如果說現在是「互聯網＋」時代，那麼下一個盛世就是「AI＋」的時代，人工智慧（AI）技術大量商業化的時代到來。未來人工智慧將是所有產業的「靈魂」，人工智慧技術讓物件有了人性，成為各產業的「基礎設施」，就像我們的水電交通設施與網路的概念。

「有了人工智慧，我們很快地便不用再寫程式了，因為人類會訓練電腦，就像人訓練海豚、狗或人類自己一樣！」《連線》（WIRED）5月刊封面故事以「程式的終結！」如此駭人的命題開場，探討人工智慧對未來社會與科技行業的影響；人工智慧已經是個被討論、研究近50年的老議題，1960年代有第一次熱潮，然後進入寒冬，1980年代第二次熱潮，很快再次進入寒武紀；連續數次攻頂的失敗讓研究學者很氣餒、懷疑論盛行，但自從深度學習在近年有了突破性進展，加上Google以人工智慧打造的AlphaGo圍棋機器人擊敗了韓國九段圍棋棋王李世乭的經典一役，向世人證明了人工智慧領域的顛覆性創新，一瞬間各界風向逆轉，大廠相繼敲鑼前進；Google率先喊出「AI First」，Facebook也在2016年年度開發者會議F8宣示，將人工智慧列為下一個十年內公司發展的三大方向之一；微軟、IBM也分別以微軟研究院（Microsoft research Academy，MSRA）、華生研究中心（Watson Research Center）投入此一研究領域超過十年以上，更分別以Cortana、Watson產品化迎向市場，蘋果也透過併購、內部研究等方式瘋狂投入，將購併後推出的語音助理Siri API推廣到自己iOS平台上的開發者。

點圖可放大

翁羽汝／製作

亞洲矽谷計畫遺失的版圖：AI

因此各國紛紛開始制定政策與計畫迎接AI+的未來，2013年，歐盟啟動10億歐元「人類腦計畫」；同年，美國宣布啟動45億美元的「腦計畫」，日本提出「超智慧社會」，然而，台灣行政院「亞洲矽谷」的百億元預算案，主要為生技、能源與物聯網等產業，卻完全沒有提到作為這些產業底層最重要的技術──人工智慧。

數位時代資料照片

創新工場創辦人李開復發表了《AI技術處在黃金時代》一文。他指出在人工智慧時代，需要的就是人工智慧科學家搭配面向企業市場的銷售。「人工智慧科學家可能學會銷售，但是銷售專家可學不會人工智慧技術。最理想的是有兩個人能夠一起實現目的。」既然人工智慧科學家創業黃金時期來臨，那台灣人工智慧科學家在哪裡呢？有沒有辦法讓人工智慧技術成為台灣進攻世界舞台的利器？

台灣有很多在國際間富有盛名的人工智慧科學家，培養出很多學有專精的人才。「以台大來說，林智仁、林守德和林軒田三位教授帶領的研究團隊，在2010年到2013年間，拿下數據挖掘研究領域的國際頂級賽事KDD-Cup的六個世界冠軍。林智仁所開發機器學習開發軟體LIBSVM軟體被國際廣泛使用。」沛星互動科技（Appier）首席資料科學家林軒田指出。「台灣人工智慧領域學術表現雖不比美國與中國，但在亞洲表現並不比日本差，許多學者在TOP Conference發表研究論文的品質甚至超越日本。」成大資工助理教授胡敏君指出。Google AlphaGo 打敗南韓九段棋王李世乭的主要開發者之一黃士傑也是台師大培養出來的博士。

Google

台灣雖有世界頂尖人才，卻缺乏世界級的產業舞臺。「台灣學術界在人工智慧上的研究成果跟上國際腳步，反而是台灣的產業界太保守了，沒有投入資源，發展落後全球。也沒有提供舞台給人才發揮。」今年2月台大副校長陳良基出席一場人工智慧記者會時直言。

