本語音分兩次整理文字稿，本文從開始整理至6’52”

上次我們談到人工智慧的發展，一種看起來是「由上往下」，可以把人類的知識、經驗等等能力，建構出來，模型化之後，變成AI系統，這種AI系統表現可以很好，因為具備人過去的經驗跟能力。

但是，人的經驗跟能力某種程度卻侷限這個軟體。因為我會什麼，然後我教它，它會了；但是假如它的學習能力不強，它的進化速度就會很慢。這是一個抽象的講法，我把它叫做「由上而下」的概念。

在那個年代，「由上而下」的技術還是具備學習的能力，只不過這種學習的方式跟我們今天在談的、最先進的這種「深度學習」，方向就開始有點不同。

所以，我們就把上次談的AlphaGo，新一代，這種劃分當然不是很精準，從學術的講法也不是十分精準，不過，比較容易瞭解，我把它叫做「由下而上」的概念。我們並沒有特別去強調「由下往上」到底不同在哪裡？

人類是怎麼學的？「由下而上」的概念

想像一下，假如我們像是一個小孩子，從來沒有看過貓，但是可能見過狗。你可能會辨識出牠可能長得不像狗，可是牠有點像，因為牠們很多特徵是一致，有四肢腳、有尾巴、有耳朵，眼睛大大的，看起來很可愛，但是就是不一樣。

人類是怎麼學的？從科學家們來講，有個叫brain model，試圖探討人類的大腦為什麼會去學習？到今天的理解，人是有個神經元，神經元之間的網絡串起來之後，可以慢慢的在這些神經元裡面，逐步的記憶裡面，形成對一些事情的認知。

這樣的話，我們人類就可以看過，即使那個東西過去從來沒有見過、也沒有用過，還是可以嘗試透過學習，就具備了解的能力。大致上來講，我就把它叫做「由下而上」的概念。

類神經網路的發展與瓶頸

過去電腦在系統、軟體和技術上，沒有人這樣想過。嚴格來講，最早一定有人提出這樣的概念，推到上個世紀，差不多在一九四幾年的時候，兩位數學家就提出一個新的概念，一位叫做麥卡洛克（McCulloch），一位叫做披次（Pitts），他們合寫一篇論文，就提出能不能用數學的方式，來描述所謂「人的神經元」。神經元，英文叫neural，我們可以讓一個神經元來做計算。

這個概念也並不是憑空從天上掉下來的，而是早在1940年代就有人提出了這樣的數學想法；不過真正寫成一個可以用的系統—神經網路（neural networks），也到了1965年，由俄羅斯的數學家叫做Alexey Ivakhnenko，他把神經網路給做出來。想像一下，1965年的計算機還沒有非常強大，就開始往那個方向。

另外一派的科學家、數學家開始「由下而上」在思考這個問題，我把這個叫做「由下而上」；就是透過很多神經元的思維，成千上萬的神經元，足夠成一個網路，之後透過你給它足夠的數據，就可以自己學習；這樣的概念就把它取名叫做「類神經網路」，因為它並不是我們真正大腦裡面的神經網路。

類神經網路一路發展，到1990年代，碰到了瓶頸。因為我們能夠解的問題，學習的問題，只在少數的一些神經元；少數的幾層的神經元要做好這些事情，還是有它的限制，它還需要大量的計算。

類神經網路的突破—深度學習

計算機跟互聯網在上個世紀、以及近一、二十年來發展，速度真的是超快，所以今天談到計算問題、資源不足的問題，已獲得解決。這種模仿人類神經元的概念，變得非常可行的。

這一路的發展，跨過了21世紀，在2006年，「深度學習」這個詞就被提出來；「深度學習」是由Hinton，一位電腦科學家所提出來。正式出現在神經網路之下，可以變得更多層級的一層一層神經元，把它串構成一個更大、更複雜，越來越接近人腦的一種神經網路，所以這個詞就叫做「深度學習」。

深度學習出現之後，發展的速度就更快了。這裡面有幾個比較有趣的例子，比如在2010~2012年這個階段， Google就串聯成千上萬台的電腦，通過互聯網，想要去訓練這種深度學習的網路，可不可以去認識貓？他們結合很多YouTube貓的短片，然後用它來結合成千上萬台的電腦，由它們去學，最終變成一個很有趣的題目，Google就做出了一個可以認識貓的神經網路出來。（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