(1) AI 人工智慧
AI在這兩年發展之快速令人難以置信。從第一個自動駕駛的Uber，到AlphaGo的勝利 – 人工智慧無疑成為了鎂光燈的焦點。所以，作為我們對這個社群的貢獻，我們決定解碼一些流行語，並且分享一些重要的統計數據，展示你應該了解的趨勢。
需要一些茶餘飯後閒嗑牙的話題嗎？
85％的客服系統，預計將在2020年之前全部自動化。（Gartner）
$ 1.5億美金：這是截至2016年5月，投資於AI的風險投資金額。（CB Insights）
45％的人表示他們對網路隱私和安全的關注阻止他們以完全實名的方式使用網絡。（NTIA）
我知道什麼是AI啦…應該吧
不，這不是AI，我都不知道為什麼自己要配這張圖
透過好萊塢電影和你書架上的科幻小說，相信你對於未來AI的樣貌已經有相當多的想像。但是其實AI已經在我們身邊了，只是…比較低調。
機器自主代理的智能行為就是AI。AI這個詞描述的是大腦，而不是身體，所以今天許多的機器已經是AI了（注意AI≠機器人）。今天的AI可以完成某些特定的任務（駕駛一輛車、預訂會議、挑選你的下一個Netflix影集）。人工智能研究正在導向更先進的綜合人工智能（artificial general intelligence, AGI）。綜合人工智能將可以用和人類一模一樣的方式學習與工作，這是我們都在等待的。
AI的交響曲
AGI（綜合人工智能），是在交響樂結束後的大合奏。但在我們演奏那最後磅礡的和弦之前，每個單獨的樂器必須發揮最好的專業知識。我們相信AI的基礎工具包括：機器學習，深度學習，自然語言理解，環境意識和數據隱私。開始演奏吧！
AI關鍵字
機器學習（Machine Learning, ML）
機器學習和AI是不一樣的。機器學習是AI交響樂中的一個工具 – AI的一個組成部分。那麼機器學習（ML）究竟是什麼？它是一種從先前的數據學習進行運算以預測行為的能力。 ML是教機器在他們從未見過的情況下做出決策。
ML最主流的方法是向算法顯示情境的數據集，並且透過訓練模型告訴它什麼是正確的決定。這是有監督的機器學習。一旦模型已經被訓練，我們可以通過算法餵給機器新的，更多的外部數據，並且希望機器能夠在這些新的情況下做出聰明的決定。
打個比方：當你學習演奏小號時，你會教導手指正確的位置來吹奏音符，這是監督的AI。學習筆記是你的訓練模型。你，人類機器，則負責處理「如何吹奏出之前從沒看過的曲子」（玩其他樂器，播放不同的音樂，不同的節奏…等等）。
深度學習（Deep Learning, DL）
深度學習是機器學習的一個分支，其中人工神經網絡 – 由神經元在大腦中工作的方式啟發的算法 – 通過組合多層人造神經元來找到原始數據中的模式。隨著層數的增加，神經網絡學習抽象的概念的能力也越來越大。
例如，神經網絡可以學習如何識別人臉。怎麼辦到的？第一層神經元從範例圖片獲取像素，下一層學習像素如何形成邊緣的概念，然後該層將該知識傳遞到其他層，組合邊緣的知識以學習臉部的概念。這種分層知識的過程一直持續到神經網絡可以識別特定的特徵，最終就能夠判斷特定的面孔。
深度學習是 Google DeepMind 在 AlphaGo AI 機器中使用的核心技術。這台機器在圍棋對奕中擊敗了人類世界冠軍李世乭。為什麼用圍棋？因為圍棋所有落子可能性的總和，比宇宙中的原子數還要多。
自然語言處理（Natural Language Processing, NLU）
AI必須與人溝通，人必須與彼此溝通。在AI中，這種理解水平被稱為自然語言理解（NLU）。 NLU是人工智能研究中的一個非常重要的優先事項和挑戰。為什麼？因為人類之間的溝通不像是跟機械下指令，而是一個複雜的網絡關係 ：隨機、亂序、幽默、情感或是衝突，自然語言和當下的情境（Context）有很大的關係。
一旦AI征服了人類溝通的挑戰，解碼複雜的問題（自然語言查詢），就可以給出有意義的答案，這會是一個突破性的成長。
語義感知（Context Awareness）
目前的AI助手還沒有辦法像是管家或是秘書一樣，懂得理解你的需求，並解能夠察言觀色。如果你的助理只能每天照著你的行事歷提醒事項，但沒有辦法幫你收集其他的相關資訊…好吧，這不是一個非常有用的助理。
當涉及複雜任務時，理解情境與上下文的關係是非常重要的。當AI可以辨認你到底是真的命令，或是只是在開玩笑的時候，他便可能成為你真正的助理。
看累了吧，我們再來一些數據：
1,196間，這是在Crunchbase上市的AI創業公司數量，這是在全球範圍內所有資助創業公司的在線名單。 （Crunchbase）
6％的成年人說，他們「非常有把握」政府機構可以保護他們的隱私記錄和資料安全（Pew）
