本語音分兩次整理文字稿，本文從開始整理至6’04”

IBM Watson贏得《Jeopardy》100萬美金

在真實的世界裡面還有一個很有名的例子，在 2011 年發生。2011 年有個很重要的里程碑，就是 IBM 的 Watson， Watson 取自 IBM 的創辦人的名字，它是一個人工智慧系統，參加當時美國一個非常有名猜謎遊戲的電視節目，叫做《Jeopardy》。持續了幾十年的一個節目，每次三個人猜題，猜題時，要選不同的類型。猜謎遊戲並沒有那麼簡單，不是直接問說「1+1= 多少？」，或者問「台灣在中部最大的都市是哪一個？」。

它的題目涉及到很多知識外，還有很多是隱藏的推論型，就是不能從字面馬上就知道答案是什麼，需要轉折很多次，所以，對機器來講，具備了很大的知識庫，很大的資料庫，但是假如沒有能力像人類一樣從謎題上面去理解，猜出答案是什麼，這個是很難的。那一年 Watson 正式擊敗了兩個人類的冠軍，成功獲得 USD$100 萬獎金，在當時代是一個很劃時代的結果，因為 AI 竟然可以打敗人類的猜謎冠軍。

這個例子帶出來《疑犯追蹤》影集裡面，最終要能夠猜謎的能力。要算命，至少要從表面看到的現象，看到的事實，卻可以猜出背後可能的結果是什麼，這也是真實的世界可以達到的效果，不過。如同前面的專家系統，或 IBM Watson 贏《Jeopardy》猜謎遊戲一樣，還是不足夠強大到像在影集裡面的 Machine 那麼厲害。

推薦系統常見的兩種方法

隨著影集的發展，在真實的世界裡，還有另外一個維度值得特別介紹，就是「推薦系統」，因為在影集裡的 Machine，一定要推薦下個動作可能發生的事是什麼。這種推薦的概念在真實的世界也非常需要，現在看到最多就是電子商務平台。當你買了東西，之後再上網，常會收到不同的推薦，當然越準的推薦會誘發你去買東西，所以，推薦系統在進入到互聯網、網際網路時代就變得非常重要。

推薦系統的最早出現在 90 年代，由明尼蘇達大學 GroupLens 實驗室發展出來，最早想要推薦是網站和網站討論群的資料；後來，也做一個電影推薦系統。當你上去看一些電影，給了一些意見；或者你想看什麼電影，這個網站它會給你一些適度的推薦，什麼電影更好。

推薦系統在真實的世界裡做法通常兩大類，一種叫基於內容的過濾方法，叫 content-based filtering。舉例：你看到什麼東西，你看過什麼東西，假如網站後面的系統覺得說你看到這個內容，跟另外一個事實上具有一定的相似度，就把這個東西推薦給你，這種推薦方法，叫做以內容為主的推薦系統。

另外一種叫 collaborative filtering 協同的推薦系統。舉例：在網路上有非常多的使用者，發現有些使用者具備一定的相似度，故假如 a 跟 b 具有相似度，那 a 看的某些內容是 b 沒有看過，自然就可以把這個東西也推薦給 b。

換句話說，所謂的相似度，不外乎是內容的相似度、或者是使用者之間的相似性。透過這些相似性存在，就可以把你還沒有看過的，然後可能會有興趣的，具有相似性的就推薦給你，這是早期做推薦系統最常見的方法。這樣的推薦系統不需要人工智慧，因為只要計算到底哪兩個多像就好，只要能把相似的規則計算出來，自然就可以推薦給對應的人。(本文未完)

附註

◆ 《AI思維》書籍介紹 (本書榮獲110年度金書獎 - 優良中小企業出版品)

◆ 《AI微醺》Apple Podcast 隨時聽 

◆ 《AI微醺》Google Podcast 隨時聽