得獎紀錄：本書在日本榮獲的獎項包括：

2016年商業書大賞評審團特別獎

2016年日刊工業新聞社獎

2016年IT工程師書籍大獎（商業書類別）

2015年度公益財團法人大川情報通信基金大川出版獎

第二章

「推論」與「探索」的時代：

第一次人工智慧熱潮

熱潮與寒冬時代

針對目前受到矚目的人工智慧（AI, Artificial Intelligence）， 我已經在第一章曾經說明，市面上雖然存在著許多號稱「內建人工智慧」的產品或服務，但是專家們都認為，人工智慧目前尚未實現。

那麼，為何人工智慧目前尚無法實現呢？為回答這個問題，我們得先依時間順序追溯人工智慧的歷史。細節後面會再說明，在此請各位只要先掌握概要就行。

人工智慧的研究，一直以來都是「熱潮」與「寒冬時代」在輪流交替著的。

第一次 AI 熱潮出現在一九五○年代後半至一九六○ 年代，當時的研究主要是在運用電腦針對特定問題做「推論、探索」並予以解決。但就算所謂「玩具問題」（toy problem）得到了解決，一旦碰到複雜的現實問題，AI 很明顯就是解決不了，因此熱潮急速冷卻，到了一九七○年代， 就進入了人工智慧研究的寒冬時代。

第二次熱潮出現在一九八○年代。採取「把『知識』輸入到電腦中，它就會變聰明」這樣的做法，正迎向全盛期， 市面上出現許多名為「專家系統」（expert system）的實用產品。但等到大家清楚知道，記述與管理知識並不容易之後，大概在一九九五年左右，AI 又再次進入寒冬時代。

另一方面，自從一九九○年代中期，搜尋引擎問世起， 網路呈現爆炸性的普及，再來進人二○○○年代之後，隨著網路範疇的擴大，運用大量資料的「機器學習」，也悄悄地擴散開來。然後到了現在，AI的研究正來到第三次的熱潮。

第三次的 AI 熱潮，如【圖表3】所示，是兩股大浪潮合併在一起而催生出來的。一股是在大數據時代變得常見的機器學習，另一股是在技術上的重大突破、深度學習（特徵表達學習）。再加上 IBM 的華生計畫與將棋電王戰等代表的活動，以及前面提到的雷．庫茲威爾（Ray Kurzweil）對於奇點（人工智慧呈現爆炸性進化的技術性特異點）的擔憂，乃至於史蒂芬．霍金的發言等激起大家恐懼的要素，就更加推波助瀾了。

簡單講，第一次 AI 熱潮是推論與探索的時代；第二次AI 熱潮是知識的時代；第三次 AI 熱潮則是機器學習與特徵表達學習⓯ 的時代，但更嚴格來說，這三者其實是彼此交錯的。例如，第二次熱潮的主角「知識表達」，以及第三次熱潮的主角「機器學習」，其背後最根本的技術提案，其實在第一次人工智慧熱潮時就已出現；反之，第一次人工智慧熱潮的主角「推論」與「探索」，以及第二次人工智慧熱潮的主角「知識表達」，至今仍是延續下來的重要研究。無論如何，還是請各位知道，AI 的研究可以略分為三次的熱潮。

【圖表4】是人工智慧研究的主題分類圖。我會依序從圖的下方介紹起，第二章談探索，第三章談對話系統的研究與開始自專家系統的後續演進，第四章談機器學習與神經網路，第五章則是詳細介紹深度學習。從中應該可以看出，最近成為討論話題的人工智慧技術，其實是從各種不同的研究發展出來的。

「人工智慧」一詞的誕生

在此先回顧一下第一次人工智慧熱潮吧。

「人工智慧」一詞最早是出現在一九五六年夏天，在美國東部的達特茅斯（Dartmouth）舉辦的一場傳奇的研討會上。會中首度決定，要把像人類般思考的機器，稱之為「人工智慧」。

