人工智慧（Artificial Intelligence）已經不是新梗，甚至深度神經網絡（Deep Neural Networks，DNN）也是「高齡級」技術，過去DNN受限於技術發展，雖然偶有復興跡象，但始終撐不了太久，到了2005年開始AI受到重視，不過浮浮沉沉、直到2012年突然奮起、這兩年更是大鳴大放，尤其機器學習成為各家科技廠精進晶片演算的利器，可見得DNN將成為未來軟體開發的方向。
不過發展DNN的挑戰眾多，包括如何收集高品質且大量的資料、高效率的GPU，還有降低技術應用時的功耗等等，尤其在DNN要進入各個產業時，如何清楚解釋DNN技術模型的操作原理，同時又可以在不需要自行調校過多參數的狀況下，方便使用者可以提高訓練的品質、降低校正的時間，是目前努力的方向。
在機器學習的應用中，目前進行得如火如荼的非「車用」莫屬，根據IEK預估，2023 年全球汽車電子與車聯網產值將達到4,511億美元，相比2015年可成長1.67倍。工研院創新開發的「環保駕駛模擬學習器」就是一種DNN的技術應用，在自駕車的部分，駕駛人會經歷環境感知、決策、控制三個步驟，尤其「環境感知」這塊是產業的機會，也是我們主要著力的方向，透過收集大量的台灣路況進行模擬，用以改進駕駛習慣。
https://www.facebook.com/itri.tw/videos/10156276774619535/
工研院環保駕駛模擬學習器
不過，有些「特殊資料」也是可遇不可求（比如車輛行進中突然有人跑出來），這也是DNN難以模型化的原因之一。或許台灣也可以換個角度、從「新型」的資料收集來做， 例如人人都有行車記錄器，這些行車影像是否能收集再利用，讓汽車業或者政府相關機構做為提升機器效能的一種方法？
在AI風風火火的時代，如何把「產業AI化」已經是可以預見、且容易達成的目標。譬如醫療產業中的醫師診斷、藥物分析，金融產業的個人資產、信用評級，或者商業廣告受眾、零售物品購買人分析等，都是可以AI化的目標，進入障礙也相對較低。
但是，想把「AI產業化」，把技術變成錢則還有一段很長的路要走。台灣硬體做得好，系統也不錯，但是結合硬體跟系統設計的人才卻太少，而DNN模型化需要大量的系統設計人才，未來這類的人才培養也值得關注。
深度神經網路-DNN（Deep Neural Networks）
是機器學習理論的一個分支，主要透過監督或非監督式的學習來提高機器的演算辨識能力。目前主流且證明確實有效的方法為監督學習，是透過給予機器大量的資料進行特徵辨認，例如希望機器能辨別貓這種動物，就提供大量的貓咪圖片，訓練機器辨識。
（本文經闕志克授權轉載《AI×DNN 讓機器更聰明》)
延伸閱讀：深度神經網路 成AI發展重點