「華碩，宏碁與HTC等都有發展人工智慧，但非人工智慧大廠，而鴻海還是以軟體銀行代工為發展策略，若不算NVIDIA，台灣不算有人工智慧大廠。」集邦科技拓墣產業分析師苗議丰擔心，在人工智慧時代台灣還是擺脫不了低毛利的硬體製造代工模式。相較這些硬體大廠，台灣軟體公司趨勢科技深耕人工智慧較久，六年前就開始研發機器學習在信件連結、檔案與垃圾郵件上。

AI技術IC化，台灣有機會扮要角

眼看臺灣的硬體大廠投入緩慢，看似將要錯過這波產業發展機會，Google台灣董事總經理簡立峰卻對此有不同的見解，對臺灣產業在AI+時代的競爭力充滿信心。「人工智慧可說是台灣軟硬體整合最好機會，尤其整合各種成熟應用人工智慧的創新技術，結合臺灣IC設計與半導體製造優勢，全世界沒幾個國家的產業環境，有能力很快把『AI技術整合IC化』。」簡立峰說。

翁羽汝／製作

這幾年，軟體與服務的數位經濟中當紅的就是電子商務，但台灣的硬體業與電子商務很難結合，現在的創新方向若是做人工智慧、機器學習等等演算法的技術應用，對臺灣的硬體製造、晶片設計廠就有整合上的機會。舉例而言，有許多人工智慧或機器學習的演算法有許多成熟的應用，例如指紋、文字、圖像甚至聲音辨識，這些辨識需要應用到大量的演算，透過終端的一般晶片計算或將資料透過網路傳輸到雲端計算都需要大量的耗能，損耗終端裝置的電能，也讓使用者經驗受挫；如果可以將相對成熟的演算法包成特定的系統晶片（System on Chip，SOC），不但可以降低終端裝置的耗電量，也可增加使用者經驗，這就是臺灣大廠可以利用本身硬體技術，把人工智慧應用的演算系統化、晶片化的重要方向。

「最直接的方式就是鼓勵新創，且著重於技術創新，而非只是商業模式新創。科學家要想商業模式，還得當營運長、總經理，身兼數職容易失敗，專注技術就有成功機會。」簡立峰指出。

沛星互動科技將人工智慧技術和大數據運用在跨螢數位廣告行銷解決方案及即時競價RTB技術，是亞洲第一家將AI運用在跨螢技術的公司，在種子輪、A輪、B輪募資總計已獲得3千萬美元（約10億元新台幣）。「Appier的核心理念是『Making AI Easy』。 以人工智慧技術為基礎，幫助企業在跨螢世代更有效地地觸及目標消費者。平台不只應用在行銷廣告，未來也可能跨足金融、教育、醫療等領域。」林軒田指出。

翁羽汝／製作

需要重量級人士登高一呼

不過，從全球競爭角度來看，目前台灣在人工智慧領域的創新爆發力還是不夠，根據《數位時代》的2016年創業大調查，台灣332位創業家中，有46.6%認為未來三年內人工智慧是重要發展方向，但有80.4%創業公司並沒有用人工智慧研發產品，缺乏人才與資金，是創業家在發展人工智慧技術時最大的挑戰。

數位時代製作

數位時代資料照片

「任何一個傳統產業都要加上網路才會產生大數據，才會產生人工智慧。」這是鴻海創辦人郭台銘的看法，但趨勢科技技術專家周存貹指出，台灣對於數據應用的警戒心很強，過度強調個人資訊的保護與隱私，這樣將會抑制人工智慧發展。「台灣需要有像馬斯克（Elon Musk）這樣的產業重量級人士登高一呼，大家一起開放。」清華大學教授孫民則指出，美國在五年前，也沒有形成人工智慧產業，但美國夠開放，軟體業發達，論文交流平台加上人才流動快，因此有了現在成果。

Heisenberg Media via flickr

沒有跟上網路潮流的台灣，在人工智慧時代又能否抓到機會，在全球版圖站穩腳步，扳回一城呢？與其擔心人工智慧發展最後搶走了工作機會，害怕大失業潮，不如正面迎戰，創造新的人工智慧機會，才是台灣這個科技島該有的心態。