那時，眾所周知的全球第一台通用型電子計算機 ENIAC 問世剛滿十年。ENIAC 運用了一萬七千多支真空管，是一台巨大的計算機。任何人只要看過其超強的計算能力，想當然會認為電腦有一天會比人類還聰明，能力也會超越人類。

在這場約翰．麥卡錫（John McCarthy）、馬文．閔斯基（Marvin L. Minsky）、艾倫．紐厄爾（Allen Newell）、賀伯．西蒙（Herbert Simon）等四位知名學者也參加了的研討會中，與會成員們發表了當時關於電腦的最新研究成果。一如大家所知，紐厄爾與西蒙也在會中展示了有「全球第一個人工智慧程式」之稱的「邏輯理論家」（Logic Theorist）。這是一個會自動證明定理的程式。

這場會議是人工智慧領域中一個傳奇的、可謂創世紀的場合，他們四位對人工智慧的研究者來說，有如神話世界的人物。四人也都獲頒有「電腦界諾貝爾獎」之稱的「圖靈獎」，西蒙甚至還贏得了諾貝爾經濟獎。

我曾在史丹佛大學（Stanford University）見到已是老爺爺的麥卡錫先生，感到興奮萬分。此外，閔斯基訪日時，我也充滿熱情地爭取到專訪的機會，一面和他共進餐點，一面討論人工智慧何時能實現的話題。遺憾的是，紐厄爾、西蒙與麥卡錫三位，已分別在一九九二年、二○○一年以及二○ 一一年去世。（編按：閔斯基於二○一六年去世）

運用搜索樹走出迷宮

第一次人工智慧熱潮中，出於一種對「人工智慧不久就會實現」的樂觀預測，有多項充滿企圖心的研究，紛紛展開。在那個時代，人工智慧的研究以「推論」或「探索」為主，「推論」是把人類的思考過程以符號呈現出來執行，但是就處理來說較接近探索，在此就說明探索的部分吧。在思考探索一事時，可以用迷宮來想，會比較好懂。

假設有一個像【圖表6】之中的①迷宮。人類在解它時，會用手指或筆模擬在迷宮中走動，一直走到無路可走為止，然後以到達終點為目標。電腦很難用這種方式解迷宮， 所以要把問題轉換為②問題呈現來解讀。起點訂為 S，終點訂為 G，然後把道路分岔的結點各分配一個字母代表（圖中的 A 和 C 就是），盡頭的地方也都分配一個字母（圖中的 B 和 E 就是）。

首先由 S 開始，有兩種走法，可以往 A 也可以往 D。若從 A 走，可以分成二種方式，一是走到 B 的盡頭，二是往 C 走。就像這樣把所有走法類型都排列出來，就會變成③， 稱之為「探索樹」。

一般來說，探索樹都是愈往下走愈往外擴大，相信各位看得出來，假如目標是走到 G 的話，那麼只要一直擴大探索樹的範圍，直到 G 出現為止就行。等到 G 出現後，再照著來時路走一遍，那就是答案了。此時「S→A→C→G」是正確答案。

所謂的探索樹，其實就是在做「狀況區分」。針對走這邊時的狀況，以及走那邊時的狀況，做不同的區分。接著， 在「走這邊」的狀況下，還要再繼續做狀況區分。只要一直逐步區分下去，最後總會出現我們所要的條件。電腦很單純，只要一再下指示要它做這樣的狀況區分，它就可以無限一直分下去。不知不覺就找出答案了。

不過，同樣是狀況區分，也可能因為做法的不同，而影響到效率的好壞。探索樹主要有二種延伸方式，一種是姑且先往下方發展，試看看最多能走多遠，等走到沒路了，再回頭去走下一串枝葉，也就是「縱向優先探索」。另一種做法就是先一個不漏地走完同一層（如圖中的「第一層」「第二層」那樣）之後，再往下一個階層邁進，也就是「橫向優先探索」。

