Google實現機器「深度學習」：Gmail自動回信、Google相簿聰明分類全靠它

Google在東京舉辦了亞太地區媒體年會，這次的主軸鎖定在「機器學習」上，揭露了最近這半年，Google推出了許多看似很神奇的服務，像是幫你自動回信的Smart Reply、Google相簿中幫我們分辨照片中的人、事、物的自動機制，背後全都靠的是「機器學習」或是更進一步的「深度學習」。

「深度學習」不是「人工智慧」

今年Google媒體年會的主題是「Magic in the Machine」，顧名思義講的就是隱藏在機器背後的秘密。而一開始Google亞太地區行動通訊的副總裁Mike Nelson就上台表示，過去很多人以為Google的一些服務都是人工智慧的結果，其實他覺得應該澄清一下，事實上大多數Google的服務進行的其實是「深度學習」，而非「人工智慧」。

他舉例，以IBM的超級電腦「深藍」與世界棋王比賽下棋，透過演算法來判斷棋子該下哪裡，那是人工智慧。不過「深度學習」指的則是人類因為有很多重複性的工作要做，但是人類並不想做，因此讓機器學習人類所不想做、重複性的工作，用機器來代勞，這才叫「機器學習」。

那麼，什麼又是「深度學習」呢？深度學習指的是當人類在網路上累積的數據越來越多，那麼機器自然就可以透過現有的大數據來判斷，進而預設人類日常生活中有哪些工作需要自己做，有哪些重複性的工作可以用機器代勞。比方說，垃圾郵件的篩選。傳統垃圾郵件的篩選方式是透過預設的垃圾郵件黑名單，搭配解析信件的某些內容來判斷。而現在的機器學習的方式是，他先學習我們怎麼判斷哪些信是垃圾郵件，哪些不是？機器就要學習這些規則。

當然，不可否認的，「深度學習」與「人工智慧」之間也有很大的重疊的地帶，但是基本上來說，兩者依然是不同的東西。

什麼是機器學習？

接下來在Google 擔任人工智能、計算神經科學、及可量化機器學習的研究員 Greg Corrado 博士來講解目前Google的機器學習的相關應用。

Greg Corrado說明，Google 目前透過兩個方面來應用機器學習技術：強化現有的產品服務（如：Google 搜尋裡的排名建議）、提供更先進更新穎的產品服務（如：Gmail 裡的 Smart Reply 智慧回覆功能）

Greg Corrado表示，雖然看起來結果好像一樣，但是背後的原理不同。機器學習的原理是這樣的，我們熟悉的機器運作方式是輸入(input)後進入機器設定的模型(model)後得到產出(output)或預測結果(predictions)。

比方說，如果你是篩選垃圾郵件的程式，那麼你裡面就會有一個過濾垃圾郵件的模型，這個模型是基於黑名單、篩選規則而建立的。但是這種人工設計的模型過於單一，難免有缺陷，因此產出就不見得準確。

而機器學習就是透過類神經網路的技術，讓模型的設定更聰明、涵蓋更多變數，就是機器學習的重點。理想的機器學習模式是逐步改進的，每次結果都與真實結果比對，然後再來逐次改進。

有哪些Google服務用到了深度學習(Deep Learning)?

透過深度學習，電腦可以立即分析出輸入的項目，快速且自動進行判斷結果，甚至給予下一步的建議。

這套系統的神奇之處在於，它可以在事先沒有告訴系統「貓的特徵」的條件的前提之下，只要提供給他夠大夠多的圖像，就可以自行學習總結出「貓是什麼」的概念。採用的就是類神經網路的這種技術，主要就是採用分層機制工作，神經網路的最底層可偵測圖像顏色變化，再上一層則可識別特定類型的輪廓。在增加若干後續分析層之後，系統不同的分支會為不同物件生成檢測方法。

因此，同樣的系統、同樣的方法，你也可以讓它來判斷什麼是碎紙機、什麼是狗、什麼是考克力糖，就算是事前你沒有給他任何資訊都沒問題。

或許你會想問：為什麼是現在？畢竟深度學習這個理論已經存在很久了，為什麼現在才又提出來呢？Greg Corrado表示，主要是因為現在可以支援深度學習的硬體條件已經成熟。舉例來說，在2012年， Google X Lab 要實現這樣的一個系統，採用了一千台電腦架成「 Google Brain」，才實現這種能力。

Greg Corrado說明目前 Google 產品中應用到深度學習的案例：

● 目前Gmail 已經可以自動判斷約99%的垃圾郵件

●如果你在使用GoogleNow的話，你會發現最近這一年來Google Now的語音辨識已經相當準了，而且這不是錯覺，Google 語音辨識功能的錯誤量已經減少逾20%。傳統的方式，是我們用人工去糾正、建立語句轉換。而現在則是透過不斷糾正的方式，讓它學習。