2016年的一场人机大战，围棋软体AlphaGo以4:1击败世界围棋棋王李世乭，人工智慧（Artificial Intelligence，简称AI，大陆译为人工智能）好像横空出世的新科技一般，突然爆红，而它所使用的核心技术——深度学习，也成为各方媒体争相报导的焦点。到底AI是什么？为什么会受到如此的青睐？

　　AI的研究并非始于今日，几乎可以追溯到电脑发明的年代。现代所使用的数位电子计算机（俗称电脑）的发明，肇始于二次大战期间（1939-1945），例如当时英国所发明的电脑，就用来破解德国的密码。由于具备有可程式化与高速计算的能力，人们就憧憬着电脑除了计算能力之外，是否还能更聪明些，具有类似人类的智慧与能力。于是在1940-1960年间，来自各种不同领域的科学家（包含有数学、工程和心理学等），开始探讨制造人工大脑的可能性。

AI研究模拟人类认识能力

　　以佛法来说，人们认识外在世界是透过内六根（眼耳鼻舌身意）接触外六尘（色声香味触法）而产生六识（眼耳鼻舌身意等六识）。因此，AI的研究，不外乎透过种种感测器模拟前五根，以接收外在的五尘境界讯息，和应用数学逻辑或大脑神经运作来模拟第六根——意根，以对应已知的资讯，然后设计出种种演算法，处理所搜集的资料，以模拟人类的了知认识能力。例如：电脑视觉的研究，即透过照相机或摄影机模拟人的眼根，以对应外面的色尘境界（影像），然后根据需求，而研究出各种不同演算法以辨识种种不同的目标。相同地，模拟耳根的有语音辨识，模拟舌根的有语音合成与语音助理，模拟身根的有种种机器人和机器手臂，模拟意根的有逻辑推理、神经网路、和机器学习等研究。

　　一般认为，1943年由McCullock和Pitts借由了解大脑神经元运作原理，而试图建立的数学模型，为开启AI研究的先河。1957年，Rosenblatt依据此模型，自订调整神经元之间连结强度的学习规则，而成为有名的感知器（Perceptron）。1960年，Widrow和Hoff更利用数学的梯度下降法能推导出学习规则的原理，而使神经网路学习的发展之路更上层楼，这也是深度学习一脉研究的基石。

　　1950年，杰出的计算机科学家Turing在其发表的一篇名为《计算机械与智慧》（Computing Machinery and Intelligence）的论文中，提出一个关于判断电脑是否拥有智慧能力的测试。其方法很简单，就是让测试者和电脑透过键盘和萤幕进行对话，而测试者不知道跟自己对话的到底是一台电脑还是一个人。如果测试者分不清楚幕后的对话者是人还是机器，可以说电脑在测试中表现出与人相同或是至少无法区别的智慧，那么这台电脑就通过测试，具备有人工智慧。因此，Turing被誉为人工智慧之父。

　　然而，人工智慧（Artificial Intelligence）一词，是在1956年于美国所举行的达特茅斯会议（注）时所确定的，同时也确定AI的任务。主其事的有McCarthy, Minsky和Shannon等人，也成为最早一批有成就的研究者。因此，这一会议被广泛认为是AI诞生的标志，也造成AI初期的蓬勃发展。

　　一般界定，AI的研究有三波浪潮（如图一所示）。第一波是在达特茅斯会议之后，大约在1957-1974年间，有很多研究，令人感到惊艳与神奇。例如：利用搜寻技术发明了几何定理证明机、使用自然语言（英语）交谈方式解决高中程度的代数应用题、设计出难以分辨是否与真人聊天的ELIZA程式，以及发展出战胜西洋跳棋（checker）高手的博奕程式等。70年代，由于当时研究者过于乐观，人们对AI期望过高，加上硬体上的限制与演算法的不足，只能处理小问题（toy problems）等，导致AI第一次陷入低谷。同时，Minsky对感知器无法处理基本的互斥或（exclusive OR）问题，而提出激烈的批评，使得神经网路的研究几乎销声匿迹了十年。然而，此时期出现的符号逻辑与神经网路，分别为日后专家系统与深度学习的雏型。

