若欲講這兩年來，學術界佮工業界上大的科技震撼，大概離袂開人工智慧(AI, Artificial Intelligence)。尤其是佇媒體無暝無日的鼓吹之下，AI真正像天頂下凡的神仝款，若親像欲解救這个世界干焦會當靠伊爾。看科技部最近的計畫，若無搵著AI，大概誠歹過關，教育部也絞佇這波潮流內面，一掛著AI，補助就來。
因為人人攏咧講AI，就予我想起一個股市名人的名言：當市場的阿姨阿姆攏喙角全波咧講股市趁錢的方法時，就是股市崩盤的報頭。最近AI當奢颺，是毋是也會予人歸類到這个預言，實在是一个真值得分析的話題。
為著欲予逐家攏會當看捌這篇文章，我會避開所有的專門術語，尤其是科技方面的專門術語，針對AI過去佮現在的發展過程，先予逐家了解AI佇做啥物、會當做啥物，然後才提出面對未來，咱應該採取啥物態度，來看待現在的AI熱潮才較理性。
AI的過去：
AI對1940年代就有人咧做研究，主題多數佮遊戲程式有關，像跳棋、西洋棋等，也取得袂䆀的成果，彼時有一个AI跳棋程式，會當透過自我對拍來升級，棋力甚至袂輸人類的高手。1956年，AI這个名詞正式誕生，到1970年間，會當講是AI通用解題技術的發展巔峰，當時甚至有人開發出一个「萬用解題程式(General Problem Solver)」，講毋管啥物款的問題，仝一招技術攏會當共伊解決，當時上有名的預言就是：20年內，機器會當做任何人類會當做的代誌。這段時間，AI程式的技術會當共看做是「用來解決一般電腦程式較無法度解決的難題」，有一點仔像人類會當解決任何難題仝款。可惜，當時熱滾滾的技術，卻踏袂出實驗室，因此造成的極度失望，終於共AI帶入第一个冬天。
1980年代，AI用專家系統的技術紅倒轉來，因為重新發現「智識真的才是力量」：人類佇各種問題的專業智識，才是解決問題的根本。當時，專家系統佇醫療問題取得重大的成功，甚至予當時的AI程式被定位為「運用人類灌入的特定問題的專業智識，表現出人類專業水準的系統」。也是這份成功，予逐家烏白不分，共AI濫使用到所有的問題類型，不幸，無仝的問題類型的專業智識無一定攏會當用仝一種方式運作，而且智識內容也時常隨著時間咧改變，直接灌入現時的智識的AI程式卻無法度綴咧成長，終其尾就因為無法度達到原來講的會當佇各種問題類型發光發熱，予AI又閣悲情的進入第二个冬天。
1990年代，AI的機器學習技術佇理論上取得較科學性的發展，AI程式會當透過學習方式學著較可靠的解題智識，毋免完全靠人類做中人灌入智識，才閣吸回眾人的目光，但是欲講著會當踏出實驗室的實際應用，猶是咧碰壁。這愛到2000年代後，佇深度學習技術的提出，配合著產業界大數據的收集，加上類似狗蟻大軍的超級硬體效能，才由產業界帶頭，予AI重新拭光招牌。這時的AI其實是機器學習的代名詞，也就是講AI程式的定位已經變成「會當透過深度學習技術學著智識來展現袂輸人類能力的系統」。
AI的現在：
現在AI予人講甲若神咧，尤其佇人類承認AI透過深度學習技術，佇西洋棋、圍棋上展現的能力已經大大勝過人類後，出現下面的《預測迷思》也袂奇怪：「AI程式的能力會用人類無法度了解的方式繼續自我成長，佇各行各業取得顛覆性的成功」。這个預測一般攏閣附帶著誠濟若真的圖表做證明，來強化人的信任。這個預測同時引起了樂觀佮悲觀咧看待AI的兩派論點：一、AI帶來的工作能力對著產業界(勞心抑是勞力)的產能會誠有幫助，人類會有較濟時間，去做較需要思考性的工課；二、AI會大量奪走人類的工作機會，佇無人類價值觀的約束下，變成傷害人類的惡魔。
首先，頂懸的預測迷思，是有一點極端的。對人類學習能力的角度來看，上少有三種特色是目前的機器學習技術真歹做到的：
一、目前AI程式能力的強弱，佮飼予學習技術的訓練資料有絕對的關係，一般來講，訓練資料攏需要事先經過人類的整理，比如共佮學習目標有關係的資料先挑選出來，資料內有無清楚、無一致、落勾的部分愛先共補正等等，這道程序是一个大重點，若是運用仝一套學習技術到仝一个類型的問題，卻無法度表現出應該有的能力時，上蓋愛懷疑的就是這道程序無做到位。人類的學習來源卻無一定需要這道程序。
