名人推薦：陳昇瑋▕ 台灣人工智慧學校執行長
葛如鈞▕ 北科大互動設計系助理教授
鄭國威▕ 泛科知識共同創辦人
謝伯讓▕ 腦科學家，《大腦簡史》作者
史帝文．李維特▕《蘋果橘子經濟學》暢銷作家
泰勒‧柯文▕ 經濟學大師暨《再見，平庸世代》暢銷作家

▌各 界 盛 讚 ▌
雖然我不是電腦科學家，但人工智慧是我一直很關注的主題。為了製作泛科學院的「從零開始的 30 堂人工智慧必修課」，我在 2018 年 10 月到 12 月，密集地讀了快 30 本人工智慧科普書，雖然這些書各有切入點，但也顯出高度的一致性。正當我認為已經沒有其他寫法...

序章
筆者兩人每年在課堂上講授數據科學，教過無數學生，他們都對人工智慧（Artificial Intelligence, AI）驚歎不已，也提出很棒的問題：無人自動駕駛汽車是怎麼辦到的？Alexa智慧語音助理如何聽懂我說的話？Spotify音樂串流服務怎麼挑選出符合我喜好的播放列表？Facebook如何在我上傳的照片中識別我的朋友？我們的學生已然明白人工智慧不再是未來的科幻機器人，而是發生在此時此刻，正在用智慧型手機逐步改變世界。大家都想了解AI，也都希望躬逢其盛。
除了我們的學生之外，全球龍頭企業也都熱衷於AI的發展，像是美國的亞馬遜、Facebook、Google，以及中國的百度、騰訊、阿里巴巴等。各位可能聽過，各大知名科技公司為尋求AI人才，正在進行一場昂貴的全球裝備競賽，因為他們認為這攸關未來的生存發展。多年來，他們提供超過30萬美元的高薪、比學術界更高級的咖啡，來招攬剛取得博士學位的新鮮人。時至今日，不只高科技巨頭，只要是必須面對巨量數據的各大公司行號，如保險業、石油業等，都紛紛祭出高薪、搬出頂級濃縮咖啡機，積極延攬AI人才。
然而，儘管這場裝備競賽真實上演，筆者認為現今的人工智慧發展有著一股更強大的趨勢，逐漸向外擴散傳播，而不是集中發展。每家高科技公司的確都在努力網羅數學和程式編碼人才，但同時，人工智慧背後的基礎技術和思想也正以驚人的速度傳播，遍及小公司、其他的經濟體、世界各地的業餘愛好者、程式開發人員、科學家以及研究員。這種全民化的趨勢是讓現今學生振奮不已的最重要因素，因為他們正在思考大量的問題，迫切需要精準的人工智慧解決方案。
　　例如，誰能料到一群大學生會對小黃瓜的演算法如此興奮呢？沒錯，當他們聽了日本汽車工程師小池誠（Makoto Koike）的故事之後，正是如此。小池的父母擁有一座小黃瓜農場，在日本，小黃瓜的大小、形狀、顏色和突刺多寡程度，令人眼花撩亂，這些小黃瓜必須根據賣相，分成九種不同的等級，再以不同的市場價格出售。過去，小池的母親每天要花八小時徒手揀選黃瓜！後來，小池突發奇想，自己可以利用Google的AI開源軟體TensorFlow，編寫一個「深度學習」的演算法，根據照片對黃瓜進行分類，來完成同樣的任務。小池以前從來沒用過AI或TensorFlow，但一切免費資源隨手可得，他靠自己摸索也不覺得有何困難。當他的AI自動分揀機在YouTube爆紅之後，小池一夕之間成了國際深度學習兼黃瓜名人，不僅因為他為了使母親減少幾小時苦工的故事給人一種正向的感覺，也向世界各地的學生和程式開發人員傳遞了一則激勵人心的訊息：如果人工智慧連小黃瓜分類問題都能解決，它就能夠解決任何問題。
這則訊息正在迅速傳播。如今醫生利用AI來診斷和治療癌症；電力公司利用AI來提高發電的效率；投資者利用它來管理財務風險；石油公司利用它來提高深海鑽井平台的安全性；執法機構利用它來追查恐怖分子；科學家利用它在天文學、物理學或神經科學方面獲得新的發現。世界各地的公司行號、研究人員和業餘愛好者，正以千百種不同的方式運用人工智慧。無論是偵測氣體外洩、開採鐵礦、預測疾病傳播、拯救蜜蜂免於滅絕，或是量化好萊塢電影中的性別偏見，這一切才正要開始。
