把最陽春、最原始的AI想成是專家系統(請自己餵狗)，以現階段的AI背後一定都有一個龐大的數據(不管是實體資料庫還是雲端資料)供搜尋、比對與參考，
簡言之都是提供夠多的判斷數據，最後選出最正確或接近的答案、最合適的動作或反應。

說到這，仔細想人類在靠過去經驗與所習得的知識，來動作與反應，其實也是一種類AI。
但很多電影也演到爛了，人跟機器最大的不同是人有感情(電影尤其喜歡提到人有愛，可以為大我犧牲小我，機器沒有)，也就是非理性的時候，
當非理性用的好，就可以超越常人成就大事，用的不好就可能是個十惡不赦的人。

拉回正題，以中醫來說，講究的是望、聞、問、切，一個病痛，可能不止是因為身理的現象引起，可能還因為患者自身的習慣、遺傳或心理問題，
甚至家庭、工作等種因素造成，醫生在問診時就可以針對病人的反應、口氣、語調，再加上本身的經驗來綜合判斷並下藥，這是現階段的AI仍然無法取代的。

除非醫生朋友平時看診也跟機器一樣，A狀況就給A藥、B病痛就給B藥...如果是這種醫生，那真的讓AI當還更好更不會出錯。

要說把上述的中醫例子中的各種患者反應數據也納入後端數據，那也非不可能，但如最早說的需要"龐大的數據"，
要多龐大？跟所有男人的夢想一樣"越大越好"，因為越多數據就代表可參考比對的樣本越多，所得出的答案當然就越精準。

至於要發展要自主思考、而且還發展出"創造"(從無生有)，那又是更後面的事了。

AI已經被看破了,看來要搞新的噱頭來吸金了...就叫Gi好了~~~XD

AI應用在醫學上也只是拿過去的資料拼湊出可能疾病，再把相關資訊丟給醫生判斷，而資料庫有句"Garbage in, garbage out"，沒有足夠或是正確的病例你AI運算在怎麼快速準確，還是垃圾訊息。

我覺得最近的處理器才誇張

像華為宣稱
麒麟 970 是全球首個集成獨立 AI 人工智慧專用 NPU 神經網絡處理單元的移動晶片

iPhone8、X的A11 Bionic也有神經引擎（Neural Engine）
https://kknews.cc/tech/znx8m6g.html

以及高通下一款S845也說內建人工智慧（AI）
https://www.ettoday.net/news/20171207/1067547.htm

:jolin: :jolin: :jolin:

這是阿發狗一代的模式, 藉由大量人類經驗累積的棋譜學會"下棋"這件事.
到最後的阿發零則已有了"自我學習"的能力.
===
https://tw.appledaily.com/new/realt...171207/1255053/
DeepMind發表於《arXiv》的論文中指出，AlphaZero從零開始訓練，除了基本規則沒有任何其他知識，4小時擊敗最強國際象棋人工智慧程式Stockfish、2小時擊敗最強將棋人工智慧程式Elmo，8小時擊敗曾大勝南韓棋王李世乭的第一代AlphaGo，34小時勝過了訓練72小時的AlphaGo Zero。
===
https://www.inside.com.tw/2017/10/19/alphago-zero
在於無需任何人類指導，通過全新的強化學習方式，人工智慧的程式自己成為自己的老師，在圍棋這一個最具挑戰性的領域達到超過人類的精通程度。相比起之前使用人類對弈的數據，這一個新的演算法訓練時間更短，僅用 3 天時間就達到了擊敗李世乭的 AlphaGo Lee 的水準，21 天就達到了之前擊敗柯潔的 AlphaGo Master 的水準。

在 3 天內——也就是 AlphaGo Zero 在擊敗 AlphaGo Lee 之前，曾進行過 490 萬次自我對弈練習。相比之下，AlphaGo Lee 的訓練時間長達數月之久。AlphaGo Zero 不僅發現了人類數千年來已有的許多圍棋策略，還設計了人類玩家以前未知的的策略。
===

所以那些有規則可循的疾病, 也許在未來AI的診斷正確率會比人類更高.

還有也是很抽象的"閱讀理解"...
https://buzzorange.com/techorange/2...eading-context/
1 月 11 日，斯坦福大學著名的機器閱讀理解賽事 SQuAD 刷新了全球排名，阿里巴巴憑藉 82.440 的精准率打破了世界紀錄，超越了人類 82.304 的平均得分。

高通說S845是第三代了
S835是第二代
S820/S821是第一代

阿


昨天才跟一家公司做AI的聊過

據他的說法 它們公司是從BI->AI

RULE Engine + 自然語音辨識 +圖像影音辨識(視需求)+ 大量資料

要跟電影那種 我們一般人 認知的人工智慧 還差很遠 很遠

所謂的ML 也是在初步的階段 而已

但

科技業 每年都要有話題

.COM
IOT
BIG DATA
Machine Learning
AI


....

現在剛好是硬體能追上AI效能需求的時候
這兩三年有很多新的、有趣的類神經架構被提出來
也因為計算能力的提升，所以很多經典架構可以被加強或是短時間內可以驗證新的想法(架構)是否可行，加速AI的開發效率

高通真是會扯 :laugh:
現在出來講我們也有然後講說其實已經第三代了 :laugh:
跟之前人家先做64bit的時候高通扯的蛋一個等級