翁羽汝／製作

人工智慧（Artificial Intelligence）的研究，過去60多年來從未停歇，而今總算有了不凡的突破，從AlphaGo到智慧語音助理、自動駕駛技術等，無疑捕捉了無數人們的注意力，宣告著劃時代的科技盛世已經到來。

1950年，圖靈在他名為〈運算機器與智慧（Computing Machinery and Intelligence）〉的論文裡提問：「機器能思考嗎？（Can Machine Think？）」，挑戰了人類對計算機智慧的想像。圖靈認為人們會首先流於爭執機器與思考的定義，卻沒有辦法很精確地討論問題核心：「機器會有智慧嗎？」

由於機器智能難以確切定義，圖靈在該論文首次對如何判定機器具有智慧，提出了著名的「圖靈測試」：如果機器與人類進行非面對面（例如在中間以布幕隔離）對話（例如使用文字訊息），人類卻無法辨認出對方是機器，那麼這台機器就具有智慧。圖靈測試無論在當時或現代，對於人工智慧研究而言都是重要且相對嚴謹的研究提案，後續許多業界與學界的研究都企圖挑戰圖靈測試：如1966年麻省理工學院人工智慧研究室的約瑟夫．維森鮑姆（Joseph Weizenbaum），以字串比對自動回覆的方式所開發出的聊天機器人ELIZA；或到2014年，英國雷丁大學（University of Reading）重磅宣布其所開發出的Eugene，已經通過測試，但後來被質疑標準有誤。

其實，人工智慧一詞直到1956年，才在美國新罕布夏州一場為期兩個月的研究工作坊「達特茅斯暑期人工智慧研究計畫（The Dartmouth Summer Research Project on Artificial Intelligence）」上，由負責組織會議的電腦高階語言LISP之父約翰・麥卡錫（John McCarthy）正式定名。這場工作坊所討論的問題：「計算機、自然語言處理、神經網絡、計算理論、抽象化與隨機創造」後來都成為人工智慧研究發展的重要領域，而達特茅斯會議也因此成為人工智慧領域的經典起源。

歷經了60年的發展，人工智慧的研究領域因種種困難而起起落落，經歷了無數個轉角。起初仿造動物神經元，希望打造強人工智慧的人工神經網絡（Artificial Neuron Network），先是經歷了機器無法應付計算複雜度的困境，無法取得研究經費而停滯；同一時期另一脈絡的弱人工智慧，則發展出博聞強記、分辨率隨資料質與量逐步提升而快速進展的機器學習。如今，人與機器的對話，已因商業應用的普及而不再困難。這一甲子，到底電腦科學家解決了些什麼問題呢？從人工智慧三大關鍵技術突破或可窺探未來。

關鍵技術一：文藝復興後的人工神經網絡

對於人工智慧，電腦科學家當然希望可以直接模仿生物的神經元運作，因此設計數學模型來模擬動物神經網絡的結構與功能。所謂人工神經網絡是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。

機器學習 Machine Learning

機器學習是可以尋找適合讓電腦做預測或數學模型分類的一種演算方法。這種演算方法主要透過蒐集大量原始數據與標準答案，以訓練資料調整且選擇相應的數學模型，同時並藉由驗證資料比對計算分類結果，來判定模型是否適合用來預測或分類。

1951年，科學家馬文．閔斯基（Marvin Minsky）第一次嘗試建造了世上第一個神經元模擬器：Snarc（Stochastic Neural Analog Reinforcement Calculator），它能夠在其40個「代理人」和一個獎勵系統的幫助下穿越迷宮。六年後，康乃爾航空工程實驗室的法蘭克．羅森布拉特（Frank Rosenblatt）設計、發表神經網絡的感知器（Perceptron）實作後，人工神經網絡（或稱類神經網絡）學者曾經一度振奮，認為這個突破終將帶領人工智慧邁向新的發展階段。

