建立深層認知規則模型 人工智慧擘畫未來世界藍圖

建立深層認知規則模型 人工智慧擘畫未來世界藍圖

AI發展將是跨領域人才的結合，涵蓋生技、醫學、工程、科學、心理、管理等，同時AI因為能取代人類的工作，同時也對我們的工作、社會、產業結構帶來許多新興的挑戰。AI應用將會百花齊放，用戶會使用及依賴高準確度的產品服務，而企業則會運用人工智慧快速由數字時代升級至智能時代。

自駕車、物聯網、智能機械等都需以人工智慧（ArtificialIntelligence,AI）作為基礎，未來AI將會滲透到生活中的各面向，Google、微軟（Microsoft）、百度、軟銀（Softbank）、Facebook等國際級大廠，都砸下巨資展開AI研究與布局。根據市調機構Tractica的預測，全球企業應用的AI市場規模，將從2015年的20.25億美元，成長至2024年的111億美元，十年間成長率接近450%。而近期人工智慧與深度學習等技術發展熱度增溫，更成為推動智能機器人發展的重要動能。

有「人工智慧之父」的美國麻省理工學院教授麥卡錫（JohnMcCarthy），50年前就將AI定義為：「做智能機器的科學與工程，特別是智能計算機程序」。AI發展將是跨領域人才的結合，涵蓋生技、醫學、工程、科學、心理、管理等，同時AI因為能取代人類的工作，同時也對我們的工作、社會、產業結構帶來許多新興的挑戰。

國際大廠搶先布局AI

人工智慧並不是新興名詞，早在1956年於達特茅斯會議中，「圖靈測試」文章正式定義了AI，但這麼多年來其技術發展經曆數次起伏，資策會MIC產業分析師韓揚銘（圖1）指出，目前普遍的人工智慧技術皆是以弱人工智慧（WeakAI）為主，以此輔助人們各種行為與決策，弱人工智慧並不強調機器的自我意識，其可以模擬人的思考及行動，但不知其所以然。另外，相對於弱人工智慧的就是強人工智慧（StrongAI），其強調可以聰明的、有意識的思考及行動，不過這類技術不是目前人工智慧發展的重心。

資策會MIC產業分析師韓揚銘指出，目前普遍的人工智慧技術皆是以弱人工智慧WeakAI為主，並不具備機器的自我意識。

AI近兩年捲土重來，透過AlphaGo打敗各路棋王，稱霸圍棋之際，迅速變成科技大廠投資標的，包括Google、IBM、百度等。韓揚銘表示，Google發展各項人工智慧技術供大眾使用，加深用戶對其服務的依賴，並且累積更多數據精進人工智慧，再發展付費服務提供企業客戶，也不斷併購具特殊能力的新創公司與團隊，強化自身的整體實力。

業界最最知名的人工智慧之一IBMWatson，近年積極往醫療領域發展，推出個人醫療指導程序、電子健康紀錄分析、血糖管理方案、人工智慧醫療計劃等。也發展服裝設計、自駕系統、AI律師等專業領域的服務，協助企業進行智能化應用，並自行累積數據判讀能力。另外，韓揚銘說明，百度著重自主研發，並在數據收集上具有充分的屬地優勢，以將數據訓練後提升其服務的精準度，同時大舉投資人工智慧努力轉型，開發實驗性智能化硬體產品，其語音服務已經有世界級水平，普通話的辨識率達97%，並發展企業智能化雲端服務，另闢在線線下（O2O）智能服務戰場。

不過人工智慧應用領域寬廣，不是只有大廠才可以玩，韓揚銘認為，各種平台及開放資源越來越多，讓中小型企業甚至個人都可以快速切入智能化服務；未來也不單只是使用一項人工智慧技術進行研發，而是運用複合技術進行彼此支持，創造更多及更有效的產品/服務；AI應用將會百花齊放，用戶會使用及依賴高準確度的產品服務，而企業則會運用人工智慧快速由數字時代升級至智能時代。

AI從雲端走向終端

AI雖然是近年的熱門話題，但卻不是那麼遙不可及，ARM移動通訊暨數字家庭資深市場經理林修平指出，根據勤業眾信（DeloitteGlobal）的研究，2017年有超過3億支手機具備AI的能力，以目前每年15億支手機的市場規模來看，有1/5的手機具備AI功能，這些消費者經常使用的功能包括：室內導航（IndoorNavigation）、擴增實境（AugmentedReality）、翻譯、影像分類（ImageClassification）、語音識別（SpeechRecognition）等。而且應用領域會從雲端逐漸轉移到終端，特別是與個人或安全有關的應用。

