2016年的一場人機大戰，圍棋軟體AlphaGo以4:1擊敗世界圍棋棋王李世乭，人工智慧（Artificial Intelligence，簡稱AI，大陸譯為人工智能）好像橫空出世的新科技一般，突然爆紅，而它所使用的核心技術——深度學習，也成為各方媒體爭相報導的焦點。到底AI是什麼？為什麼會受到如此的青睞？

　　AI的研究並非始於今日，幾乎可以追溯到電腦發明的年代。現代所使用的數位電子計算機（俗稱電腦）的發明，肇始於二次大戰期間（1939-1945），例如當時英國所發明的電腦，就用來破解德國的密碼。由於具備有可程式化與高速計算的能力，人們就憧憬著電腦除了計算能力之外，是否還能更聰明些，具有類似人類的智慧與能力。於是在1940-1960年間，來自各種不同領域的科學家（包含有數學、工程和心理學等），開始探討製造人工大腦的可能性。

AI研究模擬人類認識能力

　　以佛法來說，人們認識外在世界是透過內六根（眼耳鼻舌身意）接觸外六塵（色聲香味觸法）而產生六識（眼耳鼻舌身意等六識）。因此，AI的研究，不外乎透過種種感測器模擬前五根，以接收外在的五塵境界訊息，和應用數學邏輯或大腦神經運作來模擬第六根——意根，以對應已知的資訊，然後設計出種種演算法，處理所蒐集的資料，以模擬人類的了知認識能力。例如：電腦視覺的研究，即透過照相機或攝影機模擬人的眼根，以對應外面的色塵境界（影像），然後根據需求，而研究出各種不同演算法以辨識種種不同的目標。相同地，模擬耳根的有語音辨識，模擬舌根的有語音合成與語音助理，模擬身根的有種種機器人和機器手臂，模擬意根的有邏輯推理、神經網路、和機器學習等研究。

　　一般認為，1943年由McCullock和Pitts藉由了解大腦神經元運作原理，而試圖建立的數學模型，為開啟AI研究的先河。1957年，Rosenblatt依據此模型，自訂調整神經元之間連結強度的學習規則，而成為有名的感知器（Perceptron）。1960年，Widrow和Hoff更利用數學的梯度下降法能推導出學習規則的原理，而使神經網路學習的發展之路更上層樓，這也是深度學習一脈研究的基石。

　　1950年，傑出的計算機科學家Turing在其發表的一篇名為《計算機械與智慧》（Computing Machinery and Intelligence）的論文中，提出一個關於判斷電腦是否擁有智慧能力的測試。其方法很簡單，就是讓測試者和電腦透過鍵盤和螢幕進行對話，而測試者不知道跟自己對話的到底是一台電腦還是一個人。如果測試者分不清楚幕後的對話者是人還是機器，可以說電腦在測試中表現出與人相同或是至少無法區別的智慧，那麼這台電腦就通過測試，具備有人工智慧。因此，Turing被譽為人工智慧之父。

　　然而，人工智慧（Artificial Intelligence）一詞，是在1956年於美國所舉行的達特茅斯會議（註）時所確定的，同時也確定AI的任務。主其事的有McCarthy, Minsky和Shannon等人，也成為最早一批有成就的研究者。因此，這一會議被廣泛認為是AI誕生的標誌，也造成AI初期的蓬勃發展。

　　一般界定，AI的研究有三波浪潮（如圖一所示）。第一波是在達特茅斯會議之後，大約在1957-1974年間，有很多研究，令人感到驚豔與神奇。例如：利用搜尋技術發明了幾何定理證明機、使用自然語言（英語）交談方式解決高中程度的代數應用題、設計出難以分辨是否與真人聊天的ELIZA程式，以及發展出戰勝西洋跳棋（checker）高手的博奕程式等。70年代，由於當時研究者過於樂觀，人們對AI期望過高，加上硬體上的限制與演算法的不足，只能處理小問題（toy problems）等，導致AI第一次陷入低谷。同時，Minsky對感知器無法處理基本的互斥或（exclusive OR）問題，而提出激烈的批評，使得神經網路的研究幾乎銷聲匿跡了十年。然而，此時期出現的符號邏輯與神經網路，分別為日後專家系統與深度學習的雛型。

