AI並不神秘，不過就是要問一個好問題

類神經網路是機器的大腦，架構好類神經網路，提供資料訓練它，就可以讓機器去學習，最後機器學會了做一件事情，例如下棋，似乎就產生了「智慧」，我們稱為人工智慧。這中間的運作原理是什麼呢？政治大學應用數學系教授蔡炎龍說：「人工智慧就是學一個『函數』。」

從考古題中學會計算

你可能玩過一種數學遊戲，給你一堆數字，你要猜出下一個數字是什麼。例如，1、4、9、16，這裡我們很容易就發現，1的平方是1，2的平方是4，依此類推，我們可以預測下一個數字是5的平方，也就是25。我們把這個規則化成函數，輸入x，輸出就是x的平方，函數可以寫成f(x) = x²。在人工智慧系統中，就是根據前面所提供的解答，讓人工智慧學會f(x)函數的計算，然後就能預測下一個數字。

函數其實就是一本解答本。我們收集一部份的考古題給機器，讓機器做這些考古題來學會這個函數，之後機器就能夠算出所有可能情況的答案。蔡炎龍把運用人工智慧解決問題的過程，大致拆解如下：

第一步是提出問題。例如照片裡的動物是什麼？（這裡以台灣黑熊為例。）

第二步是把問題化成函數。輸入是照片上的各種動物，透過函數計算後，輸出是動物的名稱。

第三步是準備訓練資料。我們把部份的解答（考古題）收集好，準備餵給機器。例如各種台灣黑熊的照片。

第四步是架構類神經網路。目前有標準神經網路、卷積神經網路、遞迴神經網路等三大架構，也可以用增強式學習、對抗式學習等較新的技術。

第五步是學習。調整類神經網路的參數，讓它做考古題，接著希望機器做得夠熟後，遇到沒碰過的情況時也能預測答案。例如：輸入一張沒見過的台灣黑熊照片，機器能辨認出是台灣黑熊。

問個好問題

聽起來很簡單，然而蔡炎龍說：「真正碰到的關卡，其實是我們會不會問一個好問題。」

舉例來說，我們可能都很想知道明天股票的收盤價。直覺上，函數的輸入是日期，經過計算後，輸出某股票的收盤價。但你我都知道這是不可能的事情，因為輸入方面根本無法提供任何資料。比較好的問法是，輸入前一週的股市資料，然後輸出未來的價格。

蔡炎龍再舉一個例子：某大聯盟球員在下一個球季中可以打幾支全壘打？我們有很多球員的相關資料可以提供，像是過去10年內的打擊率、三振、四壞甚至盜壘等。看起來似乎很合理，但預測結果很慘，因為所需的答案要非常精確，就跟預測彩券號碼一樣，每個數字都要命中，實在太難了。既然無法猜得太精確，那麼就改為預測區間，例如0 ~ 9、10 ~ 19、20 ~ 29、30 ~ 39、40以上各為一個區間，只要機器能猜中區間就算正確。結果正確率就提高了。

因此，問對問題就顯得很重要。蔡炎龍說：「這是我們在做人工智慧的過程中，很深的一個感想。」

不過，誰來問問題才會問得好？讓問題相關領域的專家來問，如果他沒有深度學習的背景，很可能會很天馬行空、希望工程師做出哆啦A夢；讓人工智慧專家來問，因為熟知架構、參數，問題又可能太局限。或許，跨領域的合作才能讓人工智慧發揮最大的功效。