妙用AI突破性技术 加速实现破坏性创新

近年愈来愈多人运用深度强化式学习技术，结合TORCS开源3D赛车模拟游戏，藉以学习自动驾驶。GitHub

近年来「人工智能」(Artificial Intelligence；AI)崛起爆红，不仅打趴其余所有科技辞汇，成为IT世界最闪亮的巨星，它的影响力甚至超越科技层次，被喻为是巨型的典范转移、是人类有史以来最重大的革命，快速翻转商业世界既有竞争规则，为各行各业造成莫大冲击。

根据研究机构Tractica所做的预测，全球AI应用的市场规模，可望从2018年81亿美元(相当于新台币2,430亿元)，一路增长到2025年1,058亿美元(相当于新台币3.1万亿元)，前后差距高达1,206%。由此看来，若说AI是百年难得一见的天大机遇，此话似乎没有浮夸之虞，因为它的后势真的极为强劲，只能用「喷发」形容之。

由于AI太红，产生一些奇特现象。专业研究机构指出，新创公司欲争取到投资人的青睐，不管做的是什麽、只要宣称使用AI技术，便可望比其他软件新创多得到15？50%投资基金，但投资人其实不会追究新创业者是否真的把AI导入产品；令人诧异的，以欧洲市场而论，竟有高达4成宣称采用AI技术的新创公司，其实并未真的使用。

藉由深度学习  让电脑自行撷取特徵值

究竟符合哪些要件，才能算是货正价实的AI技术？总的来说，AI项下大致包含7类技术，分别是机器学习(Machine Learning；ML)、自然语言处理(Natural Language Processing；NLP)、专家系统、Vision、Speech、Planning及机器人(Robotics)。前述的技术类型中，有几项还可继续往下细分出多条支脉，譬如近年红透半边天的ML便是一例。

所谓ML，其实有点像人类的学习方式，机器根据数据进行学习，这些数据犹如一道道考题，机器把考题做熟了，就能参透数据背后隐含的知识，知道接下来如何举一反三；机器好比人类，同样有大脑、也就是Model，简言之Model系透过一个框架、试图描述一个未知现象，猜测可能造成这个现象的原因，但Model中往往有许多参数属于未知的、未确定的，此时需要透过「Model Fitting」、意即喂数据的程序，帮助机器决定这些参数。

ML实践方法有几个，第一种是监督式学习(Supervised Learning)，比较像是传统填鸭式教育，直接把题目、答案都告诉机器，让机器从中学习，抓出每笔数据Xn所对应Yn的Label。第二种为非监督式学习(Unsupervised Learning)，是填鸭式教育的对照组，不直接给机器题目、答案，也就是每笔数据Xn对应的Yn不再有Label，必须由机器自己整理与归纳，试着从茫茫数据中找出规律性，学习如何针对问题做分类分群。

第三种是半监督式学习(Semi-supervised Learning)，属于前两种方法的折衷，是一种启发式教育模式，部份的数据Yn是带有Label的，机器可藉助这些Label代表的正确解答和数据规律性，进行更好的学习；比方说机器在学习影像识别的过程，有些教材是未曾被标注的影像数据，也有一些是已被他人标注的影像数据，后者即是带有 Label的Yn。第四种是强化式学习(Reinforcement Learning)，不直接给出Yn的Label，驱使机器尝试理解Yn结果是好是坏，再把这些好坏做为回馈，精进机器的学习能力。

至于第五种，正是近几年相当火热的深度学习(Deep Learning；DL)。前面提到的Yn代表多种输出值，而Xn代表多种输入的变量来源，可称为特徵(Features)，具有明确定义的特徵即为Concrete Feature，系由人类根据知识而采取预先处理、所产生的结果，相反的如果没有明确定义的特徵便是Abstract Features。

此外最基础、从来没人整理过的叫做Raw Feature；运用AI的目的，便是要从一堆Raw Feature里头萃取Concrete Features，专家称这段过程为Feature Engineering，而DL最令人惊艳之处，即是让机器能够靠着自己的力量，直接从数据中学到特徵。

除ML外，另三个备受瞩目的AI技术类型，还包括NLP、Vision、Speech，它们各自含有一些支脉，譬如NLP底下就有Content Extraction、Classification、Machine Translation、Question Answering及Text Generation，而Vision底下则有Image Recognition、Machine Vision，Speech底下有Speech to Text、Text to Speech。

GAN两相较劲的网络  大幅减少DL所需数据量

以上提到的，都算是基本AI技术，若想进一步探究AI的突破性技术(Breakthrough Technologies)，则有另外的答案。有专家经过整理，归纳出至少四大项AI突破性技术，值得大家加以关注。

首先是Deep Neural Networks(DNN)，也就是深度神经网络、甚或多数人理解的深度学习，如前所述，它可以让机器自行透过数据的分析而找出特徵值，而非透过人类来决定特徵值，一般来说，DNN蕴含许多层神经元，并搭配运用自动编码器(Autoencoder)来执行非监督式学习。

其次是Deep Reinforcement Learning(DRL)，可称之为深度强化学习，从2013年DeepMind发表一篇「Playing Atari with Deep Reinforcement Learning」文章后，此技术开始受到愈来愈多关注，出现愈来愈多学术成果，直到2016？2017年间的AlphaGo，更让DRL的能见度大幅攀升；顾名思义，DRL系指「强化学习」(RL)结合使用「深度学习」(DL)来强化决策推演的能力，论及RL与DL的结合，大致包含三种方法，分别是「基于价值」(Value-based)、「基于策略」(Policy-based)和「基于模型」(Model-based)。

再者是 Generative Adversarial Networks(GAN)，称之为生成对抗网络，由蒙特娄大学Ian Goodfellow等学者于2014年6月提出，依Ian Goodfellow的说法，GAN是一种生成模型，意谓可从训练库当中获得很多训练样本，进而学习这些训练案例所生成的机率分布。

具体做法是让Generator Network、Discriminator Network两个网络相互竞争，前者负责「生成」、后者负责「判别」，生成器会造假、将Random Noise巧妙转变成几可乱真的新样本，连同真实的原始样本意图蒙混过关，判别器必须学会判断哪个样本为真、哪个样本为假，有助于大量删减深度学习所需的数据量。

最后一个值得观察的项目为贝叶斯优化(Bayesian Optimization)，旨在建构一个包含目标函数的机率模型，用以选出最佳的超参数，借此评估正确的目标函数，算是ML 当中的重要一环。