AI的歷史與基礎問題

最大的框架是人工智慧，其中的一種做法是機器學習，而在機器學習中使用層層堆疊之神經網路的做法則是深度學習。在課綱中，這3個詞都列在「1. 人工智慧的定義」的關鍵字之中。把機器學習或深度學習放在最大框架的說法，包含的方向弄反了。3者各自獨立並列的說法，也與深度學習是機器學習中一種做法的事實不符。

人工智慧層級的4種分類，列在課綱「1. 人工智慧的定義」的目標中，分別是「單純的控制程式」「古典人工智慧」「機器學習」「深度學習」。只依事先決定好的條件與動作對應來運作的是單純的控制程式，像依設定溫度開關的溫控裝置就屬於此類。古典人工智慧會依情況分岐、搜尋或累積的知識來選擇對應方式，機器學習從資料中學習規律，深度學習則是其中使用層層堆疊網路的做法，這些都比人把所有對應方式寫死的階段更進一步。

AI效應是指，一旦人工智慧的運作機制被解明、內容變得清楚，就會被認為「這只是單純的自動化處理，並非智慧」，評價因而下降的現象。課綱在「1. 人工智慧的定義」的目標中明確寫著「能說明AI效應」。圍繞人類智慧被超越之轉捩點的討論是奇點（Singularity），這是「2. 人工智慧領域所討論的問題」的關鍵字。隨資料量增加而效能提升的傾向，以及無法呈現判斷理由的狀態，都是與AI效應不同的話題。

代理人是指觀察環境、為達成目標而自行選擇下一步行動的主體，是一種不從「以何種機制打造」而是從「如何行動」的角度來理解人工智慧的用詞。課綱將它與人工智慧、機器學習、深度學習、AI效應並列，放在「1. 人工智慧的定義」的關鍵字之中。畫面上的操作入口、整理資料的負責人、出借運算資源的機制，都不是這個詞所指的內容。

ImageNet 是為大量圖像加上分類標籤的大規模資料集，ILSVRC 則是使用該資料集來競爭圖像辨識精確度的競賽。課綱中兩者都列在「6. 深度學習」的關鍵字裡，作為說明深度學習如何發展的材料。它們並非同一模型的2種稱呼，也不是標籤規格與審查場合的關係。與圍棋相關的是 AlphaGo（阿爾法圍棋），這也是同一中項目的關鍵字，但屬於另一項。

LeNet 是為辨識手寫數字而打造、使用卷積的神經網路，課綱將它列在「6. 深度學習」的關鍵字中。在圍棋擊敗頂尖棋士的是 AlphaGo（阿爾法圍棋），為大量圖像加上標籤的大規模資料集是 ImageNet，新產生文章或圖像的則是生成式AI，這些都是同一中項目下並列的其他關鍵字。不要只記名稱，還要一併掌握它是以什麼為對象的技術。

AlphaGo（阿爾法圍棋）是在圍棋對局中擊敗人類頂尖棋士的程式，課綱將它與 ImageNet、ILSVRC、LeNet、新認知機、生成式AI 等並列，放在「6. 深度學習」的關鍵字之中。這個中項目的目標是「能說明深度學習是如何發展至今的歷史」，因此最好把各個名稱與它代表發展中的哪個場景一併記住。口語轉文字、手寫數字辨識、文章摘要都不是 AlphaGo 所展現的成果。

機器人是指擁有軀體的機械本身，人工智慧則是其中負責判斷的部分。兩者雖有交集，但並非同一件事。有許多人工智慧沒有軀體、僅以軟體形式運作，反過來也有機器人只是重複固定動作、並不包含人工智慧。把負責判斷的一方與軀體的一方互換的說法方向相反，也不是依是否會學習來區分，更不是因領域不同而稱呼不同。

新認知機是從人類神經迴路運作方式獲得構想、試圖以層層堆疊來逐步處理視覺資訊的模型。課綱將「人類的神經迴路」與新認知機並列放在同一個「6. 深度學習」關鍵字中，可以理解為是要讓人掌握「層層堆疊」這個構想的來源。並非神經迴路的配線直接變成計算機電路，也不是神經迴路的研究已被解明。與圍棋相關的則是同一中項目中的 AlphaGo（阿爾法圍棋）。

搜尋與推論是由人來組建解題步驟的階段，知識表示與專家系統是由人寫出專家知識的階段，機器學習與深度學習則是讓資料學習規律的階段。也就是說，這是重心從人書寫的一方移向讓資料學習的一方的脈絡。順帶一提，課綱中從未出現以「第幾次」來稱呼這個脈絡的說法，因此本班一律直接以中項目的名稱稱呼。資料的形式、運算的場所、研究主體的變遷，都不是這個排列所表達的內容。

