ADVERTISEMENT
人工智慧如今無處不在，但這項有影響力的新技術的基本運作原理卻可能令人困惑。人工智慧發展中最重要的兩個領域是「機器學習」及其子領域「深度學習」。以下簡要說明這兩門重要學科是什麼，以及它們如何促進自動化的發展。
首先，什麼是人工智慧？
值得我們重新提醒一下，人工智慧到底是什麼。 人工智慧的支持者表示，他們希望有一天能創造出一台可以自己「思考」的機器。 人腦是一種神奇的儀器，能夠進行的計算遠遠超過目前任何現有機器。 參與 AI 開發的軟體工程師希望最終能夠製造出一台機器，能夠在智力上完成人類所能做的一切，但也能超越人類。
目前，商業和政府中人工智能的應用主要是預測算法，例如 Spotify 上推薦下一首歌曲的演算法，或試圖向你推銷與你上週在亞馬遜上購買的產品類似的產品的演算法。然而,人工智慧的傳道者認為，這項技術最終將能夠進行更加複雜的推理和決策，這就是機器學習和深度學習的用武之地。
機器學習
解釋 機器學習（或 ML）是人工智慧的一個廣泛類別，指的是軟體程式被「教導」如何做出預測或「決策」的過程。 一位 IBM 工程師傑夫·克魯梅（Jeff Crume）將機器學習解釋為一種「非常複雜的統計分析形式」。克魯梅表示，這種分析使機器能夠「根據資料做出預測或決策」。 他說，輸入「系統的資訊越多，它就越能為我們提供準確的預測」。
與一般的程式設計不同，一般的程式設計是將機器設計為完成非常具體的任務，而機器學習則是圍繞訓練演算法來辨識資料中的模式。 如前所述，機器學習涵蓋了廣泛的活動。
深度學習
深度學習就是機器學習。 它是前面提到的機器學習子類別之一，與其他形式的機器學習一樣，專注於教人工智慧「思考」。 與其他一些形式的機器學習不同，深度學習試圖讓演算法完成大部分工作。 深度學習由稱為人工神經網路 (ANN) 的數學模型提供支援。 這些網路試圖模仿人類大腦中自然發生的過程，例如決策和模式辨識。
機器學習和深度學習的關鍵差別
深度學習與其他形式的機器學習之間最大的區別之一是機器的「監督」等級不同。 在不太複雜的機器學習形式中，電腦可能參與監督學習，這是一個人類幫助機器在標記、結構化資料中的模式，進而提高其進行預測分析的能力的過程。
機器學習依賴於大量的「訓練資料」。 這種資料通常由人類透過數據標註（其中許多人薪水不高）。 透過這個過程，建立了一個訓練資料集，然後可以將其輸入到 AI 演算法中，並來教它辨識模式。 例如，如果一家公司正在訓練一種演算法來辨識照片中特定品牌的汽車，它會向該演算法提供大量由人工手動標記的該汽車型號的照片。 還創建了一個「測試資料集」，用於在機器經過訓練後測量其預測能力的準確性。
至於深度學習，機器則會進行所謂的「無監督學習」的過程。 無監督學習涉及機器使用其神經網路來辨識所謂的非結構化或「原始」資料中的模式，這些資料尚未被標記或組織到資料庫中。 公司可以使用自動化演算法來篩選大量無組織的資料，進而避免大量的人工。
神經網路如何工作
人工神經網路（ANN）由所謂的「節點」組成。 據麻省理工學院稱，一個人工神經網路可以有「數千甚至數百萬個」節點。 這些節點可能有點複雜，但簡短的解釋是，它們——就像人類大腦中的節點一樣——傳遞和處理資訊。 在神經網路中，節點以稱為「層」的有組織形式排列。 因此，「深度」學習網路涉及多層節點。 資訊在網路中移動並與其各種環境相互作用，這有助於機器在受到人類提示時做出決策。
人工神經網路中的另一個關鍵概念是「權重」，一位評論員將其比作人類大腦中的突觸。 權重只是數值，分散在 AI 的神經網路中，有助於確定該 AI 系統最終輸出的最終結果。 權重是資訊輸入，有助於校準神經網路，使其能夠做出決策。 麻省理工學院對神經網路的深入研究對此進行了如下解釋：
於每個輸入連接，一個節點將分配一個稱為「權重」的數字。 當網路處於活動狀態時，節點透過其每個連接接收不同的資料項（不同的數字）並將其乘以相關權重。 然後將得到的乘積相加，得到一個數字。 如果該數字低於閾值，則節點不會將資料傳遞到下一層。 如果數字超過閾值，則節點就會「觸發」，在當今的神經網路中通常意味著將該數字（即加權輸入的總和）沿其所有輸出連接發送出去。
簡而言之：神經網路的結構目的是幫助演算法對輸入的資料得出自己的結論。 根據其程式，該演算法可以辨識大量資料中有用的連接，幫助人類根據其分析得出自己的結論。
- 延伸閱讀：ChatGPT 全球爆紅，但大眾只認識阿特曼，卻對另一位創始人AI天才科學家伊爾亞·蘇茲克維瞭解不多
- 延伸閱讀：人工智慧的幻覺可以簡單解決，清楚定義的通用人工智慧只需 5 年就可以辦到？
- 延伸閱讀：機器學習將會如何徹底改變電玩中的物理模擬
資料來源：
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！