AI 人工智慧

前言

這篇文章很不好寫，因為議題太大了，描述的太深入，沒有幾個人想看這種枯燥的東西，描述的太淺，又很不容易把重點交待清楚。那為什麼又要寫呢？那是因為 YST 他在『彈道導彈攻擊大型海面船隻VI』一文中說了一段話。

... YST 判斷的依據是認為「人工智慧」是沒有前途的，在能夠預見的未來（譬如50年內）「人工智慧」不可能會有任何突破。 我們看得很清楚，所謂「人工智慧」（Artificial Intelligence，簡稱AI）轟轟烈烈搞了20多年沒有搞出甚麼名堂，甚至沒有奠定任何理論基礎，基本上是胡鬧一通，不可能成為一門學問，也不可能有什麼發展。譬如一張照片，你叫機器分辨是男人還是女人，機器是沒法判定的。搞了多年，所謂“人工智慧”很多時候還不如三歲小孩。 ....

看到沒有？這是多麼狂妄的口氣！？多麼無知的見解！？一個典型門外漢硬充內行的範例。本來 YST 喜歡唬爛不干我的事情！？而且在這裡發文批評也有失厚道，但是後來想想，以他的論壇知名度，如果網路上真的有人相信這樣無知的論調，放棄或者阻擋了這方面的科學發展，豈不是罪過大了！？所以儘管我不是這方面的專家，但我盡可能收集資料，來跟大家討論一下，『人工智慧』這個名堂究竟是不是一門學問？現在已經取得哪些成就了？

發展史

由於人工智慧與計算機有著密不分的的關聯，所以我們將它們表列在一起。

年代	1940~	1950~	1960~	1970~	1980~	1990~	2000~
計算機	1945 計算機(ENIAC)	1957 FORTRAN語言	1960 雷克超級電腦 1960 Simula 67物件導向語言	1971 PC 1972 C 語言 Smalltalk語言	1985 C++ 語言	1996 深藍電腦 1994 Java 語言	2009 天河 1 號超級電腦 2001 C# 語言 2002 C# for .Net
人工智慧研究	-	1953 博弈論 1956 Dartmouth研究會	1965 模糊理論	1977 知識工程宣言	1982 第五代電腦計劃開始	1991 類神經網路	-
人工智慧語言	-	-	1960 LISP語言	1973 PROLOG語言	-	-	-
知識表達	-	-	-	1973 生產系統 1976 框架理論	-	-	-
專家系統	-	-	1965 DENDRAL	1975 MYCIN	-	-	-

請注意一下，在表列中雖然在 1940 ~ 1970 （民國 29 ~ 59）的 30 年間（差不多是二戰到越戰這段期間，距今 40 年前）人工智慧已經有理論基礎的出現，甚至連編程語言都有。但是在 1971 年個人電腦的出現，才使得人工智慧有蓬勃發展。這說明了人工智慧必須配合硬體的架構才有其作為。

在表列中 1971 年後人工智慧似乎沒有多大的進展，其實不是的！？那是因為一些新的技術出現使得在學科上的分類沒那麼明顯。例如 C/C++/Java/C# 等編程語言的出現，其強大的編譯器功能取代了功能有限的 Smalltalk 。網際網路（Internet），有很大部份實現專家系統的精神等。

這種現象就像是『物件導向程式設計（Object-Oriented Programming）』一樣，它的理論基礎早在 1967 年就已經出現，經過不斷演進，現在已經進入到統一塑模語言（UML，Unified Modeling Language）的時代。而人工智慧的發展也是一樣，雖說有一段時間已經沒有令人亮眼的理論被提出來，但是分散到各個領域的技術研究，還是不斷在取得有不錯的成績，特別是在圖形與聲紋辨識之上，這些我們將下面文章中陸續提到。

人工智慧的主要範圍

在很多文獻中對於人類的智能特性的描述，我們可以歸納成下述內容來表示：

1. 判斷、認知（Perception）。
2. 洞察（Insight）。
3. 學習（Learning）。
4. 瞭解（Comprehension）。
5. 推論（Reasoning）。

