![[東京直擊]Google 下一個發展重心：機器學習](https://3.bp.blogspot.com/-7E465jg_Mus/VkJp_2pARwI/AAAAAAAAIAM/QLt6g5XRYQQ/s1024/)
11月10日在日本東京舉辦的Google亞太活動Alphabet集團執行董事長施密特(Eric Schmidt)視訊出席活動時，表示Google 的下個發展重心 - 將是機器學習。
Google 機器學習已經從實驗室裡的技術發展成有數十億使用者的科技，現在看機器學習的應用面就像在 2010 年時看行動應用，機器學習已經從理論進化成實際應用。Google 搜尋、YouTube、Google 翻譯、Google Play 都已經運用機器學習技術。
Google不斷強調機器學習不是單單一種模式，而是一種工具，能夠廣泛應用在生活各種領域的重要革命性工具。「機器學習」思考，讓員工不在做機器可以執行的工作，把大腦從日常Routine中解放出來，執行更具創造力，想像力的工作。這不僅是Google產品端的革命，也是內部公司文化的革命。
施密特大膽地說，「如果你希望你的數據安全，那就存到Google來。」數據搜集是機器學習的關鍵，Google非常注重數據管理，隱私保護一直是Google很在乎的議題，有強大加密技術保護數據。
但從 2014 年起歐洲地區吹起一股「反美科技」浪潮。以 Google 等科技巨擘為首，等美國科技公司侵犯隱私，蒐集他們的線上搜尋資料，用來宣傳廣告。而當Google轉向機器學習時代，需要大量多元的資料訓練機器，數據是外界對Google機器學習領域的最大質疑，尤以歐洲為甚。雖然Google再三強調不會將使用者的數據商業應用，但這也許是「搜集」與「使用」上的定義不同，這也是Google在歐洲面臨的最大挑戰。以下是施密特演說重點整理：
（圖說：Alphabet 集團與董事會執行董事長施密特。圖片來源：Google）
1.我不認為要讓電腦模仿人腦
**我不認為要讓電腦模仿人腦，大腦神經元太多，模仿大腦做人工智慧太複雜。但我們可學習大腦如何記憶，利用在機器學習上。**機器學習對我而言，重點在讓人類不用再做機械性事物，如製造業產線工人或打字員等。
因為電腦有大量運算能力，運算的效果如果比人更好，像開車這件事，那就教給機器開就好了。或是讓機器來做醫生，是不是比人更好？提供更準確的診斷？ 因為機器不會疲勞但是人會。
機器學習需要投入大量技術與資源，要把問題轉換成機器學習能解決的題目並不容易，然而一但轉換成功，將會顯著成長，多餘的工作將會消失。
2.邪惡機器人總出現在電影中
外界總認為當機器人越來越像人，機器人可能對地球造成危害，就像電影《關鍵報告》一樣。但我認為只有電影才把機器人描述地這麼邪惡。在實際應用中，人類可以透過演算法控制機器人執行正常任務。
人類創造的機器人應該都是好的機器人，可以幫忙打掃，澆花、做家事，這種機器人是大家最想要的。
3.下一代的程式設計人才必須具備有很好的數學能力
工程師不再需要自己Coding，而讓電腦去寫，這是下一代的程式設計人員的挑戰。下一代的程式設計人才必須具備有很好的數學能力，因此注重數學教育的亞洲人才比歐美人才更具競爭力。
我最近去了一趟韓國與中國。韓國經濟在放緩，因此強調創業精神振興經濟，推行機器學習創業。在中國我花很多時間拜訪政府部門，雖然很多人說中國經濟增長減緩，但中國的經濟潛能還是非常之大的。
機器學習最大的挑戰就是全球上網的人還不夠多，要有更多網路覆蓋，讓貧窮的亞非國家與弱勢群體能上網， 網路是一種巨大的現代化力量。
4.電腦視覺(Computer Vision)的診斷辨識即將超越人類視覺
去年九月，Google 研究團隊「GoogLeNet」發表了一篇關於神經網路（neural network）的論文，名為「全面啟動」（Inception），因為這個神經網路的運作原理就類似電影「全面啟動」中夢境的分層概念。系統可以透過 22 層的電腦視覺運算，找出最相關的圖像，捨棄不重要的部分，進而分析出不同的物件。
舉例來說，當 Google 相簿辨識一隻貓的照片時，首先會辨識出這是一隻「貓」的線條與顏色，接著發現眼睛與耳朵，經過這樣一層層複雜的偵測，最後完成辨識。
**機器學習也將比人類更能預測使用者喜好。**例如，雖然我的朋友們可以透過音樂類的 App 推薦我最新的當紅歌曲，但是人會跟不上流行，而機器卻永遠能提供時下最熱門的音樂。
跨領域的機器學習將有更顯著的效果：機器學習將能有效改善其他技術現有的問題，或是加快解決問題的速度。
延伸閱讀：
1.Alphabet集團執行董事施密特：無人車和機器人都不算什麼，機器學習才是我們在做的事。
2.施密特：機器學習五年後將應用到所有產業
