Google AlphaGo與李世乭3月份的人機大戰，電腦圍棋以4比1擊敗10多次世界圍棋冠軍、世界排名第五的圍棋高手。第一天比賽在YouTube平臺吸引超過10萬人線上觀棋，騰訊、樂視幾天的同步轉播吸引6000萬網友觀看。報導AlphaGo及其開發公司DeepMind的網頁已經超過600萬，浩浩蕩盪掀起另一波人工智慧的熱潮。
AlphaGo的人工智慧是以人工神經網路為核心，配合樹狀搜尋，與先前IBM深藍擊敗世界西洋棋冠軍的蠻力搜索辦法不大一樣。並且它的人工神經網路採用非監督的深度學習，有自我學習的功能可以跟別的電腦對弈增強實力，成果令人驚艷。
人工智慧簡史
人工智慧不是新鮮事，早在四、五十年代之前就有觀念上的討論，主要分為計算派(computationalist)-藉高速序列形式電腦如圖靈機，艾倫·圖靈(Alan Turing)在1950年提出了著名的圖靈測試：如果一台機器能夠與人類展開對話而不能被辨別出其機器身份，那麼稱這台機器具有智能。聯結派(connectionists)-模擬神經細胞接受刺激而產生認知，藉操控記號產生特定規達到模擬智慧。1943年沃爾特‧皮茨(Walter Pitts)和沃倫·麥卡洛克(Warren McCulloch)發表神經網路的數學模型的論文-"A Logical Calculus of Ideas Immanent in Nervous Activity"，唐納德·赫布(Donald Hebb)在他1949出版的行為組織一書指出如果機器能學習，在它內部需要有某種變化來表達學習行為，即赫布規則(Hebb’s Rule)。還有一派採用電腦模擬方法研究細胞自動機(Cellular Automata)、人工生命(Artificial Life)及計算生物學(Computational Biology)的機制，利用電腦模擬來理解智慧法則產生的機制。1940年代電腦之父馮·諾伊曼(John von Neumann)就曾經設想有種細胞自動機能讓各個細胞按照預先設立的規則，隨時間改變細胞的狀態。1970年英國數學家約翰·康威按照馮·諾伊曼的構想發明了康威生命遊戲(Conway's Game of Life)來模擬的細胞自動機。
1956年在達特茅斯一次會議中人工智慧(Artificial Intelligence AI)的名稱及任務被提出來並得到與會者的認同，被認為是人工智慧的正式下水典禮。
1956 到 1974人工智慧獲得一些機構的重視及財務資助，從50年代後期到60年代湧現出大批AI程序及新的研究方向，是AI首次黃金時期。
1974 – 1980是AI第一次低谷。AI一些過於樂觀的承諾無法在現實中兌現，AI學者間也會因為意見不同而相互批評及攻擊：譬如贊成採用計算方式實現人工智慧的馬文·閔斯基(Marvin Minsky)猛烈批評他的高中同學弗蘭克·羅森布拉特(Frank Rosenblatt)依據聯結主義所發明的感知器(Perceptron)。不僅限制聯結派人工神經網路的發展，也讓外界對人工智慧的發展方式產生迷惑。
1980 – 1987藉「知識處理」之名及日本政府大力發展第五代電腦出現榮景。1987年第一次計算生物學(Computational Biology)研討會在聖塔菲研究所(SFI，Santa Fe Institute)贊助下展開。第一屆神經網路研討會(First International Conference on Neural Networks)於1987年6月在美國聖地亞哥舉行。
1987 – 1993是AI第二次低谷。人們把注意力放在電腦硬體性能的提升，對AI的需要相對降低。電腦可以擁有專家知識，但卻不具備基本『常識』。
1993 – 今1993年之後電腦數據越來越多，需要研究數據挖掘(Data mining)，AI又找到新舞台發揮。1997年IBM的「深藍」(Deep Blue)打敗了國際象棋的世界冠軍，2006年傑弗里·辛頓(Geoffrey Hinton)提出了深度學習(deep learning)的概念。2011年微軟研究院和Google利用深度學習在語音識別得到突破。2012進一步應用在圖像識別降低錯誤率，Google Brain採用非監督(unsupervised)方式辦法，從YouTube視頻中在沒有人工介入的情況下識別出貓的特徵，2014年Facebook研發了DeepFace，2016年DeepMind用AlphaGo打敗圍棋高手，讓人工智慧又熱鬧起來。
