最近發現一篇科學月刊(2018/4/1)的文章，
文章來源：科學月刊580期
作者：曲建仲／臺灣大學電機工程學系博士，政治大學科技管理與智慧財產研究所兼任助理教授。
內容描述相對一些以資訊工程、電腦科學為主的AI技術文章略有不同，
人工智慧的雛形從"機器"開始，以各種材料、動力源、感測器組構成機器本體，透過控制器讓機器針對從感測器與預定程序作出反應動作。
就作者描述四個人工智慧階段的定義，試著與個人作機器設備開發經驗分享如下：
1. 人工智慧的第一個階段：自動控制，機器內的控制器就像是中古時代音樂盒上預先製作好的突起，可以讓簧片依特定時序發出聲音；進入工業時代，則有各種氣液壓迴路、微控制器、PLC等，根據觸發的感測器連動規則進行相關動作控制驅動氣缸、馬達等，有點像是直覺反應、反射動作。
2. 第二個階段則是進入具備記憶體與處理器的控制器或電腦時代，這時候的控制器可以組合更多訊息，將來自各式各樣的感測器與記憶體中儲存的資訊進行組合判斷後與相關規則作匹配，匹配完成後執行相關動作，多種條件判斷後執行相關動作，其中就包含了更多的條件與範圍，輸出也不再是0或1，而是根據條件進行可控制數值的輸出。
3. 第三個階段是控制器本身具備資料庫或透過網路連結到資料庫系統，資料庫系統會根據機器本身或多台機器所蒐集的資料進行組合判斷，提供動作控制的條件，一旦有出現非系統已有的規則，可以透過人工輔助判斷建立規則與對應動作控制，訊息與動作控制的規則可以擴充以應對新的狀況。
4. 第四個階段就是第三個階段中的人工判斷與建立規則可由系統自行完成，如此一來訊息的組合判斷與規則建立幾乎可以全部由系統自己完成，解決多數新狀況出現與必須採取處理對策的人工介入行為。
早期記控制器處理訊號輸入輸出數量有限，記憶體容量跟運算速度也不夠快，機器器設備自然只能停留在『自動控制』的領域，根據收到的感測器資訊執行反射式的動作；
隨著控制器(電腦)記憶體容量增加、運算速度加快、多種物理量的感測器發展、分散式IO與高速傳輸技術，加上影像辨識處理、伺服或步進驅動系統的技術，機器設備可以容納更多感測資訊與內建判斷處理規則，並且透過伺服系統做出更多種類與不同強度的輸出控制，人工智慧因此邁入第二階段，具有蒐集資訊進行推論與處理的能力，機器系統的處理能力有了更大的彈性與範圍，可以應對更多的狀況。
隨著網路與資料庫系統的發展，系統可以自動蒐集與人工輔助判斷後建立新的規則，並導入到各個機器設備中，人工智慧進入第三個階段『機器學習』，機器設備具備擴充能力可以應對新的狀況，但還是需要人工介入與作判斷建立新規則；另外一個重點是無人搬運系統彈性製造系統的導入，讓製造流程有了更多的變化，可以在製造流程中擴充不同的製程，其中又以半導體製造業玩的最透徹，畢竟半導體製造業算是現今製造業中最有能力進行資本支出的。
隨著龐大的資料庫與高速運算能力，系統具備模擬、推導的能力，可以比人工介入判斷建立規則的速度更快，甚至更正確，有效自動依據蒐集到資訊組合判斷後建立新的處理規則，不需要人工協助判斷與建立規則，這是人工智慧的第四個階段『深度學習』，坦白說很少聽到真的有已經到達這個階段的實用例。
人工智慧這幾年開始很熱門有幾個重要因素：
1. 影像擷取與處理能力的大幅提升與普及，這個發展跟進十幾年來手機的快速發展有關，手機照相錄影的需求，促使影像擷取感測器與計算處理演算法及處理器的快速發展，在2006前，照相錄影手機尚未普及的時代，想要作影像擷取跟計算處理是很高技術性與成本的，尤其是在機器設備上，AOI設備用的相機加鏡頭、光源、影像擷取卡再配一台電腦，成本很高，相對現在2020年代的影像解析度與計算處理能力跟相對成本完全不在可以比較的等級，影像資料意味著以往人視覺與辨識才能獲得的訊息可以由機器完成，甚至有過之而無不及，例如紅外線與紫外線範圍的影像辨識能力，高解析度微米級影像，30微秒以下的高速影像等等，這都是人眼所無法處理的；掌握更多的訊息才能有更完善的判斷依據是人工智慧不可或缺的基礎，再加上手機內的加速度感測、位移感測、壓力感測、溫度感測等等元件的開發，都讓機器設備系統的感測能力得到更廣闊範圍的檢測能力，這都是以往時代所缺乏或者是相對高成本的；隨著電動自駕車的技術發展，這些能力會比手機時代有更大範圍的擴充。
有些技術也開始從消費性應用回饋到工業中的設備上，例如最近看到晶圓搬送手臂已開始內建加速度感測器偵測手臂的運動與振動狀態，避免造成晶圓搬送過程中發生"運動傷害"。
2. 處理器相關計算能力、記憶容量、傳輸速度大增，前面1得到的資料越來越多，但是如果沒有辦法快速即時傳輸與進行處理成為有效資料，檢知能力再強也沒有用。
3. AI應用開始進入一般生活應用，最常見的就是手機上的美顏與攝錄影功能，自動辨識人臉進行處理再與原有影像疊合，當背景單純時，已經幾乎可以完美騙過人的視覺，另外是組合關鍵字後提供文字敘述甚至進行影像創作，Level 2自動駕駛功能提供車道偏移輔助、自動跟車等功能，還有防止追撞的自動煞車功能；這些都是走入生活中的人工智慧技術應用，相對一般在專業、限制領域中的工業用途應用更吸引人，而且逐漸使人習慣與依賴^_^