我們認為人工智慧真正的價值在於這種擴散傳播的發展：回溯至數十年、甚至幾世紀之前的核心數學概念；由今日的超級計算機和語音╱思考╱黃瓜自動分揀機，乃至於未來創新、無處不在的數位奇蹟。本書的核心目標就是告訴你AI發展的故事，其中有一部分涉及科技發展，但主要是關於創意構想、以及這些創意構想幕後的功臣──早期埋頭苦思如何解決牽涉數學和數據問題的人物。這些人物絕對料想不到，自己的解決方案對於建立現代世界造成了何等的影響。在這個故事的尾聲，你將會明白AI究竟是什麼，明白它的起源發展、運作方式、以及它為什麼和你的生活息息相關。　
AI究竟是什麼？
聽到AI時，不要把它想成機器人，請想成演算法。
演算法是一組循序漸進的指令，非常明確，明確到就連呆板又缺乏想像力的電腦也可以遵循（你可能聽過機器人因為遵照洗髮精瓶子上的指令：「起泡、沖洗、重複」而永遠被卡在淋浴間的笑話）。演算法本身並不比電鑽更聰明， 它只是能將一件事情做得很好，例如整理數字列表、或在網上搜尋可愛動物的照片。然而，若以巧妙的方式將許多演算法連結在一起，則可以生成AI──在特定領域具備智慧的幻覺。比方說，像Google Home這樣的數位助理，你可能會對它提出諸如此類的問題：「在哪裡可以找到奧斯汀最好吃的墨西哥捲餅早餐？」這個查詢引發了一連串的演算法運作：
•第一個演算法將原始聲波轉換為數字信號。
•另一個演算法將該信號轉換成一串英文「音素」，或聽起來很明確的音節：「brek-fust-tah-koze」。
•下一個演算法再將這些音素分割成字詞：「breakfast tacos」（墨西哥捲餅早餐）。
•這些字詞被發送到一個龐大演算法的組合──搜尋引擎，用以處理查詢並回傳答案。
•又一個演算法將回傳的答案格式化成為連貫的英語句子。
•最後一個演算法用非機器人的方式發聲，說出這句話：「奧斯汀最好的墨西哥捲餅早餐在杜瓦街的胡立歐餐廳。需要為您規劃路線嗎？」
這就是所謂的人工智慧。幾乎所有的AI系統，無論是自動駕駛汽車、小黃瓜自動分揀機、或是你的信用卡帳戶防盜監控軟體，都遵循同樣的「演算法流程」範本。流程一開始先輸入某個特定領域取得的數據資料，執行一連串的計算，再輸出預測的結果或決策。
人工智慧運用的演算法有兩個顯著的特點。首先，這些演算法通常處理的是機率、而不是確定性。例如，AI中的演算法不會直接判定某一筆信用卡交易是詐騙行為，它會表示詐騙行為的可能性是92％（或任何由提供的數據所推算出的機率）。其二，這些演算法是怎麼「知道」該遵循什麼指令呢？在傳統演算法中，網站運作或文字處理器之類的指令，是由程式設計師事先設定的。然而，在人工智慧中，這些指令是由演算法本身直接透過「訓練資料」學習而來。沒有人告訴AI演算法如何將信用卡交易資料分類為詐騙或非詐騙。相反地，演算法會觀察各個類別的大量範例，再從中找出區分這兩個類別的模式。在人工智慧中，程式設計師的角色不是告訴演算法該做什麼，而是告訴演算法如何利用數據和機率規則來訓練自己知道該怎麼做。
人工智慧如何走到今天這一步？
現代的人工智慧系統，諸如自動駕駛汽車或家庭數位助理，看似是一股新潮流。但你可能會驚訝地發現，人工智慧大部分的創意其實由來已久，其中許多甚至可回溯到幾世紀之前，人類世世代代都用這些想法來解決問題。以自動駕駛汽車為例，Google在2009年首次推出這種汽車，但你會在本書第三章中學到，這種汽車運作的主要概念之一，其實是在1750年間由長老教會的牧師所發現的；而這個想法在五十多年前被一群數學家採用，解決了冷戰時期一個重大的謎團。
