產業文章
【自學AI#1】從歷史發展過程看AI
AI 是近幾年甚至是未來的趨勢，許多產業都會標榜自己使用最新 AI 技術，然而相信很多人對AI 依舊是一頭霧水，本篇文章就用簡單易懂的方式，帶你認識 AI 。
其實本來是想寫些開箱文的，因為開箱文更好寫，不過由於 MakerPRO 編輯提到 AI 的主題越來越多了，要不要乾脆針對 AI 寫多些文章？後來想想也對，畢竟大約三年前開始台灣開始一大堆人天天搞創新創業比賽，然後每個都要標榜一下 AI，好像有 AI 才有辦法什麼東東。
其實， AI 並沒有那麼神奇，主要利用的就是記憶體跟計算機這兩項而已！事實上，不少當時標榜說用 AI 來創新創業的團隊，就我所知很多後來都不是靠 AI 在經營。可這到底 AI 是怎麼辦到的？我覺得不妨就根據 AI 的原理，讓大家用最簡單的資源自修，可以有一定程度的了解，應該就比較不陌生了。
畢竟我跟幾位我們 MakerPRO 社團的大大，在 AI 跟 IoT 方面已經做了很多年，這麼大量的學習內容要大家一口氣搞定，我看不保險，所以就把歷來我們接觸、學習、實作的部分，逐次記錄下來，當作大家討論的話題，或者對照漫畫、電影、動漫、日常生活等較熟為人知的內容，並且採用由大方向、高層次的工具來實作，接受度應該比起我們當年教室在講的方式，還要來得更高！這就是這個系列文章的由來。
歷史與名詞講解
可能不少大大也跟我們一樣接觸過 AI 的相關課程，所以這段假如你沒興趣，那就別浪費時間了！說實話，每本課本、講義這部分寫了至少一節，還有我比較過，連這部份很多課本講的都不盡一樣。
總之，先給各位一個觀念： AI 、機器學習（Machine Learning）、深度學習（Deep learning）三者的關係，可以用下圖表示，越外圍就是越大的集合，也就是說，達成 AI 的方式，不限定只有 Machine Learning 或 Deep Learning！
AI、機器學習、深度學習三者關係示意圖（圖片來源：賴桑提供）
那一定有人提出疑問：又怎麼會有這些玩意？這就說來話長了！其實，自從人類開始懂得製作工具來達到目的，最後都一定有一項，是人類希望的終極目標：自動化！能自動化，就可以省勞力、省成本、省時間。
其實 AI 的開發，早在第二次世界大戰期間，因為計算工具不斷地提升性能跟效率而逐漸地被科學家們重視，好比第二次世界大戰期間，英國的 圖靈（Alan Turing）教授，就自製可以用來破解納粹黨通訊密碼機器「謎（Enigma） 」的計算機，有興趣的人可以去看『模仿遊戲』這部電影。
神經網路的出現
之後的 1950 年代由於圖靈教授的偉大貢獻，使得很多科學家開始想像，把電腦模擬成人腦來用，說穿了就是想要用電腦來模擬人的神經元 Neuron 。例如 Frank Rosenblatt 就已經想到可以模擬感知器 (另開新視窗)（Perceptron）做法，把很多不同訊號輸入機器計算，之後再去根據計算結果進行判斷的概念，請參考下圖：
許多科學家開始想用電腦模擬人的神經元（圖片來源：賴桑提供）
像是下圖， a1 至 an 就是訊號輸入， W1 至 Wn 就是加權（拿來乘 a1 至 an 的啦），b 呢就是偏移（用來修正的加跟減的值）， f 就是計算的函數（激活而已），最後的 t 就是計算結果（答案）。根據 t 的結果，如果大於 0 就是成立，不然就是否定。
使用電腦模擬人類神經元，根據計算結果進行判斷（圖片來源：賴桑提供）
這在當時滿轟動的，因為這樣的話，電腦可以替代人腦的一部分，繼續發展下去，總有一天可以取代更多囉？好景不常， 1969 年美國著名的麻省理工學院，有位後來是電機工程系的教授叫明斯基的，提出來所謂 Perceptron 連組合邏輯數位電路 XOR 都辦不到，這就是當年那篇報導：
麻省理工學院教授，提出 Perceptron 無法組合 XOR（圖片來源：賴桑提供）
這下可慘，此言一出搞到大家立刻飆起來了，直指發展人工智慧根本就是為了騙錢。在1990 年，專攻人工智慧，就讓人指指點點。直到 1990 年後，開始有人反駁，但不是電機工程師而是唸心理學的，辛頓教授 Geoffrey Hinton 認為，應該要把電腦程式的處理變成一層一層、一段一段地計算，然後逐次接近結果，這就是Deep learning 的最源頭構想，事實也證明，辛頓教授是對的。
深度學習最源頭的架構
辛頓教授提出的概念也是深度學習的最源頭構想。（圖片來源：賴桑提供）