請注意一下，以上的描述並沒有包涵人類情感的部份，主要是因為人類情感所表現出的行為往往是出人意表的，甚至是反智的，所以一般都不將這一部份列入智能表現的範疇。因此如果電腦能夠表現出上述的智慧行為，則是人工智慧追求的目標。我們將上述的行為改成機械行為的描述，則具有人工智慧的電腦程式能表現出下列幾種特徵：

1. 符號處理（Symbol Manipulation）：如人工智慧語言、生產系統（Production
   　system）、黑板系統（Blackboard System）等。
2. 啟發式（Heruistic）的推理能力。
3. 具有表達知識的能力。
4. 不完整、不確定、甚至相互矛盾的數據可以被處理。
5. 機械學習（Machine Learning）的能力。

現在我們再進一步考慮人工智慧應用層面，此時可以用蓋伏特所提供的人工智慧元素圖來說明，內層－為人工智慧的核心內容，外層－為人工智慧的應用。

人工智慧元素圖

從上圖可以知道『人工智慧』的主要訴求，那麼以現在的學科分類，要達成『人工智慧』的要求，就必須由下面幾個背景知識來作為支撐。

人工智慧知識領域圖

從上圖我們可以知道『人工智慧』涉及的學科有

1. 哲學和認知科學。
2. 數學。
3. 心理學。
4. 計算機科學。
5. 控制論。
6. 決定論。
7. 不確定性原理。

研究範疇有

1. 自然語言處理（NLP; Natural Language Processing）。
2. 知識表現 （Knowledge Representation）。
3. 智能搜索 （Intelligent Search）。
4. 推理（Inference）。
5. 規劃 （Planning）。
6. 機器學習 （Machine Learning）。
7. 增強式學習 （Reinforcement Learning）。
8. 知識獲取（Knowledge Acquisition）。
9. 感知問題（Perception Question）。
10. 模式識別（Pattern Recognition）。
11. 邏輯程序設計（Logic Programming Language）（Prolog）。
12. 軟計算 （Soft Computing)。
13. 不精確和不確定的管理（Imprecision ＆ Uncertainty）。
14. 人工生命 （Artificial Life）。
15. 人工神經網路 （Artificial Neural Network）。
16. 複雜系統（Complex Systems ）。
17. 遺傳算法（Genetic Algorithm）。
18. 資料倉儲（Data Warehousing）。
19. 資料挖掘（Data Mining）。
20. 模糊控制（Fuzzy Control）。

應用領域有

1. 智能控制。
2. 機器人學。
3. 語言和圖像理解。
4. 遺傳編程。

從上面我們可以知道『人工智慧』這門學科牽扯到的範圍是非常廣的，不是只單純的用在下棋或者機器人跳舞上面而已。

實際案例

人工智慧再日常生活中的使用案例有很多，在一般的書籍中最喜歡引用的兩個例子是模糊洗衣機（Fuzzy Washing Machine）、與模糊煞車系統（Fuzzy Braking System）。在本文中為減少篇幅的份量，我們以模糊洗衣機作為討論的對象。

通常決定洗滌效果的主要因素為：衣服的種類、水的溫度、洗滌劑、和機械力。而模糊洗衣機中具有檢測各種狀態的傳感器，主要有負載量、水位、水溫、布質、洗滌粉傳感器等。然後根據從各種傳感器中得到的信號，進行模糊控制，以確定洗滌方法。首先將從各種傳感器中得到的數據按照數值的不同分成各種不同的檔次，如水溫分高、中、底，衣服分少、一般、多等檔次，數據所分的檔次越多，洗滌的精度越好，但是就會增加推理規則。然後把這些不同的檔次作為輸入量送入模糊控制推理器中，根據推理規則來決定洗滌時間和水流強度。模糊控制推理器一般是一個智能芯片，具有儲存和計算能力，推理規則就儲存在這個芯片中。怎樣確定推理規則呢？實際上推理規則就是把人洗衣服的模糊經驗數字化。例如如果負載小，洗滌化纖衣服，且水溫高，人們就會用小的力量，洗滌短時間。將很多類似的經驗規則化，就形成了推理規則。在用的時候，根據不同的輸入組合，採用不同的規則就可以了。

