讓機器模仿人腦思考行為的深度學習，是人工智能(AI)近年能夠在各行各業(yè)中加速發(fā)展的一大功臣。持續(xù)到今年，AI在眾多領域中紛紛展現(xiàn)出未來科技世代的嶄新面貌。研究機構IDC也預估全球AI布局包括制造業(yè)、醫(yī)療業(yè)、零售業(yè)、銀行業(yè)等，都將是未來5年投入AI最多的行業(yè)。

隨著AI應用普遍落地，人工智能已成為政府、企業(yè)提升競爭力或生產(chǎn)力的關鍵。日本正計劃在2021年全面采用AI強化因應網(wǎng)絡攻擊的能力，藉由學習并分析過去網(wǎng)絡攻擊的共通點和跡象，讓相關單位更有效率地抵御新病毒攻擊；大陸更透過「天網(wǎng)」監(jiān)控系統(tǒng)，僅花7分鐘便在全國捉到嫌疑犯，而背后正是透過人臉辨識技術來完成這不可能的任務。

人工智能幾乎無所不在，而在華爾街自然也是如此。投資專家坦承，從大數(shù)據(jù)中獲得見解能力的學習機器，正準備經(jīng)手99%的投資交易，AI掌管投資界即將來臨，人工智能戰(zhàn)完棋王后，接著要大戰(zhàn)股神了嗎？

AI提升制造良率取代雙眼精挑產(chǎn)線不良品

對于制造業(yè)來說，產(chǎn)品良率決定制造質量的優(yōu)劣，甚至關乎企業(yè)品牌形象。傳統(tǒng)的質量檢測方式，乃透過大量人力以肉眼方式檢查。但近來制造業(yè)正面臨人力成本越來越高的困境，加上人眼容易疲勞，導致檢測品值不一，甚致降低檢測效率。

當品管追不上制造，如此傳統(tǒng)的檢測方式更無法因應未來快速生產(chǎn)的制造趨勢。因而在制造業(yè)領域里，發(fā)現(xiàn)利用深度學習技術，不但可以讓機器視覺大幅提高檢測效率外，過去肉眼容易忽略、或無法檢測到的細節(jié)也能一一被精挑細選出來。

當制程檢測環(huán)節(jié)導入AI，機器便會透過自我學習的方式，事先辨識各種良品與不良品的特征，其后便可根據(jù)分析結果快速地篩選出產(chǎn)在線的瑕疵品。

同樣的方式還可以應用在農(nóng)產(chǎn)品上，需要大量人工來篩選出損壞的馬鈴薯，現(xiàn)在只要針對損壞的馬鈴薯做異常檢測，一旦機器偵測到瑕疵品，產(chǎn)線便會想起警示音，只待挑起不良品后產(chǎn)線即可恢復運行，最終產(chǎn)線只需要一位負責挑揀瑕疵馬鈴薯的人力站崗即可。

前百度首席科學家吳恩達表示，AI技術非常適合用以解決制造業(yè)面臨的挑戰(zhàn)，象是不穩(wěn)定的質量及良率、生產(chǎn)線設計缺乏靈活性、產(chǎn)能管理困難以及生產(chǎn)成本上升等問題。

吳恩達舉例，就算一塊外表看起來毫無問題的電路板，仍然能被深度學習算法檢測出表面細微的刮痕。而經(jīng)過AI調整校正的檢測算法，更可以讓每個零件的檢測時間只需要短短0.5秒。

協(xié)助醫(yī)學成像判斷醫(yī)療資源貧乏地區(qū)先受惠

人類在面臨生老病死的過程中，只有疾病可以透過外力的協(xié)助來抵御，醫(yī)療技術始終是人類終其一生致力研究的目標。因而深度學習在醫(yī)療領域上具有很大的潛力，可協(xié)助醫(yī)療診斷更精確、更有效率。不過，許多研究專家仍不約而同表示，即便深度學習可以從旁協(xié)助醫(yī)師，但最終的診斷結果，仍必須由醫(yī)生本人決定。

醫(yī)生是需要一個經(jīng)驗累積的行業(yè)，透過經(jīng)驗的判斷更深深影響最終的診斷結果。而深度學習在醫(yī)療領域當中的應用，目前已經(jīng)廣泛采用影像辨識技術來協(xié)助醫(yī)生判讀醫(yī)學成像，包括Google研究團隊用來診斷糖尿病視網(wǎng)膜病變、乳腺癌腫瘤轉移等。

糖尿病視網(wǎng)膜病變是全球失明人數(shù)上升主因，為預防失明，每年糖尿病患者都要接受眼底圖象篩檢。疾病的嚴重程度取決于視網(wǎng)膜病變的形態(tài)，如出血、硬性滲出物等。取得影像后必須由專業(yè)眼科醫(yī)生判讀加以分級，不過這對于醫(yī)生短缺的印度來說實有其難度。

因此Google團隊便應用深度學習技術，透過專業(yè)醫(yī)生的協(xié)助，從具有12.8萬張的視網(wǎng)膜眼底影像數(shù)據(jù)集中，創(chuàng)建出如同專業(yè)醫(yī)生判斷病變能力的模型，未來便可透過該模型在系統(tǒng)上得出診斷結果。

過往醫(yī)師在診療期間，通常需要花費時間詳看X光片、計算機斷層攝影(CT)或是核磁共振(MRI)影像報告，對于經(jīng)驗豐富的醫(yī)生來說，可能只要看一眼便知道問題所在，未來面臨醫(yī)療人才汰換時，所幸也可以透過科技方法讓寶貴的醫(yī)療經(jīng)驗傳承下去。

甚至未來若進一步與醫(yī)療器材結合，還可發(fā)展出前端檢測、后端匯出報告，加速檢測流程，讓醫(yī)師利用更多時間進行醫(yī)學診斷。

機器學習駕駛風格天衣無縫的配合

在人類探討AI如何提升生活質量時，自動駕駛無疑是最受到熱烈關注的話題。安全性是自動駕駛能否普及的重要關鍵，除了透過攝影機或各式傳感器等外部車載設備來確保行駛過程的安全外，讓車輛本身變聰明，能夠自主判斷路況做出分析，是加速自動駕始發(fā)展最有效的助力。

一旦機器具有自主學習的能力，便可以在不斷學習的過程中，逐漸增進其駕駛技能，提升車輛行駛安全性。大陸地平線機器人公司汽車業(yè)務總監(jiān)李星宇指出，自動駕駛的發(fā)展進程建構在一個非常復雜的體系上，深度學習不但可以做得跟人一樣好，甚至做得比人還要好，而這樣復雜的駕駛環(huán)境正是深度學習最能發(fā)揮優(yōu)勢的地方。

從另一個層面來看，則是駕駛人與車之間微妙的關系。現(xiàn)今自動駕駛的定義是汽車可以自行判斷路況做出決斷，而未來更深的層面則是汽車與駕駛人之間的配合，簡單的說就是讓汽車去理解你。因此，未來自動駕駛領域中還必須面對駕駛習慣的學習，甚至包括駕駛風格，這感覺就象是汽車變成了駕駛人的行車管家。