從上圖可看得很簡單： input layer 就是輸入， output layer 就是輸出， hidden layer 裡面分成好幾層，由左到右像是潑墨水一樣擴散開來；每個圓圈圈就是一組電腦程式（也可以單純就是個數值），線段就是關係（前面講的加權），這樣就不斷地接近所要的結果了。
接著，辛頓教授的學生立昆教授 Yann LeCun ，根據這個原理針對影像上的辨認，提出了所謂的卷積神經網路（Convolutional Neural Network ，CNN），假如常看一些商周雜誌的人應該很常看到這個名詞；那 CNN 是怎麼做的，看懂了沒？
其實有了辛頓教授那段圖的解說，應該不難想像了吧？電腦當然不知道什麼辣模、魚蝦…等，說穿了，立昆教授不過就是想到：「既然老師說可以分成不同步驟一一解答，那我把影像拆成各部分一一處理，不就好了！？」
因此，立昆教授把影像拆成一塊塊（如果是影片，那就是每 30 秒一張，從裡面一張張抽出來，再把一張張拆成一塊塊），從 input layer 輸入給電腦，每次電腦就根據輸入的部分影像，對色彩的數值進行壓縮（電腦的 RGB 啦），這樣就會獲得很多顏色塊塊，然後讓電腦去處理。
可是…怎麼處理呢？很簡單，先說最基礎的—卷積 Convolution 。其實卷積就是兩個計算（一個叫輸入，一個叫響應）經過卷積之後，會產生第三個計算（輸出結果），只是它的動作實在看起來像是捲麵桿（有加成的作用）一樣，所以就叫卷積。
卷積與CNN
還是不能理解？那舉個更簡單的：偷吃女生豆腐結果挨打吧！
假設你在公共場所偷吃女生豆腐，女生被吃豆腐當然不高興，於是賞你一拳；吃了一拳之後，你就開始瘀青，女生賞你一拳這就是輸入，你開始瘀青就是響應，瘀青的程度就是輸出結果，像是這圖：
情況是：這女生非常非常地生氣，賞你一拳不能消氣！所以就發揮她在健身中心的鍛鍊成果，不斷地拖著你猛力出拳（不斷地輸入），瘀青（響應）還沒消就再挨了一拳又一拳，瘀青的程度（輸出結果）就會不斷累加起來。從瘀青的程度（輸出結果）來分析，瘀青的程度（輸出結果）想當然是隨著時間遞減（比如挨了一拳要三天消），所以連續挨了的拳數來看，第一拳（第一個輸入）對於你瘀青的程度(輸出結果)貢獻當然就是越小，因為越早挨到的越快開始消，之後的每一拳（歷次輸入）也是根據所承受的時間越早，對於瘀青的程度（輸出結果）貢獻相對越小。
以數學評估瘀青的成果， f 當輸入（女生出拳）、 g 當響應（你的瘀青），則 f（n） 就是女生打的第 n 拳，從時間來看，假定觀察瘀青之時刻為 x 時的話， g（x-n）就是當 x 時刻時女生打的第 n 拳對你產生的作用，把 f（n）乘以 g（x-n），帶進去 n 跟 x ，再把歷次的結果累加，就是你瘀青的程度量化！這樣講簡單多了吧！
那卷積又怎跟 CNN 搭上線呢？女生出拳打你色狼，跟影像甚麼關係！？剛剛不是說立昆教授想到也把影像拆解成很多小塊，來給電腦去處理，那把螢幕上的每一個像素 Pixel 之 RGB 抓出來，是不是可以形成數據；再把這些數據根據 Pixel 上下左右的位置排起來，是不是變成各個小塊？
這不結了！？所以很多教學網站都把每個步驟化成了一步步的圖，像是： https://mlnotebook.github.io/post/CNN1/ (另開新視窗)。像是網站用英文描述了一堆，其實就是說我們先準備一個小塊塊叫 Kernel 給電腦，長得像是這樣：
將影像拆解成很多小塊，並交給電腦去處理（圖片來源：賴桑提供）
然後把原始圖片根據 Kernel 大小，逐步取出後進行運算。像是這樣：
Kernel 移動至每一個像素並重複此過程，直到圖片中的所有可能位置都被過濾（圖片來源：賴桑提供）
本來一張好好的圖，其實經過電腦以 CNN 處理後，會長得像是這樣，然後被保存下來；也就是說，電腦以後用來進行比對的時候，所謂的特徵 Feature 就是這副德性！現在知道了吧：
原圖經過電腦以 CNN 處理後的結果。（圖片來源：賴桑提供）
小結
現在，先針對大家心裡對於數學，每次上課套了一大堆公式、圖表，看了就心生恐懼的部分，透過一些簡單的例子讓大家建立概念。之後我們就針對不同的部分，不只是數學對於 AI ，也可以從 AI 去了解其實數學沒那麼複雜 – 這要跟學校建議，其實老師們沒講錯！問題在於表達方式不一樣而已。
之後，還要請各位準備你們的 PC，寫看看 AI 的一些程式啦！
（本文轉載自MakerPRO (另開新視窗)、原文連結 (另開新視窗)；作者：賴桑；責任編輯：葉佳錚）