6倍：這是從2011到2015年，人工智能的創業公司股權交易增加額。這裡的人工智能包括一些只是簡單應用的公司：像是醫療，廣告，金融，以及一般AI技術。 （CB Insights）
60億：到2018年將提出服務請求的連接設備的數量。想想：你可以用手機控制烤麵包機。（Gartner）
16％的美國就業機會將在十年之內被人工智慧取代。 （Forrester）
2百萬需要佩戴健康和健身跟踪設備作為就業條件的員工人數（為了他們的安全！）。 Gartner
未來的趨勢
“Hey, Siri” ：使用語音指令的頻率會愈來愈高
隨著用自然語言溝通的需求愈來愈多，「語音到文本」技術得到了極大的改進。像是改良版的 Siri 和 Amazon Echo 和或是 Google 語音APP的推出都是很好的真實案例。
AI不是機器的興起，它是人類的機械化
雖然電影裡面經常出現人和機械結合的劇情，但是卻很少談到這些機器具有AI。如 Elon Musk 已經開始談論關於 AI 與人體的合併，AI 的納米技術或許可以讓人類免於死亡！聽起來似乎很有發展性。
網路上的內容會被當做測試的基礎
為了變得更聰明，AI需要大量的數據，模式和新的情況。許多內容平台已經引進了AI技術。比如說用戶的消費模式已經在 Spotify 的「每週發現」，Netflix的「為您推薦」和 Facebook 裡面被記錄，你在這些平台做的篩選決策，將會成為這些AI用來學習的機會。
AI正在學習減少偏見
當一群科學家認識到他們的AI會複製人類的偏見（認為「人 = 計算機程序員」或是「女人 = 家庭主婦」），他們正在打破這些偏見並且讓AI變得更中立。
科技會變得不可或缺…或是消失
我們今年達到了人類依賴科技的頂峰。然而，今年也有許多對於技術過度應用的反動…幾個「正向技術」的運動和相關產品的誕生，像是 Tristan Harris 的《Time Will Spent》，或是 Rand Hindi 的 《Make Technology Disappear》，如 The Light Phone 和 Vinaya 手鐲。
為了面對未來的各種情況，我們現在就需要做好資料隱私
AI的未來取決於數據隱私。為什麼？ 因為沒有這些數據可供學習，AI就不能變得更聰明，開發進度會慢下來。也就是說，現在的這些網路公司會無所不用其極的收集你的個人資訊。而這些公司也必須致力於創造私人和安全的產品。
用戶需要獲得保證，如果他們允許AI完全訪問，他們的個人數據將受到保護。
附註：本文章翻譯自 https://snips.ai/content/intro-to-ai/，原本的網頁做的很漂亮，但是因為這個網站的目標是協助大家快速的理解內容，所以捨棄了大多數的樣式。十分建議大家去原本的網站看看。
(2) 2017年值得關注的7個AI趨勢
Forrester最近（January 3, 2017）對商業和技術專業人士的調查發現，58％的人正在研究AI，但只有12％的人使用人工智能系統。
這部分是因為能夠實際應用的的AI程式現在才開始實現，但也是因為現在AI還很難。
關於AI搶奪人類工作的擔憂當然不是什麼新鮮事，但是我們預期AI將在經濟上產生更意義深遠，更細緻的討論。期望聽到（少一點）關於惡意的AI接管世界，更多地關於AI的經濟影響。
對AI工作負載的持續研究，包括自然語言理解，願景，言語，強化學習信息提取和硬件系統優化（包括成本效益）。
[maxbutton id=”1″ url=”https://www.oreilly.com/ideas/7-ai-trends-to-watch-in-2017″ text=”閱讀原文” ]
(3) AI到底是什麼
蘋果繼2011年推出Siri語音助理後，據傳正在開發人工智慧（Artificial Intelligence，AI）晶片，亞馬遜（amazon.com）和Google等科技業者也積極在AI領域布局，AI儼然已成為兵家必爭之地。
那麼，AI到底是什麼？簡單來說，人工智慧是機器展現的智慧，具備AI的機器能做一些過去只有人類能做的事。
事實上，美國科學家麥卡錫（John McCarthy）早在1956年就提出AI的概念，但近幾年AI才掀起熱潮，今3度擊敗全球排名第1圍棋高手柯潔的圍棋程式AlphaGo就是AI的一個例子。
連續3次擊敗中國圍棋高手柯潔的AlphaGo就是AI的一個例子。路透社
AI具備強大的學習能力，以AlphaGo為例，AlphaGo只花2年多時間棋藝就從業餘棋士水準進步到全球第1。未來幾年全球AI市場規模預料將快速成長，statista的數據顯示，2020年全球AI市場營收將達到60.8億美元，遠高於今年的12.5億美元。
(4) AI 什麼是人工智慧