二、目前AI利用學習技術學來的智識，佇固定的遊戲規則下，會當表現甲真好，但是若遊戲規則改變，甚至是一厘厘的改變，比如《AI法律系統》處理的法規，伊的立法宗旨若有調整，就需要重新學習，佇深度學習上，這是一个誠繁重的負擔。人類的調適性(Adaptive)學習能力，相對來講，較單純閣較有效。
三、目前AI的學習技術，對付仝類型的問題，敢若桌頂拈柑，但是若轉換到無仝類型時，系統就有可能失敗。也就是講AI佇某乜問題類型的成功經驗，並無法度保證會當成功複製到所有的問題類型。人類佇類推性(Analogical)的學習能力上，就比機器強濟咧。
頂懸提著的AI目前機器學習技術的困難，會當予咱清楚看著，AI欲干焦靠機器學習這个技術來無限制的發展落去，甚至自我成長落去，是有真大的疑問的。既然這个預測目前猶是一个迷思，因為伊而起的樂觀佮悲觀兩派看待AI無限制發展落去的爭論，就無理由遮爾極端，一个較理性的看法檢采是按呢：
AI佇某乜問題類型的成功，一定會衝擊著彼的類型工作者的勞動機會，這佮對18世紀工業革命以來帶來的震撼是完全仝款的，AI並無偌爾特別。二、三百年來，人類因應工業革命工作類型轉變(新增抑是淘汰)的歷史，共咱講咱人類有能力應付這種改變。何況，任何技術欲造成天崩地裂的改變，攏無可能是一瞬間的代誌，因為產業對新技術的佈置(Deployment)攏需要周邊環境佮時間的配合。因此，隨時注意產業界新技術的成熟度，做適時的因應，才是應有的態度。閣再講，頂懸講過，AI佇某乜問題類型的成功經驗，並無法度保證會當成功複製到所有的問題類型，因此，把《AI一瞬間就會共所有的產業反輾轉》的驚惶加佇逐个人的心上，實在是無負責任的論調。
目前AI正當奢颺，因此，產業界開喙合喙就是AI，學術界東講西講嘛是AI，好親像整個科技界除了AI以外攏毋半項仝款，一般人佇毋知AI的底細下，確實誠容易予一寡包裝佇AI內面亮麗的科技名詞所迷惑。下面，我就特別挑選一寡佮AI較有關係也較捷看見的技術名詞，做簡單的解釋：
物聯網(IOT, Internet Of Things)：AI技術的應用領域之一。強調的是佇各種物體攏會當連結做伙的大環境下，AI會當對這个連結起來的世界，進行整體系統更加有智慧的分析、部置、佮運轉，來得著較好的運作成效。
雲端運算(Cloud computing)：支援AI運算的技術，同時也是AI的應用領域之一。強調的是透過雲端提供的計算能力，進行複雜的AI運算，同時會當共運算的結果配合各端點設備，展現出更加有智慧的效能表現。
7奈米級晶片製程(N7, 7-Nano)：會當做為支援AI運算的硬體技術。強調透過硬體製造技術的升級，提供更加強大的AI運算能力。
工業4.0(Industry 4.0)：是AI的應用領域之一。強調佇提昇製造業的電腦化、數位化佮智慧化。
深度學習(Deep learning)：是AI的一種學習技術。目前上熱門的，多數佮類神經網路有關，比如CNN、RNN、LTSM等。
大數據(Big data)：是運行AI學習技術的輸入資料。大數據代表非常大的資料庫，一般是Tera byte起跳(1Tera byte=10的12次方位元組，大約是一萬億的英文字母的數量)。
智慧機器人(Intelligent Robotics)：是AI的重要應用領域之一。強調機器人佇硬體機械結構外，如何透過AI技術佇視覺/推理/作動等層面，展現更加有智慧的風貌。
最後，讀者佇看完這篇文章後，知影著AI的歷史進展，對AI技術也有一个基本的中心思想，配合著頂懸對AI相關技術名詞的簡單解釋，相信應該更加會當理性來鑑賞AI的相關報導。若是政府部門、學術界、或是產業界，會當因此也用較樸實的態度去面對這兩年來AI的奢颺現象，莫閣家己咧土想、胡蠅拑規堆去追求彼个懸懸掛佇天邊的魔法，檢采會當予AI有較好的機會好好發展，好好幫助這个社會，那按呢AI就真幸運，國家也真幸運矣。
