國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第貳章 文獻回顧
第一節 人工智慧（Artificial Intelligence, AI）
一、 人工智慧（AI）的演進
自 1958 年美國賓州匹茲堡大學的兩位人工智慧發展先驅 Herbert Simon 以 及 Allen Newell 發表出已有機器可以自行思考、發展與創造，且機器之能力正 在非常快速的發展，更可預見未來處理問題的範圍可大幅擴大到人類心智所能 處的範圍，而後人工智慧即漸漸應用於各行各業上，而人工智慧之演進可分為 以下時期：
（一） 萌發期（1943 年至 1956 年）：
最初的人工智慧研究於 1930 年代末至 1950 年代初，自電腦發明以 來，人們便渴望能讓電腦擁有類似人類的智慧，此階段的研究重心擺在定 理的證明以及通用問題的求解， 1950 年圖靈（Turing）發表了一篇論文並 預言創造出具有真正智慧機器的可能性，提出如何判定機器具有智慧的試 驗「圖靈測試（Turing test）」，並測試機器是否能夠表現出與人類相同或 無法區分的智能，圖靈測試至今仍對人工智慧的研究相當重要，而至 1956 年「人工智慧」此名詞才於美國達特茅斯會議中被人工智慧之父 John McCarthy 提出，其討論之問題包含計算機、自然語言處理、神經網路、計 算理論以及抽樣化等議題，至今皆成為人工智慧研究發展的重要領域，此 會議也成為人工智慧的起源。
（二） 成長期（1956 年至 1974 年）：
第一波人工智慧自 1956 年被提出後，1957 年由羅森布拉特（Frank Rosenblatt）發明了第一個神經網絡，將人工智慧推向第一次的高峰期，同 時，由人工智慧之父 John McCarthy 於 1958 年開發人工智慧語言 LISP 程式 語言，機器人學受到重視，此時之研究重點在於使電腦具有理解能力，將 人類神經系統與電腦作比較，並研究以機械替代神經系統之可能性。此時 期許多知識表示方法問世，例如語意網路（Semantic Network）及框架理論
‧
（Frame Theory），1960 年代人工智慧的應用皆以「是」與「否」理解，
使得應用的面向以代數題以及數學證明為主。 下降且運算技術增強，能處理大量數據之分析，1982 年 John Hopfield 發明 了霍普蕾爾網路（HNN），提出了神經網路將人工智慧推向了第二波浪 潮，「機器學習」逐漸興起，為人工智慧的技術之一，透過演算法使機器 能從大量歷史資料中學習規律，並找出資料之特徵與屬性，從而對新的樣 本作智慧辨識或對未來進行預測，亦為資料科學（Data Science）的熱門技 術之一，在 1980 年代至 2006 年間成為研究的主流，其中，機器學習的技 術包含支持向量機（Support Vector Machine, SVM）、決策樹（Decision Tree）、羅吉斯迴歸（Logistic Regression）、類神經網路（Artificial Neural Network, ANN）等技術。
在 1986 年 Rumelhar 和 Hinton 等學者提出了反向傳播算法（Back Propagation），解決了神經網路所需要的複雜計算量問題，因而帶動了神 經網路的研究熱潮，廣泛的被應用於汽車控制（根據駕駛開車力道與習慣 訓練調整機器）、家電控制或是智慧型辨識等領域，然而，研究不久即發 現反向傳播的優化（找出誤差的最小值）會發生梯度消失問題（vanishing
‧
gradient ），使得類神經網路再次凋零，此時的淺層深度學習，如支持向量 機（SVM）等技術的興起，能將郵件分為垃圾郵件與非垃圾郵件的功能倍 受矚目。
另一方面，1980 年由專家系統之父 Edward Feigenbaum 開發第一套的 專業系統（Expert System），用來快速鑑定出化學有機分子，由於人類智 慧非常複雜，思考、學習、創造、聯想、類推等能力交錯運用，因此針對
（restricted Boltzmann machine, RBM）模型與深度信年網路（Deep Belief Network, DBN）成功訓練多層神經網路，使類神經網絡再度興起，將多層 神經網絡（Deep Neural Network）稱為深度學習（Deep Learning），此為 人工智慧發展機會的起源，加上由 Nvidia 成功開發出統一計算架構的整合
‧