Joi Ito via flickr

但，人工智慧領域的研究在1970年代因為缺乏大規模數據資料、計算複雜度無法提升，無法把小範圍的問題成功拓展為大範圍問題，導致計算機領域無法取得更多科學研究預算的投入而沉寂。到了1980年代，科學家首先透過思考上的突破，設計出新的演算方法來模擬人類神經元，迎來神經網絡發展的文藝復興時期。物理學家約翰．霍普費爾德（John Hopfield）在1982率先發表Hopfield神經網絡，開啟了神經網絡可以遞迴設計的思考。四年後，加州大學聖地牙哥分校教授大衛．魯梅爾哈特（David Rumelhart）提出了反向傳播法（Back Propagation），透過每次資料輸入（刺激）的變化，計算出需要修正的權重回饋給原有函數，進一步刷新了機器「學習」的意義。科學家更進一步把神經元延伸成為神經網，透過多層次的神經元締結而成的人工神經網絡，在函數表現上可以保有更多「被刺激」的「記憶」。

目前多層次的人工神經網絡模型，主要包含輸入層（input layer）、隱層（hidden layer）與輸出層（output layer），另外根據資料輸入的流動方向，又分為單向流動或可以往回更新前一層權值的反向傳播法。由於神經網絡模型非常仰賴計算規模能力，為了增加高度抽象資料層次的彈性，電腦科學家將之複合為更複雜、多層結構的模型，並佐以多重的非線性轉換，將其稱之為深度學習（Deep Learning）。

關鍵技術二：靠巨量數據運作的機器學習

科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。1970年代，人工智慧學者從前一時期的研究發展，開始思辯在機器上顯現出人工智慧時，是否一定要讓機器真正具有思考能力？因此，人工智慧有了另一種劃分法：弱人工智慧（Weak AI）與強人工智慧（Strong AI）。弱人工智慧意指如果一台機器具有博聞、強記（可以快速掃描、儲存大量資料）與分辨的能力，它就具有表現出人工智慧的能力。強人工智慧則是希望建構出的系統架構可媲美人類，可以思考並做出適當反應，真正具有人工智慧。

機器學習（Machine Learning）可以視為弱人工智慧的代表，只要定義出問題，蒐集了適當的資料（資料中通常需要包含原始數據與標準答案，例如人像圖片與該圖片內人像的性別、年齡），再將資料分做兩堆：訓練用與驗證用，以訓練用資料進行學習，透過特定的分類演算法抽取特徵值，建構出資料的數學模型，以該數學模型輸入驗證用資料，比對演算的分類結果是否與真實答案一樣，如果該數學模型能夠達到一定比例的答對率，則我們認為這個機器學習模型是有效的。這種具有標準答案，並以計算出的預期結果進行驗證的機器學習，通常被稱為監督式學習。

相對於監督式學習，非監督式學習則強調不知道資料該如何分類的機器學習，換句話說，我們提供電腦大量資料，但不告訴它（或許我們也真的不知道）這些資料該用什麼方式進行分類，然後電腦透過演算法將資料分類，人類只針對最終資料分類進行判別，在數據尋找規律就是機器學習的基礎。

機器學習的發展方向，是在設計、分析一些讓電腦可以自動「學習」的演算法，讓機器得以從自動分析資料的過程中建立規則，並利用這些規則對還沒有進行分析的未知資料進行預測。過程中，時常運用統計學技巧，並轉化成電腦程式，進而計算出資料的分界條件來做預測。

深度學習 Deep Learning

深度學習是機器學習的一種分支，也是目前機器學習發展方向的主流。其概念主要是複合多層複雜結構的人工神經網絡，並將其中函數作多重非線性轉換，使之增加高度抽象化資料、記憶資料影響能力。

翁羽汝製作

弱人工智慧作為人工智慧領域的發展途徑，無論是監督式學習或非監督式學習，隨著資料被大規模蒐集、經由網際網路被傳遞、輔以雲端架構支援的運算，用機器學習來解決人類基礎的問題變成一種可能。目前機器學習也是人工智慧商業應用最廣泛的一種技術。舉凡搜尋引擎、圖像辨識、生物特徵識別、語音與手寫識別與自然語言處理、甚至是檢測金融詐欺等等，都是常見的應用。