若採取橫向優先探索，雖然必定會找到前往終點的最短距離，但因為必須把半路上的所有結點全都記憶起來，會需要許多的記憶體。一旦迷宮變得更為複雜，也可能因為需要的記憶量龐大，而使得電腦的記憶能力無法負荷。相較之下，縱向優先探索的話，雖然未必能在一開始就找到最短路徑，但因為行不通時可以退一步往下一串枝葉前進就行，所以不需要那麼多記憶體。運氣好的話，可能最快找到正確答案，但運氣差的話，也可能很花時間。二者可以說各有利弊。

實際上，很早就有人在研究分別取用雙方優點的解題方法，或是面對特殊問題時特別快速的解題法了。這類研究仍有部分延續至今。

在西洋棋與將棋戰勝人類

一九九七年，IBM開發的超級電腦「深藍」，與當時的西洋棋世界冠軍蓋瑞．卡斯巴羅夫（Garry Kasparov）對戰，贏得了勝利。由於人類終於輸給了電腦，全球都甚感衝擊。

那時，大家以為，由於將棋可以把吃下來的對手棋子拿來使用，電腦要贏人類，可能還要好一陣子。但是在二○ 一二年的第一回將棋電王戰中，當時的日本將棋聯盟會長米長邦雄永世棋聖，與前一年的世界電腦將棋選手大賽中優勝的軟體 Bonkras 對戰，輸掉了比賽。在他的作品《我們輸了》一書中，他寫下了到自己輸給電腦為止的來龍去脈以及心情。

隔年二○一三年，又有一場「第二回將棋電王戰」，由現役職業棋士對上電腦軟體，五對五，第二局中電腦軟體ponanza 打敗了四段的選手佐藤慎一，這是史上第一次有現役職業棋士輸給電腦，成為大家討論的話題。對戰成績最後是軟體取得三勝一敗一和，隔年二○一四年的「第三回將棋電王戰」，也是軟體取得四勝一敗，維持電腦占優勢的狀態。將棋電王戰還在日本的網路影片分享平台 niconico 上轉播，也因為「人類 vs.電腦軟體」這個容易理解的概念使然，比賽實況成了名列前茅的熱門內容。



窘境在於無法解決現實問題

在一九六○年代開花的第一次人工智慧熱潮，乍看之下，確實用電腦把看起來很有智慧的各種問題，都一個個給解決了。大家恐怕會覺得，電腦想必是很聰明的。但冷靜想想，那個時代的人工智慧，唯有在極為限定的狀況下才能夠解決問題。無論是解迷宮還是解益智問題，或者是挑戰西洋棋與將棋，即便在明確定義的規則下思考下一步還做得來， 但現實問題卻往往複雜得多。

例如，某人生病時，有什麼方法可以治療？或是，某家公司今後若要追求成長，該開發何種產品好？像這種我們人類平常在面對的、真的想解決的問題，人工智慧完全解決不了。慢慢的，大家了解到，人工智慧只能解所謂的「玩具問題」。

與此同時，人工智慧大師馬文．閔斯基對於當時一度熱門的神經網路（在第四章會詳加說明），曾舉出它在特定條件下會出現某些侷限（侷限本身不是太嚴重，但多數人都誤以為，那是神經網路本身的侷限）。再加上美國政府也提出一份報告（ALPAC 報告），認為機器翻譯短期內應該不會有什麼成果，使得相關研究原本接受的援助因而中斷，這類情事都雪上加霜，讓大家對於人工智慧的失望感擴大了。就這樣，人工智慧進入了一九七○年代的寒冬時期。

要證明難解的定理或是要贏得西洋棋對弈之類高度專業的內容，對電腦來說，出乎意料的簡單。但現實中的問題卻很困難。在第一次人工智慧熱潮中，大家了解到，要在電腦上實現人類的智慧，其實是很深奧的一件事。

第二章

「推論」與「探索」的時代：

第一次人工智慧熱潮

熱潮與寒冬時代

針對目前受到矚目的人工智慧（AI, Artificial Intelligence）， 我已經在第一章曾經說明，市面上雖然存在著許多號稱「內建人工智慧」的產品或服務，但是專家們都認為，人工智慧目前尚未實現。

那麼，為何人工智慧目前尚無法實現呢？為回答這個問題，我們得先依時間順序追溯人工智慧的歷史。細節後面會再說明，在此請各位只要先掌握概要就行。

人工智慧的研究，一直以來都是「熱潮」與「寒冬時代」在輪流交替著的。

第一次 AI 熱潮出現在一九五○年代後半至一...

