【為什麼我們要挑選這篇文章】AI革命正在重塑我們的世界，迎來智慧革命時代，現在做什麼都害怕被機器取代，那身為人的我們到底能做甚麼呢？
《AIQ：不管你願不願意，現在已是 AIQ 比 IQ、EQ更重要的時代》的作者尼克．波爾森、 詹姆士．史考特 ，前者是經濟學和統計學教授；後者是數據科學家，兩者聯合對人工智慧漫布的時代，提出樂觀的願景。
（責任編輯：黃穗懷）
聽到AI時，不要把它想成機器人，請想成演算法。
人工智慧，只是一組漸進的演算指令
演算法是一組循序漸進的指令，非常明確，明確到就連呆板又缺乏想像力的電腦也可以遵循（你可能聽過機器人因為遵照洗髮精瓶子上的指令：「起泡、沖洗、重複」而永遠被卡在淋浴間的笑話）。演算法本身並不比電鑽更聰明， 它只是能將一件事情做得很好，例如整理數字列表、或在網上搜尋可愛動物的照片。然而，若以巧妙的方式將許多演算法連結在一起，則可以生成 AI ──在特定領域具備智慧的幻覺。比方說，像 Google Home 這樣的數位助理，你可能會對它提出諸如此類的問題：「在哪裡可以找到奧斯汀最好吃的墨西哥捲餅早餐？」
這個查詢引發了一連串的演算法運作：
- 第一個演算法將原始聲波轉換為數字信號。
- 另一個演算法將該信號轉換成一串英文「音素」，或聽起來很明確的音節：「brek-fust-tah-koze」。
- 下一個演算法再將這些音素分割成字詞：「breakfast tacos」（墨西哥捲餅早餐）。
- 這些字詞被發送到一個龐大演算法的組合──搜尋引擎，用以處理查詢並回傳答案。
- 又一個演算法將回傳的答案格式化成為連貫的英語句子。
- 最後一個演算法用非機器人的方式發聲，說出這句話：「奧斯汀最好的墨西哥捲餅早餐在杜瓦街的胡立歐餐廳。需要為您規劃路線嗎？」
這就是所謂的人工智慧。幾乎所有的 AI 系統，無論是自動駕駛汽車、小黃瓜自動分揀機、或是你的信用卡帳戶防盜監控軟體，都遵循同樣的「演算法流程」範本。流程一開始先輸入某個特定領域取得的數據資料，執行一連串的計算，再輸出預測的結果或決策。
透過學習「訓練資料」得到的機率便是人工智慧
人工智慧運用的演算法有兩個顯著的特點。首先，這些演算法通常處理的是機率，而不是確定性。例如，AI 中的演算法不會直接判定某一筆信用卡交易是詐騙行為，它會表示詐騙行為的可能性是 92％（或任何由提供的數據所推算出的機率）。其二，這些演算法是怎麼「知道」該遵循什麼指令呢？在傳統演算法中，網站運作或文字處理器之類的指令，是由程式設計師事先設定的。然而，在人工智慧中，這些指令是由演算法本身直接透過「訓練資料」學習而來。沒有人告訴AI演算法如何將信用卡交易資料分類為詐騙或非詐騙。相反地，演算法會觀察各個類別的大量範例，再從中找出區分這兩個類別的模式。在人工智慧中，程式設計師的角色不是告訴演算法該做什麼，而是告訴演算法如何利用數據和機率規則來訓練自己知道該怎麼做。
老早人工智慧就出現，為何現在才廣為使用？
現代的人工智慧系統，諸如自動駕駛汽車或家庭數位助理，看似是一股新潮流。但你可能會驚訝地發現，人工智慧大部分的創意其實由來已久，其中許多甚至可回溯到幾世紀之前，人類世世代代都用這些想法來解決問題。以自動駕駛汽車為例，Google 在 2009 年首次推出這種汽車，但你會在本書第三章中學到，這種汽車運作的主要概念之一，其實是在 1750 年間由長老教會的牧師所發現的；而這個想法在五十多年前被一群數學家採用，解決了冷戰時期一個重大的謎團。
再舉圖像分類為例，在過去五年間，圖像處理演算法已經有了驚人的進展，出現如Facebook自動在照片上標記好友這一類的功能。但是在第二章中，你會發現這當中的關鍵概念可以追溯到1805年前；也會明白在一百年前，亨麗愛塔·勒維特（Henrietta Leavitt）這位名不見經傳的天文學家早已運用這些概念，來幫助解答「宇宙有多大？」這個人類有史以來最深奧的科學問題。
