版权声明：本文内容来自数位时代，如您觉得不合适，请与我们联系，谢谢。
智能产业，随着近年科技业的炒作而成了媒体的新宠儿。然而，当技术名词成了行销名词，词意上难免生变。
就如同「云端计算」（Cloud Computing）成为噱头词时，云端从原本平台（Platform）和架构（Infrastructure）资源的共用与分租概念，变成了包山包海、只要是需要上网的应用程式都被冠上了「云端」二字。就连单纯的伺服器平台商、电子商务平台、内容平台等早在「Web 1.0」年代就司空见惯的产品与商业模式，也新瓶装老酒、被冠上「云端」二字再度行销。
如今，人工智能产业也有同样的情况。因此在选择如何投资和参与人工智能产业之前，容许我们先抽丝剥茧，深入了解人工智能产业的各种虚实面向。
人工智能简史
人工智能最早可以追溯到百年、甚至千年以前的知识学（哲学的一门）。古今中外各哲学家对于人类与动物的智能都有高度的兴趣，如笛卡儿（Descartes）就相信人类与动物最大的差别在于人类的智能是极具创造力和认知能力的，而动物智能则是单纯的「自动化机器」（Automaton），没有情感、没有理性推理能力、没有创意，也无法跟人做智能性的沟通。（当然，这些早期的理论早已被近代科学推翻）
到了十八世纪，第一波工业革命接近尾声，以蒸汽机等外燃机带动的生产线工业使得人们开始感受到机器取代人力的忧虑。然而，当时的工业化机械尚未有稳健的「人工智能」理论基础。
现代的人工智能理论应该要从二十世纪初期的计算学开始，代表人物包含哥德尔（Kurt Gödel）与图灵（Alan Turing）。但一点值得注意的就是当时计算学家所设计出的「智能」理论，实际上是用于量化系统化工作。以图灵设计的图灵机器（Turing Machine，自动化机器的一种）为例，其理论灵感来自于工业生产线，并且以在捆捆纸带上打洞来进行自动化计算工作。对于二十世纪初的计算学家而言，「人工智能」只是一种能够将计算工作自动化的理论，并没有跟人类的各种智能面向作深度的理论连结。同期，心理学家透过行为心理学（Behaviorism）来探讨人类的智能，而哲学家（尤其是知识学家）则透过科学验证、实证论、唯实论等探讨人类智能，可惜当时（1960年代以前）这些理论并没有与计算学。
基本上在1960年代以前，业界讨论的人工智能只是今日的资讯科学（Computer Science）。
而在1960年代，学术界发生了很重要的变革，那就是认知科学革命（Cognitive Revolution）。简单而言，认知科学革命认为人与动物的行为背后有更深层的感官、知识、专注力等认知层面，因此不能纯粹从行为资料上去形容智能。此变革，使得资讯科学、心理学、哲学、统计学等学术领域开始合并，产生了现代人工智能的基础。
1970年代开始，一些学者与业界人士开始利用认知心理学的知识模型与逻辑学来设计所谓的专家系统（Expert Systems），这类系统讲究资料之间与概念之间的关系，让机器（计算机）可以进行人类一般的深层语义推理。打个比方，人类知道大象有四只脚，而若一只大象跛了脚，那这只大象必定行动不便。在九零年代以前，人工智能理论多注重于设计这类拥有深度语义知识的系统。
在学术界，若提到「人工智能」（Artificial Intelligence），大家联想到的就是1970年代主流的「传统人工智能」。
到了1990年代，许多人工智能学者和业界人士发现传统人工智能的系统太过于复杂且古板（无法容许误差），无法用来设计实用的大型商用系统。因此，往后，越来越多学者与业界人士开始投入利用统计学模型来模拟人类决策的机器学习（Machine Learning）。
往后20多年，由于计算机计算能力大增、计算机硬体价格低廉，弹性且能容许误差的机器学习方法几乎全盘取代传统人工智能，成为今天的技术主流。
人工智能今天与未来面向
传统人工智能方法讲究探讨人类的知识、推理以及感官结构，目的在于创造人类一般的「通用人工智能」（Artificial General Intelligence），可以透过知识汇整和推理学习全新的知识、全新的语言，甚至全新的推理方式。
当人工智能产业为了实用性考量而改以机器学习为理论基础时，我们整体产业已决定用精准度和实用性去取代人工智能的科学性。