【推薦序】打造有智慧的機器

文／于天立（國立台灣大學電機工程學系副教授）

大家可能還記得電影《模仿遊戲》（The Imitation Game）中，電腦科學之父，同時也是人工智慧之父艾倫・圖靈（Alan M.Turing），想要建一個可做任何事的機器。

首先，圖靈機有無窮多個而且可被編號，而所有的圖靈機定義了所有可被計算的函數。你可以想像有個一號圖靈機可以做加法，有個二號圖靈機可以做開平方根等等。圖靈証明了通用圖靈機（universal Turing machine）的存在：只要你輸入某個號碼，它就可以「模仿」其相對應的圖靈機。在上面的例子中，對通用圖靈機輸入2，它就會做開平方根的工作。

說穿了，圖靈機其實就是可程式化機器，所謂輸入的號碼其實就是程式，而現在的電腦就是通用圖靈機的一種不完美（因為沒有無窮的記憶體）的實作成品。這種想法在現今電腦充斥的年代看來可能稀鬆平常，但當年在許多人看來是件瘋狂不可行的事情。

事實上，從發展圖靈機開始，圖靈就一直在思考「機器的智慧是什麼」。

如果我們再進一步的思考，把人視為一個函數：以環境所有歷史紀錄（從有感知開始一直到現在的時間點）作為輸入，而輸出動作或回應。就這個觀點來看，通用圖靈機應當可以模仿一個人的所有行為，也就是產生出人造的智慧。人工智慧此一學科由此誕生。

對於機器可以模仿人的想法，許多人抱持著懷疑的態度。本書作者的研究所學生時期是1997～2002年，而我則是2000～2006年，所以對書中作者提到的挫折很有感受。2000年左右，當時電腦中最熱門的領域是網路及多媒體應用。當有人聽到我想投入人工智慧及機器學習領域時，常見的反應是「為什麼不去研究網路多媒體，做點實際的東西出來」，一副好像人工智慧就是在打高空，不切實際的樣子。然而當時誰又能想到才沒十幾年的時間，人工智慧已經發展到了現在的樣貌。

在AlphaGo戰勝李世石（Lee Sedol）之後，有許多人認為AlphaGo靠的是大量的運算，而並非真的瞭解圍棋。這類聲音正如IBM開發的超級電腦「華生」（Watson）在益智問答競賽中勝過人類後，被認為並非真正瞭解問題本質。這裡我想引用一段電影模仿遊戲中的台詞：

Of course machines can't think as people do. A machine is different from a person. Hence, they think differently. The interesting question is, just because something, uh... thinks differently from you, does that mean it's not thinking?

人類常常習慣性的本位主義思考，認為電腦就算能得到答案，但它並不瞭解問題的本質，也沒有所謂的思考。其實反過來想想，其實可能只是人類並不瞭解電腦「思考」的方式（現今機器學習中許多的演算法，就算是開發者自己也無法完全預測電腦最後的行為）。若以圖靈測試這種操作型的方向來思考，當電腦可以在某些問題上表現的比我們還好，我們卻說電腦並未真正瞭解問題本質是否過於武斷了呢？