關鍵技術三：人工智慧的重要應用：自然語言處理

對人類來說，如何讓這些現代自己製造出來的機器們，可以聽懂人話，並與人類「合作」，絕對是可以推動我們面對未知宇宙的重要助手。

自然語言處理（Natural Language Processing, NLP）的研究，是要讓機器「理解」人類的語言，是人工智慧領域裡的其中一項重要分支。英國雷丁大學的演化生物學家馬克．佩葛（Mark Pagel）認為，最早的一種「社會科技」是人類的「語言」，語言的發明讓早期人類部落透過新工具：「合作」在演化上占有優勢。自然語言處理可先簡單理解分為進、出計算機等兩種：其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式，其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。

自然語言處理 Natural Language Processing

自然語言處理又可分為不同的階段，包含：語音或文字辨識、自動分詞與詞性標注、語句生成與文本朗讀等。主要著重如何以電腦處理並運用自然語言，並企圖讓機器「理解」人類的語言，是人工智慧領域裡的其中一項重要分支。

無論是從人類到電腦，或從電腦到人類，語言處理通常都使用到我們一般學習外語所要具備的聽、說、讀、寫等技能。其中：聽與說主要使用到聽覺與發音，對電腦而言就是能夠透過麥克風「聽」到人類說話，把聽到的聲音轉成文字（這是語音辨識），或把電腦想要表達的意思轉成人類可以理解的詞句（這是自然語言生成），再用耳機或喇叭「唸」給人類聽（這是語音合成，功能通常稱作文本朗讀：text to speech）。科學家與工程師們也致力於影像文字辨識，影像來源可以是掃描完成的文件影像檔案、也可以是手機鏡頭的即時影像，目標的文字體則可以是一般鉛字印刷品或列印的文件，也可以是手寫文字（手寫文字辨識）。

當計算機透過「聽」或「讀」，將人類的話語或文章轉成文字、語句進到處理層，還需要能夠自動分詞（word segmentation），也就是電腦必須拆解人類的語句來理解語意，才可以進而給出相應的答案。例如一般人對手機說：「今天香港會不會下雨」，手機必須錄下聲音、並且濾掉雜音、將這句話的聲音轉化為文字、將這句文字拆解成不同詞句，並標注上不同詞性（speech tagging）。

「瞭解」使用者想要知道氣象資訊的命令後，手機必須對能提供「天氣」資訊的伺服器發出相應的（告訴伺服器要的地理資料是香港、並把今天轉換為實際的日期時間）資訊請求，包含未來數小時區間氣溫、氣象（是多雲、雨或晴天等）、風速、降雨機率、濕度、氣壓、空氣品質或紫外線指數等。

人工神經網絡 Artificial Neural Network, ANN

簡單地說，人工神經網絡就是以數學函數模擬生物神經元的運作，透過數學模型模擬生物的神經傳導與反應，並藉此接受外界資訊輸入的刺激，根據不同刺激影響權重來轉換輸出反應。

翁羽汝／製作

當伺服器回應了前述的相應數據後，手機可以選擇用螢幕畫面來回應，但更貼心的作法是把這些資訊翻譯成「人話」，然後用聲音唸出來。這時的處理可以把「香港接下來八小時會是晴天，氣溫攝氏25度，降雨機率是10%，空氣品質良好」這個句子，透過合成不同語詞聲音後說出來。但是，使用者問的其實是「會不會」下雨，所以必須進一步把降雨機率10%、晴天等等資訊轉換成「會不會」的尺度，例如10%可以轉化為「不太會」或是「只有很小的機率」一詞。

人類互動最重要的工具就是語言，無論是文字或語音，語音智慧助理讓人能和機器說話，無非是近年行動裝置普及後，最令人興奮的進展之一。

Google組織重整，以Alphabet作為母公司運作時，曾經引起外界熱烈討論，如今再看「Al」phabet，似乎可以作為Google全方位布局人工智慧的解讀，其以人工智慧技術為核心，發展各領域的智慧硬體，未來一年將大爆發。

「今晚吃咖哩吧！」一名中年人在車上對著語音助手Google Assistant這麼說，而Google Assistant隨即就為車主找到曾經消費的咖哩餐廳，並且安排餐點確認訂單，當車主踏進家門後的15分鐘，咖哩就送到家，這個服務來自Google打造的語音助手Google Assistant。Google Assistant成為Google產品的靈魂，進駐產品的身體裡。10月5日，Google CEO桑德爾．皮蔡（Sundar Pichai）在產品發表會上一口氣推出Pixel、Google Wi-Fi、Google Home、Daydream VR與Chromecast Ultra等五種產品，這些產品有個共同點：內含Google Assistant。

