0:00:00.880,0:00:04.893
過去如果想用電腦來作點新東西，

0:00:04.893,0:00:06.447
你需要設計程式。

0:00:06.447,0:00:09.858
而現在，[br]你們可能沒做過程式設計這件事，

0:00:09.858,0:00:13.360
它需要規劃相當詳細的細節

0:00:13.360,0:00:16.727
那些你想讓電腦執行的每一個步驟

0:00:16.727,0:00:19.089
以達到你的目的。

0:00:19.089,0:00:22.585
如果你沒有概念要怎麼做的話

0:00:22.585,0:00:24.648
那會是個很大的挑戰。

0:00:24.648,0:00:28.131
亞瑟·撒姆爾也曾面對這種挑戰。

0:00:28.131,0:00:32.208
他在 1956 年便想到用這台電腦

0:00:32.208,0:00:34.548
能夠在西洋跳棋棋賽打敗他。

0:00:34.548,0:00:36.588
要如何設計這樣的程式？

0:00:36.588,0:00:40.394
把細節通通寫出來，[br]如何讓電腦比你還會下棋？

0:00:40.394,0:00:42.116
於是他想出了一個點子：

0:00:42.116,0:00:45.840
他讓電腦與電腦本身對弈數千次

0:00:45.840,0:00:48.364
以學習如何玩西洋棋。

0:00:48.364,0:00:51.544
然而，在 1962 年做到了，

0:00:51.544,0:00:55.561
電腦打敗了康乃狄克州的冠軍。

0:00:55.561,0:00:58.534
於是亞瑟·撒姆爾[br]成為了機器學習之父，

0:00:58.534,0:01:00.251
我尊敬他，

0:01:00.251,0:01:03.014
因為我也是個機器學習實踐者，

0:01:03.014,0:01:04.479
我曾是 Kaggle 的會長，

0:01:04.479,0:01:07.867
Kaggle 是個超過 20 萬人的[br]機器學習實踐者的社群。

0:01:07.867,0:01:09.925
Kaggle 設立了一些比賽

0:01:09.925,0:01:13.633
讓他們參與解決[br]過去無法解決的問題，

0:01:13.633,0:01:17.470
而有上百的成功個案。

0:01:17.470,0:01:19.940
從這有利的環境中，[br]我發現

0:01:19.940,0:01:23.890
很多機器學習在[br]過去和現在可以做到的事情，

0:01:23.890,0:01:26.252
還有未來可以做到的事。

0:01:26.252,0:01:30.675
第一個機器學習的[br]商業成功案例是谷歌。

0:01:30.675,0:01:33.784
谷歌展示找尋資料的方法

0:01:33.784,0:01:35.536
是使用計算機演算法，

0:01:35.536,0:01:38.437
而這演算法是以機器學習為基礎。

0:01:38.437,0:01:42.323
自此，機器學習[br]有很多的商業成功例子，

0:01:42.323,0:01:44.160
譬如亞馬遜和奈飛公司

0:01:44.160,0:01:47.876
用機器學習會向你推薦[br]你可能想買的商品，

0:01:47.876,0:01:49.896
你可能想看的影片。

0:01:49.896,0:01:51.703
有時，你可能會很訝異。

0:01:51.703,0:01:53.657
像領英和臉書等公司

0:01:53.657,0:01:56.251
有些時候會告訴你[br]誰會是你的朋友

0:01:56.251,0:01:58.228
而你根本不知道他們是如何做到的，

0:01:58.228,0:02:01.195
因為他們用了[br]機器學習這強大的功能。

0:02:01.195,0:02:04.152
演算法從資料去學習這類事情

0:02:04.152,0:02:07.399
不需要動手去編寫程式。

0:02:07.399,0:02:09.877
這也是 IBM 過去能成功的原因

0:02:09.877,0:02:13.739
讓超級電腦「華生」在「危機遊戲」中[br]打敗兩屆世界冠軍。

0:02:13.739,0:02:16.964
回答一些細碎和複雜的問題，像是

0:02:16.964,0:02:19.799
「2003年，古獅像在這城市的[br]國家博物館消失了（連同其他物品）」

0:02:19.799,0:02:23.034
這也是我們現在能看到第一部[br]自行駕駛汽車的原因。

0:02:23.034,0:02:25.856
如果你能說出不同點，像是

0:02:25.856,0:02:28.488
一棵樹和一條行人道，[br]那顯得非常重要。

0:02:28.488,0:02:31.075
我們不知道如何設計這樣的程式，

