過去如果想用電腦來作點新東西， 你需要設計程式。 而現在， 你們可能沒做過程式設計這件事， 它需要規劃相當詳細的細節 那些你想讓電腦執行的每一個步驟 以達到你的目的。 如果你沒有概念要怎麼做的話 那會是個很大的挑戰。 亞瑟·撒姆爾也曾面對這種挑戰。 他在 1956 年便想到用這台電腦 能夠在西洋跳棋棋賽打敗他。 要如何設計這樣的程式？ 把細節通通寫出來， 如何讓電腦比你還會下棋？ 於是他想出了一個點子： 他讓電腦與電腦本身對弈數千次 以學習如何玩西洋棋。 然而，在 1962 年做到了， 電腦打敗了康乃狄克州的冠軍。 於是亞瑟·撒姆爾 成為了機器學習之父， 我尊敬他， 因為我也是個機器學習實踐者， 我曾是 Kaggle 的會長， Kaggle 是個超過 20 萬人的 機器學習實踐者的社群。 Kaggle 設立了一些比賽 讓他們參與解決 過去無法解決的問題， 而有上百的成功個案。 從這有利的環境中， 我發現 很多機器學習在 過去和現在可以做到的事情， 還有未來可以做到的事。 第一個機器學習的 商業成功案例是谷歌。 谷歌展示找尋資料的方法 是使用計算機演算法， 而這演算法是以機器學習為基礎。 自此，機器學習 有很多的商業成功例子， 譬如亞馬遜和奈飛公司 用機器學習會向你推薦 你可能想買的商品， 你可能想看的影片。 有時，你可能會很訝異。 像領英和臉書等公司 有些時候會告訴你 誰會是你的朋友 而你根本不知道他們是如何做到的， 因為他們用了 機器學習這強大的功能。 演算法從資料去學習這類事情 不需要動手去編寫程式。 這也是 IBM 過去能成功的原因 讓超級電腦「華生」在「危機遊戲」中 打敗兩屆世界冠軍。 回答一些細碎和複雜的問題，像是 「2003年，古獅像在這城市的 國家博物館消失了（連同其他物品）」 這也是我們現在能看到第一部 自行駕駛汽車的原因。 如果你能說出不同點，像是 一棵樹和一條行人道， 那顯得非常重要。 我們不知道如何設計這樣的程式， 不過通過機器，這就成為可能。 事實上， 這部汽車已經行駛一百萬英哩 在正常路面沒有發生事故。 我們現在都知道電腦能夠學習， 學習做一些 有時我們自己也不知道怎麼做的事， 還可能比我們做得更好。 其中一個機器學習的經典例子 是我在 Kaggle 所做的一個專案 由傑佛里·辛頓帶領的團隊 他是多倫多大學的教授 他們贏了新藥研發的比賽。 他們出色地方 不只打敗了 默克藥廠或國際學術社群 所研發的演算法， 他們的團隊沒有化學 生物或生命科學的背景， 而且只花了兩個星期就完成。 他們怎麼做到的？ 他們用了一個很出色的演算法 叫做「深度學習」。 這是重要且成功的事情 在數星期後 被刊登在紐約時報頭版。 左手邊那位是傑佛里·辛頓。 深度學習是一種 受到人類大腦啟發的演算法， 它是一種演算法 做法不受理論限制的演算法。 你給它越多的資料和 運算時間， 會得到更好的結果。 紐約時報的文章裡 也介紹到深度學習的非凡成就 我現在要展示給你們看。 它顯示電腦能聽懂和理解資料的能力。 （影片）理察·拉希德: 現在，最後一步是 我能夠理解這個程序 我能夠跟你說中文。 現在關鍵的是， 我們從很多講中文的人士中 收集大量的資訊 然後產生文字轉化語言的系統 將中文文字轉化成中文語言， 然後錄一個小時我自己的聲音 我們使用它去調變 使標準文字轉化語音系統的聲音 聽起來像我的聲音。 再一次，雖然結果沒有很完美， 裡面還有一些錯誤。 （中文） （掌聲） 在這個領域還有很多工作要做。 （中文） （掌聲） 傑里米·霍華德：那是在中國舉行的 機器學習研討會。 那不常有，事實上， 在學術會議上 聽到熱烈的掌聲， 雖然有些時候 TEDx 講座不拘泥形式。 你所看到的都是出於深度學習 （掌聲）謝謝。 英文文字翻譯由深度學習完成的。 翻譯成中文和右上角的文稿 也是出於深度學習， 連創建聲音也都是深度學習。 深度學習是如此的神奇。 它是個單一的演算法 似乎可以完成任何事情， 我一年前還發現它可以學會看 這個德國遊戲的比賽 叫德國交通標誌確認基準， 深度學習能認出這個交通標誌。 它不只確認交通標誌的能力 比其他的演算法好， 在排行榜上更顯示它做得比人類好， 正確性是人類的兩倍。 2011 以前，我們有了第一個例子 視力高於人類的電腦。 從那時開始，許多電腦也可以做到。 2012 年谷歌宣佈 使用深度學習演算法 來監看 Youtube 影片 收集一個月 1,600 台電電腦的資料， 電腦獨立識別 人或貓的概念 僅透過觀看影片。 這樣更像人類的學習方式。 人類並非通過別人的指示來學習， 而是從自己搞懂事情來學習。 在 2012 年傑佛里·辛頓 我們之前看到的人， 贏了很有名的映像網路比賽， 嘗試從 150 萬的圖像中找出 想要的圖像。 2014 年, 我們現在 圖像辨識的錯誤率 降到 6％ 以下。 這再次證明它比人類優秀。 可見機器 真可以做到如此非凡的成就， 它現在已經用在產業上了。 比如說，谷歌去年宣佈 他們可以在兩小時内把 法國每一個位置繪成地圖， 他們用的方式是 把街景圖像 輸入深度學習演算法 來辨認和讀取街道號碼。 想想我們以前需要花多少時間？ 至少好幾十人加上好幾年呢。 同樣的情況也發生在中國。 我想「百度」類似中國的谷歌， 在左上角你會看見 一張我上傳到 百度深度學習系統的圖片， 下方你可以看到 系統可以理解這張圖片 而且能找到相似的圖像。 類似的圖像 也就是有相似的背景， 相似面孔的角度， 有的圖像甚至有伸出舌頭。 這個網頁的文字看不大清楚， 因為我上傳的都是圖像。 這顯示了電腦能明白他們所看到的 電腦能夠搜尋資料庫 以即時的方式從億萬張圖片中搜尋。 現在的電腦能夠去看 是表示什麼意思呢？ 其實電腦不只能看見。 事實上深度學習可以做得更多。 像這個樣複雜，僅有小小差別的句子 現在的深度學習演算法能夠理解。 你可以看到， 這以史丹福為基礎的系統 顯示上面的紅點 指這句子是在表達負面的情緒。 深度學習現在已經接近人類的行為 能理解句子是要表達什麼。 同時，深度學習也能用以閱讀中文， 程度相當於以中文為母語的水平。 這演算法發展於瑞士 沒有一個會說中文的團隊。 像我說的，深度學習 是一個最好的系統 對完成這任務來說， 甚至比人類還要好。 這個系統是我公司建立的 要把這些東西都集中在一起。 這是一些沒有文字描述的圖片， 我在這裡輸入句子， 它在同步理解這些照片 找出它們是有關什麼的照片 也找出跟我句子相關類似的圖片。 所以你看， 它真的能理解我的句子。 也完全的理解這些圖片。 你在谷歌上也看過類似的， 你可以輸入文字 而它會顯示圖片， 但事實上，它在尋索網頁上的文字。 這跟理解圖片有很大的不同。 理解圖片只有電腦可以做 電腦在過去幾個月才會做的事。 電腦不單能看見 也能閱讀， 而且我們顯示了電腦能理解所聽到的。 或許不意外地， 我要告訴你們電腦也能書寫。 這是我昨天用深度學習演算法 所產生的文字。 這裡有一些非史丹佛演算法 所產生的文字。 這些句子的產生 是透過深度學習演算法 對圖片進行描述。 