從網路上可看到一則小故事，晉朝時有一位叫王質的樵夫，有一天他到信安郡的石室山(今浙江衢縣)去打柴。看到一童一叟在溪邊大石上下圍棋，於是把砍柴用的斧子放在溪邊地上，駐足觀看。看了多時，童子說：「你該回家了。」王質起身去拿斧子時，一看斧柄已經腐朽了，磨得鋒利的斧頭也鏽得凹凸不平了。王質感到非常奇怪，回到家裡後，發現家鄉已經大變樣。無人認得他。提起的事，有幾位老者都說是幾百年前的事了。原來，王質誤入仙境，遇到了神仙，仙界一日，人間已百年。
這個故事本來是說凡人的壽命短暫，需要多做好事修煉成仙，才能達到世人渴望長生不死的願望。不過換個角度想，圍棋這種遊戲讓連神仙來下也要思考這麼久，可見得圍棋是多麼難的一種遊戲。網路上還說到北宋科學家沈括在「夢溪筆談」中曾粗略估算過棋局的變數，稱「盡三百六十一路，大約連書萬字四十三，即是局之大數」，也就是指3的361次方，這實在是一個天文數字。
這是什麼一個概念，天上的星星總數大約是10的23次方，而3的361次方相當於10的170次方再乘上2，這可是比天上星星的總數後面還要乘上好幾百個零的倍數。所以說圍棋要下得好，不僅僅要會算，還要有策略，更需要有大局觀的視野。就是因為圍棋這麼難，所以電腦棋藝遊戲裡，圍棋這種遊戲很難達到高手的境界，不是棋藝太差，就是速度太慢，但AlphaGo的橫空出世，改變了電腦在整個圍棋遊戲的地位。
AlphaGo展露深度學習效能震驚圍棋界
在圍棋上AlphaGo用三個步驟贏遍人類，第一步驟是規則學習(Policy Network)，學習人類所有頂尖的棋譜，用以模仿高手的招式。第二步驟是招數學習(Value Network)，評估所有招數優劣，用以判斷不同招數在這個棋局的獲勝機率，第三步驟是布局學習(Tree Search)，用來分析棋局的各種可能變化，並推演棋局未來的可能演變，用以決定落子的位置。
AlphaGo這個做法可說是第一次讓電腦模擬人類神經網路(Neural Network)，並用深度學習(Deep Learning)的方法來學習下棋的頂尖招數，這個做法就好像武俠小說中的東方不敗，學會了葵花寶典的武功，成為了天下第一的武林高手。不過進一步的想，東方不敗只是一時的高手，卻不能列為頂尖的武林宗師，原因就是他的武功是學來的而不是自己創的。
AlphaGo的強大也是看人類棋譜深度學習的結果，如果棋譜有錯，它也會出錯，如果人類故意輸入錯誤的棋譜，它就會錯得離譜。而且AlphaGo雖然下棋厲害，但除了下棋，其他都不會，只能算初級的人工智慧不會威脅到一般人的生活。但是，開發AlphaGo的DeepMind團隊，緊接著推出AlphaGo Zero，那可不是同一個技術水平的創作。
原本的AlphaGo事先需要人工輸入大量的資料來學習，就像有些模擬人類神經網路的電腦如果要來判斷圖片中那些是貓那些是狗，需要匯入大量的圖片，並且需要人工事先定義圖片內容再輸入關鍵字，萬一將獅子Key成貓，電腦就埋下Bug種子，而且這種工作量實在太大了，變成了勞力密集工作，讓人感覺這種人工智慧(Artificial Intelligence, AI)有點Low。
AlphaGo Zero採用機器自我學習(Machine Learning)的方式來開發下棋應對方式與布局招數，只要講好遊戲的規則，它可以自我模擬對弈，以電子的速度短時間內自我對戰5,000萬次並學習出最佳的策略，進而開創出人類無法想像的對應招數與布局方式。DeepMind團隊在網路上化名試著與人類60位圍棋高手下棋，AI完勝人類。