機器學會自主學習
機器學習開啟人工智慧的新頁，不需要人類持續修正模型及參數，電腦可以從資料或環境中獲取資訊變得更聰明，學習方式大略可分為監督學習(利用標註的輸入資料)、無監督學習(輸入資料不需事先標註)、半監督學習(介於監督學習與無監督學習之間)及增強學習(通過觀察的反饋來做出判斷)。
機器學習可應用在數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人等領域。機器學習可減少人力的投入及人為錯誤，讓機器去執行特定的任務，不怕累不爭辯，又快又好。
物質科學(Physical Science)與生命科學(Life Science)
探討人工智慧前景前，需要說明一下物質科學與生命科學在本質上的差異。
如果物質與生命二者相同都要受自然物質定律的支配的話，按道理物質身體沒道理可以一直保持站立姿勢。即使起初站立，一旦受外力觸控就會傾倒不再能站立，更沒有道理會超越地心引力，能夠從地上爬起、向上跳躍、移動、溝通或思考。因為生物會自己尋找食物攝取營養產生活動能量，利用能量可以超越自然物理定律之限制，鳥類甚至可以飛向天空，克服地球重力。
人餓了會自己找食物補充能量，受傷可以復原，生命可以自給自足，能改變或適應環境，純物質卻不能辦到。因為生命有變通、適應的能力，處處可見生物超越物質法則的情形。例如：一棵樹可以穿越石頭縫生長，甚至崩裂大石。沙漠可以綻放花海，最深大海可以發現生物。這些都是物質科學尚未了解，無法解釋的事例。
汽車是純粹物質，一旦用盡能源就永遠停留在原處，即使靠太陽能行走，一旦汽車發生故障，也不會自己動起來。物質受環境或控制它的生命體支配，沒有自主能力。
人工智慧與人類智慧的不同
人類大腦雖然運轉傳遞速度(120 m/s)遠不如電腦，但是他有80億個神經元，可以自我組合，在瞬間配合各種感官並行運轉，從事思考、判斷、決策活動。人腦在環境中的變化組合像宇宙一樣豐富，沒有相像的神經細胞，即使雙胞胎他們的思維也都不同。人腦對語義很敏銳，了解語言符號背後的意義及作用，電腦只能遵循語法及規則，對人類習以為常的溝通無能為力。電腦不管多快，一個CPU只能計算一步，並不一定能勝過大腦並行運轉。
人工神經網路研究者約翰·丹可(John S Denker)說：『許多人相信未來會發展出具備高度並行、容錯(fault-tolerant)的電腦。若非看到人腦並行、容錯高效能的活證據，早就因設計艱難知難而退了。』
無論用計算派或聯結派那種演算方式，所發展出的人工智慧與人類智慧都不一樣，只是演算法則而已。人類智慧不僅可以運用知識，還可以參考過去經驗(甚至不是自己直接經驗)，配合理解力、常識、洞察力，選擇最適當方案。並且還可以藉著思維從環境中轉換、結合、開創新的智慧應付新的問題。人工智慧相對有局限性，只能從現有資料、狀態及環境中做有限度的變化。
人工智慧與人類智慧的差異在於人工智慧受限於物質；人類智慧源自生命，可以超越物質條件的限制，具有自主生存、容錯、溝通及傳播功能。
電腦不許可電路故障，沒有電就無法運作，只能按照設計功能執行所設定的任務。機器人或人工智慧是否會控制人類？在它未能具備自主生及容錯能力之前絕無可能。
直到最近人工智慧才開始考慮機器容錯功能，想達到人類一般性、通盤性容錯能力不知何年何月？
人工智慧可能帶給人類的不利影響
當人類過度依賴機器運作是否會降低或喪失思考能力？如果人工智慧為少數擁有者創造巨大財富，會不會使得多數人喪失賴以維生的工作造成大量失業，導致經濟衰退及社會不安？是否會因擴大社會所得不均？人工智慧會不會傷害人類？我認為答案都是肯定的。但是負面影響不一定不好，端看社會如何應對人工智慧所衍生出的變局及趨勢。
美國聯儲會在2016年發表一份就業統計顯示例行性工作就業人數從1989年開始就不再增加甚至還有減少趨勢。只有需要認知非例行性工作失業率低於5%，其餘類別失業率都居高不下。
2014年奇點大學在一次針對數據科學(Data Science)革命演講裡面談到服務業生產力已經被電腦超越。除非放棄人工智慧及自動機器人的科技，不然服務業僱傭大量人力將會被機器取代。