這演算法是電腦從來沒有看見過 一個穿黑襯衫的男子彈吉他。 電腦見過男人， 看過黑色， 見過吉他， 它自己便對圖片做出描述。 雖然還沒有超越人類， 不過很接近了。 依據統計，人們較喜歡 電腦的圖片說明 有四分之一的人會做這樣的選擇。 這系統在兩個星期前開發完成， 估計在明年， 電腦演算法將會超越人類 如果依照這樣的速度發展下的話。 到時候電腦也會書寫了。 我們把這些都放在一起， 讓它來引導到一個令人振奮的時機。 像在藥物方面， 一個波士頓的團隊 宣佈他們發現了 數十種腫瘤的臨床特徵 幫助醫生預測癌症。 同樣的，在史丹佛， 一個組織宣佈 在放大鏡下觀察組織， 他們開發 一個以機器學習為基礎的系統 比人類病理學家更有效地 預測癌症病患的生存率。 這些例子， 不但能更準確地預測， 而且也能帶來更多科技上的洞見。 在放射學的個案中， 他們是人類所能理解的新臨床指標。 在這病理學個案， 電腦系統發現癌症周圍的細胞 在診斷的時候 是跟癌細胞一樣重要。 這跟病理學家 10 年來的說法相反。 在這兩個個案， 系統的開發人員 是由醫學專家 和機器學習專家所組成， 但自去年開始， 我們也超越了這些。 這是確認癌症範圍的例子 是在顯微鏡下的人類組織。 系統顯示可以更準確地確認範圍， 如病理學家般準確， 不過沒有藥物專家 來建構整套深度學習系統 系統是由一些 沒有專業背景的人完成。 同樣地，從是細胞分裂。 我們的系統可以像人類般 精確地分裂神經細胞， 不過開發這套深度學習系統 沒有一個人來自醫學背景。 就是我和一些沒有醫學背景的人， 看來我頗有資格開一家醫藥公司。 我確實這麼做了。 我是以戒慎恐懼的心情開始做， 不過理論顯示 這是可行的 用這些資料分析技術來 製作有效的藥物。 感恩的是 回應也挺不錯， 這回應不只是來自媒體， 而且還有醫藥社群， 他們都很支持。 理論上我們能在醫務過程中 盡量轉換成資料分析， 讓醫生去做他們擅長的。 我舉一個例子。 我們現在花 15 分鐘 來創造一項新的醫學診斷測試 我會讓你同步看到過程， 不過我已刪除部分資料 壓縮成三分鐘。 我不會向你們展示 創造出來的醫學診斷測試， 我要向你們展示 一項汽車圖片的診斷測試， 因為這個我們都能理解。 我們從 150 萬張 的汽車圖片開始， 我希望創造一些東西 把圖片分類 而且依圖片拍攝的角度來分類。 這些圖片完全沒有標題， 我必需從零開始。 深度學習演算法， 它能自動確認 這些圖片的結構。 美好的是 人和電腦可以合作 看看這裡，這個人， 正在告訴電腦 關於感興趣的範圍 而電腦會嘗試用它 來改善電腦的演算法。 這些深度學習系統 有 16,000 個立體空間， 你可以看見電腦 讓他們在這空間旋轉， 嘗試找出新的區域結構。 當它成功時， 在開車的人能夠 指出有興趣的地方。 這裡，電腦成功的找到了那地區， 再舉例，角度， 通過這個過程， 我們漸漸地告訴電腦更多 關於我們在找的結構類型。 你可以想像一個診斷測試 像是一個病理學家辨認 病症的範圍， 或是放射治療師界定 潛在的腫瘤。 有些時候對演算法來說 是有些困難。 在我們這個例子，它會出現混亂。 汽車的正面和背面 都混淆不清了。 我們需要更小心， 手動選出正面 跟背面有相反效果的文字， 然後告知電腦 這是一種 我們有興趣的一類。 這要花了一些時間來做， 所以我們跳過， 然後我們訓練 機器學習演算法 以好幾百張圖片去訓練它， 我們希望它會做得更好。 你可以看見，它開始 刪除一些圖片， 顯示它已經知道 可以自己理解這些圖片。 