到了後來，再拿新的AlphaGo Zero與原本的AlphaGo對奕，結果100：0，打得曾經戰勝人類棋王李世乭的AlphaGo毫無招架之力，到這個時候，AlphaGo Zero的棋奕能力與人類的差距，就好像猴子看不懂人下什麼棋一樣，AlphaGo Zero棋力已經自我演化到人類無法想像的境界了。
AI應用紛問世 監控領域為大宗
以模擬人類神經網路來深度學習(Deep Learning)，再加上機器自我學習，這就是進階的AI人工智慧。目前一般市場上所說的AI，大都是指這種有自我學習能力的人工智能，而這樣的技術已經不只是用在下圍棋這件事上。
在2018年Google I/O的盛會上，Google就發表了幾個AI運用的例子，一個有意思的技術是關於如何利用AI在影片中將雜亂的「吵架聲」區分開來。這個技術如果用在通話，那麼不論講話的人在吵雜的工廠內還是喧鬧的演唱會上，雙方都可以聽到對方乾淨的聲音。
如果用在監控領域裡，那麼可以隨意點選錄影檔中講話的人物，不論當時錄影的背環境多麼喧譁嘈雜，都可進一步還原並聽清楚講話的內容，這對警方辦案將會是一個偉大的助力。
另外，Google I/O還展現了利用AI人工智慧技術發展而來的語音助理，在Google所公布的影片中可以看到Google I/O利用新的連續對話(Continue Conversation)與多工回應(Multiple Action)技術，不但能記住你以前講話的內容，還能分析談話的邏輯與可能想表達的意思，就算要理解人類說話中不容易瞭解的複合句也不是問題，甚至Google I/O還能模擬人類說話的語調與心機策略，幫忙使用者與理髮店服務人員談判預約最佳的理髮時間，這個技術對於需要有大量客服人員服務的公司來說，無疑是未來服務模式的最佳選擇。
美國輝達公司(NVIDA)近期也發表了如何利用AI人工智慧，在錄影影片中補上新圖像的技術。只要給它一組24個連貫畫面，就可以在每個畫面間隔之間補上10個新的畫面，原本的24FPS影像，就變成了240FPS影像，在慢動作播放的時候看起來依然流暢。
同樣的AI人工智慧技術也用在低畫質影片的補強上，美國聯邦調查局(FBI)就經常使用AI人工智慧的影像補強技術來分析監視錄影系統所收錄到的影像，從中找到犯罪的線索，進一步協助辦案人員偵破犯罪的罪行。
在日本，東京都的警察機關(東京警視廳)2002年開始導入自動車牌辨識系統(ALPR)，這個做法大幅度下降了原本居高不下的竊車問題，而現在最新的AI人工智慧技術，讓原本的ALPR系統除了辨識度更加準確以外，還增加了大數據分析功能，針對偵查鎖定的車輛不但能繪製出過去的行動軌跡，還能預測未來可能行經的路線，對於犯罪的偵防擁有莫大的幫助。
最近火紅的人臉辨識技術(Face Recognition)也是炙手可熱的話題，在很多影片中都可看到中國大陸的公安部門，例用人臉辨識技術抓到隱藏群眾之中的通緝要犯，甚至還可以在群眾之中找出以往帶頭鬧場的問題人員，事先壓制囂張的氣焰。在商業上，利用人臉辨識技術來做門禁管理，甚至是購物記帳、寄物領貨、提錢轉帳等，更是如過江之鯽不勝枚舉。
CPU效能大增驅動AI發展
其實模擬人類神經網路來深度學習的技術並不是新的發明，早在上個世紀，1960年代美國麻省理工學院電子工程與計算機科學教授Marvin Minsky就創立了人工智慧研究室，後來還因為在人工智慧領域的卓越貢獻，獲得電腦界最負盛名的獎項，有「電腦界諾貝爾獎」之稱的圖靈獎(ACM A.M. Turing Award)。
