你已經想像著自己意氣風發拿著劍砍下怪獸頭顱的模樣了嗎？且慢且慢，我們還在新手村哪！
手上沒有劍，腦子也空空的，這樣就算怪獸看見了都懶得吃你啊～
歷史老師已經在敲黑板等你過去了，好好惡補一下知識再出發吧！
今天主要會介紹的是AI從出現到現在的發展與興衰，但是因為這不是專門的課程，只是想讓大家在學習前先了解一下自己究竟在學些什麼，所以只會大概簡述一下。
AI（Artificial Intelligence）這個詞最早出現在1956年的達特茅斯會議中，當時約翰．麥卡錫（John McCarthy）提出了AI一詞，並且提出了願景，認為AI將能夠運用邏輯推理來模擬人類的思維過程，並且能像人類一樣解決問題。
也就是說，他認為AI應該能夠像人類一樣思考，甚至學習，並幫助人類解決問題。
這個會議在後來被稱為人工智慧領域的「誕生之地」，而麥卡錫也因此被稱為「人工智慧之父」。
也就是說，我們現在所在的這個AI世界，就是從這個會議開始之後迸發出來的，大家向這位AI之父祈求一下未來的旅程順利吧！
相信應該非常多人聽過這個有名的「圖靈測試」，這是在1950年時，由艾倫．圖靈提出的一種測試機器的方法。
由人類仲裁者與隱藏在電腦後的「人」進行對話，那個「人」可以是真人，也可以是機器程序，如果在過程中，這位人類仲裁者沒辦法分辨出與他對話的是真人還是機器，那圖靈測試就算是通過了。
（當然，不是躲在主機後面的那種隱藏= =|||）
想信眼尖的你一定發現了，圖靈測試出現的時間是早於達特茅斯會議的，也就是說，AI這個詞被正式提出前，就已經有類似的概念出現了喔。
1965年，史丹佛大學提出了「專家系統（MYCIN）」，這份研究的目的在讓電腦程序能透過將各領域專家們的知識整理成資料庫，並讓系統將這些知識進行形式化和建模，並讓電腦可以用這些知識回答特定領域的問題。
換成另外一種說法就是，假設專家系統是一個腦容量非常大，而且看再多書都不會累的人，我們把某個領域相關的書全部都給他看，當我需要用到的時候，直接問他就好了，很方便吧！
但是想像很豐滿，現實很骨感。
一開始的確令人振奮，在醫學診斷、工程設計、金融分析等等的領域，專家系統也都頗有建樹，但慢慢的就出現了一些問題。
首先遇到的第一個問題就是，我要給他看很多書，理論上是可以達成的，但是有一個前提是……要先有書啊！
要想轉移所有專家的知識是一個很宏大的目標，但是想要讓他看書（專家知識），也得要有人先整理好。世界上每時每刻都在產生新的知識，要把這些「書」整理出來，實在是非常費力的一件事。
與其這麼麻煩的建立一個專家系統……我幹嘛不直接去問專家就好了嘛？！
一開始大家都覺得只要專家系統建立出來，就可以解決我們需要的問題，但後來發現一件事……
專家系統雖然是個腦容量很大的孩子，但他也有另一個非常大的缺點，就是他的腦子不會轉，也就是一個「書呆子」。
嗯……看來專家系統適合走文組路線（？）
他可以死記硬背，考試也可以考滿分，但如果要他舉一反三，回答出你沒有輸入在資料庫裡的問題時，他會歪著頭，呆萌的看著你說：「蛤？」
如果人類沒有教他的事情他就不會，甚至比人類還死板，這樣的「專家系統」頂多就算是個龐大的知識資料庫，還稱不上是AI。
撇除前面兩個大問題不談，當時的人們發現就連編書都有困難了，這又是怎麼回事呢？
當他們著手開始「編書」的時候，才發現人類有非常多知識都是靠經驗來的。
