資訊科技
人工智慧與機器學習
王俊明
人工智慧
人工心臟
人工關節
人工淚液
人工食品
人工智慧
人工心臟
人工關節
人工淚液
人工食品
人工智慧？
人工智慧？
人工智慧
人工心臟
人工關節
人工淚液
人工食品
人工智慧？
圖靈測試：
像人類一樣反應
人工智慧
人工心臟
人工關節
人工淚液
人工食品
人工智慧？
偷雞摸狗？打架鬧事？
破壞世界和平？
掀女孩子裙子？
人工智慧
正向光明
促進世界和平
改善人類生活
好寶寶
人工智慧
正向光明
促進世界和平
改善人類生活
好寶寶
人智慧本身的研究
系統智慧運作
動物智慧
人工智慧
森政弘：
隨著機器人到達「接近人類」的相似度時，人類好感度突然下降至反感的範圍。
Karl F. MacDorman and Takashi Minato
Repliee Q2
人工智慧
史蒂芬.霍金：
「我想那會是場災難。外星生物很可能遠比我們先進。這座星球的歷史上，先進種族遇見較為原始的種族，結局都不是非常快樂，而且他們還是同一個物種。我想我們應該低調一點。」
人工智慧
資訊界聯名：
暫停巨型人工智慧實驗6個月
We call on all AI labs to immediately pause for at least 6 months the training of AI systems more powerful than GPT-4.
�https://futureoflife.org/open-letter/pause-giant-ai-experiments/
問題與討論1
自動駕駛車輛肇事責任？
智慧展現
智慧展現
經驗累積
規則推理
發展歷程
經驗累積
規則推理
搜索式推理
發展歷程
經驗累積
規則推理
搜索式推理
發展歷程
經驗累積
規則推理
搜索式推理
圍棋？
發展歷程
經驗累積
規則推理
圍棋困難：
棋面19X19=361
每次有約200可能性
總可能性約2560
幾乎靠直覺
發展歷程
經驗累積
規則推理
搜索式推理
圍棋困難：
計算量及儲存量成指數增加
發展歷程
經驗累積
規則推理
莫拉維克悖論：
人類的高階智慧能力，
只需要非常少的計算量
問題與討論2
什麼樣的決策是可以簡單決定，但無法定義規則？
發展歷程
經驗累積
規則推理
發展歷程
經驗累積
專家系統
規則推理
發展歷程
經驗累積
專家系統
規則推理
發展歷程
經驗累積
專家系統
SOP標準作業程序
規則推理
發展歷程
經驗累積
專家系統
困難處：
需要專家
無法發展大型系統
規則推理
發展歷程
經驗累積
神經反應
規則推理
發展歷程
經驗累積
類神經網路
訓練→模型
規則推理
：
：
發展歷程
經驗累積
類神經網路
訓練→模型
規則推理
：
：
發展歷程
經驗累積
類神經網路
模型→應用
規則推理
5
：
：
發展歷程
經驗累積
深度學習
規則推理
發展歷程
經驗累積
類神經網路發展
困難處：訓練
需大量資料
需大量運算
規則推理
發展歷程
規則推理
經驗累積
類神經網路發展
困難處：訓練
需大量資料－網際網路
需大量運算－GPU
發展爭議
問題與討論3
收集各地資料，使用類神經技術，訓練出辨識手寫數字的處理模型，該處理模型算誰的財產？
機器學習
經驗累積
規則推理
機器學習
經驗累積
規則推理
機器學習
經驗累積
監督式學習
非監督式學習
強化式學習
機器學習
已標註資料
監督式學習
非監督式學習
強化式學習
機器學習
訓練模型
監督式學習
非監督式學習
強化式學習
機器學習
模型
監督式學習
非監督式學習
強化式學習
機器學習
應用：分類，估計，預測
監督式學習
非監督式學習
強化式學習
？
機器學習
應用：分類，估計，預測
監督式學習
非監督式學習
強化式學習
作業說明1
人臉偵測
人臉模型
haarcascade_frontalface_default.xml
True
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
face_cascade.detectMultiScale(gray, 1.1, 5, 4 )
機器學習
無標註資料
監督式學習
非監督式學習
強化式學習
機器學習
訓練模型
監督式學習
非監督式學習
強化式學習
機器學習
模型
監督式學習
非監督式學習
強化式學習
機器學習
應用：聚類，關聯分析
監督式學習
非監督式學習
強化式學習
？
機器學習
應用：聚類，關聯分析
監督式學習
非監督式學習
強化式學習
作業說明2
y_p = KMeans(n_clusters=2).fit_predict(X)
問題與討論4
為什麼使用圓形來分類資料？
機器學習
監督式學習較準確
但資料多為未標註
監督式學習
非監督式學習
強化式學習
機器學習
人為標註資料
監督式學習
非監督式學習
強化式學習
機器學習
訓練
監督式學習
非監督式學習
強化式學習
機器學習
模型
監督式學習
非監督式學習
強化式學習
機器學習
模型
監督式學習
非監督式學習
強化式學習
機器學習
圍棋資料
棋譜資料
網路對戰
程式對戰
實體對戰
…...
實例-AlphaGO
圍棋
棋面19X19=361
每次有約200可能性
總可能性約2560
幾乎靠直覺
半監督式學習
實例-AlphaGo
圍棋電腦程式
Zen
AlphaGo
AlphaGo Master
AlphaGo Zero
2012: 讓4子擊敗九段
2014:研究計畫啟動
2015:擊敗職業棋士樊麾
2016:擊敗九段李世乭
2017:擊敗世界第一柯潔
實例-AlphaGo
AlphaGo操作人員
黃士傑
2016.12.29-2017.1.4
網路快棋60戰全勝
實例-ChatGPT
OpenAI於2022年11月推出的人工智慧聊天機器人程式
基於人類回饋的監督學習和強化學習微調
2023年3月義大利隱私保護監管機構封鎖ChatGPT
問題與討論5
觀賞AlphaGo紀錄片，說說心得想法？