0:02:31.075,0:02:34.072
不過通過機器，這就成為可能。

0:02:34.072,0:02:36.680
事實上，[br]這部汽車已經行駛一百萬英哩

0:02:36.680,0:02:40.186
在正常路面沒有發生事故。

0:02:40.196,0:02:44.110
我們現在都知道電腦能夠學習，

0:02:44.110,0:02:46.010
學習做一些

0:02:46.010,0:02:48.848
有時我們自己也不知道怎麼做的事，

0:02:48.848,0:02:51.733
還可能比我們做得更好。

0:02:51.733,0:02:55.928
其中一個機器學習的經典例子

0:02:55.928,0:02:58.320
是我在 Kaggle 所做的一個專案

0:02:58.320,0:03:01.911
由傑佛里·辛頓帶領的團隊

0:03:01.911,0:03:03.463
他是多倫多大學的教授

0:03:03.463,0:03:06.140
他們贏了新藥研發的比賽。

0:03:06.140,0:03:08.987
他們出色地方[br]不只打敗了

0:03:08.987,0:03:13.000
默克藥廠或國際學術社群[br]所研發的演算法，

0:03:13.000,0:03:18.061
他們的團隊沒有化學[br]生物或生命科學的背景，

0:03:18.061,0:03:20.230
而且只花了兩個星期就完成。

0:03:20.230,0:03:21.611
他們怎麼做到的？

0:03:22.421,0:03:25.342
他們用了一個很出色的演算法[br]叫做「深度學習」。

0:03:25.342,0:03:28.291
這是重要且成功的事情

0:03:28.291,0:03:31.412
在數星期後[br]被刊登在紐約時報頭版。

0:03:31.412,0:03:34.147
左手邊那位是傑佛里·辛頓。

0:03:34.147,0:03:38.488
深度學習是一種[br]受到人類大腦啟發的演算法，

0:03:38.488,0:03:40.300
它是一種演算法

0:03:40.300,0:03:44.141
做法不受理論限制的演算法。

0:03:44.141,0:03:46.964
你給它越多的資料和[br]運算時間，

0:03:46.964,0:03:48.276
會得到更好的結果。

0:03:48.276,0:03:50.615
紐約時報的文章裡

0:03:50.615,0:03:52.857
也介紹到深度學習的非凡成就

0:03:52.857,0:03:55.569
我現在要展示給你們看。

0:03:55.569,0:04:00.510
它顯示電腦能聽懂和理解資料的能力。

0:04:00.510,0:04:03.221
（影片）理察·拉希德: [br]現在，最後一步是

0:04:03.221,0:04:06.246
我能夠理解這個程序

0:04:06.246,0:04:10.961
我能夠跟你說中文。

0:04:10.961,0:04:13.596
現在關鍵的是，

0:04:13.596,0:04:18.598
我們從很多講中文的人士中[br]收集大量的資訊

0:04:18.598,0:04:21.128
然後產生文字轉化語言的系統

0:04:21.128,0:04:25.801
將中文文字轉化成中文語言，

0:04:25.801,0:04:29.929
然後錄一個小時我自己的聲音

0:04:29.929,0:04:31.820
我們使用它去調變

0:04:31.820,0:04:36.364
使標準文字轉化語音系統的聲音[br]聽起來像我的聲音。

0:04:36.364,0:04:38.904
再一次，雖然結果沒有很完美，

0:04:38.904,0:04:41.552
裡面還有一些錯誤。

0:04:41.552,0:04:44.036
（中文）

0:04:44.036,0:04:47.403
（掌聲）

0:04:49.446,0:04:53.022
在這個領域還有很多工作要做。

0:04:53.022,0:04:56.667
（中文）

0:04:56.667,0:05:00.100
（掌聲）

0:05:01.345,0:05:04.744
傑里米·霍華德：那是在中國舉行的[br]機器學習研討會。

0:05:04.744,0:05:07.114
那不常有，事實上，[br]在學術會議上

0:05:07.114,0:05:09.011
聽到熱烈的掌聲，

0:05:09.011,0:05:12.687
雖然有些時候 [br]TEDx 講座不拘泥形式。

0:05:12.687,0:05:15.482
你所看到的都是出於深度學習

0:05:15.482,0:05:17.007
（掌聲）謝謝。

0:05:17.007,0:05:19.289
英文文字翻譯由深度學習完成的。

0:05:19.289,0:05:22.701
翻譯成中文和右上角的文稿[br]也是出於深度學習，