2015年起，Google在人工智慧領域大放異彩。除了從OK Google進一步演化的Google Assistant之外，圍棋機器人AlphaGo、開源平台TensorFlow、搜尋系統RankBrain、智慧即時通訊Allo等人工智慧產品源源不絕地產出，不過，就在Google人工智慧產品紛紛上市的同時，Google公司組織也發生巨大變化。2015年中，Google重整公司架構，新成立Alphabet公司，成為Google母公司，原先的Google X與Google Ventures等七大業務成為Alphabet的子公司。

Alphabet公司的出現和人工智慧發展有關嗎？「Alphabet也可以理解為alphabet，意味著投資回報高於基準，這是我們一直以來奮鬥的目標！」Alphabet執行長佩吉（Larry Page）在公開信中這樣寫道，但他沒有明言對人工智慧領域的壯闊野心，就字首上來看，「Alpha波」正是一種腦波，也就是腦部電流活動的核心形式。

翁羽汝／製作

Google成立「Al」phabet就是為了AI？

「Google的野心就是把機器學習作為一個核心，然後用它去解決非計算機、非網際網路領域的各種問題。」創新工場創辦人李開復指出。「人工智慧將是Alphabet在未來新市場中的殺手鐧。」市調機構CB Insights一份研究報告也指出。

李開復分析，Google成立Alphabet，是因為Google在搜尋和廣告業務的累積，發展了一套以應用知識地圖（Knowledge Map）的商業模式：Google Brain。Google Brain就是機器學習的大腦，這個機器包括了平台與專家，如果它運用在搜尋領域就是一個搜尋引擎，如果能夠用在醫學領域，那它可能就是一個癌症診斷系統，當然也可用於智慧家電等各種不同領域。

Google深度學習大爆發的幕後秘辛

為了一窺Google人工智慧的發展藍圖與研發秘密，《數位時代》特別專訪Google MLX（Machine Learning Accelerated）技術總監雪克（Tal Shaked）。雪克專注於大規模機器學習系統的研發，並將成果應用到Google系列的產品。

雪克加入Google的11年當中，共同創建了搜尋排行系統Rankboost與機器學習系統Sibyl。他還有個特別身分：西洋棋特級大師，並且多年參與職業棋賽。「2012年以前Google使用深度學習的專案量是0個，但到2015年卻已經超過1,500個，這些專案包括Android、Google Apps、藥物開發、Gmail、地圖、Photos、翻譯與YouTube等等橫跨各種領域。」雪克指出。

2014年是Google深度學習起飛關鍵年。這年開始深度學習專案開始快速成長，2015年第二季就大爆發衝破800個，2016年第一季甚至突破2,400個，這背後的秘密是什麼？

「從外界看來我們是突飛猛進，但其實這是全球深度學習相關技術累積的成果，這些成果可以追溯到1950年代，這60多年的累積像一個長長的尾巴，支撐起Google的大爆發。」雪克分析。其實在2014年前，Google就看準世界頂尖人才，不惜砸下重金網羅這些稀有的優秀腦袋。2013年，Google把手伸進多倫多大學，收購其電腦工程系的新創團隊DNNResearch，這個團隊沒有驚人獲利與實質上市產品，有的僅是辛頓（Geoffrey Hinton）教授和他的學生等三個成員，但辛頓教授正是深度學習學派的開山祖師，他與學生所組成的團隊在神經網絡、自然語言處理與圖像辨識上連續創下驚人的研究或比賽成果，在被收購前一個月，這個團隊才剛連續拿下三個比賽，拿走近20萬美元總額的獎金。