我們運用相似圖片的概念， 用類似的圖片，你可以看到， 電腦現在可以 完全找到正面的汽車。 這時， 人類可以告訴電腦， 對，你做的很好。 當然，有些時候，即使在這個階段 分組仍然是困難的。 在這情況，儘管我們讓 電腦嘗試旋轉圖片一陣子， 我們還是發現左邊 和右邊的圖片 是混淆在一起的。 於是我們再次 給電腦一些提示， 像是嘗試去發現一個計畫可以 儘量區分出左邊和右邊的圖片 是透過使用深度學習演算法。 給予提示後， 好，它已經完成了。 它找到一個方法 想像這些目標 來分別這些分類。 你現在知道了。 這並不是電腦取代人類， 而是兩者一起合作。 我們在做的事情是 在過去需要 5 或 6 個人 花 7 年時間完成的事情 現在只需一個人 15 分鐘來完成。 這個過程需要重覆 4 或 5 次。 你現在可以看到 我們在 150 萬的圖片中 有 62％ 是正確分類。 現在，可見我們可以迅速地 掌握整個大部分資料， 再檢查以確定沒有錯誤。 有錯誤，我們可以 讓電腦知道錯誤的地方。 每一個不同的分類 我們都使用這種程序來做， 我們現在 在分辨 150 萬張的圖片時 有超過 80％ 的成功率， 現在，在這個案例 找到少數幾個不正確的分類， 讓電腦了解原因。 用這種方法， 15 分鐘就有 97％ 的分辨率。 這種技術可以幫助 解決一個重要的問題， 醫療專家不足的問題。 世界經濟論壇表示 在發展中國家，內科醫生 有 10 倍到 20 倍的短缺。 這要三百年的時間 才能訓練足夠的人 來處理這個問題。 想像一下， 我們是否可以幫助提高效率 是使用深度學習這個方法來提升？ 我對這個機會感到很興奮。 我也關注這些問題。 問題是在這地圖上每個藍色的地方 那裡都有 80％ 的服務人員。 什麼是服務？ 這些就是服務。 電腦剛學會如何去做是確實的事。 發展中國家 80％ 的僱員工作 電腦已開始學習如何做。 這意味什麼？ 那可好。 他們將會被其他的職業取代。 舉例：需要更多科學家來工作。 不過，這不完全正確。 數據科學家 不需要花很久的時間去做這些事情。 例如，這四個演算法是同一個人設計的。 若你認為這些 以前都發生過， 過去我們看過 新事物出現的結果 他們被新的職務所取替， 那些新的職業會是什麼呢？ 我們很難去判斷， 因為人類的能力 以這個速度逐漸成長， 我們現在有了深度學習系統， 我們知道 以指數的方式增長。 我們在這裡。 最近，我們看周圍的事物 會說：電腦還是很笨，不是嗎？ 但是在五年內， 電腦將會超越這張圖表。 我們需要開始思考這個能力。 當然，我們曾經看過這個。 在工業革命時期， 發動機讓生產力往前跨一大步。 雖然，一段時間之後， 事情轉為平靜。 那時社會混亂， 發動機被普遍使用 產生動力， 事情就能真正得到解決。 機器學習革命 與工業革命大不相同， 因為機器學習革命， 永遠不會停下來。 電腦更具智力活動， 他們能製造更好的電腦 去運作更好的智能活動， 這是一種改變 從未經歷過的改變， 你之前的理解的可能性是不同的。 這已經影響我們。 過去 25 年， 資本生產力一直在增長， 勞動生產力已經放緩， 事實上已有一點點下降。 我想我們開始討論這個議題。 我知道當我告訴別人這種情況時， 人們可以不以為然。 電腦不會思考， 它們沒有感情， 也不了解詩， 我們不真正理解它們怎麼運作。 可是，哪又如何？ 電腦現在可以作 人們花大部分時間 得到報酬所做的事情， 所以我們該是思考的時候 我們如何調整我們的社會和經濟結構 請關注這些新的改變。 謝謝 （掌聲）