說到人工智慧AI，相信所有人都不陌生，可以說是這幾年來最熱門的話題，有些人擔心會被AI搶走飯碗，有些人則展望未來人機共存，邁向神人的境界，究竟AI對我們人類到底會產生什麼影響？我認為這個問題由自己判斷最好，而要做到這點，一定要了解AI到底是什麼？他的來頭？和運作的原理？
AI其實不等於機器人，前者想是腦袋，不是具實體的東西，而機器人則是以零件組合，透過控制而能執行特定任務的實體，AI有一個最簡單最透澈的定義，就是
找出人類智慧的原理，再以機器予以實現
這個定義就像是當初，成功發明飛機的時候，並沒有模仿鳥類的振翅，而是了解升力的原理後造出定翼機，發明動力船的時候，也不是創造像魚一樣的尾巴，而是螺旋槳來達成推進的目的。
因此人工智慧並不是要完全創造出跟人類一模一樣的非生物體。
AI可以分成四大階級，分別是
1.單純控制
2.探索推論
3.機器學習
4.深度學習
最簡單的單純控制，就像廣告上說的家電AI，輸入特定的條件，例如幾公升的衣服，多少的洗劑，就能夠自動代入特定的行程，但普遍上只有行銷手法會將這種控制稱為AI。
第一次的AI熱潮是發生在1956年左右，那時候的AI是利用推論探索作為實現智慧的手段。這種方法是利用樹狀圖的方式來找出最佳解。從一個起點開始，在每個需要選擇的地方做出所有的嘗試，直到發現某些特定的選擇的組合能夠達到終點，再反饋出該結果。
這種方式能夠完成許多事情，像是走迷宮，河內塔，或是下棋，但這種方式會佔用非常多的電腦資源，如果以這種方式來下19路圍棋，就會有10的360次方種組合，即使以現代的硬體技術可能都無法達成。
最小最大法是只計算下在這裡後，對手再下手的每一種可能能夠增加或減少多少目，相加起來，選擇最小的那個，就是對自己最有力的選擇，這樣就不用去計算從現在到終盤的所有可能，只需要專注在現在的階段，大大省下耗用的資源量。
另外，強化這種方式還能透過特徵量辨識，也就是稍後會提到的機器學習所做的事，或是蒙地卡羅法，這種方法不是以贏多少目為考量，而是計算所有下法中，能導向贏棋的機率最高的下法。
雖然說探索推論是AI的一大發現，但他的侷限也很明顯，那就是只能處理很單調的事物，像是圍棋這種非黑即白，或是走迷宮這樣左轉右轉的問題。
為了改變這樣的問題，人們將知識加進推論探索，讓AI有辦法判斷更難的問題，因此而誕生的就是IBM創造出的華生，如果問他：「哪一個國家在世界的最北邊？」
他會先透過資料庫，列出所有跟國家這個詞有關的答案，例如美國、冰島、紐西蘭、新加坡、加州等等，再透過條件一個一個篩選，就像是樹狀圖一樣，在第一個節點判斷是否是國家，然後再問是否在北半球，在資料庫中跟最北這個詞的連結有多少，最後判斷冰島的可能性最高，反饋出這個答案。
透過這種手法，只要有非常大量的資料庫，AI可以判斷很多東西，像是醫學診斷也不是什麼難題，而龐大的資料庫在這個萬物聯網、大數據的時代，絕對是很好取得的。
但是，這種AI還是有其問題，兩大限制分別是常識定義與框架問題。
舉例來說，病人問：「肚子痛該怎麼辦？」好像不是什麼太難的問題，但是對AI來說，一定要先明確的知道肚子是哪裡？左上腹？小腹？……這種一般人的常用語對AI來說是很難的，而且這種常識太多，遠比知識要多，就像是冰山下隱藏的90%海冰，才是建構出冰山的主要基座，但這個部分，連人類都法辦法完整表述，更何況是依賴人類給予輸入的AI。
另一個框架問題，則是要考量什麼呢？也就是每個樹狀圖的節點要用什麼來判斷，如果框架太廣，要考量的事情太多，就會無法行動，框架太小，又會漏掉重要的問題，因此，每次都要透過人類設定來決定框架的話，那AI還是依靠人類的智慧來實現智慧。
所以該怎麼辦呢？解答就是機器學習和深度學習，這個等到本系列之二再來談談。
留言是思考的第一步