人工智慧的定義可以分為兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。
關於什麼是“智能”，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維）等等問題。人唯一瞭解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智能”了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人 造系統的智能也普遍被認為是人工智慧相關的研究課題。
人工智慧目前在電腦領域內，得到了愈加廣泛的重視。併在機器人，經濟政治決策，控制系統，模擬系統中得到應用。
人工智慧的研究內容
人工智慧的研究是高度技術性和專業的，各分支領域都是深入且各不相通的，因而涉及範圍極廣。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、電腦視覺、智能機器人、自動程式設計等方面。
1）知識表示是人工智慧的基本問題之一，推理和搜索都與表示方法密切相關。常用的知識表示方法有：邏輯表示法、產生式表示法、語義網路表示法和框架表示法等。
2）常識，自然為人們所關註，已提出多種方法，如非單調推理、定性推理就是從不同角度來表達常識和處理常識的。
3）問題求解中的自動推理是知識的使用過程，由於有多種知識表示方法，相應地有多種推理方法。推理過程一般可分為演繹推理和非演繹推理。謂詞邏輯是演繹推理的基礎。結構化表示下的繼承性能推理是非演繹性的。由於知識處理的需要，近幾年來提出了多種非演澤的推理方法，如連接機制推理、類比推理、基於示例的推理、反繹推理和受限推理等。
4）搜索是人工智慧的一種問題求解方法，搜索策略決定著問題求解的一個推理步驟中知識被使用的優先關係。可分為無信息導引的盲目搜索和利用經驗知識導引的啟髮式搜索。啟髮式知識常由啟髮式函數來表示，啟髮式知識利用得越充分，求解問題的搜索空間就越小。典型的啟髮式搜索方法有A*、AO*演算法等。近幾年搜索方法研究開始註意那些具有百萬節點的超大規模的搜索問題。
5）機器學習是人工智慧的另一重要課題。機器學習是指在一定的知識表示意義下獲取新知識的過程，按照學習機制的不同，主要有歸納學習、分析學習、連接機制學習和遺傳學習等。
6）知識處理系統主要由知識庫和推理機組成。知識庫存儲系統所需要的知識，當知識量較大而又有多種表示方法時，知識的合理組織與管理是重要的。推理機在問題求解時，規定使用知識的基本方法和策略，推理過程中為記錄結果或通信需設資料庫或採用黑板機制。如果在知識庫中存儲的是某一領域(如醫療診斷)的專家知識，則這樣的知識系統稱為專家系統。為適應複雜問題的求解需要，單一的專家系統向多主體的分散式人工智慧系統發展，這時知識共用、主體間的協作、矛盾的出現和處理將是研究的關鍵問題。
人工智慧的研究可以分為幾個技術問題。其分支領域主要集中在解決具體問題，其中之一是，如何使用各種不同的工具完成特定的應用程式。AI的核心問題包括推理、知識、規劃、學習、交流、感知、移動和操作物體的能力等。強人工智慧目前仍然是該領域的長遠目標。目前比較流行的方法包括統計方法，計算智能和傳統意義的AI。目前有大量的工具應用了人工智慧，其中包括搜索和數學優化、邏輯推演。而基於仿生學、認知心理學，以及基於概率論和經濟學的演算法等等也在逐步探索當中。
人工智慧的歷史
“人工智慧”一詞最初是在1956年達特茅斯（Dartmouth）學會上提出的。從那以後，研究者們發展了眾多理論和原理，人工智慧的概念也隨之擴展。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得電腦知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，電腦視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的複雜工作。但不同的時代、不同的人對這種“複雜工作”的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的, 現在電腦不但能完成這種計算, 而且能夠比人腦做得更快、更準確, 因之當代人已不再把這種計算看作是“需要人類智能才能完成的複雜任務”, 可見覆雜工作的定義是隨著時代的發展和技術的進步而變化的, 人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展, 一方面又轉向更有意義、更加困難的目標。目前能夠用來研究人工智慧的主要物質手段以及能夠實現人工智慧技術的機器就是電腦, 人工智慧的發展歷史是和電腦科學與技術的發展史聯繫在一起的。除了電腦科學以外, 人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。