再舉圖像分類為例，在過去五年間，圖像處理演算法已經有了驚人的進展，出現如Facebook自動在照片上標記好友這一類的功能。但是在第二章中，你會發現這當中的關鍵概念可以追溯到1805年前；也會明白在一百年前，亨麗愛塔•勒維特（Henrietta Leavitt）這位名不見經傳的天文學家早已運用這些概念，來幫助解答「宇宙有多大？」這個人類有史以來最深奧的科學問題。
再舉語音辨識系統為例，這是人工智慧近年來最偉大的成就之一。Alexa和Google Home這一類的數位助理能夠非常流利地使用語言，日後也將會更加精進。然而，第一位讓電腦明白英語的人是一位美國海軍少將，他約莫在七十年前就這麼做了（參見第四章）。
以上不過是三個驚人的實例。無論從哪個角度檢視人工智慧，你都會發現，某個構想人們早已討論許久了。因此，重大的歷史謎題並不在於AI為何出現、而是為何沒有更早開始發展。想要解開這個謎團，我們必須檢視促使這些可敬的構想進入新時代的三大有利科技驅勢。
促成AI發展的第一個因素是數十年來電腦處理器速度指數式的增長，一般稱之為「摩爾定律」（Moore’s Law）。很難說明電腦發展的速度究竟有多快，老套一點的說法是，阿波羅號太空人員登陸月球所憑藉的計算處理功能，還不如袖珍型計算機。但是，這個類比再也引不起共鳴了，因為......還有誰知道袖珍型計算機是什麼呢？因此，不如讓我們拿汽車來當例子。在1951年，當時最快速的電腦處理器之一是UNIVAC，每秒可執行兩千次的運算；而愛快羅密歐6C則屬當時最快速的車型，每小時行駛一百一十英里。自1951年來，汽車和電腦都有所進化；如果汽車進化的速度與電腦相同，那麼現代的愛快羅密歐將會以光速的八百萬倍馳騁。　
第二個促成AI發展的因素是「新摩爾定律」：隨著人類一切資訊的數位化，數據量呈爆炸式增長。美國國會圖書館需要10TB的儲存空間；光是在2013年，Google、Apple、Facebook和亞馬遜等四大科技公司就收集了比10TB多出約十二萬倍的數據，而那還算是網路世代早期的發展。如今數據積累的速度比阿波羅火箭更快；在2017年，每分鐘就有超過三百小時的視頻上傳到YouTube、每天有超過一億張圖片被發佈到Instagram，更巨量的數據意味著更聰明的演算法。
第三個促成AI發展的因素是雲端計算。這種趨勢對消費者來說幾乎是看不見的，對AI卻產生了巨大的普及效應。為了說明這一點，讓我們拿數據和石油做個類比。假設二十世紀初所有的公司都擁有一些石油，但是他們都必須建立一些基礎設施才能提取、運輸和精煉自己的石油。任何具有創新點子、想要善用自家石油的公司，都將面臨龐大的固定成本才能進行，最終結果就是大部分的石油都無法開採。是的，同樣的邏輯也適用在相當於是21世紀石油資源的數據資訊。大多數的業餘愛好者或是小公司，都想要利用自家數據來建立人工智慧系統，假如都得購買一切所需的設備和專業知識，將面臨高昂的成本。但是，現今諸如微軟Azure、IBM或亞馬遜網路服務公司所提供的雲端計算資源設備，已將固定成本轉化為變動成本，徹底改變了大規模數據儲存和分析的經濟模式。時至今日，任何想要開採自家「石油」的人，都可以透過租用別人的基礎設備、以低成本完成。　
當你將這四大趨勢結合在一起，也就是更快速的晶片、巨量的數據資料、雲端計算，再加上最重要的創意，利用AI解決實際問題的需求和能力將有如超新星的爆炸一般。
AI焦慮症
前文已經提過，我們的學生對於人工智慧有多興奮、以及全球各大企業如何積極地投入AI的發展。但是，如果說所有人都對這些新技術如此看好，那可就言過其實了。事實上，很多人對於工作就業、數據隱私、財富集中、或是俄羅斯人擁有傳播假新聞的Twitter機器人等問題感到焦慮。還有一些人，其中最著名的是Tesla電動汽車公司和SpaceX太空探索技術公司幕後的企業家伊隆•馬斯克（Elon Musk），甚至描繪出更可怕的景象：機器人變得有自覺意識，發現自己不喜歡被人類統治，因此開始用矽拳來統治人類。
