如果人工智慧(AI)进化到可以完全复制人类大脑，甚至更上一层楼，每颗AI脑袋都是IQ180以上，人类将何去何从？是进化成神一般的存在，掌控AI世界，还是被更聪明的AI取代，成为人类版《侏罗纪公园》的动物主角取代恐龙？又或者，有那麽一天，IQ不足180的人类可以更换AI脑，打造後人类时代的「高度文明世界」？听起来是脑洞大开的异想世界，但如果科技与人工智慧持续发展，未来还真没什麽是不可能的。

神经网路的五感运用

人脑是神经网路(Neural Network；NN)架构的灵感谬思，透过脑细胞(神经元)形成高度复杂、互联的网路系统，相互传送讯号，协助人类处理资讯。神经网路神复制人脑架构，透过软体程式或演算法共同协作来解决问题，也就是一种运算系统，由於仿生物的神经网路具有极高的学习能力，大量运用在机器学习和认知科学领域。

人工智慧(AI)简单来说，就是让电脑系统具有人类的知识及行为，而且可以像人类般具有学习、推理、判断能力，具有人类的记忆、知识并了解人类的语言逻辑。透过程式设计，可以将人类解决问题的过程公式化或模组化，如此，就可以赋能电脑解决更为复杂的问题。神经网路包含在AI中，透过机器深度学习，建立一种让电脑学习并持续改善的系统，更为精准地解决复杂问题，做出智慧决策。

神经网路於20世纪40年代提出，70年代时原理技术皆已发展成熟。目前神经网路的应用相当多元，如透过医学影像分类可以进行医学诊断、透过网路筛选与行为资料分析推播广告、透过整合金融历史资料进行金融预测；视觉辨识系统可以识别道路标志和路况、脸部视觉可以识别脸部的各种样态，而影像标签可以识别标志或其他影像资讯，甚至可以进行内容审核，从内容物中移除不安全或不当内容。

语音辨识部分，神经网路可以协助分析人类语音，进行录音并提供准确字幕，或将各种对话即时转化为文件；可以进一步透过自然语言处理(NLP)协助电脑从文字或资料中搜集到有意义的内容，如常见的虚拟客服及聊天机器人(Chatbot)。

随着网购消费模式兴起，也可以透过神经网路追踪使用者活动，建立消费者轮廓，进一步标签化以利精准行销，甚至可以分析使用者或消费者行为，透过智慧产品标记(IPT)搜集及管理资讯以协助销售、进行消费者互动，或自动推荐适合使用者及消费者的相关活动及产品。

神经网路的运作方式

人类大脑是相当精密、复杂的多工构造，透过神经线路的连结来处理各种资讯。基本上，大脑在执行任务的过程中会按层级进行排列，每一层或神经元有不同的工作属性。比方走过香氛店时闻到自己喜爱的香水味道，脑袋会输入「我爱的香味」资讯，然後出现浪漫场景或特殊的人事物或喜悦的感觉，之後脑中出现是否应该买下香氛的决策内容，或者提醒自己：类似的香氛已经买了很多，但又陷入自我挣扎：这个味道还是有点不一样的，适合不同情境，最後采取行动买下香氛。

大脑每天都会出现很多类似的「内心戏」，感觉只是三秒钟的事，大脑可能已经千??百转。神经网路也会试图模拟、推演这类多层次运作方式，处理不同资讯，然後做出决策。神经网路跟人脑一样可以具有多层神经元，但基本有三层：资讯进入、进行分析与分类的输入层，处理资讯的隐藏层，以及做出最终决定的输出层。输入和输出层之间可以存在多个隐藏层。多数工作可以在一个或数个隐藏层中获得解决，但是复杂的工作内容就可能需要多个隐藏层才能获得解决。研究显示，多个隐藏层的深度神经网路 (DNN)在影像或语音辨识等较为复杂的工作中发挥更好的效用，因此，难度高的语意解读就需要更多的隐藏层。

一如大脑的复杂结构，神经网路也高达27种类型，如深度前??神经网路(Deep Feed Forward)、GRU(Grated Recurrent Unit)、自动编码器(Auto Encoder)、长短时记忆网路(Long/Short Term Memory)、深度卷积网路（Deep Convolutional Network）、深度卷积反转图像网路(Deep Convolutional Inverse Graphics Network)、极端学习机(Extreme Learning Machine)等。

图一 : CNEA中的鼠类神经元影像（CMOS奈米电极阵列）。(Source：Samsung)

神经网路的主流应用

神经网路目前的主流是深度学习(Deep Learning)，操作上尤重训练(Training)及推理(Inference)步骤，需要庞大的运算能力及记忆体，而且搭配不同的应用情境，需要局部或全部再次训练，推理时也需要相当的计算量。深度学习是机器学习(ML)的一部分，是由一系列神经网路提供技术支援，深度学习模型采用多个资料来源资讯，并即时分析资料。其中，图形处理单元 (GPU)会针对训练模型进行最隹化，可以同时处理多个运算。不过，深度学习不同於机器学习，後者旨在教电脑处理及学习资料，但是深度学习可以让电脑不断训练自己处理资料、学习并构建更多功能，这部分需要更为复杂的多层神经网路。

神经网路与深度学习工具可以建立更多聪明的应用场景，提高工作效率。早在2021年，半导体大厂三星电子(Samsung) 於《Nature Electronics》期刊中发表类大脑运作的神经形态晶片可??成真的愿景，该技术使用Donhee Ham与Hongkun Park博士所开发的突破性奈米电极阵列，作法是将复制的神经元连线图贴至非挥发性记忆体（Non-Volatile Memories）上，如固态硬碟（SSD）中的商业快闪记忆体或可变电阻式记忆体（RRAM）等新型记忆体。针对各记忆体进行编程，可以利用其传导性重现被复制连线图的神经元连结强度。

