知識力

❐ 人工智慧的困難
機器學習有許多方法可以進行資料分類，近年來最流行也被證明最成功的方法就是「人工神經網路(ANN：Artificial Neural Network)」，經由前面的介紹，我們知道人工神經網路是如何調整權重，使輸出與輸入的誤差變小，但是即使如此，這和我們想要的「人工智慧」，也就是人工創造出來可以思考的電腦還有很大的差距，直到今日人工智慧無法實現的主要原因包括：
➤專家系統：輸入知識讓電腦變聰明，但是沒有自行學習的機制，必須先請專家提供所有知識，而且知識無窮無盡永遠也寫不完，知識數量太多彼此產生矛盾，無法處理不明確的答案。
➤框架問題：只能解決給定的問題，也就是問題必須在一定的「框架」內，對於不同的任務無法事先決定該使用什麼知識。知識力www.ansforce.com。
➤符號接地問題：無法把符號(文字或詞彙)與它所代表的意義相互連結起來，也就是電腦很難理解我們所謂的「意義」，因此無法產生「智慧」。
➤心物問題：我思(思想)故我在(主體)，目前的技術還無法讓電腦有心(思想或精神)。
➤機器學習：利用人工神經網路(ANN)與誤差反向傳播(EBP：Error Back Propagation)來訓練電腦學習，但是必須由人類決定特徵值，電腦才能依照這個特徵值來訓練。

❐ 符號與意義
如果電腦可以自行分析資料找出特徵值，那就更接近我們想要的人工智慧，也就是人工創造出來可以思考的電腦。這個時候電腦能夠自己分析資料理解「有斑紋的馬」這個特徵，只要人類告訴電腦這個特徵所使用的符號叫「斑馬」，就把符號與它所代表的意義相互連結(接地)了！
符號「貓」或「Cat」，意義是指尖耳朵、尖眼睛、長鬍子很可愛的一種動物，這些就是「特徵值」，如＜圖一＞所示。人工智慧面臨許多問題就是因為電腦無法自行理解符號的「意義」，而最近發展的「深度學習」已經可以讓電腦自行分析資料找出「特徵值」。

圖一　符號「貓」與「特徵值」示意圖。

❐ 深度學習(Deep learning)
深度學習(深度神經網路)是讓電腦可以自行分析資料找出「特徵值」，而不是由人類來決定特徵值，就好像電腦可以有「深度」的「學習」一樣。而深度學習使用多層神經網路，理論上隱藏層愈多自由度與精確度愈高，但是結果相反，因為誤差反向傳播(EBP)很難傳遞回更上一層的神經元，就好像主管經由員工提供的資訊進行判斷，正確的資訊是由下(員工)向上(主管)提供(反向傳播)，而修正時由上(主管)向下(員工)，當階層太多時效果不佳。因此深度學習不但使用多層神經網路，同時使用「自動編碼器(Autoencoder)」來進行「非監督式學習(Un-supervised learning)」。

❐ 資料的縮減
深度學習的輸入層為手寫的數字，輸出層還是手寫的數字，會造成「權重(Weight)」增加，如＜圖二＞所示，我們簡單說明概念：
➤監督式學習：輸入層每個數字有784個維度，假設我們設定隱藏層有100個維度，輸出層只有數字0~9總共10個維度，在這個例子裡總共有784×100+100×10=79,400個權重，如＜圖二(a)＞所示。
➤非監督式學習：輸入層每個數字有784個維度，假設我們設定隱藏層有100個維度，輸出層每個數字也有784個維度，在這個例子裡總共有784×100+100×784=156,800個權重，如＜圖二(b)＞所示。