達特茅斯會議是1956年召開的研究會議，一般認為 artificial intelligence（人工智慧）一詞在此首度被公開使用。以純文字往來分辨人類與機器的測試，是1950年圖靈的論文中提出的，屬於早於達特茅斯會議的另一件事。把這兩者連結在一起的選項是常見的錯誤，因此要把年份與事件分開記憶。專家系統的研究、以及層層堆疊之網路的學習方法，都是晚於這場會議的話題。

圖靈測試是一種判斷方法：如果判定者僅透過文字往來，無法分辨對方是人類還是機器，就視該機器具有智慧。重點在於，它不是給出智慧本身的定義，而是提議從外部可見的行為來判斷。實際以競賽形式進行這項測試的是羅布納獎（Loebner Prize），這也是同一中項目的關鍵字。它並不是調查內部機制的程序，也不是估算時期的計算方法。

中文房間設定了一個只按照手冊排列符號的人，並不理解中文，藉此主張即使行為與人類無法區分，也不代表擁有理解，是這樣的思想實驗。也就是說，它是對圖靈測試的批判，作為對承認心智與理解之立場──即強AI──的反駁而被提出。若理解成是支持強AI的根據，方向就弄反了，這是常見的混淆之處。它與符號操作的速度無關，也不是關於機器翻譯方法優劣的討論。

強AI與弱AI，是依機器是否擁有心智或理解來區分的。強AI是認為機器真正理解的立場，弱AI則是認為它只是表現得像在理解的工具的立場。相對於此，通用與專用是依能應用於多廣範圍的工作來區分的適用範圍問題，兩者的判斷軸完全不同。因此，即使適用範圍廣，也不能就此說它擁有心智。把兩者互換的說法方向相反，資料量、運算資源、處理速度、費用都不是任何一種區分的判斷基準。

框架問題是指，當採取某個行動時，無法在有限時間內只鎖定相關事項，來判斷會改變什麼、不會改變什麼的問題。一言以蔽之，就是相關性收斂的問題。符號與現實世界意義的連結問題是符號接地問題，知識書寫作業變得龐大的問題是知識獲取瓶頸，只能解出限定條件之問題的說法是玩具問題，這些都是同一中項目下並列的其他關鍵字。

符號接地問題是指，符號與其所指涉的現實世界意義，系統該如何連結的問題。常以這樣的方式表達：即使擁有「斑馬」這個詞與「有條紋的馬」這項知識，也不代表能與眼前的實物連結起來。無法只鎖定相關事項的是框架問題，這兩者常被成對提問。具身性則是一種立場，認為或許需要透過身體與環境互動的經驗，是對這個問題的一種回應方式。組建步驟、資訊反響、特徵數量的問題，都不是這個詞所指的內容。

具身性是指這樣一種立場：認為智慧的成立，或許需要透過身體與環境互動的經驗。它是針對「符號無法與現實世界意義連結」的符號接地問題，所提出的一種回應方式，主張擁有身體、接觸世界，才能建立起這種連結。它並不是主張必須採取機器人形式才能實用，也不是依零件效能決定的說法，更不是把身體動作寫成數學式的步驟。

玩具問題是指規則與狀態都明確固定、削去現實複雜性的限定性問題。常用於這樣的脈絡：像迷宮或拼圖這種能歸入此類形式的問題可以解出，但對條件不明確的現實問題卻無能為力。要注意的是，它的意思不是「簡單的問題」，而是「將現實單純化後的設定」。它並非兒童教材，也不是尚未解決的難題，更不是計算量過大的問題。

知識獲取瓶頸是指，以人工方式將專家所擁有的知識寫成規則，其工作量與難度成為障礙，使得累積知識的做法無法普及開來的問題。重點在於，原因不在運算資源、資料或通訊的不足，而在於書寫知識這件事本身的繁重。試圖減少這種繁重程度的一項嘗試，就是課綱「4. 知識表示與專家系統」中列出的訪談系統。

基於規則的機器翻譯是由人撰寫文法規則與辭典來組建譯文的做法，統計式機器翻譯則是從大量對譯資料的統計中選出最可能譯文的做法。從人書寫的做法轉向讓資料學習的做法，這種脈絡也體現在翻譯這一項課題之中。把兩者互換的說法方向相反。這並非處理單位的差異，也不是口語與書面語的差異。此外，統計式機器翻譯除了這個中項目外，也列在「27. 自然語言處理」之中。

