是什么让AI从“科幻”变“科技”?

　　AI其实是个庞大而复杂的概念，但大都奠基于一项基础的关键技术，这个技术叫做“机器学习Machine Learning”。

　　机器学习技术，就是让机械拥有自主学习的能力，说起来很简单，但在1950年代技术萌芽期间，演算法和硬体条件都不够成熟，是直到近年来日益优异的演算法，与强劲的硬体运算能力，才让机器学习的能力有突破性进展，而其中进展最为快速的一项关键技术，就是大家最耳熟能详的──“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AI整体市场的50亿美元中占了约六成比重，可以说机器学习的技术突破，就是AI市场发展的原动力。

　　既然机器学习重要，那么它究竟是什么?为何能进展神速?

　　“大数据”提高了深度学习精准度

　　演算法及硬件条件的大幅跃进提供了 机器学习 发展的优良条件，再加上数字化联网的蓬勃下带来的“大数据”，便引爆了科技大厂争相投入深度学习技术的浪潮。目前不管是NVIDIA这类的芯片商，或擅长演算法的Google、Facebook等软件商，最常提到从事的机器学习的主流技术，就是深度学习。

　　举个例子描述深度学习如何进行。想像一下，要让一台搭载深度学习能力的车辆进行自动驾驶，面对陌生的路线、随时有行人冲出马路的危险路况，机器怎么判断?透过深度学习，你可先一次提供机器海量的数据资讯，包含路标、号志、路树、行人、等，让它学会辨识环境中的物体为何，学会了，便有助于它在行进过程中快速而精准地避开障碍、找出最佳路径，并顺利抵达目的地。只要数据越丰富完整，机器就越能够提高一切辨识的精准度，以加强判断能力。

　　这么说来，要能让AI靠“深度学习”发展思考能力，很大程度是依赖大数据所赐，不过，这时候我们就会面临一个问题：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

　　大数据带给深度学习强而有力的判断能力，但其实机器若要做到“学习”这件事，深度学习并不是唯一方法。

　　回到自动驾驶的例子，倘若这次我们先不将海量的数据提供给机器，而是只告诉他“目的地”、“禁止碰撞”两项指令，然后任凭他不断的Trial & Error，在失败中汲取“经验”以达到学习的效果，最终也能抵达目的地(前提当然是没有遭遇严重车祸影响行进能力)。这样在初始阶段不仰赖大数据的学习方式，可以归类为“强化学习”。

　　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DeepMind也深谙这项方法的优点，因此让AlphaGO也借着深度学习与强化学习的组合，在对手下出意料之外的棋步时，随即建立新的经验，以做为未来在相同局势下能克敌制胜的判断依据。

　　为什么我们需要“小数据”的AI培养方案?

　　事实上，“获取足够大量的数据”就是极耗成本的一件事，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逐渐开始受到青睐，许多公司与研究机构也以此作为研发的努力方向。日前飔拓公司就发布了其最新的研究成果AInspir深度学习平台，表示其可仅用很少量的数据训练机器学习，就达到媲美进行深度学习后的精准辨识能力，成功吸引市场关注。

　　除了一般仰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正不断酝酿中。在不远的未来，我们开车出门只要安稳的在后座休息，不须担心安全与塞车问题，AI自然会帮我们找到最佳路径;弹指轻点，手机便会帮我们挑选出最适合的购物选择;还可能有贴身的虚拟健康顾问可咨询，并随时告知我们每天的饮食是否均衡、甚至帮我们设计健康菜单。

　　AI深入生活的程度，说不定会比我们想像中来得更快。