在定義智慧時，英國科學家圖靈做出了貢獻，如果一臺機器能夠通過稱之為圖靈實驗的實驗，那它就是智慧的，圖靈實驗的本質就是讓人在不看外型的情況下不能區別是機器的行為還是人的行為時，這個機器就是智慧的。不要以為圖靈只做出這一點貢獻就會名垂表史，如果你是學電腦的就會知道，對於電腦人士而言，獲得圖靈獎就等於物理學家獲得諾貝爾獎一樣，圖靈在理論上奠定了電腦產生的基礎，沒有他的傑出貢獻世界上根本不可能有這個東西，更不用說什麼網路了。
科學家早在電腦出現之前就已經希望能夠製造出可能模擬人類思維的機器了，在這方面我希望提到另外一個傑出的數學家、哲學家布爾，通過對人類思維進行數學化精確地刻畫，他和其它傑出的科學家一起奠定了智慧機器的思維結構與方法，今天我們的電腦內使用的邏輯基礎正是他所創立的。
我想任何學過電腦的人對布爾一定不會陌生，我們所學的布爾代數，就是由它開創的。當電腦出現後，人類開始真正有了一個可以模擬人類思維的工具了，在以後的歲月中，無數科學家為這個目標努力著，現在人工智慧已經不再是幾個科學家的專利了，全世界幾乎所有大學的電腦系都有人在研究這門學科，學習電腦的大學生也必須學習這樣一門課程，在大家不懈的努力下，現在電腦似乎已經變得十分聰明瞭，剛剛結束的國際象棋大賽中，電腦把人給勝了，這是人們都知道的，大家或許不會註意到，在一些地方電腦幫助人進行其它原來只屬於人類的工作，電腦以它的高速和準確為人類發揮著它的作用。人工智慧始終是電腦科學的前沿學科，電腦編程語言和其它電腦軟體都因為有了人工智慧的進展而得以存在。
現在人類已經把電腦的計算能力提高到了前所未有的地步，而人工智慧也在下世紀領導電腦發展的潮頭，現在人工智慧的發展因為受到理論上的限制不是很明顯，但它必將象今天的網路一樣深遠地影響我們的生活。
讓我們順著人工智慧的發展來回顧一下電腦的發展，在1941年由美國和德國兩國共同研製的第一臺電腦誕生了，從此以後人類存儲和處理信息的方法開始發生革命性的變化。第一臺電腦的體型可不算太好，它比較胖，還比較嬌氣，需要工作在有空調的房間里，如果希望它處理什麼事情，需要大家把線路重新接一次，這可不是一件省力氣的活兒，把成千上萬的線重新焊一下我想現在的程式員已經是生活在天堂中了。
終於在1949發明瞭可以存儲程式的電腦，這樣，編程程式總算可以不用焊了，好多了。因為編程變得十分簡單，電腦理論的發展終於導致了人工智慧理論的產生。人們總算可以找到一個存儲信息和自動處理信息的方法了。
雖然現在看來這種新機器已經可以實現部分人類的智力，但是直到50年代人們才把人類智力和這種新機器聯繫起來。美籍俄裔數學家、控制論的創始人諾伯特·維納（Norbert Wiener）在反饋理論上的研究最終讓他提出了一個論斷，所有人類智力的結果都是一種反饋的結果，通過不斷地將結果反饋給機體而產生的動作，進而產生了智能。我們家的抽水馬桶就是一個十分好的例子，水之所以不會常流不斷，正是因為有一個裝置在檢測水位的變化，如果水太多了，就把水管給關了，這就實現了反饋，是一種負反饋。如果連我們廁所里的裝置都可以實現反饋了，那我們應該可以用一種機器實現反饋，進而實現人類智力的機器形式重現。這種想法對於人工智慧早期的有著重大的影響。
在1955的時候，美國電腦科學家艾倫·紐威爾(Allen Newell)和赫伯特·西蒙(Herbert A.Simon)The Logic Theorist程式，它是一種採用樹形結構的程式，在程式運行時，它在樹中搜索，尋找與可能答案最接近的樹的分枝進行探索，以得到正確的答案。這個程式在人工智慧的歷史上可以說是有重要地位的，它在學術上和社會上帶來的巨大的影響，以至於我們現在所採用的方法思想方法有許多還是來自於這個50年代的程式。
1956年，“人工智慧之父”和LISP語言的發明人(ZT) 約翰·麥卡錫（John McCarthy）召集了一次會議來討論人工智慧未來的發展方向。從那時起，人工智慧的名字才正式確立，這次會議在人工智慧歷史上不是巨大的成功，但是這次會議給人工智慧奠基人相互交流的機會，併為未來人工智慧的發展起了鋪墊的作用。在此以後，工人智能的重點開始變為建立實用的能夠自行解決問題的系統，並要求系統有自學習能力。在1957年，艾倫·紐威爾和赫伯特·西蒙又開發了一個程式稱為General Problem Solver(GPS)，它對維納的反饋理論有一個擴展，並能夠解決一些比較普遍的問題。別的科學家在努力開發系統時，麥卡錫創建了表處理語言LISP，直到現在許多人工智慧程式還在使用這種語言，它幾乎成了人工智慧的代名詞，到了今天，LISP仍然在發展。
