人工智慧商業化的革命時刻
人工智慧（Artificial Intelligence）的研究，過去60多年來從未停歇，而今總算有了不凡的突破，從AlphaGo到智慧語音助理、自動駕駛技術等，無疑捕捉了無數人們的注意力，宣告著劃時代的科技盛世已經到來。
1950年，圖靈在他名為〈運算機器與智慧（Computing Machinery and Intelligence）〉的論文裡提問：「機器能思考嗎？（Can Machine Think？）」，挑戰了人類對計算機智慧的想像。圖靈認為人們會首先流於爭執機器與思考的定義，卻沒有辦法很精確地討論問題核心：「機器會有智慧嗎？」
由於機器智能難以確切定義，圖靈在該論文首次對如何判定機器具有智慧，提出了著名的「圖靈測試」：如果機器與人類進行非面對面（例如在中間以布幕隔離）對話（例如使用文字訊息），人類卻無法辨認出對方是機器，那麼這台機器就具有智慧。圖靈測試無論在當時或現代，對於人工智慧研究而言都是重要且相對嚴謹的研究提案，後續許多業界與學界的研究都企圖挑戰圖靈測試：如1966年麻省理工學院人工智慧研究室的約瑟夫．維森鮑姆（Joseph Weizenbaum），以字串比對自動回覆的方式所開發出的聊天機器人ELIZA；或到2014年，英國雷丁大學（University of Reading）重磅宣布其所開發出的Eugene，已經通過測試，但後來被質疑標準有誤。
其實，人工智慧一詞直到1956年，才在美國新罕布夏州一場為期兩個月的研究工作坊「達特茅斯暑期人工智慧研究計畫（The Dartmouth Summer Research Project on Artificial Intelligence）」上，由負責組織會議的電腦高階語言LISP之父約翰・麥卡錫（John McCarthy）正式定名。這場工作坊所討論的問題：「計算機、自然語言處理、神經網絡、計算理論、抽象化與隨機創造」後來都成為人工智慧研究發展的重要領域，而達特茅斯會議也因此成為人工智慧領域的經典起源。
歷經了60年的發展，人工智慧的研究領域因種種困難而起起落落，經歷了無數個轉角。起初仿造動物神經元，希望打造強人工智慧的人工神經網絡（Artificial Neuron Network），先是經歷了機器無法應付計算複雜度的困境，無法取得研究經費而停滯；同一時期另一脈絡的弱人工智慧，則發展出博聞強記、分辨率隨資料質與量逐步提升而快速進展的機器學習。如今，人與機器的對話，已因商業應用的普及而不再困難。這一甲子，到底電腦科學家解決了些什麼問題呢？從人工智慧三大關鍵技術突破或可窺探未來。
關鍵技術一 文藝復興後的人工神經網絡
對於人工智慧，電腦科學家當然希望可以直接模仿生物的神經元運作，因此設計數學模型來模擬動物神經網絡的結構與功能。所謂人工神經網絡是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。
1951年，科學家馬文．閔斯基（Marvin Minsky）第一次嘗試建造了世上第一個神經元模擬器：Snarc（Stochastic Neural Analog Reinforcement Calculator），它能夠在其40個「代理人」和一個獎勵系統的幫助下穿越迷宮。六年後，康乃爾航空工程實驗室的法蘭克．羅森布拉特（Frank Rosenblatt）設計、發表神經網絡的感知器（Perceptron）實作後，人工神經網絡（或稱類神經網絡）學者曾經一度振奮，認為這個突破終將帶領人工智慧邁向新的發展階段。
但，人工智慧領域的研究在1970年代因為缺乏大規模數據資料、計算複雜度無法提升，無法把小範圍的問題成功拓展為大範圍問題，導致計算機領域無法取得更多科學研究預算的投入而沉寂。到了1980年代，科學家首先透過思考上的突破，設計出新的演算方法來模擬人類神經元，迎來神經網絡發展的文藝復興時期。物理學家約翰．霍普費爾德（John Hopfield）在1982率先發表Hopfield神經網絡，開啟了神經網絡可以遞迴設計的思考。四年後，加州大學聖地牙哥分校教授大衛．魯梅爾哈特（David Rumelhart）提出了反向傳播法（Back Propagation），透過每次資料輸入（刺激）的變化，計算出需要修正的權重回饋給原有函數，進一步刷新了機器「學習」的意義。科學家更進一步把神經元延伸成為神經網，透過多層次的神經元締結而成的人工神經網絡，在函數表現上可以保有更多「被刺激」的「記憶」。
