人工智慧

投影片

在人工智慧系統的研究中，主要可分為兩大領域。第一大領域，是希望系統能像人類一樣的行為反應(經驗)；第二大領域則是希望系統能做出合理的行為反應(推理)。這兩大領域不一定可完全分割，是確實是不相同的，因為人類的行為不一定符合邏輯，有時解決問題的方式就只是「看心情」。

初期發展

在機械時代，多半是透過自動人偶，模擬人類的外觀表現。

接著便希望能將人類的推理方式邏輯化，來模擬人類的邏輯思考表現。最大貢獻的是圖靈所建立的圖靈機模型，甚至成為後來電腦的發展基礎。

進入電腦科學時代後，透過高速運算及大量儲存空間，能有效模擬人類邏輯思考的表現，使得研究人員對人工智慧有高度樂觀的期待。初期主要的發展有：

1. 搜索式推理，在棋類遊戲上有極高的表現。

2. 自然語言，使機器能與人類有效溝通。

3. 方塊世界，簡化模型證明機器的表現。

約1970年。

發展限制

初期的發展確實神奇，也讓研究人員樂觀的認為人工智慧將會取代人類所有的工作。然而，計算能力與儲存空間雖然是電腦的優點， 但同時也是其發展上最大的限制。一些問題被發現可能是電腦處理的瓶頸，結果最後真的演變成發展的阻礙。

就計算能力來說，計算理論證實了有些問題的處理時間是指數相關的。意思就是：隨著問題大小增加，其處理時間是問題大小的指數成長，這也意謂著電腦無法在有效的時間內解決大型問題。例如：西洋棋和圍棋的棋盤大小是64及361，在不考慮規則的情況下，規模只增加6倍，其所要處理的情況卻是2的64次方及361次方的關係。

參考：遊戲複雜度

同樣的，人類的知識量比想像中的龐大，不只無法完全儲存在目前的電腦儲存空間中，其增長速度也是指數成長，遠大於電腦硬體所能容納的發展速度。

約1980年。

專家系統和類神經網路

根據莫拉維克悖論，人類處理問題的計算複雜度遠小於電腦所花費的複雜度，這也意謂著提高電計算能力及儲存空間違反人類智慧的形成原理。因此，開始有人研究計算量及儲存空間小的人工智慧模型，專家系統及類神經網路就是其中的例子。

專家系統將人類解決問題的方式程式化，依事實資料及專家知識庫作理性的決策。例如在醫學診斷專家系統中，可以依據病人的症狀進行醫檢分類，以做為初期的門診科別斷定。專家系統僅限於一個很小的知識領域，其簡單的設計又使它能夠較為容易地編程實現或修改。

類神經網路則是透過多個變數之間的關聯，來模擬神經元之間的連動關係。在這樣的設計下，可以使用極少的儲存空間及計算能量來達到預期的刺激與反應，非常符合所謂「智慧」的成長模式。

和過去的人工智慧發展一樣，初期的表現確實讓人充滿期待，但最後都走向無法擴展成高階應用的瓶頸。

約1990年。

智慧代理

幾次的挫敗後，「人工智慧」的研究主題開始相關的子系統去取代，像是：信息學，知識系統，認知系統或計算智能。除了研究目的更為精確外，也能避免提到「人工智慧」讓人覺得遙不可及。

發展出來的部份技術已能成功的在各產業中應用，像是：數據挖掘，工業機器人，物流，語音識別，銀行業軟體，醫療診斷和Google搜尋引擎等。

一些研究慢慢相信，人工智慧不是發展推理的過程，而必須是技術整合的結果。這樣的觀念發展出智慧代理，也就是一個能感知周圍環境，然後採取人類期待反應的系統。

約2010年

大數據及深度學習

2007年左右，類神經網路在擴大網路規模和調整訓練方式後，能得到有效的學習模型，稱為深度學習。深度學習需要較大量的學習資料與大量的機器計算，透過網際網路通常能得到大量資料，而圖形處理器(Graphics Processing Unit, GPU)的發展則能提供大量計算。在資源充足的情況下，使得深度學習在部份領域有良好的表現，像是：電腦視覺、語音辨識、自然語言處理、音訊辨識與生物資訊學等領域。

AlphaGO

2014 開始研發，半監督式學習

2015.10 對二級棋士樊麾5:0

2016.3 對九級棋士李世石4:1

2017.1 對網路棋士60:0

2017.5 對世界第一棋士柯潔5:0

參考：

Tic-tac-toe in JavaScript 

人工智慧史

AlphaGO: 精簡版，完整版

恐怖谷理論