範疇，
不只是單純模仿行為而已。而如何讓機器不透過人類灌輸之既有知識，直接透過 與外在環境接觸及反饋之經驗，自我發展出一套有智慧之系統，即成為人工智慧 逐步蛻變之重要里程碑29。
早期之演算法，主要著重在人類專家所賦予之知識庫系統(knowledge base) 或專家知識系統，但由於此一方法於模仿人類思考面向上並無顯著功效，電腦科
早期之演算法，主要著重在人類專家所賦予之知識庫系統(knowledge base) 或專家知識系統，但由於此一方法於模仿人類思考面向上並無顯著功效，電腦科