行動AI的應用大致分成兩類：一是人機介面，一是系統/安全相關。因應未來AI的應用越來越廣泛，手機上的麥克風與攝影機扮演耳目的功能，搭載數量將持續提升，未來一支手機搭載的攝影鏡頭可能多達8個。因應AI功能手機運算能力也將持續提升，CPU負責處理邏輯運算，GPU負責圖像處理的平行運算，處理能力也將持續提升；安全性防護隨著AI的發展需求水漲船高，包括被動安全性防護與主動的安全性功能。

ARM身為CPUIP的供貨商，針對AI的應用，未來也將持續優化其產品架構與運算能力，林修平指出，該公司延續過去的big.LITTLE架構，推出DynamIQ架構，未來3~5年可以提升CPU較現有50倍的AI效能，包括ComputeLibrary平均4.6~15倍的效能提升，與核心3~5倍效能提升，綜合下來得到的效能提升預測。

深度學習為AI技術核心

AI近期之所以受到各界高度矚目，原因就是這個技術也即將為人們的經濟活動帶來重大的改變，只是過去這些革新為人們省下的是勞力，這次是腦力。近期討論AI可能取代很多人類的工作，而造成失業問題，事實上這是一種全面性的提升，協助人類從原先那些無聊的重複性的工作中解放出來，DeepBelief.ai首席人工智慧科學家尹相志（圖3）認為，以AlphaGo的例子而言，計算機到目前為止仍然不具思維或自我意識，也沒有策略能力，他只是在圍棋這項活動中，透過深度學習找到最佳勝率的方程序，同時以大量數據自行學習而得到的結果。

DeepBelief.ai首席人工智慧科學家尹相志認為，計算機到目前為止仍然不具思維或自我意識，也沒有策略能力。

簡單的說，人與動物的不同在於，到目前為止我們是唯一一種具備深度感知的生物，尹相志強調，我們可以理解、感應深層的規則，但是卻無法將這個能力具體化，所以現在深度學習就是要「模仿」這樣的神經元運作，把人類的直覺認知變成有邏輯的規則。其中有三個最重要的流派，一是卷積神經網路（ConvolutionalNeuralNetworks,CNN），主要應用在機器視覺；二是遞歸神經網路（RecurrentNeuralNetwork,RNN），主要應用在語言模型建立；三是強化學習（ReinforcementLearning），最典型的案例就是AlphaGo，是一種制約機制。

影像分析大概是AI這幾年發展得最好的技術之一，透過特徵的群聚性，從像素層級尋找特徵，而卷積神經網路就是對像素的矩陣操作，不斷將特徵分層分析再分層，找出特徵中的特徵，最後就可以達到我們的深層感知的效果，比如透過一張照片認出一隻貓，可以應用在識別分類、目標檢測、語意分割、動作檢測上。

語言模型從語音識別發展起，2016年微軟語音識別正確率正式超過人類專業速記員，Google翻譯也改為採用遞歸神經網路模型，基本上在語言辨識部分，英語為主的歐美語系不是太大問題，但中文還是一個瓶頸，尹相志說，光中文字就有超過2萬個，彈性的語言結構，包括中英夾雜、方言、流行語等都為語言數據化提升了複雜度，而透過自然語言來整理知識圖譜，知識圖譜再透過自然語言進行推理，是AI下一波發展重點。

強化學習就是透過與真實世界互動，找出最佳策略組合來讓價值最大化，AlphaGo訓練計算機如何找到最佳策略，尹相志表示，DeepMind就是透過強化學習讓人工智慧以視覺互動來玩電玩遊戲，並強化價值的建立，讓計算機了解贏得遊戲就是價值方向，促成計算機不斷朝向建立贏得遊戲的策略發展，其預測模型就是預測環境狀態的變化，並預測變化對價值的影響，然後不斷因應，找出贏的策略/做法。

AI成為國家競爭力核心要素之一

AI的發展與技術掌握，也是國家競爭力的展現，所以除了產業投入以外，世界各科技大國也傾政府之力發展，國實院高速網路與計算中心副研究員潘怡倫（圖4）說，美國政府發布未來「國家人工智慧研究發展戰略計劃書」及「準備迎接人工智慧未來」戰略報告，將AI發展定位於國家戰略層級。而日本常年致力發展機器人與AI，日本新能源產業技術開發機構（NEDO）公布「日本下世代人工智慧社會運用願景」將製造業、行動生活、醫療/健康/照顧、批發零售及流通等四項出口列為2025~2030年實現重點。

國實院高速網路與計算中心副研究員潘怡倫說，台灣必須由硬體技術轉型升級至創新與智能化軟體研發，以在AI產業取得一席之地。

近年致力發展最新技術的中國大陸，也於2016年中國發改委與科技部公布「互聯網+人工智慧三年行動實施方案」，將人工智慧列入十三五計劃，將AI提升為戰略產業項目之一。韓國政府也宣佈於2020年前將投資約新台幣276.8億元，促進人工智慧產業研發，並由民間成立一所研究中心，做為國家AI產業研發樞紐。