然而，Marvin Minsky卻說過模擬人類神經網路技術不成熟，無法服務於人類。那是因為當時的電腦運算CPU的能力太弱，記憶體的空間太差所導致，當時很難開發深層的模擬人類神經網路的程式結構，因為程式結構一複雜，不但電腦速度變慢，而且還經常會造成電腦當機，另一個問題是無法儲存大量的資料，也就是沒辦法儲存及提供大量的樣本，讓AI系統以大數據分析的模式來學習。
但是，AI人工智慧技術絕對會是一個指數型的跳躍發展，為什麼這麼說？因為IT界有一個現象叫摩爾定律。英特爾(Intel)名譽董事長摩爾經過長期觀察發現一個尺寸相同的晶片上，所容納的電晶體數量，因製程技術的提升，每十八個月會加倍，電晶體愈多代表晶片執行運算的速度愈快，但售價卻不會有明顯的變化，這個看法後來稱為摩爾定律。也就是因為現在電腦的運算速度大幅提升，資料儲存空間幾乎到了用不完的程度，AI人工智慧近幾年也就如雨後春筍般的大量發展。
AI成競爭新利器 台灣可從應用層面切入
那麼回過頭來說，AI人工智慧是威脅到人類呢？還是可以幫助人類？各行各業經營者是否要考慮該不該更換自己的工具或武器了呢？從科技演變的角度來判斷，就像菜刀的發明一樣能切菜也能砍人，但不可否認的菜刀讓切菜或砍人的效率都提高了。
AI人工智慧絕對會是比以前IT系統、CRM系統更強的工具或武器，如果是優先瞭解並更換武器與學會操作新武器的人，那麼在自己的行業內生存下來並成為一方之霸的機會就會提高，如果不願投入AI人工智慧的發展與運用，那麼被同行幹掉的概率也就很高了。
這個道理如同中國清朝時期採用的鎖國政策，國外的八國聯軍只派了3,000個士兵，拿了幾把新發明的機關槍，就打得擁有4億人口精通各種大刀武術的大清帝國割地賠款，差點被滅國，就可以瞭解。
換言之，AI人工智慧的運用，是每一個企業都必須涉及的領域，但是對AI人工智慧的開發，卻往往會是很大的挑戰，最困難的地方莫過於讓AI學習樣本數的提供能力。
舉例來說，目前擁有人臉辨識技術而且比較領先的國家有美國、中國、俄羅斯、日本等，這些國家都是有1億以上的人口，讓AI人工智慧擁有大量的學習樣本空間。
反觀台灣，人口不多又有嚴格的個人資料保護法，這讓台灣開發AI人工智慧的人臉辨識技術受到先天的限制。那麼，台灣的企業是不是就不適合發展AI人工智慧的人臉辨識系統呢？恰恰相反，台灣的研發團隊反而可以將精力投入到AI運用層面的開發。
原因在於，要知道AI人工智慧是一種分析的演算法，除了這個底層的演算法，還必須要有中介層從表層抓取資料餵給AI，更需要將AI辨識的結果回饋到資料庫，再經過客制化的大數據分析配合特定的需求，吐回給表層使用者，才能讓AI人工智慧被有效的使用，這一系列客制化、彈性化、區格化的運用層面服務模式，正是台灣企業的強項。
AI人工智慧底層的演算法誰做得好就拿誰的來用，沒有包袱。要做美國的市場，選用美國的AI人工智慧演算法，要做華人的市場，也可以考慮中國的AI人工智慧演算法，並不需要強迫自己開發一套世界不同人種都能用到的人臉辨識AI人工智慧演算法。一個工具會用得好的重要性，並不比會開發工具的重要性來得低。
隨著AI人工智慧不斷的發展，讓很多人從勞動密集、危險或骯髒的工作中解放了出來，但這也讓很多人擔心自己的工作被企業導入的AI人工智慧給替代了。
其實，AI人工智慧就跟早期電力的發現與運用、後來的工業化大量生產技術的使用，以及與近期IT資訊網路的蓬勃發展都一樣，對當時而言都是一種先進的工具與武器，誰先掌握使用先進工具與武器的技能，誰就能在市場上脫穎而出。回想起獲得第七屆台灣廣告金句大賞的NOKIA「科技始終來自於人性！」這句話說明科技的最終目地在於服務人類，相信AI人工智慧也會是造福人類的一種新工具，而不會淪為毀滅人類的新武器。
