所謂人工智能（Artificial Intelligence,；縮寫：AI）,，是指以人工方式來實現(xiàn)人類所具有之智慧的技術(shù),。只不過，目前能實現(xiàn)與人類智能同等的技術(shù)還不存在,，世界上絕大多數(shù)的人工智能還是只能解決某個特定問題,。本篇文章是在我閱讀了幾本AI的相關書籍后，所概略統(tǒng)整出的架構(gòu),，希望讓初次接觸AI的讀者,，能透過333口訣，快速理解AI到底是什么,。
一,、AI的三次浪潮
人工智能AI發(fā)展史
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代,。由于出現(xiàn)在網(wǎng)絡之前,，因此又被稱為“古典人工智能”。這時期出現(xiàn)的“符號主義”與“聯(lián)結(jié)主義”,，分別是日后“專家系統(tǒng)”與“深度學習”的雛形,。只不過，雖然當時的成果已能解開拼圖或簡單的游戲,，卻幾乎無法解決實用的問題,。
第二次AI浪潮
第二次AI熱潮伴隨著計算機的普及，出現(xiàn)在1980年代。這時期所進行的研究,，是以灌輸「專家知識」作為規(guī)則,，來協(xié)助解決特定問題的“專家系統(tǒng)”（Expert system）為主。然而,，縱使當時有商業(yè)應用的實例,，應用范疇卻很有限，熱潮也因此逐漸消退,。
第三次AI浪潮
第三次AI浪潮則出現(xiàn)于2010年代,，伴隨著高性能計算機、因特網(wǎng),、大數(shù)據(jù),、傳感器的普及，以及計算成本的下降,，“機器學習”隨之興起,。所謂機器學習（Machine leaning），是指讓計算機大量學習數(shù)據(jù),，使它可以像人類一樣辨識聲音及影像,，或是針對問題做出合適的判斷。
二,、AI的三大技術(shù)
快速了解了AI的發(fā)展史后,，我們來看看當代人工智能的三大代表性模型：遺傳算法、專家系統(tǒng),、類神經(jīng)網(wǎng)絡,。
1、遺傳算法
遺傳算法（Genetic algorithm,；GA）,，又稱為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟發(fā)的人工智能,。它透過「適者生存」的規(guī)則,，將“優(yōu)秀的個體”想象成“好的答案”，透過演化的方式來找出最佳解,。
2,、專家系統(tǒng)
專家系統(tǒng)（Expert system），則是針對預設的問題,，事先準備好大量的對應方式,。它應用在很多地方，尤其是疾病診斷,。只不過,，專家系統(tǒng)只能針對專家預先考慮過的狀況來準備對策,，它并沒有自行學習的能力，因此還是有其局限性,。
3,、類神經(jīng)網(wǎng)絡
從第三次AI浪潮所興起的機器學習（Machine learning）有許多種手法，其中最受矚目的,，莫過于深度學習（Deep learning）了,。所謂深度學習，是透過模仿人腦的“類神經(jīng)網(wǎng)絡”（Neural network）來學習大量數(shù)據(jù)的手法,。
類神經(jīng)網(wǎng)絡的由來
若你去觀察腦的內(nèi)部,，會發(fā)現(xiàn)有大量稱為“神經(jīng)元”的神經(jīng)細胞彼此相連。一個神經(jīng)元從其他神經(jīng)元那里接收的電氣信號量達某一定值以上,，就會興奮（神經(jīng)沖動）,；在某一定值以下，就不會興奮,。
興奮起來的神經(jīng)元,，會將電器信號傳送給下一個相連的神經(jīng)元。下一個神經(jīng)元同樣會因此興奮或不興奮,。簡單來說,，彼此相連的神經(jīng)元，會形成聯(lián)合傳遞行為,。我們透過將這種相連的結(jié)構(gòu)來數(shù)學模型化,，便形成了類神經(jīng)網(wǎng)絡。
類神經(jīng)網(wǎng)絡：深度學習
我們可以發(fā)現(xiàn),，經(jīng)模型化的的類神經(jīng)網(wǎng)絡,，是由“輸入層”（Input layer）,、“隱藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構(gòu)成,。另外，學習數(shù)據(jù)則是由輸入數(shù)據(jù)以及相對應的正確解答來組成,。
以影像辨識為例,，為了讓AI學習類神經(jīng)網(wǎng)絡的模型，首先必須先將影像學習數(shù)據(jù)分割成像素數(shù)據(jù),，然后將各像素值輸進輸入層,。
接受了數(shù)據(jù)的輸入層，將像素值乘上“權(quán)重”后,，便傳送給后方隱藏層的神經(jīng)元,。隱藏層的各個神經(jīng)元會累加前一層所接收到的值，并將其結(jié)果再乘上“權(quán)重”后,，傳送給后方的神經(jīng)元,。最后,，經(jīng)由輸出層的神經(jīng)元的輸出，便可得到影像辨識的預測結(jié)果,。
為了讓輸出層的值跟各個輸入數(shù)據(jù)所對應的正解數(shù)據(jù)相等,，會對各個神經(jīng)元的輸入計算出適當?shù)摹皺?quán)重”值。