像是船長判斷天氣與海浪、中醫把脈判斷病人病症、藝術家揮筆作畫，這些都是需要靠長年累積的個人經驗，才造就出這些領域的「專家」。但這些經驗累積往往最後用以判斷的是所謂的「直覺」、「靈感」，都是難以用言語說明。
如果連人類自己都難以說明，那要怎麼編撰成知識輸送給系統學習呢？
某個警察體系的專家說，「我會逮住這個犯人，是因為他看著我的眼神在閃爍。」
於是負責專家系統的人員就開始思考啦，所謂的閃爍是怎麼閃？
是電光一閃還是一閃一閃亮晶晶？
想著想著那個可憐的人員眼前也滿天都是小星星，隔天就離職了（喂
在當時的專家系統中主要使用的語法是if……than……，也就是因為所以這樣的因果關係。而那個可愛的小書呆也不懂得如何判斷這樣模糊不清楚事情。
所以在當時想要完成人類理想中的系統，幾乎是不可能的事情，至少在短時間內不可能。
綜合以上幾種原因，專家系統就這樣失去寵愛了。
放下了專家系統，這些研究員也開始設想，要怎麼樣才能讓AI能夠自己思考、自己學習呢？
為了讓電腦名符其實的成為一個大腦，他們與腦神經科學家合作，將腦神經中認知領域的腦科學，運用到程式設計的方面。
所謂認知領域腦科學，其實就是大腦的「視覺皮層」……這些專有名詞不理解不重要，只需要知道這是用來認識聲音、影像的區域就好了。
於是所謂的「機器學習」便成了這波浪潮中的弄潮兒。
可喜可賀！普天同慶！我們可愛的書呆子寶寶左腦終於開始發育啦！
我們可以用教嬰兒認動物的例子來解釋機器學習：
一個從來沒有看過動物的小baby，我們拿著紙卡告訴他，「這是兔子！」、「這是小狗！」的時候，就是幫助嬰兒分辨「特徵」（動物的形體）並貼上「標籤」（動物名）。
嬰兒經過反覆學習，最終可以得到「泛化能力」，這個聽起來很像某種超能力的名詞，其實是代表著這個小孩在面對未知情況時，可以分辨、處理的能力。
就像是某天帶著他去動物園，雖然眼前的長頸鹿和之前照片上那隻不一樣，但它可以根據那個長長的脖子和身上的斑紋，指著牠說：「這是長頸鹿！」
許多人常常認為「機器學習」、「深度學習」是兩種不同的事情，其實並不是這樣哦！
他們的關聯性應該是這樣：
AI ＞(訓練方法之一) 機器學習 ＞(其中一個分支) 深度學習
深度學習是包含在機器學習內的一個分支，機器學習需要人類專家手動提取「特徵」，並用這些特徵來訓練模型。深度學習則是透過建構深層的神經網絡，讓模型從原始數據中自己學習到特徵。
也就是說，這個小孩發育得越來越完全了，他不但會分辨圖片，還能自己找出牠們的不同，再給牠取名。
甚至即使你不用告訴他動物名（手動設標籤），他也可以自己分辨每一隻動物（數據資料）的特徵，並歸類在一起，不會有把狗認成豬的事情發生。
……不一定啦，如果那隻狗真的很胖的話，可能就會出現電影《米家大戰機器人》這樣讓機器人出現bug的搞笑情況（冏
經過這樣的訓練和學習，這個孩子的泛化能力也會變得更強，可以對新出現的數據做出準確的預測。甚至隨著進步與成長，可以辨別更複雜的特徵，比如動物的習慣等等。
看到這孩子從書呆子的狀態長成現在這樣，有沒有一種欣慰感呢？
今天只大概的介紹了一下AI的演進歷程，當然有趣的人、事、物可不只這一點，有興趣的人可以自己再去多了解。
機器學習的部分明天會在大概細說。因為如果再講下去可能很多人要撐不住了。
你、你、你……還有你！
對！就是你！
上課不好好上課怎麼還睡覺！還想不想當勇者阿？！去旁邊罰站！
iThome鐵人賽
看影片追技術