自從 Google 的人工智能 AlphaGO 成為圍棋界的百勝將軍開始，AI(Artificial Intelligence，人工智能)這兩個英文字，剎那間成為科技業最熱門的關鍵字之一。而就在2017年初，早在 AI 領域打下深厚底子的 IBM Watson，除了打進一些數據服務公司、科技公司外，甚至進軍醫療領域，能夠依照病患資料判定青光眼，準確率高達95%。

[[187893]]

我們現在已經邁入了AI與機器人逐漸取代人類工作的年代，在不知不覺間，AI的相關技術已經開始滲透每個人生活的角落，從Google與Facebook依照興趣投放的廣告、可以幫你找資料設定日歷的語音助理Siri，背后都含有AI的概念與技術。未來的生活無論是投資、交通、醫療、學習、生產，將無處不是AI的蹤影，這個技術也將徹底改變人們的生活模式。

是什么讓AI從“科幻”變“科技”?

AI其實是個龐大而復雜的概念，但大都奠基于一項基礎的關鍵技術，這個技術叫做“機器學習 Machine Learning”。

機器學習技術，就是讓機械擁有自主學習的能力，說起來很簡單，但在1950年代技術萌芽期間，演算法和硬體條件都不夠成熟，是直到近年來日益優異的演算法，與強勁的硬體運算能力，才讓機器學習的能力有突破性進展，而其中帶進展最為快速的一項關鍵技術，就是大家最耳熟能詳的──“深度學習”。

我們來看看這個數據：2015年機器學習的周邊市場規模約3.6億美元，至2020年預估將突破29億美元，并在AI整體市場的50億美元中占了約六成比重，可以說機器學習的技術突破，就是AI市場發展的原動力。

既然機器學習重要，那么它究竟是什么?為何能進展神速?

“大數據”提高了深度學習精準度

演算法及硬件條件的大幅躍進提供了機器學習發展的優良條件，再加上數字化聯網的蓬勃下帶來的“大數據”，便引爆了科技大廠爭相投入深度學習技術的浪潮。目前不管是NVIDIA這類的芯片商，或擅長演算法的Google、Facebook等軟件商，最常提到從事的機器學習的主流技術，就是深度學習。

舉個例子描述深度學習如何進行。想像一下，要讓一臺搭載深度學習能力的車輛進行自動駕駛，面對陌生的路線、隨時有行人沖出馬路的危險路況，機器怎么判斷?透過深度學習，你可先一次提供機器海量的數據資訊，包含路標、號志、路樹、行人、等，讓它學會辨識環境中的物體為何，學會了，便有助于它在行進過程中快速而精準地避開障礙、找出***路徑，并順利抵達目的地。只要數據越豐富完整，機器就越能夠提高一切辨識的精準度，以加強判斷能力。

這么說來，要能讓AI靠“深度學習”發展思考能力，很大程度是依賴大數據所賜，不過，這時候我們就會面臨一個問題：沒有大數據，深度學習就毫無用武之地了嗎?

“小數據”的機器學習方案也蓄勢待發

大數據帶給深度學習強而有力的判斷能力，但其實機器若要做到“學習”這件事，深度學習并不是唯一方法。

回到自動駕駛的例子，倘若這次我們先不將海量的數據提供給機器，而是只告訴他“目的地”、“禁止碰撞”兩項指令，然后任憑他不斷的Trial & Error，在失敗中汲取“經驗”以達到學習的效果，最終也能抵達目的地(前提當然是沒有遭遇嚴重車禍影響行進能力)。這樣在初始階段不仰賴大數據的學習方式，可以歸類為“強化學習”。

強化學習的方法能補足機器在突發狀況下的應變能力，AlphaGO 的開發商 DeepMind 也深諳這項方法的優點，因此讓 AlphaGO 也借著深度學習與強化學習的組合，在對手下出意料之外的棋步時，隨即建立新的經驗，以做為未來在相同局勢下能克敵制勝的判斷依據。

為什么我們需要“小數據”的 AI 培養方案?

事實上，“獲取足夠大量的數據”就是極耗成本的一件事，此外，有些數據如罕見疾病的病歷、癥狀等本身就具稀有性，因此像是強化學習等低數據依賴度機器學習方案逐漸開始受到青睞，許多公司與研究機構也以此作為研發的努力方向。日前就有一間名為 Gamalon 的新創公司發表新技術，表示其 AI 系統可僅用很少量的數據訓練機器學習，就達到媲美進行深度學習后的精準辨識能力，成功吸引市場關注。

除了一般仰賴大數據的深度學習外，其他可降低數據量依賴度的機器學習方案正不斷醞釀中。在不遠的未來，我們開車出門只要安穩的在后座休息，不須擔心安全與塞車問題，AI 自然會幫我們找到***路徑;彈指輕點，手機便會幫我們挑選出最適合的購物選擇;還可能有貼身的虛擬健康顧問可咨詢，并隨時告知我們每天的飲食是否均衡、甚至幫我們設計健康菜單。

AI 深入生活的程度，說不定會比我們想像中來得更快。