自从谷歌的人工智能 “AlphaGO” 成为围棋界的百胜将军开始，人工智能（AI）这四个字，刹那间就成为科技业中最热门的关键词。而就在今年初，早在AI领域打下深厚基础的IBM Watson也开始进军一些数据服务公司，甚至踏入医疗领域，用人工智能为患者判定其病因，准确率高达92%。
 

　　现在，我们已经进入了逐渐取代人类工作的智能科技年代，在不知不觉中，“人工智能”开始渗透到每一个家庭中，从谷歌和脸书依照个人喜好投放的广告，可以查询到已设定的日历语音助理，其背后都有“人工智能”的概念。所以，随处可见的“人工智能”正悄无声息的改变我们的生活习惯。
 

　　是什么让AI从“科幻”变“科技”？
 

　　人工智能其实是个庞大而复杂的概念，但万变不离其宗的是都基于一项很关键的技术，而这个技术就叫做“机器学习 Machine Learning”。
 

　　说起机器学习技术，其实就是让机械拥有自主学习的能力，虽然在当今这个社会说起来好像很容易的样子，但在90年代时，机器学习技术还是处于一个萌芽阶段，相对的演算法和硬体条件都不够完善，直到近年来才让机器学习的能力有了个突破性的进展，而其中发展最快的一项关键技术，就是“深度学习”。
 

　　我们来看看这个数据：2015年机器学习的周边市场规模约3.6亿美元，至2020年预估将突破29亿美元，并在人工智能这个市场的50亿美元中占了约6成比重！可以说机器学习的技术突破，就是人工智能的市场发展原动力。
 

　　既然机器学习重要，那它究竟是什么？为何能进展神速？
 

 

　　“大数据”提高了深度学习精准度
 

　　演算法和硬件条件大幅度的跃进为机器学习提供了优良条件，再加上数字化联网的蓬勃下带来的“大数据”，便引爆了深度学习技术的浪潮。目前，无论是NVIDIA这类的芯片商，还是擅长演算法的谷歌和脸书，最常提到的机器学习技术，就是“深度学习”。
 

　　举个例子描述深度学习如何进行。想像一下，如果要让一台搭载深度学习能力的机器进行自动驾驶，面对陌生的路线和随时都可能有行人冲出马路的危险路况，机器应该进行怎样的判断？其实，只要透过深度学习，便可先将周围的数据资讯输入到机器中，这样机器就拥有了辨识环境中的物体，可有助在行驶当中能精准的躲避障碍物，最后找出一条合适的路径到达目的地。所以，只要数据越完整，机器就能够辨识周围一切的物体，从而加强自身的判断能力。
 

　　这么说来，要能让人工智能靠“深度学习”发展思考能力，很大程度是依赖大数据，不过，这时候我们就会遇到一个问题，那就是：如果没有大数据，深度学习就毫无用武之地了吗？

 

　　“小数据”的机器学习方案也蓄势待发
 

　　虽然，大数据可以为“深度学习”加强判断能力，但真的要让机器做到“学习”这件事，其实方法有很多，并不是只有深度学习这唯一的方法。
 

　　我们再回到自动驾驶的例子，倘若这次先不将周围的环境数据提供给机器，而且告诉它避免碰撞和到达目的地这两个指令，那么机器就会在不断的失败中以吸取经验，从而达到学习的效果，最后也能到达目的地。所以在开始阶段中不依赖大数据的学习方式，可以归类为“强化学习”。
 

　　而强化学习的方法能补足机器在突发状况下的应变能力，AlphaGO的开发商也深知这个道理，所以让AlphaGO借着深度学习和强化学习的相融合，在对手下出意料之外的棋步时，重新建立新的经验，以便在未来可以做重要判断的依据。
 

 

　　为什么我们需要“小数据”的人工智能培养方案？
 

　　其实，获取足够大量的数据是一个很耗成本的一件事。此外，有些数据如罕见疾病的病历、症状等本身就具稀有性，因此像是强化学习等低数据依赖度机器学习方案便逐渐开始受到青睐，很多公司与研究机构也以此作为研发的方向。
 

　　日前，就有一家新创公司的企业Gamalon就发表了一个新技术，该公司表示人工智能系统可用小数据来对机器进行训练，到最后达到的精准辨识能力也是非常高的。
 

　　当然，除了一般依赖大数据的深度学习外，其他可降低数据量依赖度的机器学习方案也正在不断的酝酿中。我相信在未来，人工智能将会为我们的生活中必不可少的一部分。