廣度優先搜尋會從靠近根的層開始，依序查完同一深度的所有節點後，才前進到下一個深度。這樣能較早找到位於最淺處的答案，但需要記住的節點數容易增加。深度優先搜尋則是能走多深就走多深，遇到死路再回頭重來。需要記住的量較少，但最先找到的答案不一定是最淺的。把兩者互換的說法方向相反，以隨機數選擇分支是蒙地卡羅法的想法，「從葉子走向根」的說法對兩者都不適用。

Mini-Max法 是在雙方輪流下棋的遊戲中，假設自己的回合會選最有利於自己的一手、對手的回合會選最不利於自己的一手，並將之後局面的價值往回傳遞的方法。α-β法 則是在這個搜尋過程中，剪去已確知再查下去也不會改變結論之分支，藉以減少查找量的工夫，並非與 Mini-Max法 不同的評估想法。它既不是組建探索樹的步驟，也不是事後驗算的步驟。

暴力搜尋是把可能的手一個個全部查過的做法。只要有答案就一定能找到，但手數一增加，組合數就會急遽膨脹，在現實的時間內無法完成。正因如此，才需要減少查找範圍的工夫，於是有了 α-β法 等技術。依分數順序查看有希望之分支的做法、以隨機數嘗試的蒙地卡羅法想法、以及記錄途中結果重複利用的做法，都不是暴力搜尋本身。像河內塔這種規則與狀態都很明確的題材，就作為這類搜尋的練習題被列在課綱中。

SHRDLU 是讓人以語言指示操作畫面中積木世界的研究，證明了在條件受限的世界裡，語言指示是行得通的。STRIPS 則是把行動寫成「執行前提」與「執行後改變之事」的形式，藉此組建出通往目標狀態之行動序列的一種想法。把兩者互換的組合方向相反。以隨機數重複試驗的是蒙地卡羅法，剪去分支的是 α-β法。從質譜分析推估分子結構的是 DENDRAL，診斷細菌感染症的是麥辛（MYCIN），這兩者列在「4. 知識表示與專家系統」之中。

伊萊莎（ELIZA）是依輸入語句的樣式組建回應的對話程式，被列為即使不理解內容也能看起來像人類的例子。從質譜分析資料推估分子結構的是 DENDRAL，診斷細菌感染症並推薦抗生素的是麥辛（MYCIN），試圖寫入常識的長期計畫則是 Cyc計畫，這些都是同一中項目下並列的其他關鍵字。要注意不要把負責診斷的與負責對話的搞混。

麥辛（MYCIN）是進行細菌感染症診斷及推薦合適抗生素的專家系統，處理的是醫療領域。從質譜分析資料推估有機化合物分子結構的化學領域是 DENDRAL，挑戰大學入學考試的是東Robo君，在益智節目中與人類競爭問答（Question-Answering）的是華生（Watson）。由於名稱與領域的組合會被直接考出，最好成對記憶。

DENDRAL 是從質譜分析資料推估未知有機化合物分子結構的初期專家系統。它的領域是化學，經常與處理醫療領域的麥辛（MYCIN）成對被問及。Cyc計畫是持續寫入人類常識的長期計畫，華生（Watson）是問答（Question-Answering）的系統，東Robo君則是挑戰大學入學考試的計畫，這些都是同一中項目下並列的其他項目。

is-a 是上下位關係，例如「狗是動物」，表示下位概念包含於上位概念之中。has-a 是擁有部分的關係，例如「汽車擁有輪胎」，是從整體看部分的角度。part-of 是屬於部分的關係，例如「輪胎是汽車的一部分」，是從部分看整體的角度。has-a 與 part-of 是把同一種連結從相反方向來看，要注意方向不要弄反。相同意義、相反意義、順序都不是這3者所表示的關係。

維度詛咒是指，所處理的特徵數量（即維度）越多，資料在該空間中就越稀疏，要維持相同密度所需的資料量便急遽增加的現象。點與點之間的距離差異也會變得不明顯。特徵越少所需資料越多的說法方向相反，對訓練資料的擬合程度、以及運算資源與精確度的關係，都是不同的話題。順帶一提，課綱中這個詞不是列在「7. 監督式學習」，而是列在「5. 機器學習」中。

基於規則的手法，是由人寫下在什麼條件下該得出什麼結論。因為完全按寫定的內容運作，容易呈現判斷理由，但例外一多就會寫不完。機器學習則從資料中找出規律，因此能應付寫不完的大量情況分岐，但相對地判斷理由較難呈現，且需要品質與數量都足夠的資料。把兩者互換的說法方向相反，容易呈現理由的是基於規則手法一方。垃圾郵件過濾、推薦引擎、統計式自然語言處理，是這個中項目所列出的機器學習應用範例。