AI研究的發展與變革

　　第二波浪潮大約在1980-1987年。此期間實用的專家系統風靡一時，各公司爭相採用。專家系統是一組特定領域專家所制訂的規則，透過邏輯推演以回答或解決問題。著名的有Dendral系統，能夠根據光譜儀資訊，分辨化學混合物；MYCIN系統，能診斷血液傳染病；XCON系統，能夠依據客戶需求，自動選取適合的計算機系統配件。由於專家系統依賴專門的知識，因此也帶動了知識庫系統與知識工程的研究。此一時期也是神經網路的重生，Hopfield提出一種新型的神經網路，能夠用一種全新的方式學習和處理資訊。另外，Rumelhart發明與推廣倒傳遞演算法，解決了互斥或問題，使得神經網路的研究再度火紅，在90年代，被應用於字元辨識和語音辨識等，獲得相當的成功。然而，由於專家系統的應用範疇有限，加上維護昂貴、難以升級，而神經網路受限於淺層（三層）結構不易突破，造成了AI再次陷入谷底。

　　然而在1997年，IBM的超級電腦深藍（Deep Blue）戰勝了西洋棋（chess）世界冠軍Kasparov，帶來AI的復甦。第三波浪潮一般界定在2010年至今。伴隨著高性能電腦、網際網路、雲端計算、物聯網與感測器的普及，巨量資料的取得、儲存與處理變得相對容易，加上計算成本低廉，於是大數據、機器學習與深度學習儼然成為這一波浪潮的主角。深度學習是機器學習的一個分支，由Hinton, LeCun和Bengio等人突破淺層神經網路的限制，提出深層（多層）的神經網路架構。因此，使用各種機器學習與深度學習演算法，從巨量的資料中，萃取其內在的知識，使得電腦在影像和語音的辨識上超越了人類，從而進入實用階段，並得到廣泛的應用，例如人臉辨識用於安保系統，語音辨識用於聊天機器人，醫療影像處理用於輔助診斷，道路影像辨識用於自駕車等。而AlphaGo也運用深度學習，經過不斷訓練，終於戰勝了棋王。

人工智慧　方興日盛

　　因此有人說，AI的發展，第一波屬於推理期，第二波屬於知識期，第三波則屬於學習期。迄今為止，這一波AI的研究與應用仍方興未艾，甚至觸發了德國政府在2013年所提出的工業4.0計畫，又稱為第四次工業革命（參閱表一）。嘗試透過AI技術，整合規劃、生產、銷售與市場，以提升製造與服務的品質。

　　由於這一波AI的發展突飛猛進，在某些方面的表現甚至超越了人類，於是有人擔憂，是否會發展出如科幻電影情節所描繪的機器人，具有超強的智慧而威脅人類；此種具有知覺、自我意識，能主動推理與解決問題的程式，稱為強AI。然而，科技再怎麼發展，也無法創造出人類的意識與智慧。目前AI的發展，例如AlphaGo只會下圍棋而不會掃地，而掃地機器人只會掃地而不會下圍棋，針對單一功能而發展，或許可以超越人類在該領域有更好的表現，但仍須由人類指揮，沒有自主判斷的能力，此種程式稱為弱AI。我們相信「科技始終來自於人性」，若能善用AI的研究成果，相信應該可以造福更廣大的人群。

註：
達特茅斯會議：為1956年暑假在美國東北部的達特茅斯學院（Dartmouth College）所舉行的六到八週的工作坊的簡稱，由當時任教於該學院的年輕數學系助理教授McCarthy所提議的一個計畫而舉辦的，該計畫全名為「達特茅斯夏季人工智慧研究計畫（Dartmouth Summer Research Project on Artificial Intelligence）」，並邀請Minsky、Rochester和Shannon等人為發起人。在會議中，共同討論並確定AI的任務，例如：自動計算機、自然語言處理、神經網路、計算學理論、抽象、隨機性與創造性等。