在1963年，麻省理工學院受到了美國政府和國防部的支持進行人工智慧的研究，美國政府不是為了別的，而是為了在冷戰中保持與蘇聯的均衡，雖然這個目的是帶點火藥味的，但是它的結果卻使人工智慧得到了巨大的發展。其後發展出的許多程式十分引人註目，SHRDLU是維諾格拉德(T.Winograd)於1972年在美國麻省理工學院建立了一個用自然語言指揮機器人動作的系統。在這個大發展的60年代，STUDENT系統可以解決代數問題，而SIR(Selective Integrated Rail)系統則開始理解簡單的英文句子了，SIR的出現導致了新學科的出現：自然語言處理。在70年代出現的專家系統成了一個巨大的進步，他頭一次讓人知道電腦可以代替人類專家進行一些工作了，由於電腦硬體性能的提高，人工智慧得以進行一系列重要的活動，如統計分析數據，參與醫療診斷等等，它作為生活的重要方面開始改變人類生活了。在理論方面，70年代也是大發展的一個時期，電腦開始有了簡單的思維和視覺，而不能不提的是在70年代，另一個人工智慧語言Prolog語言誕生了，它和LISP一起幾乎成了人工智慧工作者不可缺少的工具。不要以為人工智慧離我們很遠，它已經在進入我們的生活，模糊控制，決策支持等等方面都有人工智慧的影子。讓電腦這個機器代替人類進行簡單的智力活動，把人類解放用於其它更有益的工作，這是人工智慧的目的，但我想對科學真理的無盡追求才是最終的動力吧。
人工智慧的應用領域
1、問題求解
人工智慧的第一大成就是下棋程式，在下棋程度中應用的某些技術，如向前看幾步，把困難的問題分解成一些較容易的子問題，發展成為搜索和問題歸納這樣的人工智慧基本技術。今天的電腦程式已能夠達到下各種方盤棋和國際象棋的錦標賽水平。但是，尚未解決包括人類棋手具有的但尚不能明確表達的能力。如國際象棋大師們洞察棋局的能力。另一個問題是涉及問題的原概念，在人工智慧中叫問題表示的選擇，人們常能找到某種思考問題的方法，從而使求解變易而解決該問題。到目前為止，人工智慧程式已能知道如何考慮它們要解決的問題，即搜索解答空間，尋找較優解答。
2、邏輯推理與定理證明
邏輯推理是人工智慧研究中最持久的領域之一，其中特別重要的是要找到一些方法，只把註意力集中在一個大型的資料庫中的有關事實上，留意可信的證明，併在出現新信息時適時修正這些證明。對數學中臆測的題。定理尋找一個證明或反證，不僅需要有根據假設進行演繹的能力，而且許多非形式的工作，包括醫療診斷和信息檢索都可以和定理證明問題一樣加以形式化，因此，在人工智慧方法的研究中定理證明是一個極其重要的論題。
3、自然語言處理
自然語言的處理是人工智慧技術應用於實際領域的典型範例，經過多年艱苦努力，這一領域已獲得了大量令人註目的成果。目前該領域的主要課題是：電腦系統如何以主題和對話情境為基礎，註重大量的常識——世界知識和期望作用，生成和理解自然語言。這是一個極其複雜的編碼和解碼問題。
4、智能信息檢索技術
信息獲取和精化技術已成為當代電腦科學與技術研究中迫切需要研究的課題，將人工智慧技術應用於這一領域的研究是人工智慧走向廣泛實際應用的契機與突破口。
5、專家系統
專家系統是目前人工智慧中最活躍、最有成效的一個研究領域,它是一種具有特定領域內大量知識與經驗的程式系統。近年來，在“ 專家系統”或“ 知識工程”的研究中已出現了成功和有效應用人工智慧技術的趨勢。人類專家由於具有豐富的知識，所以才能達到優異的解決問題的能力。那麼電腦程式如果能體現和應用這些知識，也應該能解決人類專家所解決的問題，而且能幫助人類專家發現推理過程中出現的差錯，現在這一點已被證實。如在礦物勘測、化學分析、規劃和醫學診斷方面，專家系統已經達到了人類專家的水平。成功的例子如：PROSPECTOR系統（用於地質學的專家系統）發現了一個鉬礦沉積，價值超過1億美元。DENDRL系統的性能已超過一般專家的水平，可供數百人在化學結構分析方面的使用。MY CIN系統可以對血液傳染病的診斷治療方案提供咨詢意見。經正式鑒定結果，對患有細菌血液病、腦膜炎方面的診斷和提供治療方案已超過了這方面的專家。
強人工智慧和弱人工智慧
人工智慧的一個比較流行的定義，也是該領域較早的定義，是由當時麻省理工學院的約翰·麥卡錫在1956年的 達特矛斯會議上提出的：人工智慧就是要讓機器的行為看起來就像是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性（見下）。另一個定義指人工智慧是人造機器所表現出來的智能。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器“像人一樣思考”、“像人一樣行動”、“理性地思考”和“理性地行動”。這裡“行動”應廣義地理解為採取行動，或制定行動的決策，而不是肢体動作。