先來談談馬斯克的憂慮吧。他的觀點引起了許多人關注，或許是因為億萬富翁在談論AI時，大家都會特別注意吧。馬斯克聲稱，在開發人工智慧科技時，人類正在「召喚惡魔」，而智慧機器是「我們最大的生存威脅」。
讀完本書之後，你將可以自己決定這些擔憂是否合理。但我們想事先提醒你，人們很容易陷入認知科學家所謂的「經驗性直觀推論法」（availability heuristic）的陷阱，亦即依據個人經驗中最容易立刻聯想到的事例，來評估相關事件發生的可能性。就人工智慧而言，這些例子多半來自科幻小說，其中絕大多數都是邪惡的 ，諸如《魔鬼終結者》、《星艦迷航記》、或是《2001太空漫遊》。我們認為這些科幻作品的例子造成了強大的錨定效應（認知偏差），讓許多人接受了「邪惡AI」的說法，而不加以懷疑。畢竟，我們有豐富的想像力能拍出這種電影，並不代表我們真的有實現的能力。至今，還沒有任何人有辦法打造具有一般智慧的機器人，像人類一樣聰明、或如「魔鬼終結者」一般。也許你的後代子孫會想辦法辦到，也許他們甚至能夠編寫程式機器人去威嚇伊隆•馬斯克的遙遠後代，但那將會是他們的選擇、也是他們的問題，至今檯面上都還看不到任何一點這種發展的可能性。現在以及可預見的未來，「智慧型」機器只擅長在其專門領域中表現聰明的一面：　　
•Alexa可以為你朗讀義大利肉醬麵的食譜，但是它不能替你切洋蔥丁，也肯定不會手持菜刀對你發脾氣。
•無人自動駕駛汽車可以載你到足球場，卻不能做球賽的裁判，更不用說能夠自己決定要把你綁在球門柱上，踢球攻擊你的要害。
再說，現在就開始擔心機器人具備自我意識，就好比德哈維蘭飛機製造公司（De Havilland Aircraft Company）在1952年試飛第一架商用噴射客機時，就開始擔心超高速飛行至遠距星系的影響。現在擔心這些都還太早了，眼前還有更重要的事情需要擔心。比如，延續噴射客機的比喻，為現今所有「飛機」制定明智的政策。
制訂政策的問題連帶引出我們對AI更多合理、切身相關的疑慮。人工智慧會造成全民失業的世界嗎？未來的機器可以對你的生活做出重大決定，卻毋須承擔任何責任嗎？最聰明機器人的擁有者終會掌握未來的世界嗎？
這些問題非常重要，無論是在科技研討會議上、世界各大新聞媒體、以及大學同事午餐閒聊的話題中，我們聽到大家不斷在討論。我們必須事先聲明，你不會在這本書中找到這些問題的解答，因為我們也不知道答案。就像我們的學生一樣，我們對於人工智慧未來的發展十分樂觀，希望讀者看完這本書之後，也會認同這種樂觀的態度。然而，我們並不是勞工經濟學家、政策專家，也不是算命師。我們是數據科學家、也是學者，這意味著我們的本能就是堅守自己的學術路線，對自己的專業知識充滿信心。我們可以傳授人工智慧的知識，但我們無法告訴你未來世界的發展將會如何。
然而，我們可以肯定地告訴你，一些AI相關主題常見的論述觀點，都是不完整的。這些說法強調大型科技公司的財富和權力，卻忽略了AI不可思議的普及化和傳播發展。它們強調機器使用存有偏見的數據做出重大決定的危險，卻沒有意識到我們早已生活在人類決策偏見之下、或深受其害。最重要的是，這些論述十分關注機器可能剝奪人類的權益，卻忽略了我們將得到的回報，例如不同類型卻更好的工作、新的便利、免於苦差事且更安全的工作場所、更完善的醫療保健、更少的語言障礙、新的學習和決策工具，這些回報讓我們更聰明、更精進。
