[東京直擊]為何Google要推開源機器學習系統TensorFlow？|數位時代 BusinessNext

Google宣佈將其最新的機器學習技術TensorFlow以開放源碼專案釋出。Google 以 Apache 2.0 授權模式開放以 Python 或 C++ 為主要服務語言的 TensorFlow 專案，並將這個專案的程式碼與相關工具放在 Github 上。

TensorFlow 是 Google 繼 2011 年開發了 DistBelief 之後，透過使用資料流 (flow) 圖像，來進行數值演算的新一代開源機器學習工具。這個機器學習工具的基礎設計，主要透過圖學裡的「節點」來表達數學運算，「邊」來表示「節點」間的多維度資料陣列 (tensors，張量)，因此命名做 TensorFlow。TensorFlow 主要由 Google 機器智慧研究室與 Google 大腦研究組 (Google Brain Team ) 的學者與工程師所開發，容許開發者自由配置運算環境來做深度神經網絡研究，但也足以支持普通環境所需要的服務（例如透過影片進行圖像辨識）；你可以部署 TensorFlow 在使用一個或多個 CPU 或 GPU的桌機或伺服器上，也可以透過一個 API 部署在行動裝置裡。

Gmail的垃圾郵件判讀、Google相簿臉部識別、Google翻譯，我們天天都在使用 Google的機器學習系統，現在Google將TensorFlow以開放源碼專案釋出了。相比IBM，微軟與百度等競爭對手的封閉路線，再次打出開源牌的Google是否又會成為機器學習領域的霸主呢？Goolge為什麼要推開源機器學習系統？

沒資料，光有技術，機器學習就只是空談

「如果將機器學習比喻成一架火箭，那大量的『數據』就是驅動它的能源，並且需要各種創意、多方思考設立出來的模型和運算能力來支持整個學習過程，而且電腦不比人腦，人腦只需要有限的例子和經驗就能夠成功學習。電腦則是需要『非常多樣本和案例』來建立認知。」Google人工智慧、運算神經科學及可量化機器學習研究員科拉多（Greg Corrado）強調。

Google人工智慧、計算神經科學及可量化機器學習研究員指科拉多

（圖說：Google人工智慧、計算神經科學及可量化機器學習研究員科拉多。圖片來源：Google。）

言下之意，只靠Google自己發展機器學習技術勢必會遇到一些難題，資料量不夠多元。「電腦的學習過程是相當緩慢，曠日費時，深度學習需要投入大量的人力與資源進行相關研究」科拉多說。在這樣的情況下，Google透過開放機器學習讓開源社群幫Goolge收集、整理各式各樣大量可用來訓練類神經網絡的『資料』。

「沒資料，光有技術，機器學習就只是空談。就像火箭要有燃料，要不然只有推進器，火箭也飛不起來！」台北大學資訊工程學系教授戴志華進一步解釋，一但開放機器學習系統，用的人越多，資料越多元，越多量多變，Google 機器學習系統更聰明，能提供的服務就越好，可以提供更多種服務，形成一個正向循環。

戴志華舉例， Google 想要讓機器學習認 a~z 26個小寫字母，但每個人的字跡不同，Google若自己要準備各種不同筆跡字母太曠日費時，但若全世界有20%的人，一人給 Google 一份自己寫的a-z字母，有了這些大量，又多形變的資料，Google 機器認字母的能力也就越強。因此 Google 利用「開放」模式解決以上的難題。

也許你要問， Google 不是手握大量使用者數據了嗎？為什麼這些數據量還不夠呢？

Google過去收集的資料不適合用來做機器學習

「Google過去收集的資料都不適合用來做機器學習，因為那些資料並沒有被賦予足夠具體的意義。」戴志華指出。

舉例來說，Google手邊有很多「1」、「one」與「一」等資料，但機器並不懂得什麼意思。機器不知道「1 」... 是 1 不是 2 、「one」是 1 不是 2 、「一」是 1 不是 2 。「機器學習就跟教小孩很類似，你要他叫爸爸，你就得先告訴他誰是爸爸。」戴志華舉例。

因為類神經網絡是模擬人的大腦，訓練類神經網絡，就跟教育嬰幼兒一樣。資料要大量、多變化，資料的品質也重要，就是要大量且要含括足夠的變化，所以需要整個社群提供資料並且賦予這些資料正確具體的意義。因此，透過開源 TensorFlow 這個工具， Google 得以號召整個開發社群透過利用該工具提供相關服務時，幫 Google 完成收集真實世界資料的任務。

那對開發者或研究員來說，Google的開源機器學習系統吸引點在哪裡呢？

利用開源精神先把餅做大

Google 雖然發展機器學習10年，但還有許多領域未探索。因此需要這個社群共享力量，加速機器學習進展。「利用機系學習系統獲利並非 Google 現行目標，現在最重要的是社群的建立，透過開源社群的快速分享，建立共同標準。這對機器學習的發展非常重要。」科拉多說。

