sha 影音 alt com images ats 結果 藥物 麻省理工

在2012年，加州的X Lab 用一千臺計算機架成的 Brain，展現了前所未有的機器學習能力。研究者們準備了一千萬張從 視頻隨機截圖的靜止畫面給 Brain「觀看」。研究者沒有在系統中默認任何圖像知識、也沒有在圖片上附加任何說明標簽，就讓機器自己發掘圖庫所隱含的規則。在三天的「觀看」學習之後，Brain成功地將這些視頻截圖分成了三類：人臉、身體、還有──貓。能夠區分出貓的圖片，是 Brain的一大突破，也是這個研究結果的一大亮點（及笑點），但它的重要性絕不僅於此。它代表機器從此能夠如同人類一樣，在龐雜無盡的數據中自己找出潛在的抽象規則，而不需要他人的說明或指導。它也標示著人工智能（Artificial intelligence, AI）的新篇章：深度學習（deep learning）技術。

深度學習
深度學習並不是研究者們憑空創造出來的運算技術，它是模仿神經網絡的運算模式，以多節點、分層的運算來分析圖片上的特征，最低層的節點們只計算每一個像素上的黑白對比，第二層的節點則根據第一層的資料、以連續的對比來分辨出線條與邊界，隨著層級越來越高、累積的計算信息越來越復雜，就可以對圖片進行辨認與分類。以上述的 Brain為例，它的結構一共分為九層，模仿人類視神經的分層與功能，最終可以分辨出人臉、身體、與貓圖片的決定性差異、並加以分類之。神經網絡模式運算也不是剛被提出的新玩意。早在1980年代，研究者們已經開始著手進行相關研究，至今相關研究仍在學界占有一席之地。而隨著軟硬件的光速進步，這樣的技術已經開始被應用在真實世界。2009年，Geoffrey Hinton以及他在多倫多大學的研究團隊就以深度學習技術，開發出高準確度的語音辨認技術，能夠正確地將口語轉換成文字。而這樣的技術已經被廠商采用，搭載在許多智能型手機之中。最為大眾廣為所知的手機虛擬助理，iPhone的Siri，便是仰賴深度學習技術，來辨認用戶的語音指令。

舊技術，新突破
而史丹佛大學的研究者 Andrew Ng，便是在同時間說服網絡大廠公司，讓他使用其公司的豐富資源來建立了 Brain。借助強勁的硬件與數據庫，一舉將深度運算技術推向新的紀元：發現潛在規則、自發性分類。這樣的技術比語音轉譯還難上許多，主要是因為其成果已經脫離的單純的數據對應轉換，而進化成在大型數據庫中找尋抽象分類與規則。也因此更接近人類的智能。除了 Brain 這樣，因尖端科技公司出資贊助而在資源上占有絕對優勢的深度學習系統，Andrew Ng 也研發出不需要一千臺計算機就可以消化大量信息的系統。他表示，使用圖形處理器 （graphics processing units, GPUs），就可以架設出功能類似、但成本更為低廉的運算系統來進行深度學習。在2012年，Geoffrey Hinton 的團隊，就使用圖形處理器架設了一個深度學習系統。知名網絡圖庫 ImageNet 每年皆會舉行一場圖片辨認比賽，這個網站會提供約一百萬張的標準化圖片，並標上其分類，參賽者必須寫出可以學到分類規則的語法，並用全新的照片測試之。Geoffrey Hinton 的深度學習系統使用同樣的圖庫，可以展現比過去參賽系統高出約10%的正確率。這樣的結果，讓他被網絡大廠聘請去提升圖片搜尋的正確性。(部分詳細信息參考來源：[勝博發祈福 http://chiayuan.org.tw/]() ）

廣泛的應用領域
除了圖片分類或語音轉譯，深度學習還有更多的用途。例如，Geoffrey Hinton 的學生 George Dahl 就應用深度學習技術，打敗了默克（Merck）藥廠現行的系統，成功提高了對特定化學分子間反應的預測力，以便更有效率地找出有用的藥物。他的團隊藉由這個深度學習系統，提升了約15%的預測力，更獲得了默克藥廠懸賞的2萬美金獎金。此外，麻省理工學院的 Sebastian Seung 也利用深度學習來分析腦部切片、以建立三維空間的腦圖，以及神經束的走向。這樣的系統除了更快以外，也節省了大量的人力。華盛頓大學的 William Stafford Noble 也應用深度學習系統來預測胺基酸鏈會組成如何的蛋白質、並可進一步預測此蛋白質的性狀。而這兩種應用的共同點都是其背後龐大的數據數量，以及深度學習所能提供的預測性。

人工智能的未來
雖然深度學習已經被應用到尖端科學研究及日常生活當中，而網絡大廠已經實際搭載在核心的搜尋功能之中。但其他知名的人工智能實驗室，對於深度學習技術的反應並不一致。

例如艾倫人工智能中心的執行長 Oren Etzioni，就沒有考慮將深度學習納入當前開發中的人工智能系統中。該機構目前的研究是以小學程度的科學知識為目標，希望能開發出光是看學校的教科書，就能夠輕松應付各類考試的智能程序。Oren Etzioni 以飛機為例，他表示，最成功的飛機設計都不是來自於模仿鳥的結構，所以腦神經的模擬並無法保證人工智能的實現，因此他們暫不考慮借用深度學習技術來開發這個系統。

現行的人工智能程序，基本上都是將大大小小的各種知識寫成一句一句的陳述句，再灌進系統之中。當輸入問題進去智能程序時，它就會搜尋本身的數據庫，再選擇出最佳或最近解。2011年時，IBM 有名的 Watson 智能計算機，便是使用這樣的技術，在美國的電視益智節目中打敗的人類的最強衛冕者。雖然過去都是使用傳統式的手工輸入知識，然而 Watson 團隊現在也考慮將深度學習技術應用在部分的運算之中。IBM 的首席科技主管 Rob High 表示，他們現在已經在進行實驗，檢視深度學習能如何提高 Watson 辨認圖片的能力。

雖然各家人工智能實驗室對於深度學習技術的反應不一，但科技公司與計算機科學家們已經看中它的潛在獲利能力。George Dahl 已經著手在尋找創立公司的可能性，而 Facebook 的人工智能部門也開始招募相關領域的研究者。Andrew Ng 表示，深度學習的系統會隨著數據庫越龐大，而變得更有效率。當硬件與網絡的不斷進化、各種影音數據急速累積，深度學習技術將會吸引更多研究者發展它的各種可能性。George Dahl也表示，深度學習還尚在繈褓之中、才開剛始發展，他預期，這個技術將是未來的一大趨勢。

人工智能開發出的新篇章，未來將會怎樣?