在上面的敘述中，所謂的『推理規則』也就是『人工智慧』的核心所在。它是針對某種事件的處理經驗而設計出來的，可以以程式化的方式，儲存在單晶片裡，並且加以執行。複雜一點的還可以具有學習、及優化參數的功能。但是推理規則的效能表現卻是取決於傳感器優劣，傳感器越靈敏，推理規則的表現就越好，反之亦然。

相機廣告

相機廣告2

上面兩張圖片是某相機廠的廣告，主要訴求是強調該相機的人臉辨識與自動對焦的功能。不要以為上面兩張圖片是廣告商的誇張手法，事實上以目前的科技是絕對做的到的，不相信的話你可以參考『中星微電子Vimicro 301 Neptune超級人臉追蹤技術介紹』這裡面介紹。它已經不是單純的人臉辨識，還可以利用人臉圖像的幾何矯正等處理來抽取人臉區域的多種特徵，不斷地驗證人臉區域的準確性；在確保跟蹤準確性的同時，運用獨創的算法對臉部器官進行精確鎖定，從而對人臉實現無極定位，這就厲害了。

『人工智慧』在現實的使用案例太多了，如果粗略的分類可以體現下面幾類

1. 機器人學
   1. 工業機器人。
   2. 現場機器人。
2. 虛擬實境
3. 專家系統
4. 自然語言處理
   1. 光學字體辨識。
   2. 印刷字體辨識。
   3. 指紋鑑定。
   4. 筆跡鑑定。
   5. 車牌辨識。
   6. 生物辨識。
   7. 臉部辨識。
   8. 聲音辨識。
5. 特定問題解決與規劃：如棋奕（Game Playing）、八皇后問題（8-Queen Problem）、推銷員旅行問題（Traveling Salesman Problem）、八方塊問題（8-Puzzle Problem）、河內塔（The Tower of Hanoi Problem）、猴子與香蕉問題（The Monkey and Bananas Problem）、地圖著色問題（Map Colouring Problem）等。

詳細說明可參考『人工智慧的應用領域』一文。至於應用軟體部份那就多了去了，請參考『人工智慧應用軟體』一文，這邊就不多加描述了。這裡提供兩個交談機器人，有興趣的人可以去玩一下：

線上交談機器人（ELIZA）
台灣版超強的MSN機器人「有問必達」機器人

另外一種常見的『人工智慧』應用是雅虎（Yahoo）、谷歌（Google）、百度（Baidu）等搜尋引擎，根據 2006 年《紐約時報》引述資深撰述馬克夫（John Markoff）的主張，預測語意網、自然語言處理、資料探勘、機器學習、人工智慧等終將整合，將提供直覺有效、令人驚豔的網路互動經驗，形成第三代網路。同時伊茲奧尼主持華盛頓大學的涂林研究中心，在 Goolge 長期贊助與提供資料下，發展出 KnowItAll 語意搜尋引擎，自動蒐集網路資訊，回覆問題。機器閱讀的方法有不少優點，不需要仰賴有語意標示的資料，因此不須等待語意網發展成熟，不需要像 Powerset 那麼費時嚴密地剖析句子，因此可更大量分析網路的文字。看到了嗎？其實人工智慧早已融入我們生活當中。

至於『人工智慧』在軍事用途上的應用那更是多了去了，凡舉圖形辨識、搜尋、追蹤等等都有它的影子，應用範圍從雷達、到巡航飛彈的地形匹配、聲納，多到不勝枚舉。而 YST 居然說它是胡鬧一通，不可能成為一門學問！？他這種狂妄，真是不知伊于胡底。

