作者 : 毅修
人工智慧的發展階段
1950~1980
符號邏輯 : 專家寫下決策邏輯 Ex 走迷宮、河內塔、下棋程式
1980~1990
專家系統：專家寫下經驗規則 Ex診斷程式，現在瓶頸，EX. 貓的識別
因為以下幾點 :
博藍尼悖論：人懂的事情，比能表達出來更多
符號接地問題：符徵(貓) ←→符旨(貓的意義)，身上有斑紋的馬
框架問題：執行任務時，適當抽取任務相關的知識及範圍，需要有特徵工程，有定義的特徵
3. 2010~Now
由機器學習走向深度學習: 由於機器學習需要特徵工程去定義，容易受限，所需資料量較少，逐漸走向深度學習，電腦可自動歸納出規則，利用類神經網路技術，由電腦從資料歸納學習，自動取得特徵值，EX. Apha GO、視覺辨識、語音辨識，
不同狀況適用不同的AI
明確規則→專家系統
資料量少→機器學習
資料量大→深度學習
機器學習的優勢 : 快、不會疲倦、準確、可以處理同一筆資料多維度的資訊，深度學習最近才發展是因為演算、數據量大、需要強大硬體
甚麼樣的工作適合AI
以產業類型來區分
精準規劃及預測 EX. 市場需求、預測疾病、預測金融商品
高效率、高品質生產 EX. 智慧倉儲管理、瑕疵品、高風險族群
行銷 EX. 客製化技術投放
供給服務 EX 提升客戶滿意度，人工智慧語音客服、攜帶裝置健康檢查
以樣本數量 & 情境相關來區分
跟情境無關，樣本數多的問題就適合AI處理
[應用工作]
參考書目:人工智慧在台灣
人工智慧的形式
可分為人工智慧晶片，人工智慧雲平台，人工智慧顧問服務
參考書目:人工智慧在台灣
人工智慧下的工作趨勢
較容易被自動化的領域
如固定型態工作、易於程序化 EX. 司機
或是偵測與發現異常的工作 EX. 保全、病理科醫師
旅館與餐飲服務、製造、運輸與倉儲
用職業來分別的話，比較容易取代的教育秘書、白領工作、翻譯、家事看護、自動駕駛、農業機械化、物流、防止犯罪與監視、圖像判斷等工作。
較難被自動化的領域
專業服務生、管理、教育服務業，需要人與人信任的、人際溝通的事，未來也會更多人類與機器合作，如人工智慧進行常規工作，人類處理例外狀況，人類提供資料，建立模型，判別機器決策結果，人決策後，再由機器檢驗，機器決策後，再由人檢驗，當人工智慧專家
人工智慧未來發展
當達到技術奇點，意思是當突破後有很大程度的飛躍時，就是機器人開始可以設計機器人的時候，不過由於機器人沒有慾望驅，要找到其觸發點，因此會達成的時間也不可知。
未來也是大國大企業壟斷AI核心演算法，一般人只能使用產出的模型產品，且無法逆向演算法，大國也可能發展出極其強大的軍事武器
參考書目
了解人工智慧的第一本書
人工智慧在台灣
AI人工智慧大未來
留言
張貼留言