Facebook的三堂AI入门课

语音助理、智慧家电、购物推荐⋯⋯ 人工智能替我们的生活中带来便利，但却也让不少人担心人工智能发展到最后，是否会产生自主行为，形成电影中机器挑战人类的情节。

在图像辨识、语言翻译和动态时报排序等都用到大量人工智能的Facebook，希望破除这个迷思。Facebook的AI研究部门负责人Yann LeCun认为，多数的害怕来自于不理解，「我们希望告诉人们AI并非魔法，而是严谨的科学。」因此在部落格上发布三段浅显易懂的影片，替大家上一堂AI入门课。

人工智能比人类厉害的地方：辨识出大量数据中的模式

大部分的人工智能系统由人工神经网络和程序码构成，模拟大脑神经元的运作方式，并像人类和动物一样，可以透过修改神经元的连接方式，从经验中学习。

其中，人工智能特别擅长辨识出大量数据中的模式，这是人类较不擅长的，此外，还可用于学习翻译、简单的逻辑推理，甚至是系统性地产生新想法。

什么是机器学习算法？

用来训练人工智能的机器学习算法，实际上如何运作？

他们将人工智能比喻成一台机器，若最终希望能让它辨识出「汽车」和「狗」的不同，必须先提供大量汽车和狗的照片，让机器练习回答，并在每次的回答中调整解题过程。最终，就算出现过去没看过的图片，也能找出是否有共同点而辨识出物体。

过去，传统算法只能重复性的一一比对数据库，比对到类似图片才能归纳出答案，而常听到的机器学习算法，则可在比对的过程中「训练」机器的辨识能力，大量减少所需时间和运算效能。

看过影片后，就可以了解机器学习的过程其实真的很「数学」。

对计算机而言，图片由一组数字矩阵组成，这些数字分别代表不同像素的亮度。举例来说，想要分辨字母「C」和「D」，首先计算出代表C和D的数字矩阵，再乘以「权重」，若数字加总后大于零，可判断是C，反之则为D。而机器学习算法，就是在辨识图片的过程中不断依照C和D的图像特性，调整权重。

影片中说明，算法会同时考量C和D的数字矩阵，最终可调整成只对C有反应且为正的权重、只对D有反应且为负的权重。因此，只要知道加总结果大于或小于零，就可以知道数字矩阵代表的字母。

有利于辨识局部图像的深度学习法：卷积神经网络

不过，就算学会如何辨识不同物体，只要物体出现在图片中的尺寸、露出部位和角度只要有些不同，就可能让机器误以为是完全不同的东西。

这时候便会用上深度学习结构「卷积神经网络（convolutional neural network，ConvNet）」，在第一层会先抓出物体的局部影像，例如轮胎的轮子，或人的眼睛，且让这些局部影像重复出现在不同影像图层的不同位置；第二阶段则可将第一层的影像组合起来，例如整张脸、机翼等，最后可组合成完整的一辆车、一架飞机、一个人等。透过这样的分层分析，可简化机器辨识复杂图像的步骤。该技术也可应用于自驾车、语音辨识及翻译。 三种AI学习方法

Facebook指出，目前人工智能学习方法大致分三种。

首先是透过输入大量资料并给予奖励反馈的「强化学习」，教机器下棋就是其中一种，不过缺点是，就算只是学一个简单任务也需要大量数据和练习。

而最常用于训练神经网络的「监督式学习」，就像爸妈用绘本教小朋友物体名称，当我们提供机器汽车的图片，会告诉他正确答案是汽车，算法可以从这过程中学到汽车的特性。

最后一种是「无监督式学习」，亦称为「预测型学习」。大多数人类和动物最初都是以这种方式学习，透过观察以及和这个世界互动，便能学到基本知识，例如这世界是三维的、物体不会突然消失等。但目前人工智能尚未发展到这种学习阶段，这也是限制人工智能进展的因素之一。

想成为AI人才，先学好数学

Facebook建议，如果未来想以AI作为工作，数学和物理绝对是必修课，微积分、线性代数、机率和统计，尽可能修越多越好。此外，计算机科学、工程、经济、神经科学等科目，对研发人工智能也有帮助。

不过令人意外的是，文章中特别提到哲学的重要性，因为其对理解和学习任何知识都有帮助。这也呼应到Facebook近来被批评其动态时报推播假新闻影响美国大选结果，在每种机器学习应用的背后，最终还是得回归到「人」。