技術成長跟相關經濟規模有很大的關係，有利可圖的技術才能獲得大量資金投入發展，AI的議題其實在人類歷史中已經存在超過百年以上，以往只存在科幻小說與特殊領域中，一直到半導體時代技術加上手機的大量發展才真正被普及實現，台灣適逢其中可說貢獻與收穫都不少。
以下是網路可以看到的文章內容：
人工智慧（Artificial Intelligence, AI），一個吸引人們卻又教大家害怕的名詞，吸引我們的是一個會思考、可以協助人們處理工作，可以替我們帶小孩洗衣做飯的智慧型機器人；讓我們害怕的是這個機器人自己會思考，哪天他不聽話了怎麼辦？更慘的是，哪天老闆發現他比我還好用，那我不就失業了？許多人以為人工智慧就是科幻電影裡會思考的機器人，人工智慧真的這麼神奇嗎？現在的人工智慧到底發展到什麼程度了？它到底有那些限制呢？
人工智慧的定義與範圍
人工智慧是指人類製造出來的機器所表現出來的智慧，其討論研究的範圍很廣，包括：演繹、推理和解決問題、知識表示法、規劃與學習、自然語言處理、機器感知、機器社交、創造力等，而我們常常聽到的「機器學習（machine learning）」是屬於人工智慧的一部分，「深度學習（deep learning）」又屬於機器學習的另一部分，如圖一所示：
人工智慧的依照機器（電腦）能夠處理與判斷的能力區分為四個分級如下：
人工智慧的 歷史與分級
AI 發展進程 –
第一級人工智慧（first level AI）： 自動控制
第一級人工智慧是指機器（電腦）含有自動控制的功能，可以經由感測器偵測外界的溫度、濕度、亮度、震動、距離、影像、聲音等訊號，經由控制程式自動做出相對的反應，例如：吸塵器、冷氣機等，這個其實只是電腦含有自動控制的程式，程式設計師必須先把所有可能的情況都考慮進去才能寫出控制程式，算不上是真的「智慧」。第一級人工智慧就好像是公司裡的工讀生：只是執行老闆交待的命令，進行各種重複性的工作，並不會去思考這個命令是否正確，例如：老闆說把大箱子搬到寫有「大」的區域；小箱子搬到「小」區域，工讀生就依照老闆的交待去做。
第二級人工智慧（second level AI）： 探索推論、運用知識
第二級人工智慧是指機器（電腦）可以探索推論、運用知識，是基本典型的人工智慧，利用演算法將輸入與輸出資料產生關聯，可以產生極為大量的輸入與輸出資料的排列組合，可能的應用包括拼圖解析程式、醫學診斷程式等。第二級人工智慧就好像是公司裡的員工，能夠理解老闆交待的規則並且做出判斷，例如老闆說根據箱子長、寬、高分類大小箱子，運用知識留意不同貨物種類：小心易碎、易燃物品，員工就依照這個意思把箱子的尺寸量出來分類，並且要判斷什麼貨物「易碎」或「易燃」。
第三級人工智慧（third level AI）： 機器學習
第三級人工智慧是指機器（電腦）可以根據資料學習如何將輸入與輸出資料產生關聯，「機器學習」是指根據輸入的資料由機器自己學習規則，可能的應用包括搜尋引擎、大數據分析等。第三級人工智慧就好像是公司裡的經理，能夠學習原則並且自行判斷，例如老闆給予大箱子與小箱子的判斷原則（特徵值），讓經理自己學習如何判斷多大是大箱子？經理就依照以往的 經驗，自己思考多大的箱子是「大」？
第四級人工智慧（fourth level AI）： 深度學習
第四級人工智慧是指機器（電腦）可以自行學習並且理解機器學習時用以表示資料的「特徵值」，因此又稱為「特徵表達學習」，可能的應用包括： Google 教會電腦貓的特徵。第四級人 工智慧就好像是公司裡的總經理，能夠發現規則並且做出判斷，例如：發現有一個箱子雖然很大但是卻是圓形（特徵值），與其他貨物不同應該另案處理。第三級（主要是指機器學習）與第四級（主要是指深度學習）不容易區分，其實深度學習是由機器學習發展而來，主要的差別在於，第三級人工智慧處理資料時的「特徵值」必須由人類告訴機器（電腦）；第四級人工智慧處理資料時的「特徵值」可以由機器（電腦）自己學習而得，這是人工智慧很大的突破。
人工智慧的歷史
自從人類發明了第一台電腦，就開始了人工智慧相關的發展，到現在已經超過半個世紀，其間經歷過三次熱潮，之前每次都因為某些技術上的困難無法突破，我們先來介紹一下人工智慧發展的歷史，以及每一次熱潮興起的原因與遭遇的困難。
►第一次熱潮（1950~1960年）：
由1950年代開始發展，主要是利用電腦針對特定問題進行搜尋與推論並且予以解決，但是當時的電腦計算能力有限，一遇到複雜的問題就束手無策，被戲稱為只能解決玩具問題的人工智慧，因此到了1960年代就冷卻了下來。
…
其它內容科學月刊網站並沒有放在公開網路上，這裡就不貼了，有興趣可以去圖書館找找看紙本來看看。
沒有留言:
張貼留言