強人工智慧觀點認為有可能製造出真正能推理（Reasoning）和解決問題（解決問題）的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：
類人的人工智慧，即機器的思考和推理就像人的思維一樣。
非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。
弱人工智慧觀點認為不可能製造出能真正地推理和解決問題的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。
強人工智慧的研究目前處於停滯不前的狀態下。人工智慧研究者不一定同意弱人工智慧，也不一定在乎或者瞭解強人工智慧和弱人工智慧的內容與差別。就現下的人工智慧研究領域來看，研究者已大量造出看起來像是智能的機器，獲取相當豐碩的理論上和實質上的成果，如2009年康乃爾大學教授Hod Lipson 和其博士研究生Michael Schmidt 研發出的 Eureqa電腦程式，只要給予一些數據，這電腦程式自己只用幾十個小時計算就推論出牛頓花費多年研究才發現的牛頓力學公式，等於只用幾十個小時就自己重新發現牛頓力學公式，這電腦程式也能用來研究很多其他領域的科學問題上。
“強人工智慧”一詞最初是約翰·羅傑斯·希爾勒針對電腦和其它信息處理機器創造的，其定義為：
“強人工智慧觀點認為電腦不僅是用來研究人的思維的一種工具；相反，只要運行適當的程式，電腦本身就是有思維的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）
關於強人工智慧的爭論，不同於更廣義的一元論和二元論的爭論。其爭論要點是：如果一臺機器的唯一工作原理就是轉換編碼數據，那麼這台機器是不是有思維的？希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是轉換數據，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和這實際事情之間的對應關係的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。
也有哲學家持不同的觀點。丹尼爾·丹尼特在其著作《意識的解釋》（Consciousness Explained）里認為，人也不過是一臺有靈魂的機器而已，為什麼我們認為：“人可以有智能，而普通機器就不能”呢？他認為像上述的數據轉換機器是有可能有思維和意識的。 有的哲學家認為如果弱人工智慧是可實現的，那麼強人工智慧也是可實現的。比如西蒙·布萊克本（Simon Blackburn）在其哲學入門教材Think里說道，一個人的看起來是“智能”的行動並不能真正說明這個人就真的是智能的。我永遠不可能知道另一個人是否真的像我一樣是智能的，還是說她／他僅僅是看起來是智能的。基於這個論點，既然弱人工智慧認為可以令機器看起來像是智能的，那就不能完全否定這機器是真的有智能的。布萊克本認為這是一個主觀認定的問題。
需要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的電腦能做的事，像算術運算等，在一百多年前是被認為很需要智能的。並且，即使強人工智慧被證明為可能的，也不代表強人工智慧必定能被研製出來。
目前絕大多數人工智慧系統都是建立在物理符號系統假設之上的。在尚未出現能與物理符號系統假設相抗衡的新的人工智慧理論之前，無論從設計原理還是從已取得的實驗結果來看，Soar 在探討智能行為的一般特征和人類認知的具體特征的艱難征途上都取得了有特色的進展或成就，處在人工智慧研究的前沿。
80 年代，以納維爾(Newell)為代表的研究學者總結了專家系統的成功經驗，吸收了認知科學研究的最新成果，提出了作為通用智能基礎的體繫結構Soar。目前的Soar已經顯示出強大的問題求解能力。在Soar中已實現了30多種搜索方法，實現了若幹知識密集型任務(專家系統)，如RI（用產生式規則表達知識，採用正向推理的控制結構，用OPSS語言寫成。）等。rooks提出了人工智慧的一種新的途徑，認為無需概念或者說無需符號表示，智能系統的能力可以逐步進化。在它的研究中突出4 個概念:
1) 所處的境遇，機器人不涉及抽象的描述,而是處在直接影響系統的行為的境地。
2) 具體化，機器人有軀幹,有直接來自周圍世界的經驗,他們的感官起作用後立即會有反饋。
3) 智能，智能的來源不僅僅是限於計算裝置,也是由於與周圍進行交互的動態決定。
