本文共1643字，阅读时间约4分钟

人工智慧（Artificial Intelligence, AI），成為2017年熱門話題與科技關鍵字，2018也仍然不意外將成為討論巨星。但其實從1982 年的《銀翼殺手》、2001 年史蒂芬‧史匹伯導演的《A.I.人工智慧》、2004 年威爾‧史密斯主演的《機械公敵》、迪士尼集團的卡通《大英雄天團》、《瓦力》等都是在講述人工智慧對於人類生活乃至世界的影響。可見人工智慧已經不是新名詞。既然人工智慧的概念不新，那為何人們近幾年才開始熱烈挑論它呢？

了解人工智慧，先从资料科学下手

资料科学范畴广泛，其中包含了三个范畴，包括“大数据”、“机器学习”、以及现今人人都想沾上边的“人工智慧”。“大数据”一词应该不陌生，约莫两三年前，这词汇的热度堪比今日的人工智慧，大数据其实就是巨量资料（Big data），指的是传统资料处理应用软体不足以处理它们的大或复杂的资料集的术语。在总资料量相同的情况下，与个别分析独立的小型资料集（Data set）相比，大数据相当于作为基础分析的原料。举例来说，可以把大数据视为一个金矿山，明明知道里面藏着无数宝藏，就是还未被发觉而已。至于怎么去发掘大数据？这时候“机器学习”（Machine Learning）就派上用场了。

好比采矿一样，用人力采矿固然可行，但效率太低了，毕竟人是需要吃饭睡觉的，但机器不用。机器学习相当于处理器（processor），告诉机器一个运算的法则与处理资料的方法，让他在这座大数据的金矿中有效率的采矿。这样一来，人们就可以坐等电脑运算出来的结果。而这结果，就是“人工智慧”的精髓。

人工智慧相当于结果（outcome），也就是说，大数据加上机器学习，才能产生人工智慧。工程师透过设计资料收集的演算法以及一层层的运算网络，形成类神经元的资料处理系统，让电脑遇到不同状况时都能够自由应变，好比真的人一样，赋予了电脑思考的能力。还是拿采矿来举例，采矿公司放了一百台机器人到金矿山采矿，但问题来了，人类分辨的出什么是金矿，什么是无用的石头，但机器必须透过训练以及自我修正的能力，一次次的修正其接收到的讯息与资料，来判断金矿的正确位置与长相，判断到金矿后，还要做出反应，也就是开采金矿，因此人工智慧就是赋予机器人有判断与修正的能力，以达到采矿公司想要的到的金矿，而非石头。

道理感觉很简单，基础工程却复杂

看似容易理解的采矿过程，为何到今日才备受各界的热议呢？其实是因为人工智慧在发展的历程上有诸多的限制，比如说要如何快速的存取那么庞大的资料，这样的硬体要求就足够发展许多惊为天人的技术了。此外，运算能力的门槛也给了人工智慧一大阻力，幸好近年来因为运算能力的增加，进而提升了人工智慧的技术演变。例如常见的演算法 — 反向传播（Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用，以用来训练人工神经网络的常见方法。

该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。简单来说，人工智慧之所以从上半个世纪即在讨论，但迟迟仍未见其完善发展，也因整个电脑基础工程的进化与建设有着密不可分的关系。

人工智慧已悄悄进入你的生活！

没错，你的生活周遭早已被人工智慧渐渐影响，而且这影响会越来越深。举例来说，出版业过去对资料分析与运用较少，许多出版社在出新书时，向来依靠行销或编辑部门对于过去经验，来了解“谁在买书”这个问题，而非数据。然而这样的分析却与实际的情况大相径庭，比如看武侠小说的人，同时存在15岁以下的青少年，和40到50岁的中年人两大客群，两者客群混为一谈可说过于模糊。

但现今出版业已经可以透过人工智慧，再进一步建立模型，例如，依据“书籍属性”、“书名关键字”及“上市前的市场状况”来发展畅销书预测，以文学小说类别来说，机器学习模型在书籍未上市前预测畅销书的准确度，可以到达八成。

也就是说，现在你的看书习惯就是那等着被开发的金矿山，不仅是在出版业，其以涉及到金融、电子商务、旅游服务、影音内容消费、线下零售通路等。

人工智慧的发展，也伴随着科技使用的影响与省思。许多对于科技发展的疑虑也随之涌至，然而只要科技发展的方向是服膺于人们便捷的生活，人工智慧绝对是一个未来必经的趋势！