這個權(quán)重的計算,，一般是使用“誤差倒傳遞算法”（Error Back Propagation）,，使用與正解數(shù)據(jù)之間的誤差，從輸出層逆推回去,。透過各「權(quán)重」的調(diào)整,，來縮小輸出層的值與正解數(shù)據(jù)的值之間的誤差，以建立出完成學習的模型,。
由于過去類神經(jīng)網(wǎng)絡之間進行傳遞的權(quán)重值難以優(yōu)化,，因此曾有多數(shù)研究者對類神經(jīng)網(wǎng)絡的研究持否定態(tài)度。直到2006年,，辛頓（Geoffrey Hinton）開發(fā)出自動編碼器（Autoencoder）的手法,，才突破了這項瓶頸。
自動編碼器是指,，在類神經(jīng)網(wǎng)絡的輸入層和輸出層使用相同數(shù)據(jù),，并將隱藏層設置于二者之間，藉此用來調(diào)整類神經(jīng)網(wǎng)絡之間的權(quán)重參數(shù)的一種手法,。利用以自動編碼器所獲得的類神經(jīng)網(wǎng)絡權(quán)重參數(shù)值進行初始化后,，便能應用「誤差倒傳遞算法」，提高多層類神經(jīng)網(wǎng)絡的學習準確度,。
透過類神經(jīng)網(wǎng)絡,，深度學習便成為了“只要將數(shù)據(jù)輸入類神經(jīng)網(wǎng)絡，它就能自行抽出特征”的人工智能,，而這又稱為“特征學習”（feature learning）,。
深度學習最擅長的，是它能辨識圖像數(shù)據(jù)或波形數(shù)據(jù)這類無法符號化的數(shù)據(jù),。自2010年代以來,，如Google、Microsoft及Facebook等美國知名IT企業(yè),，都開始著手深度學習的研究,。例如，蘋果「Siri」的語音識別,，Microsoft搜索引擎「Bing」所具備的影像搜尋等等,，而Google的深度學習項目也已超過1,500項。
至于深度學習如此飛躍的成長,，要歸功于硬設備的提升,。圖形處理器（GPU）大廠輝達（NVIDIA）利用該公司的圖形適配器來提升深度學習的性能,，提供鏈接庫（Library）和框架（framework）產(chǎn)品，并積極開設研討課程,。另外,，Google也公開了框架「TensorFlow」，可以將深度學習應用于數(shù)據(jù)分析,。
三,、AI的三大應用
據(jù)羿戓制造了解到，AI應用領域主要可分為語音識別,、影像辨識以及自然語言處理等三部分,。
1、語音識別
語音識別部分,，透過多年來語音識別競賽CHiME的研究,，已經(jīng)有了等同人類的辨識度（CHiME，是針對實際生活環(huán)境下的語音識別,，所進行評測的國際語音識別競賽）,。此外，Apple,、Google,、Amazon也相繼提出可應用于日常生活的服務，因此其成熟度已達到實用等級,。
2,、影像辨識
影像辨識部分，雖然一般圖片的辨識已有同等于人類的辨識率,，但動態(tài)影像的辨識準確度卻仍比不上人類,，目前還在進行各種算法的測試。其中,，影像辨識目前最火熱的應用場域非自動駕駛莫屬了,。
整個汽車、信息通訊產(chǎn)業(yè)都正朝著自駕車的方向努力,，例如Google持續(xù)進行自動駕駛的研究,，TOYOTA也在美國設立豐田研究所，可以知道現(xiàn)階段的開發(fā)已十分接近實用化,。因此，我們可判斷目前影像辨識的成熟度是介在研究和實用等級之間,。
3,、自然語言處理
自然語言處理（Natural language processing；NLP）,，是試著讓人工智能能理解人類所寫的文字和所說的話語,。NLP首先會分解詞性,，稱之“語素分析”（morphemic analysis），在分解出最小的字義單位后,，接著會進行“語法分析”（syntactic analysis）,，最后再透過“語意分析”（semantic analysis）來了解含意。
輸出部分,，自然語言處理也與生成文法（generative grammar）密切相關,。生成文法理論認為，只要遵循規(guī)則即可生成文句,。這也代表著,，只要把規(guī)則組合在一起，便可能生成文章,。
在自然語言處理中,，最具代表性的應用就是“聊天機器人”（Chatbot）了，它是一種如真人般,，可透過文字訊息與人對話的程序,。2016年，臉書推出了“Facebook Messenger Platform”,，而Line也推出了“Messaging API”,，因而促使這種搭載NLP技術(shù)的聊天機器人成為矚目的焦點。
另外,，由IBM所開發(fā)的華生（IBM Watson）,，也是應用NLP的人工智能而成。華生可以從維基百科等語料庫中抽取知識,，學習詞匯與詞匯之間的相關性?，F(xiàn)在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統(tǒng),。
只不過,，由于在日常對話中，我們很常省略詞句,，也不一定會提及時空背景,，因此當前的Chatbot尚無法與人類進行天花亂墜的對話。所以說,，現(xiàn)行多數(shù)的Chatbot廠商,，還是會限定對話的環(huán)境與應用領域。