11 19~20世紀的科技發展史
從發明電力到電腦普及
我們的日常生活不可欠缺用來維持生活、生命的「維生管線（Lifeline）」。這個維生管線包括電力、瓦斯、自來水、通訊、運輸等，尤其在19世紀後半實用化、20世紀迅速發展的「電力」，讓我們的生活為之一變。除了電燈、冰箱、手機等身邊用品之外，AI（人工智慧）、IoT、大數據等尖端科技也少不了電力。
活用電力後，通訊（電話、無線電）、媒體（廣播、電視）、電子計算機（電腦）等，各種技術出現飛躍性的發展。多虧如此，我們才能簡單達成聲音資訊的雙向溝通、聲音影像的同步遠距傳輸、大量資訊的加速運算。
20世紀被稱為「媒體的時代」，前半是廣播、後半是電視具有巨大的影響力。此外，這個時期的電腦、無線通訊也相當發達，取代真空管的半導體技術，也就是電晶體、IC（積體電路）、LSI（大型積體電路）、超LSI、超超LSI，以這些形式迅速發展小型化、輕量化、高性能化、長壽命化，強化訊息處理速度、傳送速度、機器基礎建設的整備。
20世紀末後，運用這些技術製造的電腦、網際網路、手機等愈發普及，推進了融合媒體與電腦的「資訊科學的時代」。
12 21世紀的科技發展歷史
從網際網路普及到AI誕生
邁入21世紀，電腦、手機、網際網路對我們的生活造成巨大的影響，它們皆在20世紀末低價格化，並在21世紀初爆發性普及。
又大又貴的電腦轉為低價格、小型、可獨自擁有的個人電腦。手機除了一般通話之外，現在主流的智慧手機也能夠簡單使用App、相機、網際網路等。透過全球網路相互連接的電腦網路，我們能夠閱覽、搜尋網頁，收發電子郵件等資訊。個人電腦、手機、網際網路彼此密切相關，可說是其特徵。
其實，並不只有我們蒙受這些恩惠。接下來將詳細解說的「AI」，也是其中的受惠者。AI研究始於電腦誕生後不久1956年的美國，由麥卡錫（John McCarthy）、夏農（Claude Shannon）、羅切斯特（Nathaniel Rochester）、明斯基（Marvin Minsky）等四人發起達特矛斯會議（Dartmouth Workshop）。
由於電腦會將資訊轉換符號處理，人類的語言、知識也會被符號化累積起來，他們預測隨著程式愈來愈高階，最後將會誕生智能與人類一樣的電腦──AI。儘管當時的電腦運算處理能力低下，但答出了迷宮的解法、定理的證明等相較簡單的問題，證實能夠進行智能活動，讓當時的人們感到驚豔。這樣的成就掀起一股AI風潮，經過1980～1990年代的第二次AI風潮，如今進入第三次AI風潮。
13 能夠稱為AI的定義?
人工智慧AI的真面目為何
人類、動物等大自然孕育出來的智能，稱為自然智慧，而在電腦上實現這個自然智慧的資訊處理機制，稱為人工智慧。人工智慧譯自Artificial Intelligence，取其字頭稱為「AI」。
在AI的黎明期1950年末，人們認為能夠製造具有與人類同等智能的電腦。
然而，電腦與自然智慧在構造、運作原理上有著巨大的差異。比如，AI運算的對象必須嚴謹定義（框架＝用框架圍起）。
因此，想要讓電腦辨識狗，需要定義所有狗與這個世界的關係。然而，這是不可能做到的事情，AI發展上的巨大高牆——框架問題。
因為框架問題以及成果不如周遭期待，AI的研究在1970年後漸趨式微。然而，在美國費根鮑姆（Edward Feigenbaum）等人的奮鬥之下，開發出反覆電腦擅長的運算、推論導出答案的專家系統（Expert System）。電腦具備了專家級的能力，1980年後世界各家企業紛紛採用此套系統，掀起第二次AI風潮。
然而，邁入1980年後半，專家系統出現了極限。跟第一次風潮相同，僅能在限定的規則中發揮威力。人的思考、行動存在許多不確定要素，專家系統對於超出規則的事物，沒辦法給予答案。
14 在遊戲中擊敗人類的AI
對全世界造成多麼大的衝擊？
在1990年初，AI研究再度迎來寒冬時代。
多數研究者投入機器翻譯、聲音辨識、機器人工學等專門領域的課題，但在電腦領域出現巨大變革。
這項變革是處理能力飛躍性提升、小型化、低價格化，使得個人電腦與全世界電腦連結的網際網路迅速普及。這樣的環境變化加上珀爾（Judea Pearl）提出的機率方法，讓AI邁向了下一個階段。