本書很完整地回顧了人工智慧的興衰史，作者認為，目前人工智慧的第三次熱潮源自大數據上的機器學習及深度學習。我也非常同意，其實這兩者的時機真的是結合的很好。深度學習由於使用了非常多層的神經網路架構，再加上大量採用修正線性單元（rectified linear unit），使得整個學習概念變成簡單到像是用多個線段來逼近一個函數而已。不過這件事配合上大量的學習資料卻是恰到好處。舉例而言，若我們要學的概念是一個圓，早期的做法可能是給圓周上的十幾個點，然後靠著複雜的演算法理解這可能是一個圓。現在的做法則是給圓周上十萬個點，則基本上只要把這十萬個點用線段連起來就夠像個圓形了。近年來這樣的趨勢越來越明顯，研究的重心已經漸漸從原先的演算法轉移到資料本身，而形成了資料科學（data science）。雖然要解決的問題本質還是一樣，但看事情的出發點已經不同了。

關於目前人工智慧的現狀，我很喜歡本書作者利用彩券為比喻。目前人工智慧就像是大樂透上看十億。要中十億的路途艱難，但許多人願意一試。當然最後仍然可能沒有任何人中大獎，但硬要說人工智慧根本不可能實現似乎也過度悲觀。相對的來說，我們似乎也不用過度擔心人工智慧取代人類。拜AlphaGo所賜，最近我常受邀演講，最常被問到的就是「人類會被AlphaGo取代嗎？」即使我以為不該武斷地認為AlphaGo不會思考，但目前我們的確還沒發展出有”自我意識”的機器（即使我們也搞不懂自我意識是什麼）。也就是說，我們叫AlphaGo下一千盤棋，它就會照下，不會說「我累了，想吃冰淇淋」。所以，等到AlphaGo不想下圍棋時再說吧！

人工智慧到底會發展到哪裡呢？本書對於常見的奇點問題（singularity problem）也有論述。姑且撇開智慧能否無限增長不談，人類可能造出比本身更有智慧的機器嗎？看法相當分歧。像雷・庫茲威爾（Ray Kurzweil）就是極端的樂觀派，而我則更傾向本書作者的看法：不是不可能，但應該還有好長一段路要走。而且與其擔心人工智慧本身，可能更需要擔心的是人工智慧技術與資訊的獨占，及其對產業的衝擊。

本書對於上述所提到的技術都有深入淺出的介紹，作者能把許多艱深的技術用生動的例子說明，實在令人佩服。對於人工智慧的歷史、目前發展，作者參考了許多看法，提供完整的資訊。在我看來，本書算是市面上關於人工智慧科普書籍中意見較為中肯不偏頗的。透過閱讀本書，讀者應能夠更全面地理解人工智慧給人類帶來的便利以及潛在的危險。而且本書所呈現的，不僅僅是歷史、技術，還包含了對人類社會的影響、價值衝擊。就讓本書作者帶領著我們一起對人工智慧做個較為理性、全方面的探索吧！

【推薦序】打造有智慧的機器

文／于天立（國立台灣大學電機工程學系副教授）

大家可能還記得電影《模仿遊戲》（The Imitation Game）中，電腦科學之父，同時也是人工智慧之父艾倫・圖靈（Alan M.Turing），想要建一個可做任何事的機器。

首先，圖靈機有無窮多個而且可被編號，而所有的圖靈機定義了所有可被計算的函數。你可以想像有個一號圖靈機可以做加法，有個二號圖靈機可以做開平方根等等。圖靈証明了通用圖靈機（universal Turing machine）的存在：只要你輸入某個號碼，它就可以「模仿」其相對應的圖靈機。在上面的例子中，對通用...

前言｜

人工智慧的春天

「人工智慧」（AI，Artificial Intelligence）這個詞，在很多地方都看得到，與短短十年之前有很大的不同。

一九九七年到二○○二年，我還是研究所學生時，每當我提及我在研究人工智慧，很多人都會露出訝異的表情。就算去問周遭的研究者：「為何人工智慧尚無法實現？」得到的也只是苦笑。因為，在那個時候，「人工智慧」這個詞， 或者說主張「人工智慧能夠實現」這件事，依然算是某種禁忌。