再來談談工作就業的問題。在美國，儘管人工智慧和自動化成為經濟發展的動力，從2010年到2017年，失業救濟人數仍持續創下新低。在中國，機器人自動化的步伐變得更加快速，工資卻連年飛漲。這並不代表AI沒有威脅到個人的工作機會。影響已然產生，也會繼續構成威脅，就像電動織布機威脅紡織工的工作、汽車取代馬車伕的工作一樣。新技術總是會改變經濟所需的勞動力結構，造成某些領域的工資不斷下跌、某些領域則不斷飆升的壓力，人工智慧也不例外。我們強烈支持就業培訓和社會福利計劃，為那些被技術取代的人提供實質的幫助。或許正如許多矽谷老闆所想，全球化基本工資甚至可能成為解決之道。我們不敢妄下斷語，不過，AI未來將造成人類失業的這種論述，目前為止尚未完全得到實證的支持。
接著是市場獨占的問題。亞馬遜、Google、Facebook和Apple都是實力堅強的科技巨頭。最重要的是，面對那股強大力量，我們必須保持警惕，以免它被用來扼殺競爭或削弱民主規範。但也別忘了，這些公司之所以成功，是因為他們提供了人們喜愛的產品和服務；只有不斷創新，才會取得成功，這對大型機構來說，並不容易。此外，我們也看過許多預測，認為今天的科技巨頭將永遠保持主導地位，但其實這些預測通常無法印證過去，更不用說未來。還記得戴爾（Dell）和微軟（Microsoft）曾經是電腦界龍頭嗎？還記得諾基亞（Nokia）和摩托羅拉（Motorola）獨佔手機市場的盛況，熱門的程度令人難以想像？還記得每位律師人手一支黑莓機（Blackberry）、每個樂團活躍於MySpace 社群網站、每台伺服器都來自昇陽電腦（Sun Microsystems）的年代？還記得美國在線（AOL）、百視達影業（Blockbuster）、雅虎（Yahoo）、柯達（Kodak）或是索尼隨身聽（Sony Walkman）？企業起起落落，時間不斷流逝，科技發明卻越來越酷炫。　　
我們對於AI崛起有個實際的看法：AI時代己經到來，未來會更加速發展，不管我們喜歡與否，這些技術將帶來巨大的好處，也將不可避免地反映我們文明的弱點。因此，要加以提防，不管是在隱私權、平等權、現有的機構、甚至是還沒有人想到的東西，我們必須用明智的政策來應付這些危險。如果我們希望在「熱門話題」和一百四十個字元的世界裡制定明智的政策，我們必須達到某種社會境界──在這個社會中我們可以平衡地討論這些問題、反思問題的重要性和複雜程度。本書不會進行這個討論，但如果你想在討論中充分掌握內容，本書會提供你所需的知識。
淺談AI與數學二三事
在開始之前，我們認為有必要提醒讀者：在這本書中你會碰到一些數學問題。然而，就算你自認為對數學很沒天份，請不要擔心，人工智慧的數學其實是非常簡單的，我們保證你能夠掌握。同時，我們也向你保證，下一點功夫是值得的：如果你理解AI背後的一些數學運作，你會發現它不再那麼神秘難解。
我們本來可以寫一本關於人工智慧卻又不參雜數學的書，畢竟，若照我們一直以來所聽到的說法，你可以選擇數學或朋友，但不可能兩者兼得。編輯最初懇求我們採取這種方法，低聲嘀咕著：「每多一個數學符號就損失三千名讀者」、「每多一個希臘字母就損失五千名讀者」之類的。無論如何，我們的回應是：該死的不可能（no way），根據經驗，我們對讀者的信心絕對不止如此。我們兩位已經教了四十年的數據科學和機率，其中包括許多MBA碩士生和大學生；他們在來到課堂之前，滿腦子充斥著討厭數學這種可怕的病毒思想。然而，當他們明白這些超酷的人工智慧應用程式，從Alexa語音助理到圖像識別究竟如何運作時，我們看到這些學生的眼睛興奮地發亮。說穿了，不過就是大數據的概率罷了。他們這才開始明白，數學方程式根本沒有那麼難以理解。最後，他們甚至感受到數學的力量，意識到在正確的環境下，學習用一點機器思維來思考，也就是運用數據和機率規則做出決定，甚至可以幫助他們成為更聰明的人。　
所以，在接下來的七個章節中，我們將為你介紹七位精彩可期的歷史人物，每一位都有重要的經驗可傳授，告訴你為什麼聰明的機器需要聰明的人，反之亦然。你將會得到更高的AIQ和全新的領悟、讚歎人類多麼聰明，能夠將自己的創意構想和科學技術完美融合在一起。

