前百度首席科學家吳恩達認為，深度學習的衝擊，甚至將大過網際網路。 就像100年前，電力改變了每一個產業，AI也會一樣。
深度學習解決了AI領域的一個百年難題。人類有很多複雜的能力，都是「憑感覺」執行，自己無法清楚描述、歸納，因此也無法寫成程式，用電腦複製這個能力。
人類的許多能力中存在這樣的不自知，從在車流中駕駛汽車，到辨識一張面孔。對於這一個特別現象，匈牙利出生的哲學家、科學家波蘭尼（Michael Polanyi）有精彩的概括，他說，「我們知道的，比我們講得出來的還多。」這種現象後來就被稱為「波蘭尼悖論（Polanyi's Paradox）。」
然而深度學習另闢蹊徑，繞過這個理論限制。只要灌入海量的註記過資料，電腦就可從這些資料當中，自行找出這些細微的模式，「學會」人類最精巧的技藝。
學界發現，「量變會帶來質變」。當輸入電腦模型的資料集從原先的數十萬份，增加到百萬甚至於千萬份時，電腦模型預測的精確度，會跳躍性地提高10％、20％，大幅增加預測的可信度。產業界發現AI再也不是可有可無，而成為企業生死存亡的關鍵。
哲學思考說，坐而言不如起而行，但是當思考的結論比試做的結果更精確更值得信賴時，Google執行長皮蔡宣示，企業目標從「行動優先」，轉向「人工智慧優先」（AI First）。
2016年，微軟的語音辨識，首度達到與人一樣的辨識精度水平。於是，繼電腦視覺之後，自然語音成為第二個百家爭鳴的新商機。
在電腦視覺、語音介面之外，深度學習將更進一步走入每個企業內部，改善營運流程。微軟亞洲研究院與香港一家大型航運集團戰略合作，用AI改善物流效率。結果才進行一個多月，預計一年已經可省下接近1千萬美元。
在金融業，軟亞洲研究院副院長劉鐵岩導入最新的「符號學習」技術，與北京一個國際級的大型私募基金，做AI操盤的模擬研究，效果好到他想回頭去檢查，算式是不是出了問題。
這引發一個全新的憂慮。由於機器學習人才已成為稀有財，許多人擔心，如果這些人都被大科技企業席捲一空，改善效果又如此顯著，「企業間的貧富差距」將迅速擴大。
人工智慧的關鍵是要數學好、邏輯好，亞洲人數學好，所以人工智慧將是亞洲人的世紀。因為AI還在科學研究突破的初期，還沒有完美，所以仍然需要做理論研究。
從應用層面來看，AI晶片主要將分成三種不同類型：
第一種，是用來訓練深度學習模型的，運算功能強大，通常放在雲端伺服器裡。
第二種，是用在手機上的類神經處理器。這是一種新品種的處理器，未來所有的autonomous machine（自動機器，包含無人車、無人機、機械人）上頭都會有一顆。
第三種，用在物聯網的端點，靠近感測器，數量以上兆顆計算。
當資料、高速運算與開源軟體齊備，關鍵是要去試各種算法，但是台灣「取得資料」與「大規模運算的資源」相對不足。例如，台灣學術經費依舊傾向補助「購買設備」，但對於租用雲端，風氣並不普遍。台灣最具優勢的健保資料庫，也一直沒能好好使用。
在全球學術界都在比快的AI研究領域，台灣學生應該要更hungry（飢渴）一點。
台灣發展AI的關鍵不在沒有人才，而是你有沒有給予創新好的誘因環境，創新需要環境鼓勵。
台灣的轉型沒有捷徑，只有一步一步把環境做好，讓人才、資料、高速運算條件齊備，才能不再錯過AI的未來。
留言列表