AI研究的发展与变革

　　第二波浪潮大约在1980-1987年。此期间实用的专家系统风靡一时，各公司争相采用。专家系统是一组特定领域专家所制订的规则，透过逻辑推演以回答或解决问题。著名的有Dendral系统，能够根据光谱仪资讯，分辨化学混合物；MYCIN系统，能诊断血液传染病；XCON系统，能够依据客户需求，自动选取适合的计算机系统配件。由于专家系统依赖专门的知识，因此也带动了知识库系统与知识工程的研究。此一时期也是神经网路的重生，Hopfield提出一种新型的神经网路，能够用一种全新的方式学习和处理资讯。另外，Rumelhart发明与推广倒传递演算法，解决了互斥或问题，使得神经网路的研究再度火红，在90年代，被应用于字元辨识和语音辨识等，获得相当的成功。然而，由于专家系统的应用范畴有限，加上维护昂贵、难以升级，而神经网路受限于浅层（三层）结构不易突破，造成了AI再次陷入谷底。

　　然而在1997年，IBM的超级电脑深蓝（Deep Blue）战胜了西洋棋（chess）世界冠军Kasparov，带来AI的复苏。第三波浪潮一般界定在2010年至今。伴随着高性能电脑、网际网路、云端计算、物联网与感测器的普及，巨量资料的取得、储存与处理变得相对容易，加上计算成本低廉，于是大数据、机器学习与深度学习俨然成为这一波浪潮的主角。深度学习是机器学习的一个分支，由Hinton, LeCun和Bengio等人突破浅层神经网路的限制，提出深层（多层）的神经网路架构。因此，使用各种机器学习与深度学习演算法，从巨量的资料中，萃取其内在的知识，使得电脑在影像和语音的辨识上超越了人类，从而进入实用阶段，并得到广泛的应用，例如人脸辨识用于安保系统，语音辨识用于聊天机器人，医疗影像处理用于辅助诊断，道路影像辨识用于自驾车等。而AlphaGo也运用深度学习，经过不断训练，终于战胜了棋王。

人工智慧　方兴日盛

　　因此有人说，AI的发展，第一波属于推理期，第二波属于知识期，第三波则属于学习期。迄今为止，这一波AI的研究与应用仍方兴未艾，甚至触发了德国政府在2013年所提出的工业4.0计画，又称为第四次工业革命（参阅表一）。尝试透过AI技术，整合规划、生产、销售与市场，以提升制造与服务的品质。

　　由于这一波AI的发展突飞猛进，在某些方面的表现甚至超越了人类，于是有人担忧，是否会发展出如科幻电影情节所描绘的机器人，具有超强的智慧而威胁人类；此种具有知觉、自我意识，能主动推理与解决问题的程式，称为强AI。然而，科技再怎么发展，也无法创造出人类的意识与智慧。目前AI的发展，例如AlphaGo只会下围棋而不会扫地，而扫地机器人只会扫地而不会下围棋，针对单一功能而发展，或许可以超越人类在该领域有更好的表现，但仍须由人类指挥，没有自主判断的能力，此种程式称为弱AI。我们相信「科技始终来自于人性」，若能善用AI的研究成果，相信应该可以造福更广大的人群。

注：
达特茅斯会议：为1956年暑假在美国东北部的达特茅斯学院（Dartmouth College）所举行的六到八周的工作坊的简称，由当时任教于该学院的年轻数学系助理教授McCarthy所提议的一个计画而举办的，该计画全名为「达特茅斯夏季人工智慧研究计画（Dartmouth Summer Research Project on Artificial Intelligence）」，并邀请Minsky、Rochester和Shannon等人为发起人。在会议中，共同讨论并确定AI的任务，例如：自动计算机、自然语言处理、神经网路、计算学理论、抽象、随机性与创造性等。