自然智慧 vs 人工智慧

為什麼提這段呢？那是因為很多人持『人工智慧』無用論的人，喜歡拿人腦跟機器比，比方 YST 說『一張照片，你叫機器分辨是男人還是女人，機器是沒法判定的』，沒錯一台沒有經過訓練的機器的確是沒法判定的。但是人腦是怎樣判定的呢？那是一個透過長時間累積的經驗法則來達成的。比方說，拿到照片初步你會透過性特徵來分辨，如果性特徵不明顯？你則又會依據五官的纖細度來區分，而五官的纖細度則依據你過往的經驗來判斷。當然如果到了這一步還是無法區分的時候，你可能會判定這是一張人妖的照片。而這種過程放在『人工智慧』中就稱之為『推理規則』。

『推理規則』是怎麼產生的呢？在解釋之前，我們先作一個小測試。隨意觀察一幀紅色玫瑰的照片數秒，然後在閉上眼睛，在你的腦海會看到什麼？如果在你沒有照相式記憶，與任何暗示的前提下，你的腦海應該只出現鮮艷花朵的部份，花瓣的形狀、顏色等，至於背景、莖、葉的部份可能就沒有印象了！？沒錯！這種過程就叫做提取特徵值！而不同的特徵值可以讓我們分辨出不同的花朵出來！在人腦中這些過程可以很自然的完成，但是在人工智慧裡，特徵值種類需要被事先設定，提取的方法也必須經過設計的，如此才能完成一則『推理規則』。

『推理規則』的準確度與過往的『經驗』有絕對密切的關係，以剛剛的例子來說，如果你習慣與東方人接觸，突然拿非洲人的照片給你看，你可能分不出他是張三還是李四。那是因為你可能取不出非洲人臉部的特徵值，或者是取出的特徵值讓『推理規則』產生了迷惑！？這時候只有一個辦法可以解決，那就是重新累積經驗，再次設計推理規則。而這樣的程序人腦可以自動啟發，自動學習完成，而機器則你必須教他才可以。因此『機器學習』這樣的學科才應運而生的。一個實際案例可以拿出來討論，那就是 IBM 的語音輸入法 ViaVioce、蒙恬 聽寫王等語音輸入軟體。這類的軟體在安裝完之後，通常會要求你唸上幾個字，然後才可以使用。初期辨識的效果一般不會很理想，但是經過訓練之後，通常效果還不錯。

在人類的智能中除了有了上述的能力之外，還有像洞察、瞭解、與推論的部份。這在人工智能中是比較難被表現出來的。目前只在少數像棋藝的領域中有看到，例如在 IBM 研發出的超級電腦『深藍』詳細的情形請參閱連結『IBM 深藍（Deep Blue）』。

好了！我們知道『推理規則』是人腦與電腦處理問題的準則。所以如果電腦儲存了夠多的規則之後是否可以像人腦一樣聰明呢？答案是不行！因為電腦缺乏規則之間的橫向推演能力！？比方說在上面第一幀相機廣告中，電腦和人腦都可以分辨出哪一個是你大老婆和小老婆，甚至還可以辨別躲在窗簾後面的仁兄和你有沒有親屬關係。然後接下來在人腦方面除了可以自動處理這兩條推理規則之外，還會自動將這兩條推理規則的結果，自動帶入其他適當的推理規則，並且做出反應。比方說判斷你是否已經帶綠帽的規則。而電腦目前據我所知是沒有辦法這樣做的。當然如果可以的話？是否表示電腦已經開始超越人腦的功能呢？

