近日南韓棋王李世乭與Google旗下人工智慧公司開發的AlphaGo進行圍棋大戰，「李九段」苦吞三連敗，跌破大家眼鏡，所幸昨日出了「神之一手」贏得第一勝，幫人腦扳回一城。面對這個人工智慧發展的重大里程碑，台灣可以從中學到什麼？

這場比賽的結果和賽前預測差很大，主要因素有三項，第一是賽前大家低估了AlphaGo。AlphaGo程式設定可能是每盤棋贏夠多就好，而不是想冒險取得壓倒性大勝，所以局面領先時會下出人意料之外的「緩著」。第二是熟悉程度的不對等。AlphaGo在賽前已學習了李世乭的許多棋譜，而卻沒有多少AlphaGo的棋譜可供李世乭研究。第三是心理因素，李世乭因壓力大而顯現出緊張的情緒，相對而言，AlphaGo真正做到勝不驕敗不餒，毫無情緒可以波動。

人工智慧起源於1950年左右，經過數十年的發展，已有非常多的成果應用在日常生活中，例如蘋果公司的Siri系統、工廠用的自動光學檢測、機場的人臉辨識系統、Google的無人車等。

AlphaGo的成功很大一部分可歸功於程式中的深度神經網路（deep neural network）等機器學習功能。一旦機器有自我學習能力，就有機會進步到設計者不能預知的程度。人工智慧與機器學習技術的應用範圍非常廣泛，未來許多產業的競爭力會取決於智慧的程度。例如智慧高的無人自動駕駛車可以上街不出車禍，智慧低的上不了路就要被淘汰。

另一個例子是巨量資料（big data），巨量資料的核心技術也是機器學習技術，可以從數十億筆電子商務資料中自動學習分析出消費者的喜好。未來能夠運用巨量資料的電商終將勝出。又如在各個路口裝感測器，車多時綠燈時間拉長，這是笨的物聯網。把所有的資料匯集到後端做巨量資料分析，以面的方式整體控制交通號誌，甚至影響未來的交通規畫，才是有智慧的物聯網。

我們在圍棋人機大戰的熱鬧之餘，更應注意到人工智慧與機器學習已有突破性的進展，這是一個喚醒台灣迎頭趕上的契機。我們該做的事很多，最基本的當然是人才的培育。人工智慧的進入門檻相當高，人才無法用短期訓練班的方式大量創造，需要政府、學界、產業界的重視與長期培養。

另一件我們可以立刻做的事是重新檢視一些重大計畫。以往有些計畫以為有用到網路與手機就可以冠以智慧之名，可能忽略了導入成熟的人工智慧與機器學習技術，只要加以適當調整，就可以有畫龍點睛之效。若能如此，AlphaGo戰勝人類棋王這一事件對台灣的意義將深遠得多了。（作者為工研院巨量資訊科技中心主任）