4) 浮現，從系統與周圍世界的交互以及有時候系統的部件間的交互浮現出智能。
(5) 從工人智慧到人工智慧，期待又怕受傷害？
當有些人喊著 AI 會殺人，有些人搶先用 AI 來做聰明的事，甚至是救人一命！本文取自中央研究院「機器學習月」與「人工智慧跨域領袖營」活動內容，聊聊各領域最新的 AI 發展與應用。
用 AI 救人：觀察細微脈博
「余憶童稚時，能張目對日，明察秋毫。見藐小微物，必細察其紋理，故時有物外之趣。」若你曾在國文課本讀到這段，可曾驚嘆沈復的好眼力？
現在你可以拍拍沈復的肩膀說「以 AI 細視，汝更覺呀然驚恐」。因為人工智慧的影像處理技術宛如一副神奇眼鏡，能看到肉眼察覺不到的細微變化，例如：當血液隨脈博通過臉部，造成的膚色變化。
▲心跳訊號放大 100 倍的手機拍攝影像，可以看見當血液被打上來通過臉部，皮膚顏色明顯變紅 (右圖)。
這個影像放大技術反之，也能藉由偵測臉部皮膚顏色變化的頻率，回推心跳速率。對於新手爸媽而言，常見的焦慮是「總想確認寶寶還在呼吸嗎」，因為嬰兒熟睡時一吸一吐的胸部起伏相當細微，從外觀難以分辨。
發展這個影像放大技術的團隊，發現也能從嬰兒睡覺的影像推估心跳速率，數值準確度可與醫療監測器相比，有機會應用於家庭日常的呼吸監測，預防嬰兒猝死症 (SIDS)。
▲脈博訊號放大 150 倍的影像，可以透過血液流經臉部的膚色變化頻率，推估嬰兒脈博的速率。
大眾看新聞時，經常好奇螢幕中人說話是否屬實，例如當立委說出「一生監督你一人」時，政府官員是否有動情。表情可以透過臉部肌肉控制，而脈搏跳動加快、引起血液流經臉部的膚色變化，透過這個訊號放大技術解析，就藏不住心跳了。
用 AI 聚集靈感：社會物理學
俗話說：「三個臭皮匠，勝過一個諸葛亮」，但如果臭皮匠高達成千上萬名呢？
透過社群網絡，串起成千上萬名臭皮匠互相交流資訊、溝通意念，並透過資料科學依此預測未來的行為、找出問題的對策，可說是「社會物理學 (Social Physics)」的奧義。而提倡社會物理學這門新科學之人，是被《富比世》雜誌譽為「全球 7 大權威資料科學家之一」的 Alex “Sandy” Pentland 教授。
來自美國麻省理工學院的 Alex “Sandy” Pentland 教授，在機器學習月演講中向大家提問：「在這裡有多少人認為自己是獨立的個體？」
儘管 YouTube 出身的 HowHow 堪稱「邊緣人中的霸主」，而生活中也有許多人在群體中感到孤立，但 Alex “Sandy” Pentland 教授指出 ，無論在虛擬社群和真實社會中，沒有人是獨立切割的。
每個人都是社會的一部分，共享資料、共享資訊，這時意念彷彿化為一條時間長河、流動著，每個人涉身其中，從彼此的經驗想法中學習，最終成就我們自己的習慣和興趣。
而這些可共享、可分析的資料從何而來？就在人們身邊各處──包含通話紀錄、信用卡交易、 GPS 定位紀錄等等，像是糖果屋童話中撒下的「數位麵包屑」，表達著你的生活行蹤與選擇偏好，而差別是不會被森林裡的動物吃掉。
▲數位麵包屑最常見的應用：根據駕駛人手機提供的 GPS 數據，逐分鐘更新交通順暢 (綠色) 或壅塞 (紅色) 情況。
數位麵包屑與臉書 (Facebook) 貼文大不相同，臉書貼文是人們選擇性過濾、編輯的資訊。比起人們自己說自己做了什麼，日常的數位麵包屑反而更能反映個人真實情況。
年齡、性別沒辦法精準表達你是誰，更重要的是你去了哪裡、做了什麼。
Steve Jobs 曾說：「所謂的創造力，只是將事物聯繫起來」，而社會物理學基於貝氏網路 (Bayesian network) 發展，透過數位麵包屑將不同情況聯繫起來，找出「情況 A」和「相關情況」之間的機率關係。
▲例如，透過數位麵包屑，知道有糖尿病風險的人何時在哪吃飯、或是不善理財的人在哪消費，即時對個人做出提醒，或蒐集數據改善健康或金融政策。
Alex “Sandy” Pentland 教授再舉例，若在地圖看到 GPS 人流移動到了城郊某一地帶就停止，傳達的資訊是：當大多數人停止前往該區，代表該區容易有犯罪活動。並另以北京的資料指出，若當地的交通網絡完善、社群流動越密集，未來三年該區的經濟成長機率也偏高。這些社群行動觀察，有助於城市規劃與犯罪防治，而且運用的資料無須涉及記名資訊。
社群範圍也能縮小到公司。 Alex “Sandy” Pentland 團隊與美國銀行 (Bank of America) 的電話客服中心合作，實驗若客服員之間有越多的想法交流，是否能降低每通客服電話的處理時間。分析結果發現，比起客服員逐一單獨休息，讓整個客服團隊一起休息更好，因為有助增進團隊間的交談、交流工作竅門，讓處理客服電話的平均時間大幅降低。
從工人智慧到人工智慧，期待又怕受傷害
