. 人工智慧發展與影響

現代人類對於人工智慧(AI)科技之使用已是悄悄的融入我們的日常生活 中。人工智慧一詞常於各新聞媒體報導中出現與使用，如 AlphaGo 打敗世界 圍棋棋王，然對於一般非 AI 相關領域之人，往往只是偏於虛擬想像，無從得 知究竟人工智慧是如何計算與運作，甚至連具體的人工智慧範疇也無法作說 明，只能以片面資訊踹測人工智慧可能之面貌，所以欲了解人工智慧需從技術 面之著手。

人工智慧一詞最早出現於 1956 年美國達特茅斯學院(DartmouthCollege) 中的一場研討會中，由 JohnMcCarthy 教授為首的數人提出，並認為人工智慧 是「製造智慧機械的科學與工程，尤其是指具有智慧的電腦程式」，而人工智 慧具體運算程度或呈現類型於該定義中仍屬不明，雖然連人類須以何種表現 或舉止可稱得上智慧，可能都無有令多數人滿意的答案，JohnMcCarthy 教授 提出之定義觀之，可得出一結論為人工智慧其核心技術強調電腦程式運算之 能力，而其運算能力來自於演算法。而演算法是計算機科學中非常重要的基礎 科目，是一個有限長度的具體計算步驟，以清晰定義指令來使輸入資料經過連 續的計算過程後產生一個輸出結果，即演算法可被定義為電腦科學家為了解 決問題，而設計出的一連串數學公式，以得到其想要的解答。

從人工智慧一詞出現的 1956 年到往後的 1974 年為 AI 的萌芽期，演算法 著重於邏輯符號推導，以此來解代數題與數學證明題為主，當時急於嘗試將機 器模擬轉成人工智慧，雖曾推出通用解難器(generalproblemslover)，目的在 作為解決通用問題的機器，但畢竟當時軟硬體科技尚未發展到位，對於欲模擬 人類思考之推理、學習與判斷能力，尚屬遙不可及。

自 80 年代起人工智慧技術蓬勃發展，各式演算法於不同領域中大放異彩，

人工智慧之技術發展雖難以區分發展階段，但仍可由一些劃時代的人工智慧 核心技術出現作為分界，本文根據 2016 年美國白宮科技政策辦公室(The White House Officeof Scienceand Technology Policy,OSTP)發布的國家人 工智慧研發政策計劃(National Artificial Intelligence Research And Development Strategic Plan)，將人工智慧發展分類為三個階段。1.手工知 識（Handcrafted Knowledge）階段 2.統計學習（Statistical Learning）階 段 3.語境順應（Contextual Adaptation）階段。

圖 2-1 人工智慧發展分類為三個階段 (資料來源: Three Waves of AI,2018)

一、 第一階段人工智慧發展

由 1980 年代開始發展，主要是把大量專家的知識輸入電腦中，電腦 依照使用者的問題判斷答案，專家系統應用在疾病診斷，連續的問題有一 個判斷錯誤則得到錯誤的結果，而且知識是無窮無盡的，不可能把所有的

第二章 文獻探討-人工智慧

知識都輸入電腦，還把所有知識的前後順序都找出來，因此最後變得不實 用，到了 1990 年代又冷卻了下來。

此時為手工知識(handcrafted knowledge)階段，以人類專家所整理 收集好的知識庫，轉成以若則規則(ifthenrules)表示，依靠的人工智慧 為規則式專家系統(rule-basedexpert systems)，於硬體上實行。此系統 之運行方法是通過知識庫中的知識來模擬專家的思維方式的，因此，知識 庫是專家系統質量是否優越的關鍵所在，即知識庫中知識的質量和數量 決定著專家系統的質量水平。一般來說，專家系統中的知識庫與專家系統 程式是相互獨立的，用戶可以通過改變、完善知識庫中的知識內容來提高 專家系統的效能。

目前專家系統仍大量用於現今 AI 應用產品上，日常生活中依然隨處 可見。例如產品商輸入產品名稱、購買日期、使用年限等等，以系統算出 故障率的風險評估，即是將風險因子資料化的的風險評估；部分金融科技 針對資產運用諮詢，客戶輸入相關資產狀況等資料，系統可以提供其資料 庫中合適的最佳方案；而可以算出最佳化路徑的系統只要輸入的目的地 與出發地即可算出資料庫中的最佳運輸行程。然而專家系統其最大的限 制在於其資料庫須以手動來輸入資料，不但資料更新不易，也使系統資料 量因此受限。

二、 第二階段人工智慧發展

第二階段人工智慧開始發展於 2000 年代為統計學習（Statistical Learning ） 階 段 ， 主 要 的 人 工 智 慧 核 心 在 於 機 器 學 習 (machinelearning,ML)演算法研究與大數據分析，是以透過更大量的資 料利用、較不昂貴的大規模平行計算能力與更進步的學習技術使 AI 有的 更進一步的突破，能處理更多的事物，例如圖文辨識、語音辨識和人類語 言轉譯等等。

機器學習演算法之定義雖為公認之技術但各界以文字呈現之說明不 一，而以 Google 公司為例，其定義為:「一個利用所輸入的資料去建置或 訓練而來的程式或系統，系統會利用學習出來的模組，以訓練資料模組所 得來的新數據（或從未見過的數據）做出有用的預測。」由此可知，機器 學習演算法不同於傳統演算法需按照事先設計的程式模式規則以按部就 班之方式進行編碼，而是脫離此種限制，不需經過人類設計程式化模組，

