語音助理、智慧家電、購物推薦⋯⋯ 人工智慧替我們的生活中帶來便利，但卻也讓不少人擔心人工智慧發展到最後，是否會產生自主行為，形成電影中機器挑戰人類的情節。
在圖像辨識、語言翻譯和動態時報排序等都用到大量人工智慧的Facebook，希望破除這個迷思。Facebook的AI研究部門負責人Yann LeCun認為，多數的害怕來自於不理解，「我們希望告訴人們AI並非魔法，而是嚴謹的科學。」因此在部落格上發布三段淺顯易懂的影片，替大家上一堂AI入門課。
人工智慧比人類厲害的地方：辨識出大量數據中的模式
大部分的人工智慧系統由人工神經網路和程式碼構成，模擬大腦神經元的運作方式，並像人類和動物一樣，可以透過修改神經元的連接方式，從經驗中學習。
其中，人工智慧特別擅長辨識出大量數據中的模式，這是人類較不擅長的，此外，還可用於學習翻譯、簡單的邏輯推理，甚至是系統性地產生新想法。
什麼是機器學習演算法？
用來訓練人工智慧的機器學習演算法，實際上如何運作？
他們將人工智慧比喻成一台機器，若最終希望能讓它辨識出「汽車」和「狗」的不同，必須先提供大量汽車和狗的照片，讓機器練習回答，並在每次的回答中調整解題過程。最終，就算出現過去沒看過的圖片，也能找出是否有共同點而辨識出物體。
過去，傳統演算法只能重複性的一一比對資料庫，比對到類似圖片才能歸納出答案，而常聽到的機器學習演算法，則可在比對的過程中「訓練」機器的辨識能力，大量減少所需時間和運算效能。
看過影片後，就可以了解機器學習的過程其實真的很「數學」。
對電腦而言，圖片由一組數字矩陣組成，這些數字分別代表不同像素的亮度。舉例來說，想要分辨字母「C」和「D」，首先計算出代表C和D的數字矩陣，再乘以「權重」，若數字加總後大於零，可判斷是C，反之則為D。而機器學習演算法，就是在辨識圖片的過程中不斷依照C和D的圖像特性，調整權重。
影片中說明，演算法會同時考量C和D的數字矩陣，最終可調整成只對C有反應且為正的權重、只對D有反應且為負的權重。因此，只要知道加總結果大於或小於零，就可以知道數字矩陣代表的字母。
有利於辨識局部圖像的深度學習法：卷積神經網路
不過，就算學會如何辨識不同物體，只要物體出現在圖片中的尺寸、露出部位和角度只要有些不同，就可能讓機器誤以為是完全不同的東西。
這時候便會用上深度學習結構「卷積神經網路（convolutional neural network，ConvNet）」，在第一層會先抓出物體的局部影像，例如輪胎的輪子，或人的眼睛，且讓這些局部影像重複出現在不同影像圖層的不同位置；第二階段則可將第一層的影像組合起來，例如整張臉、機翼等，最後可組合成完整的一輛車、一架飛機、一個人等。透過這樣的分層分析，可簡化機器辨識複雜圖像的步驟。該技術也可應用於自駕車、語音辨識及翻譯。
三種AI學習方法
Facebook指出，目前人工智慧學習方法大致分三種。
首先是透過輸入大量資料並給予獎勵回饋的「強化學習」，教機器下棋就是其中一種，不過缺點是，就算只是學一個簡單任務也需要大量數據和練習。
而最常用於訓練神經網路的「監督式學習」，就像爸媽用繪本教小朋友物體名稱，當我們提供機器汽車的圖片，會告訴他正確答案是汽車，演算法可以從這過程中學到汽車的特性。
最後一種是「無監督式學習」，亦稱為「預測型學習」。大多數人類和動物最初都是以這種方式學習，透過觀察以及和這個世界互動，便能學到基本知識，例如這世界是三維的、物體不會突然消失等。但目前人工智慧尚未發展到這種學習階段，這也是限制人工智慧進展的因素之一。
想成為AI人才，先學好數學
Facebook建議，如果未來想以AI作為工作，數學和物理絕對是必修課，微積分、線性代數、機率和統計，盡可能修越多越好。此外，電腦科學、工程、經濟、神經科學等科目，對研發人工智慧也有幫助。
不過令人意外的是，文章中特別提到哲學的重要性，因為其對理解和學習任何知識都有幫助。這也呼應到Facebook近來被批評其動態時報推播假新聞影響美國大選結果，在每種機器學習應用的背後，最終還是得回歸到「人」。
資料來源：Facebook、TechCrunch