今日人称「人工智能」的机器学习，跟传统人工智能方法有几种根本性差异：首先，机器学习方法需要大量的资料；第二，这些资料的采集、筛选以及处理，都仰赖良好的变数选择（Variable Selection）；第三，机器学习方法的输入以及输出结果之间的关系是建立于统计关系，而非逻辑与语义关系；第四，机器学习方法的结果的意义来自于设计者赋予的意义，而非模型结构本身。
打个比方，现在业界常常炒作的「深度学习」（Deep Learning），就是很典型的机器学习方法。简单而言，深度学习的理论基础很单纯，基本上就是「人工神经网路」，用许多可以处理输入的资讯处理单位（学术上称神经元Perceptron）来组成一网路，然后再用多层网路来做出理想的统计分布。故此，深度学习需要的资料量可能是目前所有机器学习方法最大的；第二，在进行深度学习之间，设计者必须先定义和选择合适的变数来做学习；第三，神经元、网路的输出结果的标准在于统计分布符合设计者的期许，并没有天生的逻辑或与语言上的意义；第四，深度学习的方法本身并非专注于教育、自然语言、机器人、工业4.0等领域，其实用上的意义是由设计者定义的。
事实而言，最近十年来人工智能产业的突破都要归功于机器学习。但是，许多关于人工智能可能将发展成拥有自由意识的终结者之舆论，基本上都不会成真。因为不单单是现今机器学习方法与人类智能的纯理论研究渐行渐远，关于自由意识、情感、自我等观念，仍停留在哲学与心理学的纯理论阶段，目前不但学术界与业界没有工程化的趋向，说穿了也没有这方面的兴趣。
突飞猛进的人工智能产业
说了这么多，让我们来讨论一下那些人工智能面向是真的突飞猛进，而且有长期的技术资本。
自然语言处理
长久以来，人类的语言处理对于计算机来说是一大难题。资讯工业早期仍使用以标准文法（Regular grammar）、上下文无关文法（Context-free grammar）等计算机理论来处理自然语言，而事实显示，人类的语言比处理计算机字元复杂许多。
经过数十年的研究演进，自然语言相关技术可粗略分为几大类：词法学（Morphology）探讨单字的词性与其他变化、句法分析（Syntactic Parsing）探讨文法结构、语义学（Semantics）探讨句中的各类隐性意涵，以及篇章分析（Discourse Analysis）探讨整篇文章的大义以及整体意涵。若是自动化对话系统，还有所谓的对话管理（Dialogue Management）。
透过各类机器学习方法，自然语言的各类领域都有长足的进步。最明显的例子应该就是现代主要搜寻引擎（Google、Bing）能够相当精准地从问句中判断使用者所需的资讯，从维基百科上的简介、到世界银行上的统计资料、到计算方程式，都可以在不点选任何搜寻结果的情况下取得。
目前自然语言技术仍以词法学与句法分析为基础，并涉及小部分的语义学。在未来相信自然语言处理在语义、篇章分析以及情绪分析等领域会有更明显的进步。
计算机视觉
计算机视觉简单而言就是从任何影像资料中找到有意义的抽象知识。近几年拜云端计算带来的巨大运算能力提升，使得越来越多计算机视觉应用得以利用深度学习去从做更精准的多层次辨识。所谓多层次辨识意思就是从像素中先去找小的特征（Feature），然后再从小的特征集合中去寻找更大的特征，用多层次的特征辨识去得到更精准的输出结果。打个比方，早期的机器学习方法可能会将人的一张脸归类为一特征进行辨识，但随着今天的资料量和运算能力提升，利用多层次辨识，我们可以透过先从像素中寻找眼睛、鼻子、嘴巴、毛发等特征，再从这些特征组合去辨识图像中是否有人脸、狗或是其他动物。
这部分的技术在未来几年也可望会有长足的进步。
工业最佳化
各类工业最佳化是自古以来就不断精进的技艺，但过去各类最佳化因受限于资料采集，因此在从原物料、制造、物流、人事管理、零售等各类变数去进行最佳化时，无法快速因应情况变化进行调整，更难以进行预测去防止问题发生。
如今拜工业物联网所赐，小至单节点之温度、电压、湿气等侦测器，大至单厂房制造量、生产链之日产量的扫描验收，都可以快速取得并进行处理汇整。过去要掌握如此多变数，并汇整每秒、每分、每时、每日、每月的资料所需要的人力太大，成本上难以达成。