除了DNNResearch團隊，2014年一個閃電併購案，也是讓Google在該領域大爆發的重要原因。這一年Google成功以4億英鎊從Facebook手中搶下DeepMind團隊。DeepMind為西洋棋神童暨神經學家哈薩比斯（Demis Hassabis）於2012年前所創立，今年以深度學習系統AlphaGo在五局三勝制的人機對弈大賽中，贏了韓國九段圍棋棋王李世乭，震驚全球。

現在，Google Brain和DeepMind團隊成為Google發展人工智慧的重要推進力量。

從機器學習到機器智慧的 AI發展藍圖

「Google人工智慧發展藍圖，是從Google的核心技術：機器學習（Machine Learning）所應用的搜尋與廣告，拓展到機器智慧的智慧家庭中樞Google home等智慧硬體，或Google翻譯、Google Photos與Gmail等等。」雪克指出，「Google希望整合這些技術成為人工智慧，可以被拓展到更大的應用在能源、醫療與機器人等其他領域，進入每個人的生活。」

其中，Google翻譯就整合人工神經網絡（artificial neural network，ANN），讓翻譯品質更接近人工翻譯，過去Google翻譯採用的是基於短詞句的機器翻譯（Phrase-Based Machine Translation，PBMT）但近日則採用基於神經網絡的機器翻譯（Neural Machine Translation，NMT），「以中英翻譯來說，若使用者要翻譯『請問廁所在哪裡？』，過去的Google翻譯給的是：『Where is the restroom?』，但現在翻譯品質更好了，系統會給出：『Excuse me, where is the toilet?』這樣的翻譯答案。」雪克舉例。

翁羽汝／製作

雪克還指出，Google Photos部分也使用卷積神經網絡（Convolutional Neural Network, CNN），讓機器可以自動標籤；機器可以基於人工智慧技術所進行的圖像辨識，對原本不具有標籤的照片進行分類；例如，使用者只要在搜尋欄位輸入「狗」，就可以讓系統可以自動辨識，找出整批有狗的照片。在Gmail應用中的智慧回覆（smart reply）功能也是以人工智慧給出建議回覆內容，透過對Gmail 收件匣分析使用者收到的信件內容，自動給出「明天見」、「馬上寄給你」等回覆選項，讓使用者回覆Gmail更得心應手。「除了這些核心產品，也利用深度學習優化Google數據中心能源利用率，以及用於檢測視網膜圖像中的糖尿病視網膜病變。」雪克強調。

「在日本已經有農業研發人員，使用TensorFlow工具開發出人工智慧揀選小黃瓜系統；現在，電腦已經不只會選土豆，電腦也學會根據小黃瓜的大小顏色與形狀自動挑選；此外，TensorFlow也被科學家拿來判讀衛星照片，透過機器學習，自動判別照片中的白色區塊是雲還是雪。」雪克說。Google機器學習團隊對於人工智慧的應用寄予厚望，2015年底，Google對外開放了自己內部開發使用的第二代機器學習程式庫工具TensorFlow；由於TensorFlow是第一套包含最完整、各種機器學習的程式庫與工具，TensorFlow毫不意外同時成為學界與業界最受歡迎的人工智能開源平台。

Google智慧硬體時代來臨，台灣扮演要角

巨量的數據、雲端運算資源的擴展與GPU等硬體進步，支撐起Google人工智慧技術猛進，也讓Google開始做「智慧硬體」大夢。過去Google一直未全力投入硬體發展上，常委由硬體合作夥伴生產，但今年4月，Google 成立新硬體部門，找Motorola前總裁歐斯特拉（Rick Osterloh）領軍，5月Google在開發者大會上也發表自行研發的機器學習專用晶片TPU（Tensor Processing Unit），而10月5日的發布會也全是智慧硬體，Google智慧硬體時代已然來臨。

過去就和Google緊密合作的HTC與華碩等台灣大廠，自然也是Google智慧硬體布局重要夥伴，在網路時代無緣參與世界舞台的台灣，正攜手Google跨進智慧硬體世界。「現在是Google有史以來最重視硬體的時候……台灣的軟體技術排世界前十，聯發科、HTC、台積電、鴻海等業者的等硬體產品是世界頂尖，台灣要能跟上AI技術潮，把握這個軟硬體整合的最佳時機。」Google台灣董事總經理簡立峰說。