19世紀初英國工業革命也發生抗爭運動，盧德運動(Luddite)激進份子搗毀機器，經濟學家李嘉圖(David Ricardo)也在1821年表達對「機器取代人類勞動力」的擔憂。麻省理工學院經濟學家大衛·奧托(David Autor)曾在「就業市場兩極化」的研究中發現，即使低收入勞動工作和高技能工作的就業機會增加，需要中等程度技能的工作卻漸漸消失的現象，類似大前研一所說的M型社會，而這些趨勢早從數十年前就已開始。
所得分配不均當然跟工業自動化脫不了關係，但是還有其它更重要的因素與社會制度及工、商及經濟政策有關。
經濟停滯會因社會富裕、勞動誘因降低、人口老化、勞動力減少，消費需求降低而產生，一定要把工業自動化拖下水未免過於沉重。
人工智慧無法提供的答案
人工智慧的應用存在不少倫理兩難情況，譬如自動駕駛車在特殊情況下選擇自撞牆壁還是撞向無法閃躲的人群？讓自己子弟面對風險站崗防禦敵人，還是轉給自動殺人武器防守？如果自動殺人武器被恐怖分子擁有會有何後果？人工智慧尚未顧及倫理及感情因素，超過原始考慮過的範圍就無法解決。
人工智慧未來何去何從？
如果有人能準確預測(Forecast)未來，只能說是巧合。沒有人能在15年前能準確描述今天的社會。預測原理是根據歷史資料推估將來，前提是歷史發展趨勢不變。但是未來可以規劃，可以推測(Projection)不受過去節制。如果新建一個迪斯尼樂園，推測旅館、運輸、餐飲活動會增加，當然會實現。未來不能靠靜觀其變，投入及干涉而改變未來。
賽格威(Segway)載具15年前就已經商品化，它可以有效解決短距離人員運輸的問題，但是因為地方政府要求使用者取得駕駛執照，又沒有相對的考試可以頒發駕照就閒置至今。小米科技在2015年買下Segway推出較小較低價的Ninebot，是否能跨越使用者不被取締罰款的命運還待觀望。
2015年5月世界第一輛得到許可的無人駕駛卡車在美國開始上路，是否會威脅美國現存350萬的職業駕駛還待觀察。現有卡車運輸與820萬相關產業員工的生計有關，無人駕駛卡車會減少還是創造就業機會仍不明確，必需觀察一陣子才會明確。有用的科技還需要時日才會融入大眾生活。
美國IPsoft 公司已經推出Amelia自動機器人，她會用20種語言處理真人打過來的電話，開始工作的第一週完成率為10%，兩個月後可以解決61%的問題。七天無休，接多少通電話都保持禮貌，全球有2億5千萬呼叫中心的服務人員，將要和Amelia一起競爭工作。公司創辦人46歲的Chetan Dube印度出生，巴黎及倫敦長大，在紐約大學拿到博士學位已經在人工智慧領域打轉近20年。
機器學會自主學習之後可以取代只會做例行事物、不進步的員工。從前的競爭是跟身邊的人比，現在除了要跟全球人比之外還要跟機器競爭。
人類的繁衍除了生命基因的延續之外還靠社會基因。社會基因會把歷代累積下來的基礎建設及文明交給下一代，使下一代站在前人的肩膀上爬高。80年代對圖像處理的能力如果能把影像旋轉就得意的不得了。從前相機拿歪拍的相片只好捨棄，現在電腦上轉一下就正了不到3秒鐘。社會基因使得科技文明進步更快，但只有能掌握社會基因的人才會受益。
機器學習尤其是非監督學習需要從大量資料中淬取隱藏結構，根據SINTEF 2013年的一份研究報告，當今90%的電子資料都是在過去2年間產生。如何管理及運用大資料無法用三言兩語涵蓋，需要另文討論。
人工智慧展現有效學習的能力，幫我們整理並有效運用社會基因。人類學習力比電腦不知高明多少，也不需要像電腦學習一般需要大量的資料。一位教育家把DNA複製的英文文件放到電腦裡面丟給不懂英文的印度偏遠地區的小朋友，他們在沒有任何教師的情況下自己學會裡面的內容，人類大腦的優異及潛力令人讚賞。
如何從浩瀚的知識中了解並獲得有效的技能呢？除了主動學習之外還需要有效學習。Coursera 及許多大規模開放線上課堂(Massive Open Online Course/MOOC) 提供所全球希望學習的人士同樣先進有用的學習機會，剩下的就是做不做的問題了。
人工智慧的未來其實就是有效學習，從社會基因中發掘有用的知識並且產生有效成果。人和電腦展開競賽，我們站在哪裡呢？