序章
筆者兩人每年在課堂上講授數據科學，教過無數學生，他們都對人工智慧（Artificial Intelligence, AI）驚歎不已，也提出很棒的問題：無人自動駕駛汽車是怎麼辦到的？Alexa智慧語音助理如何聽懂我說的話？Spotify音樂串流服務怎麼挑選出符合我喜好的播放列表？Facebook如何在我上傳的照片中識別我的朋友？我們的學生已然明白人工智慧不再是未來的科幻機器人，而是發生在此時此刻，正在用智慧型手機逐步改變世界。大家都想了解AI，也都希望躬逢其盛。
除了我們的學生之外，全球龍頭企業也都熱衷於AI的發展，像是美國的亞馬遜、Faceboo...

「從前、從前……」凡事都有個從前，AI 也是
葛如鈞／北科大互動設計系助理教授

「從前、從前… …」許多童話故事都會這樣開始，其實 AI人工智慧也是。

《AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代》的作者是兩位原先在大學教了多年數據分析與人工智能的專家，透過本書，首次向世人宣告他們對 AI 的理解與說明；甫一推出就震撼許多讀者，包括我在內。本書最大的特色，是作者透過好幾個人工智慧的實際應用案例，如 Netflix 推薦系統、城市治理的監控系統等，說明 AI 的運作原理，並且找出它們是如何從數十年、甚至數百年前的某一天，一路演進到現在的樣子。

文學大師馬克‧吐溫（Mark Twain）曾說過：「天底下再也沒有全新的梗。」所有的創新都其來有自。而如今包圍在我們生活周遭的人工智能應用也是。若將一個又一個 AI 應用看作橫空出世的外星科技，勢必不容易理解；不過，一旦我們找出它們各自的源頭──兩百年前的數學、一百年前的統計、五十年前的歷史故事──我們便得以從頭開始、追本溯源，更有助於理解 AI 的創新與革命究竟從何而來。

《AIQ》的另一個特性，則是作者大無畏的決定放上數學公式與統計表格，不將 AI 拆解到最後一分一毫絕不放棄。

如同作者在書中一開頭的自嘲：「每多一個數學符號就損失三千名讀者」、「每多一個希臘字母就損失五千名讀者」，但他們最終還是堅持原則與初衷。看著作者鉅細靡遺地針對 AI 技術底層最基本的原理，詳細拆解與描述，我忽然回想起年輕時看的一本科普啟蒙書《混沌》（Chaos），該書和本書一樣，都有追本溯源的歷史故事，和一個又一個的精妙比喻，作者也同樣甘冒流失讀者的風險，將一個又一個精簡美麗的公式（如 f(z)=z2+c）放在書裡，成了我進入科學世界的第一扇門，也是當年我對數理啟蒙的美好回憶。
未來的世界，是人機整合的世界。