相較競爭對手微軟、IBM 與百度，機器學習技術需要付費，Google 的免費對於開發者的吸引力巨大。

利用開源社群資料，壯大Google自身系統

「讓全球聰明人，給 Google 很好的回饋與貢獻，甚至連競爭對手的團隊都會用它， Google 不走常人之路。」 Alphabet 集團執行董事長施密特（Eric Schmidt）強調。

Google 目前透過兩方面應用機器學習技術強化現有的產品服務（如：Google 搜尋裡的排名建議）與提供更先進更新穎的產品服務。如語音文字與圖像辨識。科拉多指出「Google 的語音搜尋就是透過機器學習讓正確度不斷提升。」

「這對 Google 的 Mobile Only 政策具有重大的影響，在行動的世界，不需要手，我們使用語言溝通，電腦直接辨識圖像。」科拉多說。不過對於外界非常關切的 Google 自動駕駛車的機器學習成果，科拉多語帶保留，並不多談，是個敏感議題。

以下整理出目前已經使用機器學習的 Google 相關服務：

目前 Gmail 已經可以自動判斷約 99%的垃圾郵件。

Gmail 的 Smart Reply 功能，自動偵測對方寄來的郵件內容，並建立簡單的回覆（像是：對不起，我沒有空參加這個活動）。

Google 相簿已經可以讓使用者透過標籤搜尋找到相關的照片（例如輸入關鍵字「海」，也許就會出現前幾天在海邊拍的海景照）。

結合拍照功能即刻看到結果的 Google 翻譯。

Google 語音辨識功能的錯誤量已經減少逾 20%。

延伸學習：
1.圖解機器學習
2.百度首席科學家吳恩達：不只「機器學習」，更要「模擬人類大腦」。
3.微軟Adam挑戰Google Brain：我的機器學習比你快

生成式AI正掀起一波全球創新浪潮，新創企業正以驚人速度重塑產業生態。AWS與《數位時代》聯手製作的節目《科技潮什麼》，回顧了AWS日前舉辦的「AWS 台灣雲端高峰會 - AI 創新賦能日」論壇，帶聽眾掌握AI獨角獸與台灣新創的第一線觀察。

這場AWS舉辦的盛會，集結了全球專家對新金融、新經濟型態的全方位觀察。節目整理了論壇中提到的案例，從數據巨頭Palantir，到一年內達成獨角獸估值的日本Sakana AI，再到台灣的犀牛盾與完美移動，串起一場精彩的AI創業實戰課。

Palantir資深顧問Shawn Manasco 分享了自家「神秘數據公司」的成長故事。他提及：「過往美國軍隊很大，常常問一個問題，要等2-3周才有答覆，而且回答還是錯的。」Palantir在短短12天內，協助美國陸軍整合上百個資料庫，讓美軍即時掌握戰略資源。Palantir不僅展現AI與資料整合的威力，也揭示新創要成功必須解決真實痛點，而非「創造需求」，並能將技術轉化為實際商業價值。

日本的新創Sakana AI則在1年內就躍升為AI獨角獸。Sakana AI專注於用AI解決日本勞動力短缺與產業永續問題，在強調「速度」與「專注」的同時，也堅守安全規範，並在深耕技術的過程中，找到能真正影響社會的應用場景。Sakana AI提及：「這一切也要感謝AWS的協助，因為AWS提供很強大的資源。」

回到台灣，也有兩個亮眼的新創案例。首先是犀牛盾，面對全球市場中13,000張圖款與上百位創作者的內容管理挑戰，他們導入多模態模型CLIP，讓AI自動理解圖片與文字關聯，大幅提升策展效率；第二是完美移動，他們在開發技術時，找到了B2C轉型為B2B、API的商業模式，將原本針對消費者的AI虛擬試妝技術，轉化為API服務，成功打造可規模化的SaaS商業模式。兩家企業的共同點在於，不是一味追求最炫的技術，而是用AI解決實際問題。

要打造出好的AI服務，就必須有穩定、安全又可擴展的基礎架構。AWS正是許多新創背後的關鍵力量，全世界有80%的獨角獸企業都是AWS的客戶，而在專注於人工智慧與機器學習的獨角獸中，比例更高達96%。AWS不僅提供雲端運算資源，更是協助企業從概念驗證、技術開發到全球營運的堅實後盾，讓創新能夠真正落地。

AI時代的浪潮不斷向前，AWS也將持續推動產業創新，並於11月18日高雄舉辦「2025亞馬遜港都創新日」，邀請政府領袖、產業代表與國際專家齊聚，分享前瞻觀點與實戰經驗，打造百工百業共創的科技展區，呈現更多雲端應用的真實場景。同時若想了解更多AI創新趨勢與台灣新創的成長故事，立即收聽本集《AWS科技潮什麼》，掌握這波AI轉型的關鍵契機。