有一段往事，到現在我都還印象深刻。那是我完成研究所課程，以新手研究者之姿申請研究費、接受審查時發生的事情。對新手研究者來說，是不是能獲得每年幾百萬日圓的研究費，可以說事關自己的研究者生涯能否繼續下去，也決定了研究者的人生是黑白還是彩色的。那時我絞盡腦汁，擬出了申請研究費的提案書。

在二○○二年那時，我最早著手研究網路上既有的資訊。我能夠透過分析大量的網頁，大量找出足以表達字詞（關鍵字）相關的網路（network）。只要利用這樣的網路， 就算是乍看之下並無相關的字詞，應該還是可以在找出其相關性後，推出切中需求的廣告。由於在那時尚無任何人研究網際網路上的廣告技術，我對於自己的提案相當有信心。

我順利通過了書面審查，意氣風發地進入面試階段。在面試的會場裡，坐了好幾位其他領域的泰斗級老師，我就在他們面前一個人做簡報。在針對研究內容接受他們鉅細靡遺的提問後，老師們講出來的話，對我造成很大的衝擊。

「不要搞什麼廣告這種無聊的玩意。」

「不要輕易說出你可以輕鬆建立字詞網路這種話。」

最後，他們丟給我的話最為不客氣：

「你們這些研究人工智慧的人，總是愛這樣撒謊。」

想當然爾，那次的提案沒有通過。雖然如今靠搜尋引擎或廣告賺錢已經司空見慣，但是現在想起來，在那時，我的研究還是領先時代，應該是個還不壞的提案才對，卻遭受到那樣的對待。對於學生時代以來就研究人工智慧的我來說，那一刻，我才真正嘗到了這個社會瞧不起人工智慧研究的冷漠。

「不可以使用人工智慧這個字眼。」

「很多人光是聽到人工智慧這個字，就會產生敵意。」

那時受到的衝擊，到現在都還深深地銘刻我心。那是我第一次為了爭取研究費而接受面試的不堪回憶。

　　然而，時代改變了。

　　現在，這個世界正掀起一股人工智慧的熱潮。無論網路新聞、報章雜誌，乃至於電視，都看得到人工智慧一詞現身其中。我可以大方地說：「我在研究人工智慧。」很多人也會說：「今後將會是一個人工智慧的時代。」對於我們這些人工智慧的研究者來說，就像是教人愉悅的春天到來一般。種子長出了芽，開枝散葉、開花結果。然而，與此同時，這卻也造成人們的憂鬱。因為，這教人想起了昏暗漫長的寒冬時代。

　　其實，過去人工智慧已經掀起過兩波熱潮了。第一波是一九五六年至一九六○年代；第二波是一九八○年代。我還在就學時，恰好是第二波人工智慧熱潮退去之後。

　　在過去的兩波熱潮中，研究人工智慧的人，都曾極力宣傳過人工智慧的潛力。不，或許他們並無宣傳的意圖，但這個社會卻大力渲染這件事，研究者們則跟著搭上了這股熱潮。諸多企業紛紛競相研究人工智慧，政府也投入了龐大的國家預算。

　　每次都是一樣的模式。「人工智慧快要實現了」，就是這句話讓大家隨之起舞。但技術的進展卻不如原本的預期， 當初描繪的未來，並沒有成真。人工智慧四處碰壁、原地踏步、停滯不前。就在這樣的過程中，人潮散去、預算遭到刪減，這個社會也對它失去興趣，認為「什麼人工智慧，根本無法實現嘛」。正因為期望很高，失望也就很大。

在快樂的時光之後，等待著的是冷酷的現實。對研究人工智慧的人來說，一段極其難受而漫長的寒冬到來了。

在第二次的寒冬時光裡，就在連講出「人工智慧」一詞都教人有所顧忌的氛圍中，是什麼支持著人工智慧的研究？ 是研究者認為「希望總有一天能開發出人工智慧」「希望解開智慧之謎」等等的想法。多數研究人員改為研究較為實際的主題，他們竭力隱藏起自己對於知識的好奇心，表面上不再研究人工智慧，實際上卻還是繼續研究下去。