無論是去到美國的奇點大學（Singularity University），還是日本的東京大學，我走訪各國與最傑出的教授共事、在最聰明的學院就讀，所有人都一致同意：人工智慧並不可怕（至少絕不比人可怕）。只要我們抱持開放的心胸理解AI、善用AI，人機合作的未來前景無限。而在這樣的一個年代，我們究竟要如何學習理解AI，進而更好地利用它、甚至進一步改良它呢？我認為，如同學語言要從 ABC、ㄅㄆㄇ開始，學習人工智慧非透過此書不可，從詳盡的案例、精彩的源頭故事開始打好基礎。如果說地球科學、物理、化學是我們早年理解科學世界的必經之路；IQ 測驗是考驗我們邏輯心靈的必要方法；那麼在下一個世代，AI 勢必要取得和地科、理化等基礎學科一樣重要的地位，而《AIQ》終將成為考驗我們是否能妥善應用、理解人工智慧的必要讀物。

誠心推薦此書，若你讀了一遍還有許多地方沒有理解也請放心，再讀一遍吧。直到人工智慧超越人類的想像未來世界帶來危險之前，我們還有許多時間。

「從前、從前……」凡事都有個從前，AI 也是
葛如鈞／北科大互動設計系助理教授

「從前、從前… …」許多童話故事都會這樣開始，其實 AI人工智慧也是。

《AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代》的作者是兩位原先在大學教了多年數據分析與人工智能的專家，透過本書，首次向世人宣告他們對 AI 的理解與說明；甫一推出就震撼許多讀者，包括我在內。本書最大的特色，是作者透過好幾個人工智慧的實際應用案例，如 Netflix 推薦系統、城市治理的監控系統等，說明 AI 的運作原理，並且找出它們是如何從數十年、甚至數百...

各界好評
推薦序∣「從前、從前……」凡是都有個從前，AI也是────葛如鈞

序章
AI究竟是什麼？
我們如何走到今天這一步？
AI焦慮症
淺談AI與數學二三事

第一章 看出沉默證據的流亡數學家
二戰英雄暨統計學家亞伯拉罕•沃德
真相，其實在未返航的軍機上
被忽略的數據：別讓看不見的唬了你
未返航的轟炸機，未知的用戶評分
隱藏特徵所道出的真相──關於用戶和Netflix
推薦引擎帶來的正負效應

第二章 洞燭幽微的女天文學家
輸入與輸出：機器如何識別模式？
重大天文發現
在數據中運用預測規則
超越線性模型

第三章 牧師、潛艇與自駕車
機器人革命
尋找失踪潛艦就像定位自己的位置？
貝氏定理──從牧師到機器人
貝氏定理如何讓人更聰明？
Column∣貝氏定理的數學公式

第四章 奇異恩典──神奇的程式語言女王
兩大創新革命
程式語言女王──葛麗絲•霍普
自然語言革命：從Grace 到Alexa
1980～2010年：統計自然語言處理如何發展
文字如何轉換成數字

第五章 英國皇家鑄幣廠的天才
牛頓的第二事業
貨幣樣本年度驗測
Column∣平方根法則
人工智慧時代的異常檢測
數位時代的魔球

第六章 提燈巡房天使──南丁格爾
克里米亞的天使
南丁格爾對數據科學的貢獻
AI時代可避免的傷害
AI足以拯救一切？
遠距醫療
下一步如何發展？

第七章 洋基快艇
迪馬喬的故事與輕率推斷的後果
運算模式失效
運算模式也會老化
假設偏差，結果誤差

致謝
原文附註
附錄：中英名詞對照表

各界好評
推薦序∣「從前、從前……」凡是都有個從前，AI也是────葛如鈞

序章
AI究竟是什麼？
我們如何走到今天這一步？
AI焦慮症
淺談AI與數學二三事

第一章 看出沉默證據的流亡數學家
二戰英雄暨統計學家亞伯拉罕•沃德
真相，其實在未返航的軍機上
被忽略的數據：別讓看不見的唬了你
未返航的轟炸機，未知的用戶評分
隱藏特徵所道出的真相──關於用戶和Netflix
推薦引擎帶來的正負效應

第二章 洞燭幽微的女天文學家
輸入與輸出：機器如何識別模式？
重大天文發現
在數據中運用預測規則
超越線性模型
...