圖二　監督式學習與非監督式學習示意圖。

經由微分計算每一個權重變大或變小時，輸出層與輸入層的誤差會變小，經由不停反覆調整156,800個權重，也就是所有的w(aibi)與w(bici)，使得輸出層與輸入層的誤差變小。這還是只有一個隱藏層所需要計算的權重，所謂的「深度」學習，就代表學習要有「深度」，意思是隱藏層不會只有一層，如＜圖三(a)＞所示，假設第一層隱藏層有100個維度、第二層隱藏層有80個維度、依此類推、第九層隱藏層有80個維度、第十層隱藏層有100個維度，那麼總共會有多少個權重呢？這些權重調整起來需要多少處理器的運算資源呢？現在明白為什麼人工智慧的「訓練(Training)」非常花時間了吧！

圖三　具有10層隱藏層的深度學習神經網路示意圖。

這麼多的權重調整起來極為費時，因此如何進行資料的縮減就變成重要的課題，如果是手寫辨識圖形相關的人工智慧運算，可以使用下列的方式：
➤當某個畫素為黑色，它相鄰的畫素是黑色的機率很高，因此可以把幾個畫素都視為黑色來處理，類似靜態影像壓縮技術(JPEG)的原理。
➤要把那幾個畫素都視為黑色來處理，輸出層與輸入層的圖形接近(誤差變小)，電腦必須嘗試把不同的畫素都視為黑色來處理，自行學習找出「特徵值」。
➤當電腦學習到將右上角某一個畫素相鄰的10個畫素都視為黑色來處理，輸出層與輸入層的圖形接近(誤差變小)，則在隱藏層裡所有的權重就代表了特徵。

大家觀察＜圖三(a)＞會發現，輸入層有784個維度，隱藏層依次有100、80、60、40、20個維度，再依次有20、40、60、80、100個維度，輸出層又回到784個維度，而且輸出層與輸入層的圖形還要接近(誤差很小)，那代表什麼意思？代表圖片輸入後，隱藏層的維度不論如何變少，最後輸出都能夠還原成輸入的樣子，那不就意謂著隱藏層裡保留下來的就是這個圖片最具有代表性的「特徵」嗎？不然怎麼可能用20個維度還原成784個維度還能夠還原成輸入的樣子？而且隱藏層愈多層代表深度愈深，取出來的「特徵」就更具有代表性了！這樣講是不是大家對「深度」學習更有感覺了呢？

反應快的人可能已經發現，如果非監督式學習的輸入層與輸出層都是手寫的數字，具有相同的維度，則＜圖三(a)＞是左右對稱的，如果我們把它以中線(藍色虛線)為準由右向左對折，得到如＜圖三(b)＞所示，這就是我們常常看到的深度學習示意圖了！知識力www.ansforce.com。

❐ Google貓臉辨識計畫
Google公司2012年做了一個實驗，由Youtube的影片中取出1000萬張圖片，使用具有100億個神經元的深度學習神經網路，由1000台電腦(16000個處理器)，運算三天才完成。
➤將1000萬張圖片輸入深度學習神經網路，經由數層神經網路使電腦自行學習找出「特徵值」而能夠辨識「對角斜線」，如＜圖四(a)＞所示。
➤再經由數層神經網路使電腦能夠辨識「人臉」，如＜圖四(b)＞所示，以及「貓臉」，如＜圖四(c)＞所示，形成抽象度愈高的「特徵值」，最後經由特徵值理解這個東西的「意義」。
➤此時只要我們告訴電腦具有＜圖四(b)＞這個特徵值的東西稱為「人(符號)」；具有＜圖四(c)＞這個特徵值的東西稱為「貓(符號)」，電腦就能夠將符號與意義產生連結(接地)了！
➤未來只要我們輸入其他照片，電腦就能夠自動判斷這個是人，那個是猫，這個學習的過程其實和人類學習過程是類似的。知識力www.ansforce.com。

圖四　Google貓臉辨識計畫深度學習神經網路示意圖。

【請注意】上述內容經過適當簡化以適合大眾閱讀，與產業現狀可能會有差異，若您是這個領域的專家想要提供意見，請自行聯絡作者；若有產業與技術問題請參與社群討論。