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