反觀台灣，包括李開復、簡立峰、杜奕瑾等皆曾對台灣發展AI提出建言，不過大家的共識之一就是，台灣過去太重硬體輕軟體，這是發展AI的危機，台灣必須由硬體技術轉型升級至創新與智能化軟體研發，並強化軟硬整合人才與市場，同時配合頂尖的學術研究與國內廠商的硬體製造能力，以在AI產業取得一席之地。

模型建立如傳統技藝

要導入AI要先訂出技術架構，目前業界有很多相關的工具，台大電機系助理教授李宏毅（圖5）表示，一般來說AI模型分成兩部分一是學習或訓練，另一是測試。在學習或訓練的架構中有三個步驟，第一個就是決定網路的結構，尤其是在深度學習架構中，要先決定網路有幾層，每層有多少個神經元，第二個步驟就要定義目標，也就是架構的重點，比如說是要辨識貓，要先提供很多數據告訴計算機貓的特徵，以便其準確的辨識；第三部分要選擇對的演算法，然後用最快的方式求出最佳解。

台大電機系助理教授李宏毅解釋，深度學習模型的建立如果選對工具，倒入適當的數據，就會很準確的完成目標。

在上述的過程與結果中，有些很簡單同時也很困難技藝，與傳統手工藝類似，李宏毅解釋，深度學習模型的建立就像製作手拉壞一樣，手拉胚的師傅可以用簡單的原料，輕巧的手法，順暢的完成一個完美的作品，但我們一般人來做卻未必如此；深度學習的模型如果選對工具，倒入適當的數據，就會很準確的完成你的目標，但若是不夠了解深度學習的技術架構與模型建立方法，就會遭遇很大的阻礙，這就是差別所在。

AI應用創造全新商機

AI從最早被提出的1940年代，歷經幾次的發展不順利，資策會MIC資深產業分析師李震華（圖6）指出，近年各種數據大規模的成長，人工智慧因為演算法技術逐步成熟、大數據崛起、雲端運算與儲存技術提升及物聯網應用興起等因素，得以趁勢而起有突破性的成長。未來在產業應用上，包括製造業、流通業、金融業都是熱門的應用領域。

資策會MIC資深產業分析師李震華指出，台灣發展AI，要鎖定優先需求場域。

AI應用種類眾多，理財機器人就是很受矚目的一項，這兩年機器人理財業者管理資產規模呈現快速成長，預計將從2015年200億美元，成長到2020年的4500億美元，顯示機器人理財技術成熟，市場接受度越來越高。另外，美國金融巨擘摩根大通（JPMorganChase&Co.）2016年推出合約分析智能軟體COIN，代替律師及信貸人員審查合約文件，將原本每年所耗費處理工時約36萬小時的工作，縮短至幾秒內完成。

台灣在發展AI的過程中，李震華建議，要鎖定優先需求場域，像是智能工廠、長期照護、智能交通/運輸等；另外，要聚焦特定利基領域，如漢語文處理、計算機視覺、影像辨識等；最後就是結合台灣產業優勢，諸如IC設計、晶圓代工產業、安控產業或系統整合，結合AI技術，發展特定領域應用之產品服務，關鍵應用組件或完整解決方案。

AI專利布局與分析

AI近期受到業界廣泛討論，專利布局也變成各國與各大廠布局的重點，資策會MIC資深產業分析師陳賜賢分析，針對22,976件人工智慧美國專利國際權利人所屬國家進行比對分析，發現美國握有專利權佔比達61.9%、日本達11.3%，合計高達73.2%，相較台灣僅1.0%。另外以所屬領域別而言，主要集中在運算科技達76.8%，其他依序為控制、測量、數字通訊、信息科技管理方法、電信、視聽科技等。

資策會MIC資深產業分析師陳賜賢指分析，台灣目前在人工智慧領域的專利布局相對落後，且集中於自然語言處理、適應性控制系統等。

台灣目前在人工智慧領域的專利布局相對落後，並且集中於自然語言處理、適應性控制系統等，陳賜賢說明，智能客服目前專利數少且應用範圍廣容易找到利基市場，是屬於需要開發的新興應用市場。建議台灣科技業者應先鎖定特定應用領域，像是管理類的辦公室自動化，商務類的客戶管理、金融類的授信等，進一步建置該領域知識庫或是專家系統並開發相應的語音識別、學習方法、機器學習、自然語言處理等，並做好專利申請與布局規劃。

另外，智能影像檢測專利涉及的神經網路相關技術中，與學習方法有關的專利數並不多，陳賜賢建議，台灣相關業者可投入研發資源開發瑕疵分類以及學習方法涉及的監督式學習、非監督式學習、增強式學習等相關技術進行深入研究，同時做好國外尤其美國專利申請與布局，積極保護台灣智能影像檢測的自主創新技術。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！