現在，正逢人工智慧的第三個春天再次到來，我深深以為，不能再重蹈覆轍。熱潮是危險的，無論什麼時候，都應該要特別小心，不要有超出實力水準的過度期望。這個社會沒有理解人工智慧技術的潛力到哪裡，極限到哪裡，只一味地大舉讚揚，是一件十分可怕的事。

正因為一直以來有那些研究人員踏實地努力著撐過寒冬時代，才得以有今天。所以我希望，各位讀者能夠盡量對於人工智慧目前的實力、目前的狀況，以及它的潛力到哪裡， 有正確的理解，這是我撰寫本書的一大目的。

請各位務必讀到最後，才能真正理解我希望藉由這本書告訴各位的事。重點是，我們應該如何看待「深度學習」（deep learning）這種新技術的意義，它或許能帶來睽違五十年出現的大突破。不過，我可以在這裡先粗略講個大概：要想正確理解現今的人工智慧，就必須知道以下幾點：

一、順利的話，人工智慧將有急速的進展。因為，研究者現在已經開拓出「深度學習」，也就是「特徵表達學習❶」的領域。它顯示出，人工智慧有「大幅突破的潛力」。搞不好，在幾年到幾十年以內，人工智慧的技術就會應用到社會上的許多地方，在經濟上為我們帶來莫大的影響。如果以彩券來講的話，或許就像是中了大獎、贏得五億日圓獎金一樣。

二、相對的，只要我們冷靜看待人工智慧，就會知道它目前能夠做到的還是有限。基本上，它現在只能照著我們定好的方式去做既定的處理，即使是稱為「學習」的技術，也只是在固定的範圍內找出適切的數值而已。依然不擅於處理例外、缺乏通用性與彈性。不過，像是「打掃」或是「下將棋」（日本象棋）這種極為固定的領域，人工智慧有時候會比人類厲害（但這和好久以前，人類在加減乘除上就比不過電子計算機到底有什麼兩樣啊？）。「人工智慧可以統治人類」之類的說法，還只是笑話而已。總之，若以彩券來形容的話，目前手邊握有的十張彩券，平均可以兌換到的獎金（也就是現況的期望值）只有三百日圓而已。

也就是說，我希望各位把上限值與期望值分開來看。假如買了一張彩券就期待會中第一特獎，那是無可奈何的人之常情。但真正中頭彩的情形，事實上少之又少。

人工智慧或許會有急速的發展，也或許不會。至少，大家對於現在的人工智慧所抱持的期望，已經變得遠超過它的實力。

我希望各位讀者能夠先正確理解這件事，再來賭賭看人工智慧會有什麼樣的未來，繼而為人工智慧的技術發展加油。現在的人工智慧，正處於一個適合在「有大幅突破的潛力」一事上賭一把的階段，我認為是值得購買的彩券。至於原因，我會在本書依序說明。我寫這本書由於是希望能有更多人弄懂人工智慧，因此會從基礎的部分寫起。

為何過去會有二次的寒冬時期？為何第三次的春天教人懷抱希望呢？

這是人類的希望，還是一大危機呢？

只要讀過本書，答案應該自然而然非常清楚。

二○一五年二月

松尾豐

前言｜

人工智慧的春天

「人工智慧」（AI，Artificial Intelligence）這個詞，在很多地方都看得到，與短短十年之前有很大的不同。

一九九七年到二○○二年，我還是研究所學生時，每當我提及我在研究人工智慧，很多人都會露出訝異的表情。就算去問周遭的研究者：「為何人工智慧尚無法實現？」得到的也只是苦笑。因為，在那個時候，「人工智慧」這個詞， 或者說主張「人工智慧能夠實現」這件事，依然算是某種禁忌。

有一段往事，到現在我都還印象深刻。那是我完成研究所課程，以新手研究者之姿申請研究費、接受審查時發生的事情。對新...