目前多層次的人工神經網絡模型，主要包含輸入層（input layer）、隱層（hidden layer）與輸出層（output layer），另外根據資料輸入的流動方向，又分為單向流動或可以往回更新前一層權值的反向傳播法。由於神經網絡模型非常仰賴計算規模能力，為了增加高度抽象資料層次的彈性，電腦科學家將之複合為更複雜、多層結構的模型，並佐以多重的非線性轉換，將其稱之為深度學習（Deep Learning）。
關鍵技術二 靠巨量數據運作的機器學習
科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。1970年代，人工智慧學者從前一時期的研究發展，開始思辯在機器上顯現出人工智慧時，是否一定要讓機器真正具有思考能力？因此，人工智慧有了另一種劃分法：弱人工智慧（Weak AI）與強人工智慧（Strong AI）。弱人工智慧意指如果一台機器具有博聞、強記（可以快速掃描、儲存大量資料）與分辨的能力，它就具有表現出人工智慧的能力。強人工智慧則是希望建構出的系統架構可媲美人類，可以思考並做出適當反應，真正具有人工智慧。
機器學習（Machine Learning）可以視為弱人工智慧的代表，只要定義出問題，蒐集了適當的資料（資料中通常需要包含原始數據與標準答案，例如人像圖片與該圖片內人像的性別、年齡），再將資料分做兩堆：訓練用與驗證用，以訓練用資料進行學習，透過特定的分類演算法抽取特徵值，建構出資料的數學模型，以該數學模型輸入驗證用資料，比對演算的分類結果是否與真實答案一樣，如果該數學模型能夠達到一定比例的答對率，則我們認為這個機器學習模型是有效的。這種具有標準答案，並以計算出的預期結果進行驗證的機器學習，通常被稱為監督式學習。 相對於監督式學習，非監督式學習則強調不知道資料該如何分類的機器學習，換句話說，我們提供電腦大量資料，但不告訴它（或許我們也真的不知道）這些資料該用什麼方式進行分類，然後電腦透過演算法將資料分類，人類只針對最終資料分類進行判別，在數據尋找規律就是機器學習的基礎。
機器學習的發展方向，是在設計、分析一些讓電腦可以自動「學習」的演算法，讓機器得以從自動分析資料的過程中建立規則，並利用這些規則對還沒有進行分析的未知資料進行預測。過程中，時常運用統計學技巧，並轉化成電腦程式，進而計算出資料
1950年，圖靈在他名為〈運算機器與智慧（Computing Machinery and Intelligence）〉的論文裡提問：「機器能思考嗎？（Can Machine Think？）」，挑戰了人類對計算機智慧的想像。圖靈認為人們會首先流於爭執機器與思考的定義，卻沒有辦法很精確地討論問題核心：「機器會有智慧嗎？」
由於機器智能難以確切定義，圖靈在該論文首次對如何判定機器具有智慧，提出了著名的「圖靈測試」：如果機器與人類進行非面對面（例如在中間以布幕隔離）對話（例如使用文字訊息），人類卻無法辨認出對方是機器，那麼這台機器就具有智慧。圖靈測試無論在當時或現代，對於人工智慧研究而言都是重要且相對嚴謹的研究提案，後續許多業界與學界的研究都企圖挑戰圖靈測試：如1966年麻省理工學院人工智慧研究室的約瑟夫．維森鮑姆（Joseph Weizenbaum），以字串比對自動回覆的方式所開發出的聊天機器人ELIZA；或到2014年，英國雷丁大學（University of Reading）重磅宣布其所開發出的Eugene，已經通過測試，但後來被質疑標準有誤。
其實，人工智慧一詞直到1956年，才在美國新罕布夏州一場為期兩個月的研究工作坊「達特茅斯暑期人工智慧研究計畫（The Dartmouth Summer Research Project on Artificial Intelligence）」上，由負責組織會議的電腦高階語言LISP之父約翰・麥卡錫（John McCarthy）正式定名。這場工作坊所討論的問題：「計算機、自然語言處理、神經網絡、計算理論、抽象化與隨機創造」後來都成為人工智慧研究發展的重要領域，而達特茅斯會議也因此成為人工智慧領域的經典起源。
歷經了60年的發展，人工智慧的研究領域因種種困難而起起落落，經歷了無數個轉角。起初仿造動物神經元，希望打造強人工智慧的人工神經網絡（Artificial Neuron Network），先是經歷了機器無法應付計算複雜度的困境，無法取得研究經費而停滯；同一時期另一脈絡的弱人工智慧，則發展出博聞強記、分辨率隨資料質與量逐步提升而快速進展的機器學習。如今，人與機器的對話，已因商業應用的普及而不再困難。這一甲子，到底電腦科學家解決了些什麼問題呢？從人工智慧三大關鍵技術突破或可窺探未來。