以亚马逊(Amazon)的AWS深度学习服务来说，就是透过功能强大的云端运算扩展深度学习神经网路，优化处理速度，应用程式包含机器学习技术自动化影像和影片分析(Amazon Rekognition)，提供预先训练和可自订的电脑视觉 (CV)功能，可以从使用者的影像和影片中撷取资讯和洞察结果；Amazon Transcribe可以自动识别和准确转录语音，将内容转换成文字；Amazon Lex可以建置智慧聊天机器人，机器人可以理解意图、维护对话内容，并且可以跨多种语言自动执行简单任务。

图二 : 机器学习技术自动化影像和影片分析(Amazon Rekognition)。(Source：AWS)

深度学习可以透过多层神经网路分类资讯，如神经网路训练辨识有鸟或狗出现的图像，未来就能用来辨识相关动物图像，因为多层，可以产生更精确的结果。深度学习演算法须接受大量资料训练，而且是更正确的资料，才能获得更精确的结果，也需要在训练期间进行调整，才能提供更好的预测，因此，深度学习需要高效能运算。

适用於平行执行大型机器学习(ML)与深度学习问题的GPU，能针对资料运算进行最隹化。比方前面提到的鸟或狗照片，只要加上一张GPU卡，可以在一天内进行超过七千万的图像运算。

以神经网路中的卷积神经网路(Convolution Neural Network)为例，由於神经网路是由大量相同神经元所组成，具有高度平行性，深度学习就是大量及密集地进行矩阵运算，处理更多层的深层神经网络以提高正确率，也大幅提高效率，减少电脑功耗，降低硬体成本。因此，部署深度学习需搭配合适的软体、系统及GPU硬体。以辉达(NVIDIA)的函式库cuBLAS或cuSPARSE来说，可有效发挥GPU效能，提升矩阵求解运算效能达6-17倍。

神经网路的视觉应用

单就电脑视觉来说，已广泛应用於替代人眼观察、辨识、定位、检查、测量、决策，系统能自动撷取、分析视觉影像，提供资讯并控制机器及工作流程，全球各大半导体厂早已应用机器视觉检查良率或寻找缺陷。在工厂自动化环境中也可以使用神经网路解决复杂而且无法建立基本规则的缺陷探测，以及识别产品瑕疵，尤其缺陷探测对於制造业自动化带来相当大的助益，如透过神经网路的视觉应用功能检测汽车外观刮擦伤等。系统可以透过三种方式学习：

(1)监督式学习

电脑透过一组加上标签的资料学习，并且不断修改演算法，直到能够处理该组资料，获得想要的结果。

(2)非监督式学习

缺乏标签资料可供学习时，可以透过神经网路分析该组资料，成本函数会告知结果和目标相差多远，神经网路再予以调整，提升演算法的精准度。

(3)强化学习

神经网路会强化正面结果并惩处负面结果，这种方式可以强迫神经网路不断学习。

康耐视机器视觉与工业读码解决方案就能解决如引导、识别、测量及检测等难题，以提升流程性能、改善产品品质并降低成本。以轮胎解决方案来说，轮胎的生命周期中可能途经多个地点和建筑物，过程中的管理遵规、工作进度、排序和派送以及品质控制都必须做到准确识别轮胎，因此，制造商从收到原料到最後组装的制程阶段需要条码读取与机器视觉解决方案，以便更好地完成工作。二维及三维机器视觉系统检测、识别和引导元件采用完全独立运作的工业级视觉系统，结合先进的视觉工具库及高速图像采集与处理功能，可满足多数任务需求。

图三 : 专为轮胎制造商打造的先进条码读取与机器视觉解决方案。(Source：康耐视)

神经网路与机器学习正在改变人类世界

图四 : AI聊天机器人ChatGPT在全球掀起风潮。(Source：OpenAI)

2023年美国消费性电子展(CES)特别聚焦於人工智慧(AI)、机器学习领域，以及自驾车与智慧座舱领域，尤其对话式人工智慧不只能进行拟人对话、撷取语意脉络，还能提供智慧化回应的语音助理服务，可??继续成为行销利器，更贴近消费者生活。不过，人工智慧复制拟人互动可能必须依序执行十馀个神经网路才能完成多层任务。辉达(NVIDIA)即指出，AI与人类互动需要在300毫秒内完成，但是多数对话式AI模型仅能处理数百万个叁数，学习能力可能不足，以至於语音助理回覆容易产生延迟，这部分还有努力空间。

虽然如此，却无碍於AI人工智慧思考模式和对话方式的进步速度，比方去年11月底出现比Siri还聪明的AI聊天机器人ChatGPT在全球掀起风潮，短短2个月活跃用户数已达1亿人之多。这款OpenAI研发的聊天机器人采取预训练模型，利用1,750亿个数据创造背景元素及细部脉络，将预测及回??纳入内容中，再从自己产生的反??中不断学习。

ChatGPT是机器学习领域中的深度神经网路技术，可以用较少的叁数表示复杂函数，随着输入资料愈来愈多，就能愈来愈准确地推断结果，愈来愈像人类，甚至连工程师、教师与作家这些靠「智慧财」维生的人都可能被轻松取代，看来，AI成闺密，翻身做主人的时代不远了。