妙用AI突破性技術 加速實現破壞性創新

近年愈來愈多人運用深度強化式學習技術，結合TORCS開源3D賽車模擬遊戲，藉以學習自動駕駛。GitHub

近年來「人工智慧」(Artificial Intelligence；AI)崛起爆紅，不僅打趴其餘所有科技辭彙，成為IT世界最閃亮的巨星，它的影響力甚至超越科技層次，被喻為是巨型的典範轉移、是人類有史以來最重大的革命，快速翻轉商業世界既有競爭規則，為各行各業造成莫大衝擊。

根據研究機構Tractica所做的預測，全球AI應用的市場規模，可望從2018年81億美元(相當於新台幣2,430億元)，一路增長到2025年1,058億美元(相當於新台幣3.1兆元)，前後差距高達1,206%。由此看來，若說AI是百年難得一見的天大機遇，此話似乎沒有浮誇之虞，因為它的後勢真的極為強勁，只能用「噴發」形容之。

由於AI太紅，產生一些奇特現象。專業研究機構指出，新創公司欲爭取到投資人的青睞，不管做的是什麼、只要宣稱使用AI技術，便可望比其他軟體新創多得到15？50%投資基金，但投資人其實不會追究新創業者是否真的把AI導入產品；令人詫異的，以歐洲市場而論，竟有高達4成宣稱採用AI技術的新創公司，其實並未真的使用。

藉由深度學習  讓電腦自行擷取特徵值

究竟符合哪些要件，才能算是貨正價實的AI技術？總的來說，AI項下大致包含7類技術，分別是機器學習(Machine Learning；ML)、自然語言處理(Natural Language Processing；NLP)、專家系統、Vision、Speech、Planning及機器人(Robotics)。前述的技術類型中，有幾項還可繼續往下細分出多條支脈，譬如近年紅透半邊天的ML便是一例。

所謂ML，其實有點像人類的學習方式，機器根據資料進行學習，這些資料猶如一道道考題，機器把考題做熟了，就能參透資料背後隱含的知識，知道接下來如何舉一反三；機器好比人類，同樣有大腦、也就是Model，簡言之Model係透過一個框架、試圖描述一個未知現象，猜測可能造成這個現象的原因，但Model中往往有許多參數屬於未知的、未確定的，此時需要透過「Model Fitting」、意即餵資料的程序，幫助機器決定這些參數。

ML實踐方法有幾個，第一種是監督式學習(Supervised Learning)，比較像是傳統填鴨式教育，直接把題目、答案都告訴機器，讓機器從中學習，抓出每筆資料Xn所對應Yn的Label。第二種為非監督式學習(Unsupervised Learning)，是填鴨式教育的對照組，不直接給機器題目、答案，也就是每筆資料Xn對應的Yn不再有Label，必須由機器自己整理與歸納，試著從茫茫資料中找出規律性，學習如何針對問題做分類分群。

第三種是半監督式學習(Semi-supervised Learning)，屬於前兩種方法的折衷，是一種啟發式教育模式，部份的資料Yn是帶有Label的，機器可藉助這些Label代表的正確解答和資料規律性，進行更好的學習；比方說機器在學習影像辨識的過程，有些教材是未曾被標註的影像資料，也有一些是已被他人標註的影像資料，後者即是帶有 Label的Yn。第四種是強化式學習(Reinforcement Learning)，不直接給出Yn的Label，驅使機器嘗試理解Yn結果是好是壞，再把這些好壞做為回饋，精進機器的學習能力。

至於第五種，正是近幾年相當火熱的深度學習(Deep Learning；DL)。前面提到的Yn代表多種輸出值，而Xn代表多種輸入的變數來源，可稱為特徵(Features)，具有明確定義的特徵即為Concrete Feature，係由人類根據知識而採取預先處理、所產生的結果，相反的如果沒有明確定義的特徵便是Abstract Features。

此外最基礎、從來沒人整理過的叫做Raw Feature；運用AI的目的，便是要從一堆Raw Feature裡頭萃取Concrete Features，專家稱這段過程為Feature Engineering，而DL最令人驚艷之處，即是讓機器能夠靠著自己的力量，直接從資料中學到特徵。

除ML外，另三個備受矚目的AI技術類型，還包括NLP、Vision、Speech，它們各自含有一些支脈，譬如NLP底下就有Content Extraction、Classification、Machine Translation、Question Answering及Text Generation，而Vision底下則有Image Recognition、Machine Vision，Speech底下有Speech to Text、Text to Speech。

GAN兩相較勁的網路  大幅減少DL所需資料量

以上提到的，都算是基本AI技術，若想進一步探究AI的突破性技術(Breakthrough Technologies)，則有另外的答案。有專家經過整理，歸納出至少四大項AI突破性技術，值得大家加以關注。

首先是Deep Neural Networks(DNN)，也就是深度神經網路、甚或多數人理解的深度學習，如前所述，它可以讓機器自行透過資料的分析而找出特徵值，而非透過人類來決定特徵值，一般來說，DNN蘊含許多層神經元，並搭配運用自動編碼器(Autoencoder)來執行非監督式學習。

其次是Deep Reinforcement Learning(DRL)，可稱之為深度強化學習，從2013年DeepMind發表一篇「Playing Atari with Deep Reinforcement Learning」文章後，此技術開始受到愈來愈多關注，出現愈來愈多學術成果，直到2016？2017年間的AlphaGo，更讓DRL的能見度大幅攀升；顧名思義，DRL係指「強化學習」(RL)結合使用「深度學習」(DL)來強化決策推演的能力，論及RL與DL的結合，大致包含三種方法，分別是「基於價值」(Value-based)、「基於策略」(Policy-based)和「基於模型」(Model-based)。

再者是 Generative Adversarial Networks(GAN)，稱之為生成對抗網路，由蒙特婁大學Ian Goodfellow等學者於2014年6月提出，依Ian Goodfellow的說法，GAN是一種生成模型，意謂可從訓練庫當中獲得很多訓練樣本，進而學習這些訓練案例所生成的機率分布。

具體做法是讓Generator Network、Discriminator Network兩個網路相互競爭，前者負責「生成」、後者負責「判別」，生成器會造假、將Random Noise巧妙轉變成幾可亂真的新樣本，連同真實的原始樣本意圖矇混過關，判別器必須學會判斷哪個樣本為真、哪個樣本為假，有助於大量刪減深度學習所需的資料量。

最後一個值得觀察的項目為貝葉斯優化(Bayesian Optimization)，旨在建構一個包含目標函數的機率模型，用以選出最佳的超參數，藉此評估正確的目標函數，算是ML 當中的重要一環。