可以從資料中去學習系統建置加上隨著大數據發展，以資料探勘的技術 所收集的關聯性資料，是助於人工智慧機器學習的有價值資料，使機器學 習演算法在資料訓練上更有效率更豐富，進而提升演算法學習效果。

第二階段人工智慧發展階段中演算法以機器學習演算法為核心，為 了解決不同應用面上的需求，衍生出不同類型之機器學習演算法，其中包 含應用廣泛的有監督式學習(supervised learning)演算法、非監督式學 習 (unsupervised learning) 演 算 法 、 強 化 學 習 (reinforcement

第二章 文獻探討-人工智慧

learning)、深度學習(deep learning)演算法等等。非監督式與監督式的 學習演算法之差異，主要在於對於所欲訓練 AI 的訓練資料集之標示與其 所形成之模組，形成不同功能之應用。非監督式學習演算法使用非標示的 訓練資料集，表示其資料皆未標示對或錯的的答案標示或其他等等之標 示，並利用此種資料自行特徵與規則後建立模組，例如在一堆相片中計算 出有多少不同的人，即需要有自動分類人臉之演算能力；監督式學習演算 法則使用已標示好的訓練資料集來訓練模組，可以用來分類或整理新的 或未曾遇過的資料集，例如學習如何在一堆照片中找出一位特定之人，即 為此演算法之應用。

強化學習演算法如同人類藉由嘗試錯誤方法，經歷多次成功與失敗 後而學習，使 AI 系統自行做決策，再將其所作出之決策以回饋信號告訴 系統其決策是好或壞，最終系統依照不同的回饋與評價基準來獲得各式 各樣的對應模式，對於沒有明確答案的問題是很有效果的解決方式，方法 與概念較接近非監督式學習演算法。有些機器學習演算法利用如同人類 神經網路(neura lnetworks)之概念的演算法技術，其模組架構如同人類 神經系統有輸入層、輸出層、與中間密密麻麻的隱藏層或稱中間層，其網 絡是由許多如微小神經元般的運算單元相互連接而成。深度學習演算法 為現今應用最廣泛的類神經網路演算法，由監督式學習技術結合類神經 網路的多層次模組，以預先訓練(pretraining)設定各層特徵量以自動辨

識資料集的特徵，再開始正式學習，使深度學習演算法能產生相關判斷、

決策或建議，與運算模組的持續自我修正或改善 23。從深度學習演算法 中，不同領域之應用也發展出不同類型的深度學習演算法，最具代表性的 應用技術即為卷積神經網路（ConvolutionalNeuralNetworks；CNN）演算 法受到生物行為模式的啟發，特別是大腦如何理解從眼睛接收到的信號，

以目前來說，現有的影像識別系統便是採用 CNN 演算法來執行影像分類、

定位與對象檢測等工作。近年來，科學界對於卷積神經網絡的興趣不斷提 高，因為它正被大量運用於智慧監控、社交網絡照片標記和影像分類、機 器人、醫學影像辨識，無人機和自動駕駛汽車等用途上，包括 Google、

Amazon、Facebook 等數據工程師則使用它來進行各種圖像過濾和分類。

而循環神經網路(RecurrentNeuralNetwork,RNN)演算法同樣也是深度學 習中應用廣泛的演算法技術，不同於 CNN 演算法如同眼睛的功能，其相 當於耳朵和嘴巴的角色，而其在語音辨識方面的表現十分出色，RNN 演算 法的出現加快了語音方面運算革命的發展腳步。RNN 演算法使用的長期短 期記憶網路，可以用於一系列資料以猜測接下來會發生的內容，某些層的 輸出內容透過 RNN 演算法送回到前一層當成輸入項，如此一來便建立起 回饋迴路，RNN 演算法不只能用於處理自然語言和語音辨識，還能用於語 言翻譯、股票預測和演算法交易。然而有專家表示在深度學習中以語音辨 識和視覺辨識的進展最快，但此種類神經網路演算法已從原先 152 層神

第二章 文獻探討-人工智慧

經網路訓練出來的模組，因 AI 工程師欲增加演算準度，發展層數遽增，

導致最終 AI 工程師無法對 AI 所預測或判斷的結果解釋其來由，相較於 第一波人工智慧的專家系統，產生許多演算法解釋性上問題，稱為 AI 黑 盒子。

發展至深度學習演算法，機器人學(Robotics)所仰賴之軟體系統之 核心，也深受其影響，機器人學的軟體系統面雖與 AI 演算法或系統關係 密不可分，但其硬體面仍以機械學、電子學等傳統電機科學為主體，非屬 純 AI 的科學學門，但因為媒體與影音娛樂之過度渲染，時常被誤認機器

發展至深度學習演算法，機器人學(Robotics)所仰賴之軟體系統之 核心，也深受其影響，機器人學的軟體系統面雖與 AI 演算法或系統關係 密不可分，但其硬體面仍以機械學、電子學等傳統電機科學為主體，非屬 純 AI 的科學學門，但因為媒體與影音娛樂之過度渲染，時常被誤認機器