AI人工智慧無疑是2017年最熱門的話題，這個已經提出半世紀的概念，在AlphaGo打敗棋王後，開始獲得廣泛討論，也在各項技術大幅提升下，變成一個即將發生的未來，而其中最關鍵的技巧在於「機器學習」及「深度學習」。
在一個網路流傳的六方格圖片中，很多人都認為AI是一個很科幻的技術，朋友都以為工程師可以呼風喚雨，操控一個充滿晶片的大腦，但工程師內心知道，其實這就是一連串的「If-else」，有的時候還要幫他做Error handling。
這是大部分工程師都可以知道的「假AI」，或者我們將它定義為自動化，只要訂好所有規矩，電腦就能夠按照指令，日夜不停的工作，並將這些資料蒐集到大數據資料庫內，供研究者做後續分析。
那什麼是真的AI呢？
從工程師的角度而言，AI其實就是一種演算法不斷進化的結果，或者說就是一層一層複雜的函數加上機率產生出來的結果。
在任何事件開始時，都是一個未知的世界，就像嬰兒一樣，一片空白，這時候會開始進入探索模式，每嘗試一個動作，就有父母會給你獎賞甚至糾正，慢慢引導你前往一條道路，人工智慧也是一樣概念。
它有三個要數：函式、訓練資料以及評分機制。每次初始函式設定的參數會透過訓練資料來計算結果是否符合預期，越接近預期，就會得到越高獎勵。如此一來，電腦就可以透過不斷調整參數的方式，深度演化。
機器學習總有可能遇到瓶頸，如果已經在該領域達到頂尖，機器可能無法往下一步前進，因此我們要在提出深度學習的概念，用工程師語言來說，就是「模組化」。舉例來說，辨別世界上長頭髮的男生很難，因為這個世界的樣本不夠多，但如果可以分成辨別「長髮」和「男生」，這樣樣本數就夠多了。每一層都先選定最基本的元素，第二層在開始交錯，以此類推，就能深度學習各種技能。
聽起來很炫，但說穿了這就是一種技術，例如手機不斷進步，從2G到5G，電腦、平板也日新月異，接下來無人駕駛也將可能蔚為風潮。只是這項AI技術和「大量學習」有關，這點就和其他技術不同了，只要資料夠多、運算速度夠快，很快都能改變我們的生活方式。
這是基本概念，撇開技術不談，這就是一種訓練的過程，人類世界很複雜，機器世界當然也更複雜，唯一的差別在於，人要休息，機器可以不用休息。當我們越突破這項領域，其實也代表自己越渺小，但別忘了，評分員還是我們，如何在這股潮流中找到一席之地，每個人現在就可以開始學習。
學習一項未知技能...
學習擁抱錯誤嘗試...
學習挑戰全新領域...
深度學習，是AI成功的關鍵，而它的價值在於不斷嘗試，將所有N個技能階層式向下擴張，從N變成N平方以此類推，聽起來速度很快，也有點可怕。但換個角度來說，既然人類是這些AI的老師，長江後浪推前浪，我們是否可以借力使力，創造更多可能性呢？
如果害怕這股趨勢，那就勇敢前進吧！
那什麼是真的AI呢？
從工程師的角度而言，AI其實就是一種演算法不斷進化的結果，或者說就是一層一層複雜的函數加上機率產生出來的結果。
在任何事件開始時，都是一個未知的世界，就像嬰兒一樣，一片空白，這時候會開始進入探索模式，每嘗試一個動作，就有父母會給你獎賞甚至糾正，慢慢引導你前往一條道路，人工智慧也是一樣概念。
它有三個要數：函式、訓練資料以及評分機制。每次初始函式設定的參數會透過訓練資料來計算結果是否符合預期，越接近預期，就會得到越高獎勵。如此一來，電腦就可以透過不斷調整參數的方式，深度演化。
機器學習總有可能遇到瓶頸，如果已經在該領域達到頂尖，機器可能無法往下一步前進，因此我們要在提出深度學習的概念，用工程師語言來說，就是「模組化」。舉例來說，辨別世界上長頭髮的男生很難，因為這個世界的樣本不夠多，但如果可以分成辨別「長髮」和「男生」，這樣樣本數就夠多了。每一層都先選定最基本的元素，第二層在開始交錯，以此類推，就能深度學習各種技能。
聽起來很炫，但說穿了這就是一種技術，例如手機不斷進步，從2G到5G，電腦、平板也日新月異，接下來無人駕駛也將可能蔚為風潮。只是這項AI技術和「大量學習」有關，這點就和其他技術不同了，只要資料夠多、運算速度夠快，很快都能改變我們的生活方式。
這是基本概念，撇開技術不談，這就是一種訓練的過程，人類世界很複雜，機器世界當然也更複雜，唯一的差別在於，人要休息，機器可以不用休息。當我們越突破這項領域，其實也代表自己越渺小，但別忘了，評分員還是我們，如何在這股潮流中找到一席之地，每個人現在就可以開始學習。
學習一項未知技能...
學習擁抱錯誤嘗試...
學習挑戰全新領域...
深度學習，是AI成功的關鍵，而它的價值在於不斷嘗試，將所有N個技能階層式向下擴張，從N變成N平方以此類推，聽起來速度很快，也有點可怕。但換個角度來說，既然人類是這些AI的老師，長江後浪推前浪，我們是否可以借力使力，創造更多可能性呢？
如果害怕這股趨勢，那就勇敢前進吧！