再舉語音辨識系統為例，這是人工智慧近年來最偉大的成就之一。Alexa 和Google Home這一類的數位助理能夠非常流利地使用語言，日後也將會更加精進。然而，第一位讓電腦明白英語的人是一位美國海軍少將，他約莫在七十年前就這麼做了（參見第四章）。
以上不過是三個驚人的實例。無論從哪個角度檢視人工智慧，你都會發現，某個構想人們早已討論許久了。因此，重大的歷史謎題並不在於AI為何出現、而是為何沒有更早開始發展。想要解開這個謎團，我們必須檢視促使這些可敬的構想進入新時代的三大有利科技驅勢。
三大要素，造就 AI 如超新星般爆炸發展
促成AI發展的第一個因素是數十年來電腦處理器速度指數式的增長，一般稱之為「摩爾定律」（Moore’s Law）。很難說明電腦發展的速度究竟有多快，老套一點的說法是，阿波羅號太空人員登陸月球所憑藉的計算處理功能，還不如袖珍型計算機。但是，這個類比再也引不起共鳴了，因為……還有誰知道袖珍型計算機是什麼呢？因此，不如讓我們拿汽車來當例子。在 1951 年，當時最快速的電腦處理器之一是UNIVAC，每秒可執行兩千次的運算；而愛快羅密歐 6C 則屬當時最快速的車型，每小時行駛一百一十英里。自 1951 年來，汽車和電腦都有所進化；如果汽車進化的速度與電腦相同，那麼現代的愛快羅密歐將會以光速的八百萬倍馳騁。
第二個促成AI發展的因素是「新摩爾定律」：隨著人類一切資訊的數位化，數據量呈爆炸式增長。美國國會圖書館需要 10TB 的儲存空間；光是在 2013 年，Google、Apple、Facebook 和亞馬遜等四大科技公司就收集了比 10TB 多出約十二萬倍的數據，而那還算是網路世代早期的發展。如今數據積累的速度比阿波羅火箭更快；在 2017 年，每分鐘就有超過三百小時的視頻上傳到 YouTube、每天有超過一億張圖片被發佈到 Instagram，更巨量的數據意味著更聰明的演算法。
第三個促成 AI 發展的因素是雲端計算。這種趨勢對消費者來說幾乎是看不見的，對 AI 卻產生了巨大的普及效應。為了說明這一點，讓我們拿數據和石油做個類比。假設二十世紀初所有的公司都擁有一些石油，但是他們都必須建立一些基礎設施才能提取、運輸和精煉自己的石油。任何具有創新點子、想要善用自家石油的公司，都將面臨龐大的固定成本才能進行，最終結果就是大部分的石油都無法開採。是的，同樣的邏輯也適用在相當於是 21 世紀石油資源的數據資訊。大多數的業餘愛好者或是小公司，都想要利用自家數據來建立人工智慧系統，假如都得購買一切所需的設備和專業知識，將面臨高昂的成本。但是，現今諸如微軟 Azure、IBM 或亞馬遜網路服務公司所提供的雲端計算資源設備，已將固定成本轉化為變動成本，徹底改變了大規模數據儲存和分析的經濟模式。時至今日，任何想要開採自家「石油」的人，都可以透過租用別人的基礎設備、以低成本完成。
當你將這四大趨勢結合在一起，也就是更快速的晶片、巨量的數據資料、雲端計算，再加上最重要的創意，利用 AI 解決實際問題的需求和能力將有如超新星的爆炸一般。
（本文書摘內容出自《AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代》，由 商業周刊 授權轉載，並同意 TechOrange 編寫導讀與修訂標題。首圖來源：Pixabay）
關於 人工智慧時代 還可以再看看
李開復：未來 50% 工作將被 AI 取代，「人工智慧時代」到底應該學些什麼？
大人工智慧時代，Facebook、Netflix、Amazon 到底都如何使用 AI？
【血汗 AI】負責訓練 AI 的作業員，薪水只有 9 到 18K 是怎麼回事？