今天由于资料采集与汇整成本低廉，工业用人工智能除了过去的线性最佳化模型以外，更可以利用机器学习进行时间性的变数预测，让许多工业可以在各类大小变数变化时进行预测性的生产链调整（比如说天然气能源公司可以透过天气预测和天然气产量来预测未来一个礼拜的精炼、物流和储存计画）。
过去时间序列（Time Series）相关机器学习方法所需之资料量与计算时间过大，今天这些障碍都以慢慢解决。因此，工业用相关人工智能可望在未来几年内如虎添翼。
人工智能产业应预防的泡沫
讲了一些目前快速发展的人工智能领域后，也不得不提一些挂羊头卖狗肉的人工智能应用泡沫。先前稍微讨论过人工智能的发展简史，至此我们也能了解当「人工智能」成了噱头词以后，有多少简单、过时的电子化产品，被假冒成人工智能产品来贩卖。
而第一已过热的就是许多以「能感受人类情感」的伴随机器人。许多此类产品包括看护机器人Pepper、Nao机器人以及互动玩具Cozmo，都利用「了解情感」作为行销台词，但事实上，这些机器人所谓的「情感」只不过是先设定好的一些程式反应。反观人类与动物的情感，是建立于某种自我与客观的互动上。真正的情感不但能够唤起记忆、改变知识存取的方式，甚至能够改变一人对于自我和客观事物的认知。不管从哲学、科学还是工程的角度看来，这些产品完全没有「情感」的理论基础，其制式化的互动模式连人工智能都称不上。
而第二有过热倾向的就是现在被称作「聊天机器人」（Chat bot）的潮流。当像x.ai这类的聊天机器人新创公司成功筹资后，有许多新创团队也跟风一头栽了进去，连Facebook、Slack等平台都开放聊天机器人整合。而事实上，绝大多数的聊天机器人完全没有称得上人工智能的技术基础。若从自然语言技术的对话管理系统来看，目前多数的聊天机器人（包括亚马逊Alexa以及Google在内），其实只是很单纯的关键字比对并执行对应程序，并没有进行任何有深度的对话管理。像是有x.ai技术程度的聊天机器人的新创公司其实并不多，而目前太多滥竽充数的聊天机器人，对于真正致力于研发对话管理和自然语言技术的公司的形象造成很大的伤害。
最后一过热的人工智能产业别恐怕要属智能家电与智能城市。当然，智能家电与智能城市本身自然有非常重要的人工智能应用，比如说可以利用广大的家用和公共设备的能耗、寿命资料来进行机器学习，用此帮助家庭和城市汰换旧设备并调效新设备组合。但是，智能家电与智能城市发展至今，已经有太多过气的网路监视器、网路麦克风，甚至电子票券系统商都跳出来讲自己在研发智能家电和智能城市应用。所谓智能家电与智能城市的原意，让基本的硬体与网路连结喧宾夺主，未来创业家与投资人应适度调整角度，将资本与资源重新导入家用与公共建设相关的机器学习方法应用。
其实产品并不一定要有人工智能才实用，但是当太多没有人工智能成分的产品假冒人工智能筹资、曝光，最后可能造成原本应该投资人工智能技术的资本和资源被导入过气产业，最后导致产业泡沫化，让往后的人工智能公司筹资、雇员徒增烦扰。
此说法并非空穴来风，美国2008年开始的学习科技泡沫即是最大警示。2008年开始，美国经济萧条，因此许多创投随着欧巴马政府的补助政策开始投资教育科技产业。然而，往后七八年的时间，过多创业资金与资源流入了线上影音学习平台、免费课程管理工具以及字卡（Flashcard）题库等许多新瓶装老酒、没有科学和技术基础的新创团队，造成大批投资人被套牢至今尚未解套。结果2014后，许多有实力整合线上与实体学习科技的优质新创公司，却因为创投和私募基金大幅退出学习科技市场而碰上筹资困难。如今，美国教育科技新创投资已转向管理工具、资料分析、沟通工具等项目，而投资人因为过去投资劣质标的之旧伤未痊愈，学习科技产业至今在美国仍一片萎靡。
同样的戏码，极有可能在各人工智能产业别上演。因此在探讨「人工智能新创」的产品与技术之同时，不得不谨慎，一定要做好基本的学术和产业研究后再进入。
【关于转载】：转载仅限全文转载并完整保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“半导体行业观察icbank”微信公众号。谢谢合作！
【关于投稿】：欢迎半导体精英投稿，一经录用将署名刊登，红包重谢！来稿邮件请在标题标明“投稿”，并在稿件中注明姓名、电话、单位和职务。欢迎添加我的个人微信号MooreRen001或发邮件到 [email protected]
点击阅读原文加入摩尔精英
