機器學習已在你我身邊

機器學習(Machine Learning)是人工智慧(Artificial Intelligence；AI)的一個重要領域，因為近年迭放異彩的進展在AI中迅速崛起，進入實際應用的範疇。

機器學習有五大流派：符號理論學派(Symbolist)、類神經網路學派(Connectionist)、演化論學派(Evolutionaries)、貝氏定理學派(Bayesians)和類比推理學派(Analogizers)，每一種學派有其基礎的概念及獨特的演算法(algorithm)－譬如類神經網路學派就是模擬腦部神經元透過突觸(synapse)連接的建立、強化行為來學習，也有其相應的優勢和缺點，當然也有共同的挑戰，譬如過度擬合(overfitting)和維度咀咒(curse of dimensionality)。真正在應用時，機器學習可能結合一種以上的演算法、截長補短，以取得最佳的結果。

自去年底紅極一時的圍棋程式AlphaGo就是基於類神經網路學派再加上過去在遊戲界常用的蒙地卡羅樹狀搜尋(Monte Carlo tree search)的深度學習，AlphaGo有兩個重要的成份：估值網路(value network)與走棋網路(policy network)。估值網路經強化學習(reinforcement learning，電腦重複的跟自己下棋以完善程式參數)以衡量局勢；走棋網路經監督學習(supervised learning，打專業棋譜以減少可選擇棋步)選擇棋步，從而在與職業棋手的對抗賽中取得壓倒性的勝利，這是機器學習在遊戲領域的新里程碑。

不只是遊戲，機器學習其實也早已經入了生活。早期極度惱人的垃圾郵件現在全不見了，這就是機器學習已悄然做功－透過貝氏定理學派對於垃圾郵件用字的監督學習和機率計算，將垃圾郵件擋在門外或另置檔案夾之中。蘋果的智慧個人助理及知識導航者Siri當然還有待改進，但是已然興起風潮。Siri也是由類神經網路學派的機器學習來執行語言辨識、文本轉換、問題意向分析、資料混搭等工作，而且Siri的機器學習都只用局部的數據－也就是說只靠一機之力。其實蘋果的iPhone早已用機器學習延伸到其它許多的領域：其相簿的人臉辨識、Apple Pencil的防誤觸、電池的待機與續航管理、Apple Music 的音樂推薦，以及可能在iPhone-8出現的3D人臉辨識功能等。

以前手機從單純的通話器材演化成feature phone、進而至智慧手機是靠將具有讀卡機、MP3、MP4、數位像機、GPS、觸控面板、wifi、數據機、NFC等功能的電子零組件硬體一一整合進手機這個行動設備。現在電子設備－不管是行動的或雲端的－都已有足夠的計算和儲存能力來執行機器學習。機器學習的各種演算法雖然都還有待改善，但是用以執行特定任務已可達令人滿意的程度，譬如前述的垃圾郵件過濾器和AlphaGo。用機器學習軟體來增加行動機具或線上商務/服務的特色與價值會是這一階段市場競爭的主軸之一。而且這個競爭對小規模、後發的公司也不太嚴苛，成功研發AlphaGo的DeepMind在被Google併購之前不是才幾個人的公司麼？