關鍵技術一 文藝復興後的人工神經網絡
對於人工智慧，電腦科學家當然希望可以直接模仿生物的神經元運作，因此設計數學模型來模擬動物神經網絡的結構與功能。所謂人工神經網絡是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。
1951年，科學家馬文．閔斯基（Marvin Minsky）第一次嘗試建造了世上第一個神經元模擬器：Snarc（Stochastic Neural Analog Reinforcement Calculator），它能夠在其40個「代理人」和一個獎勵系統的幫助下穿越迷宮。六年後，康乃爾航空工程實驗室的法蘭克．羅森布拉特（Frank Rosenblatt）設計、發表神經網絡的感知器（Perceptron）實作後，人工神經網絡（或稱類神經網絡）學者曾經一度振奮，認為這個突破終將帶領人工智慧邁向新的發展階段。
但，人工智慧領域的研究在1970年代因為缺乏大規模數據資料、計算複雜度無法提升，無法把小範圍的問題成功拓展為大範圍問題，導致計算機領域無法取得更多科學研究預算的投入而沉寂。到了1980年代，科學家首先透過思考上的突破，設計出新的演算方法來模擬人類神經元，迎來神經網絡發展的文藝復興時期。物理學家約翰．霍普費爾德（John Hopfield）在1982率先發表Hopfield神經網絡，開啟了神經網絡可以遞迴設計的思考。四年後，加州大學聖地牙哥分校教授大衛．魯梅爾哈特（David Rumelhart）提出了反向傳播法（Back Propagation），透過每次資料輸入（刺激）的變化，計算出需要修正的權重回饋給原有函數，進一步刷新了機器「學習」的意義。科學家更進一步把神經元延伸成為神經網，透過多層次的神經元締結而成的人工神經網絡，在函數表現上可以保有更多「被刺激」的「記憶」。
目前多層次的人工神經網絡模型，主要包含輸入層（input layer）、隱層（hidden layer）與輸出層（output layer），另外根據資料輸入的流動方向，又分為單向流動或可以往回更新前一層權值的反向傳播法。由於神經網絡模型非常仰賴計算規模能力，為了增加高度抽象資料層次的彈性，電腦科學家將之複合為更複雜、多層結構的模型，並佐以多重的非線性轉換，將其稱之為深度學習（Deep Learning）。
關鍵技術二 靠巨量數據運作的機器學習
科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。1970年代，人工智慧學者從前一時期的研究發展，開始思辯在機器上顯現出人工智慧時，是否一定要讓機器真正具有思考能力？因此，人工智慧有了另一種劃分法：弱人工智慧（Weak AI）與強人工智慧（Strong AI）。弱人工智慧意指如果一台機器具有博聞、強記（可以快速掃描、儲存大量資料）與分辨的能力，它就具有表現出人工智慧的能力。強人工智慧則是希望建構出的系統架構可媲美人類，可以思考並做出適當反應，真正具有人工智慧。
機器學習（Machine Learning）可以視為弱人工智慧的代表，只要定義出問題，蒐集了適當的資料（資料中通常需要包含原始數據與標準答案，例如人像圖片與該圖片內人像的性別、年齡），再將資料分做兩堆：訓練用與驗證用，以訓練用資料進行學習，透過特定的分類演算法抽取特徵值，建構出資料的數學模型，以該數學模型輸入驗證用資料，比對演算的分類結果是否與真實答案一樣，如果該數學模型能夠達到一定比例的答對率，則我們認為這個機器學習模型是有效的。這種具有標準答案，並以計算出的預期結果進行驗證的機器學習，通常被稱為監督式學習。 相對於監督式學習，非監督式學習則強調不知道資料該如何分類的機器學習，換句話說，我們提供電腦大量資料，但不告訴它（或許我們也真的不知道）這些資料該用什麼方式進行分類，然後電腦透過演算法將資料分類，人類只針對最終資料分類進行判別，在數據尋找規律就是機器學習的基礎。
機器學習的發展方向，是在設計、分析一些讓電腦可以自動「學習」的演算法，讓機器得以從自動分析資料的過程中建立規則，並利用這些規則對還沒有進行分析的未知資料進行預測。過程中，時常運用統計學技巧，並轉化成電腦程式，進而計算出資料