推薦序打造有智慧的機器文／于天立（國立台灣大學電機工程學系副教授）

前言人工智慧的春天

序章人工智慧的範疇在擴大：人工智慧會毀滅人類嗎？
人工智慧開始超越人類
汽車會變，機器人也會變
超高速處理的破壞力
人工智慧能否成為科幻小說家？
全球對於人工智慧的研究投資都在加快
面臨失業的人類
人類的危機來臨
如何閱讀本書

第一章何謂人工智慧：專家與社會大眾的認知落差
人工智慧尚未實現
基本命題：人工智慧「沒理由實現不了」
何謂人工智慧：專家們的定義
人工智慧與機器人的區別
何謂人工智慧：社會的認知
打工族、一般員工、課長、經理
強人工智慧與弱人工智慧

第二章「推論」與「探索」的時代：第一次人工智慧熱潮
熱潮與寒冬時代
「人工智慧」一詞誕生
利用搜索樹走出迷宮
河內塔（Hanoi Tower）
機器人的行動規畫
對手的存在會讓組合變得龐大
在西洋棋與將棋戰勝人類
祕訣一：找到了更好的特徵量
祕訣二：以蒙地卡羅法改變評鑑機制
窘境在於無法解決現實問題

第三章只要輸入「知識」就會變聰明：第二次人工智慧熱潮
與電腦交談
以專家系統代替專家
專家系統的課題
何謂表達知識
為求正確記述知識而做本體論研究
重量級本體論與輕量級本體論
華生（Watson，IBM開發的人工智慧系統）
機器翻譯的困難之處
框架問題
符號接地問題
過於前衛的「第五代電腦」
第二次人工智慧熱潮就這樣結束了

第四章「機器學習」悄悄地在擴大地盤：第三次人工智慧熱潮（二之一）
資料的增加與機器學習
所謂的「學習」就是「分類」
有老師的學習、沒老師的學習
「分類方式」也分很多種
透過神經網路辨識手寫文字
「學習」固然花時間，但「預測」只要一瞬間
機器學習時的難題
為何至今未能實現人工智慧？

第五章打破寂靜的「深度學習」：第三次人工智慧熱潮（二之二）
深度學習開啟了新時代
自動編碼器將輸入等同於輸出
根據日本全國的天氣推敲地區天氣
手寫文字中的「資訊量」
往深處多挖掘好幾層
谷歌（Google）的貓咪辨識
大幅發展的關鍵在於「強固性」
如何提升強固性
回到基本命題

第六章人工智慧會超越人類嗎：深度學習之後還有什麼
深度學習起的技術進展
人工智慧不具有本能
電腦有創造力嗎？
智慧的社會意義
奇點真的會出現嗎？
假如人工智慧征服人類
人工智慧必須造福大眾

終章逐漸轉變的世界：對產業與社會的影響以及戰略
逐漸轉變的事物
對於產業造成的漣漪效應
人工智慧的影響慢慢擴增
不久的將來會消失與留存的職業
人工智慧催生的新事業
人工智慧與軍事
「知識轉移」改變了產業結構
人工智慧技術遭獨占的可怕之處
日本人工智慧發展的課題
人才的多寡是逆轉的王牌
要對偉大的前輩抱持謝意

結語盡情想像尚未問世的人工智慧

圖表索引

譯名對照

推薦序打造有智慧的機器文／于天立（國立台灣大學電機工程學系副教授）

前言人工智慧的春天

序章人工智慧的範疇在擴大：人工智慧會毀滅人類嗎？
人工智慧開始超越人類
汽車會變，機器人也會變
超高速處理的破壞力
人工智慧能否成為科幻小說家？
全球對於人工智慧的研究投資都在加快
面臨失業的人類
人類的危機來臨
如何閱讀本書

第一章何謂人工智慧：專家與社會大眾的認知落差
人工智慧尚未實現
基本命題：人工智慧「沒理由實現不了」
何謂人工智慧：專家們的定義
人工智慧與機器人的區別
何謂人工智慧：社會的認知...