Google：仿照人脑的类神经网络建构人工智慧仍无法识别内容

针对目前广泛应用在 Google Search、Google 翻译、Google

隶属 Google Brain 团队的研究科学家 Quoc Le 说明，为了模拟人脑神经元连接所产生思考模式，Google 内部研究团队藉由积层式类神经网络交叠构成 1010 组网络交结组合，并且透过可进化式演算法及强化学习演算法使系统能从学习过程中累积经验，进而达成从学习经验中学习的成效，一如人类会从经验法则内学习不同想法的情况。

就目前 Google 所採用方式，主要是藉由主控类神经网络推导子集学习模型架构，并且藉其进行特定模式的学习训练，同时评估最终训练结果，最后再将训练结果传回主控类神经网络，过程中则会依照学习情况判断是否修正资料。

新的学习模型已经用在支援
CIFAR-10 的图像辨识，以及用于自然语言处理的
Penn Treebank 资料集语言模型内，并且作为许多 Google 服务的应用基础，例如以更快方式识别图像内容为「熊猫」，以及在输入法中即时显示下一个备选词彙。

人工智慧已经从几年前仍处于实验室阶段，短时间内大量进入一般生活，几乎包含手机、网路服务等应用均包含人工智慧技术成分，并且带来相比传统更高的运算效率，因此成为全新电脑运算发展模式，同时也因为目前每天所产生数据资料越来越多，透过传统演算模式已经无法合乎效益，因此导入人工智慧的分析演算模式将成为日后主流。而在 Google 将 TensorFlow 学习模型开源之后，目前此项学习模型也在短时间内被广泛使用，几乎多数的人工智慧系统均藉由 TensorFlow 框架进行深度学习训练。

不过，虽然目前藉由新设计让人工智慧系统能以更具效率方式学习，甚至自行产生全新学习经验法则，但依然无法让系统本身了解目前所在处理内容的本质，亦即无法像人类般有情感般思考，因此也无法在学习过程中判断资料是否有误，仅能仰赖持续学习过程发现错误而重新修正，或是透过人为方式进行调整。

如此一来也能藉由知晓系统如何运算，进而掌握资料如何被使用、运算，避免系统产生「踰矩」现象，让使用者能善用人工智慧运算模式带来更便利且具效率的使用体验，同时也因为人工智慧系统仍无法自行判断内容本质，即使人工智慧技术以相当迅速角度发展，作为最终结果判断、使用的「人」依然扮演重要角色。

藉人工智慧推动全新医疗系统

除了将人工智慧系统应用在旗下服务，Google 也说明越来越多科技应用已与人工智慧息息相关，例如利用人工智慧分析预测各类病症，包含协助临床医师检测淋巴结内的乳腺癌
转移情况，或是筛选判断糖尿病视网膜病变，同时也进一步将人工智慧系统与各类医疗辅助设备结合，藉此实现各类疾病早期预防效果，甚至未来可进一步协助判断病患是否需住院观察，以及判断未来病症影响身体健康情况，同时也能藉由病例资料深入了解病患可能需求。

目前 Google 已经与加州大学旧金山分校医学院、史丹佛大学医学院、芝加哥大学医学院等医疗研究人员合作，构思如何结合机器学习技术及临床诊断专业知识，藉此改善医疗成效、降低不必要的额外医疗花费与医疗疏失情况，同时协助临床医师运用更準确的分析判断做出更好的诊断结果。甚至针对医疗人力资源较为短缺的偏远地区或发展中国家，结合云端分析运算资源也能协助医师做出更正确的医疗诊断。

但在推行此项发展之前，Google 也面临不同医疗机构採用数据记录格式差异所形成资料取用的困难，因此目前将藉由医疗开放数据标準
FHIR让病例等记录资料格式统一，如此才能让人工智慧系统取用，并且用于深度学习分析，但对于现有医疗数据资料仍须花费大量人力与时间统合。

而其他的挑战则包含如何推广至临床，并且建立医师及病患对于分析数据结果的信赖，另外也包含如何将人工智慧系统分析应用落实在医疗工作流程。