適合發展 AI 的是「有特定知識」、「行為可預測」的領域，並且應善用「原本就有的資料」，例如臺灣累積豐富的醫學影像，這些影像透過機器學習就能轉換為知識，而非從頭開發網站，去蒐集新的使用者資料。
在 Google 有幾萬名工程師在進行幾千項專案，各種領域都有人嘗試，甚至包含用影像辨識判斷正在飛行是不是母蚊，是的話就擊殺，藉此來斷絕蚊子成為疾病傳染源。簡立峰分享， Google 若進行 5000 項 AI 專案，最後證實有用的不到 10 項，實作後會發現論文演算法講得頭頭是道，但實作後好像不是這回事，許多參數調不出來。
然而，這些過程不是白費。 Google 從這些專案裡的工程師選出 50 位較富經驗者、組成顧問團，再引導大家嘗試各種 AI 專案，而前提是要建立開源文化，開放讓所有員工自由修改程式碼，應用在自己的專案中。
臺灣的組織化領導，讓軟體高手沒有發揮空間，就算有神字輩也只是當兵用。
許多人會好奇，為什麼 Google 軟體開發這麼厲害？簡立峰提到，臺灣生產「硬體」的組織結構，是將軍關在辦公室，帶領生產線的幾千名士兵，一起完成最後的產品。「軟體」的思維要倒過來，Google 採取「有將軍沒有兵」的模式，人人都是將軍，讓神人站上第一線寫程式，自己 debug 解決問題。
「AI 是當紅的產業趨勢，但我的小孩不是讀這個領域的怎麼辦？」在演講中，一位中年父親提出許多家長會有的疑問。
「通常華人的傳統，生了兩個小孩，一個會讓他出去外面的世界闖，一個會留下來照顧老家……」簡立峰從社會文化與人之常情，比喻臺灣整體產業發展。
在 AI 時代，科學可以突破百分之八九十，但最後一哩路比想像中難度更高。哪裡熱門、大家都趨之若鶩，即使可能史上最大的失敗就在眼前。這是出去闖的孩子會面對的問題。簡立峰提到，臺灣可以參考以色列的產業策略，弱水三千只取一瓢飲，著重發展大市場需要的尖端技術，例如臺灣的鏡頭技術世界知名，就有更多優勢延伸發展電腦視覺領域。
從古至今，地圖視角會影響思維。簡立峰提到，若換個角度看臺灣，別忘了日本、南韓、新加坡、東南亞就在附近，許多 AI 合作機會就在臺灣旁邊。
而若不在 AI 領域，留下來的孩子，則應跟臺灣土地有所連結，發展他國取代不了、有信賴感的產業：例如醫療、食品、農業，讓在外面闖的孩子無論什麼時候回家，都能感受到在地文化、安心踏實。
學界與產業離很遠？創造一個機會齊動腦！
2017 年政府宣示「臺灣 AI 元年」即刻開始，但要落實到業界尚有層層挑戰。為此，科技部與中研院舉辦五天四夜的密集研習，向國內外講師借智慧、聚集學員間的意念流，來討論各產業要懂哪些 AI 先備知識、遇到的問題如何解決。
以臺灣醫療產業而言，優勢是已累積豐富的影像診斷資料，若在保護病人隱私的前提下開放資料，就有機會透過電腦視覺協助醫師診斷病情，或是監測嬰兒老人的睡眠呼吸中止情況。甚至在診間，當病人聽完診斷滿臉問號，這時一旁的鏡頭偵測到病人表情，就能提醒醫生要再多加說明、增進醫病關係。
製造業的學員則回饋，若企業自己架設機房、自己租用雲端伺服器，這種燒錢行為會降低轉型意願，希望政府能提供雲端運算資源的協助，例如國家實驗研究院高速網路與計算中心 (國網中心) 的 GPU 伺服器。
「在華爾街大量招募資料科學家的趨勢下，臺灣的 FinTech (金融科技) 仍受限法規，綁手綁腳無法前進！」來自金融界的學員表示。希望能透過調整金融法規、個資法規，讓去識別化的財務資料成為可應用數據，藉以分析客戶的潛在風險、或預測未來交易。或者，開戶時結合電腦視覺技術，透過影像辨識開戶者是否有異常的心跳表現、說謊的可能性，及早阻止不當的金融交易。
最後，無論是想出去或留下來的孩子，以及學界產業界的人士，若有興趣進一步了解 AI 領域中各技術有何不同，下圖的「資料科學學習地圖」將能作為指引。
▲初次進入 AI 領域，需從核心課程出發，再依興趣或需求轉往「資料探勘」、「網路爬蟲」、「進階應用」方向。
儘管 AI 之路讓人既期待又怕受傷害，但如同電影《三個傻瓜》所言：「請把手放在心上說『一切都好』，我們的心太容易害怕，你得哄騙它。不管天大問題，告訴你的心『一切都好』，那會讓你有勇氣去面對問題。」
For Reference Only :
http://www.appledaily.com.tw/realtimenews/article/new/20170527/1127692/
https://dsgn.tw/archives/56345
http://wiki.mbalib.com/zh-tw
https://www.inside.com.tw/2017/11/09/machine-learning-month-ai-camp-2017
僅供参考 若侵權 告之速删