同於人類的辨識度，其主要的科技巨頭 Apple、Google 及 Amazon 也陸續提出 應用於日常生活的服務；第二領域則為影像辨識，從靜態圖片辨識到動態影像 的辨識，雖然動態影像辨識準確度仍跟不上人類，但最受注目的應用即為自動 駕駛的技術，Google 持續在進行自動駕駛的研究，且 TOYOTA 也在美國設立 研究所，目前影像辨識仍在研究至實用的過程；最後為自然語言處理（Nature Language Processing, NLP），目的為讓人工智慧理解人類所表達的語意，從分 解詞性的「語素分析」（Morphemic analysis），分解出最小的字義單位後，再 進行「語法分析」（syntactic analysis），最後再透過「語意分析」（Semantic analysis）來了解含意。由於網路的快速普及，高性能電腦、大數據探勘（Data Mining）及機器學 習（Machine Learning）的持續發展與進步，使人工智慧在近幾年有更大的技術 突破，更興起對機器學習技術的應用，其中，2010 年人工智慧浪潮中興起的機 器學習技術為類神經網路（Artificial Neural Network, ANN），屬於深度學習
（Deep Learning）之技術之一，透過模仿生物神經網路的結構與功能所產生的 數學模型，2014 年 Facebook 推出了臉部辨識系統 DeepFace 準確率高達 97%、
2015 年 Google 發表開源深度學習系統 TensorFlow 且微軟亦推出了個人數位語 音助理 Cortana，2016 年大家耳熟能詳的事蹟即為 Google DeepMind 的 AlphaGo 打敗了韓國圍棋棋王、Facebook 推出了「Facebook Messenger Platform」等技 術，使 NPL 技術的聊天機器人更受矚目，其應用領域相當廣闊，包含金融科 管理成本。Adobe （2018）於 2018 年數位趨勢報告中，全球最佳企業利用人工
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
智慧做市場行銷的比例，高於其他企業兩倍以上（分別為 28%及 12%），相較 於北美及歐洲，亞太區受訪者更傾向使用整合、以雲端為基礎的科技，此顯示 了亞太區市場行銷人員更擅長運用新科技以傳遞個人化內容，使工作更加快速 且智慧化，未來提升客戶體驗正是市場行銷人員 2018 年後的首要任務為提升顧 客體驗，將購物體驗加入個人化以及顧客之關聯性，提供客製化之商品與服 務，市場研究中心 Gartner 也在 2018 年的研究報告中提出人工智慧行業的總價 值至 2018 年高達 1.2 萬億美元之高，相較於 2017 年成長大約 70%，更預測未 來人工智慧的商業價值將高達 3.9 萬億美元，在此計算能力、容量、速度和各 種數據的進步的世代中，加上深度學習（DNN）的快速發展，人工智慧為未來 的 10 年最具有顛覆性的技術，其中，創造商業價值最大的領域極為顧客體驗之 解決方案。自 2017 年 AlphaGo 開啟了人工智慧應用的發展歷程，而後 2018 年 google 與 Microsoft 都相繼把內部的機器學習資源解密，深度學習的門檻會大幅 降低，因此，企業下一步的重點應在於資料洪流中取得正確的資料以及大幅的 應用，深度學習演算法發展成功是個起點，要能落實到各行各業，使得產業人 工智慧化，同時亦需要從各產業內部先盤點需求與痛點，透過演算法把所有的 產品融合最終為一個解決方案，才能達到產業升級的終極目標。
圖表 2- 1 人工智慧的投資
crunchbase1_annual_2017
1 Crunchbase 為 2007 年成立於美國舊金山，覆蓋初創公司及投資機構生態的企業服務數據庫公 司。
‧
機器學習（Machine Learning）可視為弱人工智慧的代表，亦為人工智慧領 域的發展途徑，以學習方式來看，機器學習分為監督式學習（即在訓練過程中
一、 監督式學習（Supervised Learning）：
即為蒐集適當的資料，資料需要包含大量原始數據以及標準答案，將資料 分為訓練資料（Training Set）及測試資料（Testing Set），在傳統的機器學習中 最常用交叉驗證（Cross Validation）將訓練資料再細分為不同的驗證資料集
（Validation Set）以訓練模型，使用訓練資料調整並進行學習，透過特定的分 類演算法選取資料的屬性，建構出適當的數學模型，再使用選擇之數學模型利
Provost and Fawcett （2013）提到了三種監督式機器學習的演算法，分別包 含羅吉斯迴歸（Logistic Regression）、決策樹演算法（Decision Tree，以樹狀結 構建立決策模型）、支持向量機（Support Vector Machine, SVM），另外，分類