【專家解讀AI趨勢：臺灣大學資訊工程學系教授林守德】深度學習不是最終答案，第三波AI浪潮有5大挑戰

在GPU運算資源協助下，大幅提高了訓練模型的效率，深度學習掀起第二波人工智慧的浪潮，但深度學習不是最終答案，下一波AI浪潮將有5大挑戰，這也是AI突破的5大方向（攝影／何維涓）。

人工智慧在今年開始發光發熱，以往不被重視的類神經網路演算法，因為硬體資源的提升加上大量數據的輔助，得以增加深度學習模型的準確率，讓AI踏出在學術界的實驗室，來到產業界產生各式各樣的真實應用。

「AI早在80年代前就已經有第一波的浪潮，」臺灣大學資訊工程學系教授林守德指出，當時許多企業投入開發的專家系統，就是AI最早期實現的應用，將專家的知識變成規則，藉由規則來判斷，從技術來看，專家系統是成功的，但因聘僱各領域專家的成本太高，導致專家系統難以普及化，因此，AI在80年代末期沒有成功興起。

接著， 90年代，更多的演算法出現，加上軟硬體的配合，包含電腦運算速度增加、記憶空間變大，以及網路的崛起讓資料收集變得更方便且廣泛，帶動了AI第二波的崛起。

林守德表示，第二波AI浪潮是將機器學習應用於統計、資料探勘，眾所皆知的AlphaGo，AI電腦圍棋打敗人類圍棋冠軍的事蹟，掀起了這一波AI技術的浪潮。也因AlphaGo的世紀戰役，也讓眾人對AI有更多的了解，過去，機器學習就是指用監督式學習來分類，像是支持向量機（Support Vector Machine，SVM），但因這一波AI的崛起，大家開始意識到機器學習還有許多各式各樣的演算法，非監督式學習、增強式學習、生成對抗網路（Generative Adversarial Network，GAN）等。

尤其是增強式學習，更因AlphaGo Zero的成功而開始受到注目，增強式學習讓程式能夠跟外在環境互動，並從互動中學習如何優化得到的獎勵的機制。

林守德認為，支撐第二波人工智慧浪潮的是深度學習，深度學習是從類神經網路衍生而來，將神經網路疊合成更多層，進而產生複雜的非線性模型，在GPU運算資源的協助下，增加了訓練模型的效率，而帶動這一波AI發展。

但是，他認為：「深度學習並非AI最終的萬靈丹」許多人可能覺得深度學習將認知和辨識的技術，推到了下一個境界，但林守德指出，深度學習還是有一些問題有待解決，目前AI的發展上，大部分成熟的應用都是與知覺相關，也就是說在辨識和認知方面的應用，但是深度學習並沒有解決電腦缺乏推論能力的問題，還是無法解決非搜尋類的相關問題。

未來，第三波人工智慧的浪潮，林守德提出5大即將面臨的問題，第一，他認為，AI將會從弱AI進入到強AI，弱AI即是只能聚焦在單一特定的任務上，從第二波浪潮之後，都算是弱AI極致的表現，但是，將來可能會走向強AI，也就是能夠解決廣泛問題的AI（General AI）。