這項方法成為機器學習（參見42頁）的基礎，透過反覆運算龐大的事例、團隊分工，機率性篩選出最接近正解的結論。
最為人所知的成果是，1997年IBM的人工智慧深藍（Deep Blue）擊敗西洋棋的世界冠軍；2016年Google DeepMind的圍棋AI Alpha Go擊敗韓國頂尖棋士。Alpha Go藉由深度學習，證明了即便是候選棋步比西洋棋還要複雜的圍棋，AI也能夠戰勝人類。
雖然這只不過是AI的有限成果之一，但經由媒體大肆報導在需要複雜思考的遊戲上「人類敗給機器」，對人們造成不小的衝擊。
就讓我們從這些事項來看，AI的概念、經常聽見的「機器學習」「深度學習」是什麼樣的東西吧。
15 AI分成兩種流派
要用哪種方法建立AI？
AI能夠在電腦上實現人類的智慧，但問題是「要用哪種方法重現人類的智慧？」AI的建立主要分成兩種流派。
第一種是，認為人類的知識與智慧，能夠用程式語言、數學式等符號表達的「符號主義（Symbolicism)」。
AI會依照人類準備的指南手冊運作，IBM的華生（Watson）、Google的搜尋機能等就屬於這類。
比如，下西洋棋的AI會根據西洋棋的規則，驅使高端運算力以最終的勝利為目標。因為僅需設定固定的規則就能夠簡單建立，所以成為AI的基礎技術。
雖然不能順利對應例外情況，但能以增加規則、複雜規則內組合的形式穩定地進化。
第二種是，主張重現人腦的運作的「連接主義（Connectionism）」。透過從類神經網路（參見44頁）開始學習，讓AI能夠自己行動，或者運用既存的統計資料等累積學習，逐漸變聰明，具有代表性的例子有Alpha Go。
比起解決數學問題，更適合繪畫等言語難以表達的領域，藉由給予大量的問題與答案，AI就能自己推導出答案。
連接主義的特徵為，會在改良跨越高牆後的新境界看到另一道更高的高牆。另外，AI若在符號主義與連接主義兩方的領域上有出現成 。必定會掀起風潮。
16 機器學習的機制
瞬間處理資料的分類、分析
讓AI邁向下一個階段的機器學習，究竟是什麼樣的概念呢？其實，這個詞包含了兩層意思。
第一層是「機器自我學習」。如同人類學習新的語言、技術，機器也能夠進行學習。另一層是「不僅只按照程式設計進行動作」。機器透過學習，能夠做出超過程式設計以上的事情。
不過，正如在框架問題提到的，AI不擅長從零開始獲得全新的事物。因此，AI需將事先組進來的知識累積、整理、最佳化，以這樣的方向進行學習。
機器學習有「監督式學習（Supervised Learning）」與「非監督式學習（Unsupervised Learning）」兩種。監督式學習是，提供適當例題與模範解答的方法。比如，給予出入口確實相通的迷宮例題讓機器學習。雖然起初是隨機行動，但機器會逐漸掌握脫離迷宮的訣竅，之後即便遇到沒有學習過的迷宮，也能夠以某種程度的速度抵達出口。
非監督式學習是，不提供例題與模範解答的學習方法。Alpha Go的學習分為監督式與非監督式兩個階段，前者是從過去棋譜學習的階段，後者是透過自我對戰學習的階段。基本上，監督式學習需要大量的資料（Alpha Go用來學習的過去棋譜）；而非監督式學習需要適當的學習環境（能夠自我對戰的環境）。
17 深度學習的機制
讓人類的思考回路電子化、進化的AI
「深度學習（Deep Learning）」跟機器學習同為人工智慧關鍵字，但它是什麼樣的概念呢？這是一項基於類神經網路運算模組的技術。
類神經網路是指，模仿人腦神經元構造與運作的AI。腦內的神經元從其他神經元（前端的突觸）接收超過某定值的電力訊號後，便會啟動向連接的下一個神經元傳遞電力訊號。下一個神經元也是接受超過某定值的電力訊號後，啟動再向下一個神經元傳遞電力訊號。
將神經元像這樣啟動或不啟動轉為數值，由數層類神經網路構成的系統就是深度學習的基本架構。
雖然深度學習過去也有幾道技術上的高牆，但隨著個人電腦帶來的龐大資訊、運算能力以及新技術等的引進，在2012年圖像辨識競賽ILSVRC獲得優勝，同年Google的AI能夠辨識出貓的圖像來，深度學習因這些事蹟瞬間備受矚目。
如同上述，深度學習擅長從圖像、波形等難以轉成符號的資料，辨識固定的模式。另外，由目前正一步步在社會上實用化以及技術持續推進，深度學習可說是可期待更進一步發展的領域。
2024專利防護中