大眾或許會覺得，為什麼最近 AI 的議題這麼熱門，手機也導入 AI、各種生活應用也導入 AI，甚至還有聰明的電腦 AlphaGo 可以跟棋王下圍棋還取得勝利。在談 AI 之前，我們先來了解一下所謂的 AI（人工智慧）和 ML（機器學習）有哪些不同。
什麼是人工智慧？什麼是機器學習？
事實上人工智慧（Artificial Intelligence）的研究已經進行了三十多年，一直到最近因為導入了機器學習（Machine Learning）才讓人工智慧有些突破。人工智慧指的是讓機器具備智能，或是讓機器可以像人類一樣解決特定問題；而機氣學習則是訓練電腦像人類一樣可以觀察、了解規則，比起以前手動寫程式輸入一步一步指令才能得到結果來得更聰明。
就拿過濾垃圾郵件來當例子，過去我們可以指定某一套規則，讓電腦依據該規則來決定哪些是 E-mail 是垃圾郵件，但有些垃圾郵件的寄件者特別聰明，當他們摸索出垃圾郵件的規則後就改發別種類的型的垃圾郵件，一山還有一山高的情況下，很難以一套準則來精確過濾垃圾郵件。
因此 Google 將原有的規則結合機器學習，讓電腦可以在收到郵件時可以觀察並歸類出該封信到底是垃圾郵件還是一般信件，進而自己建立出一套準則，把這個技術應用在 Gmail 和 Inbox 後，目前已經可以成功過濾出 99.9% 的垃圾郵件。
再以大家熟悉的棋王 AlphaGo 為例，在 AlphaGo 之前，Deep Blue 曾開發出一套規則式系統的西洋棋程式，靠著在一秒內算出幾百種佈局的暴力運算在 1997 年打敗棋王 Gary Kasparov，不過這方法來到圍棋後就不可行了，因為圍棋有 10 的 170 次方種可能，超過全宇宙已知的原子數量，不可能靠著人力寫出所有的佈局，因此 AlphaGo 導入機器學習流程，讓 AlphaGo 從數十萬局人類旗手對弈的棋譜開始學習怎麼下棋，並慢慢找出一套棋局規則。
從這兩個例子應該可以理解到機器學習是怎麼運作的，簡單來說就是不再是像過去一樣幫電腦寫規則套入，而是給電腦一大堆範例，讓電腦從範例中自己學習。
機器學習為什麼現在才蓬勃發展呢？
前面提到，Google 長期投注人力物力發展人工智慧，現今使用的演算法也多發明自 1980 或 1990 年代，為什麼這麼長的期間機器學習未能廣為人知呢？最主要是受限於當時的運算能力，那時候的電腦還沒有辦法能運算龐大的數據集，一直到近來電腦的運算能力超越 1980 年代的電腦數千倍，這時機器學習才開始能廣為發展。
所謂的廣為發展到底有多廣呢？目前 Google 有七項產品導入了人工智慧，使用者超過 10 億人口。2015 年 Google 更開放了自行研發的機器學習架構 TensorFlow 給所有人作為研究和產品工具，除了可以幫助 Google 自己的產品變得更好用之外，也在 200 多個國家被下載超過 790 萬次，可說是目前最受歡迎的機器學習資料庫。
機器學習的下一步：解決各種難題
雖然在 AI 的發展上 Google 已經有了很不錯的進展，但還是有很多待克服的難題，例如怎麼讓機器學習模型更普及，以確保所有人都可以使用呢？
目前 Google 建構了機器學習模型像是 Cloud API，不過當開發者遇到特定的難題時，API 可能無法幫他解決問題，因此目前 Google 在內部訓練了 18,000 名 Googlers，透過機器學習速成課程把機器學習技術可以快速導入各種產品。在外部 Google 則募集了近 950 所大學和科技專家一起參與培訓計畫，有 74% 的學生認為他們的機器學習技術有提升。明年 Google 也會將工程師用來學習機器學習技術的課程放到網路上，所有人都可以免費透過這套課程來學習機器學習的演算法、架構並且實際應用它。
除此之外，Google 也集結了研究員共同設計人們和 AI 的互動，打造出 PAIR 計畫（People + AI Research），這個計畫的目的不是為了發表新研究，而是希望能透過開源工具的釋出，讓其他研究者或專家可以採用，也讓 AI 更具包容性。
from T客邦 http://ift.tt/2zLm3VZ
沒有留言:
張貼留言