魔鬼終結者

有沒有可能『人工智慧』最後演進成擁有自我意識的『魔鬼終結者』呢？這是關心『人工智慧』的人最後必問的問題。基本上這個問題我回答不上來，但是我們卻可以想想看一個機器（假設是人型機器人）突然有了自我意識之後，它會作些什麼？它的第一句話會不會是，『天啊！我為什麼沒有穿衣服？』。我想這是不太可能的，它應該是像小嬰兒一樣開始學習及認知這個世界！？此時它必須學會幾件事情，首先是辨別『事件』的種類，開始與結束的條件與時間。接著再思考相應的對策。這還不算完，最重要的它還需要在一連串『事件』的刺激下推理出背後的含意，這就難嘍！？這情形就像是在電影『第五元素』中的『莉露』這一角色，在經過大量閱讀戰爭資料後，判定人類是喜歡自相殘殺的，然後在最緊要的關頭產生了，『我為什麼要拯救人類？』的猶豫。而這種的推演的演算法，我是不會的！？等我哪天找到了，再告訴你們吧！

結論

工程師宗利和完美女友愛子

在網路上很多人認為『人工智慧』不能稱之為『智慧』，而必須稱之為『人工模擬智慧』，這是一件很無聊的事情。本來科技這個東西就是模擬自然界的東西，用的是數學的模型、機械的手段、電子的訊號。跟自然界的東西比，有差距本是理所當然的。但如果因為差距就藐視、或詆毀『人工智慧』的價值。這樣顯得非常的不智！？比方說有位加拿大的工程師宗利（Le Trung），他開發一套叫做『愛子』的機器人，據稱愛子擁有一些基礎的感官功能，能夠和人進行交談。我相信目前愛子與真人還是有一定的差距。但是我們能因為這些差距而否定『愛子』的價值嗎？人家可是能夠進行性愛的機器人耶！（唉！真不愧是日本人）至少可以撫慰廣大宅男寂寞的心靈。

誠然，『人工智慧』以目前來說並非是門顯學，但它飛躍式的進步式有目共睹的，比方說人臉辨識，差不多有二十幾年的歷史，剛開始的時候效果不是很好，甚至聽說遇到黑人的時候還會破功，但是現在都進步到很多領域都在使用。這說明『人工智慧』仍然是大有可為的。所以啊！網路上的評論特別是那些知明度比較高的，很多還是看看就好！？別太認真。這裡提供一個網站『名人人臉辨識機』非常好玩，各位看倌可以去玩玩看。

附錄（甲）

傳統語言與符號式語言的比較

	傳統的程式設計	符號式程式語言
1	使用演算法 (algorithm)策略	使用經驗法 (heuristic)策略
2	發展資料庫為主	發展知識庫為主
3	處理數值問題	處理符號的問題
4	可順序或批次方式處理資料	可高度人機交談處理問題
5	推理能力較弱	推理能力較強
6	執行速度較快	執行速度較慢
7	執行過程，系統不可能解釋計算原委	執行過程系統解釋推理的原委較容易
8	計算能力較強	數值計算能力較弱
9	解題的全部知識隱含在整個程式中	將專家的知識表示在機器的知識庫中
10	原則上只能解決那些已經形成科學體系，具有較嚴格規定的問題。	專家系統採用弱方法 (weak method)或探索的方法。他對以之的訊息要求比較弱，可以是不完全的，含錯的，甚至含有模糊不確定的訊息。
11	解決問題前，先要根據問題的內在規律性，建立一個數學或物理模式，最後以演算法形式安排在計算機中處理	解決問題的知識與方法是獨立分開。機器求解不是按預先步驟來進行，而是依據當時環境條件達到目標，在控制策略指導下，透過搜尋狀態空間來求解的。
12	較難實作具有學習能力的程式	專家系統的知識庫容易經由使用者的教授或機器的自我增添或修改，達到學習的目的。

附錄（乙）

• 阿西莫夫機器人三定律：
  • 機器人不得傷害人，或任人受傷害而袖手旁觀。
  • 除非違背第一定律，機器人必須服從人的命令。
  • 除非違背第一及第二定律，機器人必須保護自己。

• 魔鬼終結者：
  • 如果有任何人聽到的話？你就是反抗軍，我是約翰康納～

• 最遙遠的距離：
  • 最遙遠的距離就是，你明明天天都在用我，卻不知道我的存在，我是 A.I. 小兵 ～

最遙遠距離

參考連結

影片連結