0:05:22.701,0:05:26.008
連創建聲音也都是深度學習。

0:05:26.008,0:05:29.242
深度學習是如此的神奇。

0:05:29.242,0:05:32.341
它是個單一的演算法[br]似乎可以完成任何事情，

0:05:32.341,0:05:35.452
我一年前還發現它可以學會看

0:05:35.452,0:05:37.628
這個德國遊戲的比賽

0:05:37.628,0:05:40.225
叫德國交通標誌確認基準，

0:05:40.225,0:05:43.618
深度學習能認出這個交通標誌。

0:05:43.618,0:05:45.712
它不只確認交通標誌的能力

0:05:45.712,0:05:47.470
比其他的演算法好，

0:05:47.470,0:05:50.189
在排行榜上更顯示它做得比人類好，

0:05:50.189,0:05:52.041
正確性是人類的兩倍。

0:05:52.041,0:05:54.037
2011 以前，我們有了第一個例子

0:05:54.037,0:05:57.442
視力高於人類的電腦。

0:05:57.442,0:05:59.491
從那時開始，許多電腦也可以做到。

0:05:59.491,0:06:03.005
2012 年谷歌宣佈[br]使用深度學習演算法

0:06:03.005,0:06:04.420
來監看 Youtube 影片

0:06:04.420,0:06:07.857
收集一個月 1,600 台電電腦的資料，

0:06:07.857,0:06:12.218
電腦獨立識別[br]人或貓的概念

0:06:12.218,0:06:14.027
僅透過觀看影片。[br]

0:06:14.027,0:06:16.379
這樣更像人類的學習方式。

0:06:16.379,0:06:19.119
人類並非通過別人的指示來學習，

0:06:19.119,0:06:22.450
而是從自己搞懂事情來學習。

0:06:22.450,0:06:25.819
在 2012 年傑佛里·辛頓[br]我們之前看到的人，

0:06:25.819,0:06:28.677
贏了很有名的映像網路比賽，

0:06:28.677,0:06:32.818
嘗試從 150 萬的圖像中找出

0:06:32.818,0:06:34.256
想要的圖像。

0:06:34.256,0:06:37.789
2014 年, 我們現在[br]圖像辨識的錯誤率

0:06:37.789,0:06:39.242
降到 6％ 以下。

0:06:39.242,0:06:41.268
這再次證明它比人類優秀。

0:06:41.268,0:06:45.037
可見機器[br]真可以做到如此非凡的成就，

0:06:45.037,0:06:47.306
它現在已經用在產業上了。

0:06:47.306,0:06:50.348
比如說，谷歌去年宣佈

0:06:50.348,0:06:54.933
他們可以在兩小時内把[br]法國每一個位置繪成地圖，

0:06:54.933,0:06:58.380
他們用的方式是[br]把街景圖像

0:06:58.380,0:07:02.699
輸入深度學習演算法[br]來辨認和讀取街道號碼。

0:07:02.699,0:07:04.919
想想我們以前需要花多少時間？

0:07:04.919,0:07:08.274
至少好幾十人加上好幾年呢。

0:07:08.274,0:07:10.185
同樣的情況也發生在中國。

0:07:10.185,0:07:14.221
我想「百度」類似中國的谷歌，

0:07:14.221,0:07:16.504
在左上角你會看見

0:07:16.504,0:07:20.478
一張我上傳到[br]百度深度學習系統的圖片，

0:07:20.478,0:07:24.247
下方你可以看到[br]系統可以理解這張圖片

0:07:24.247,0:07:26.483
而且能找到相似的圖像。

0:07:26.483,0:07:29.219
類似的圖像[br]也就是有相似的背景，

0:07:29.219,0:07:30.877
相似面孔的角度，

0:07:30.877,0:07:32.665
有的圖像甚至有伸出舌頭。

0:07:32.665,0:07:35.695
這個網頁的文字看不大清楚，

0:07:35.695,0:07:37.107
因為我上傳的都是圖像。

0:07:37.107,0:07:41.128
這顯示了電腦能明白他們所看到的

0:07:41.128,0:07:42.752
電腦能夠搜尋資料庫

0:07:42.752,0:07:46.306
以即時的方式從億萬張圖片中搜尋。

0:07:46.306,0:07:49.536
現在的電腦能夠去看[br]是表示什麼意思呢？

0:07:49.536,0:07:51.553
其實電腦不只能看見。

0:07:51.553,0:07:53.622
事實上深度學習可以做得更多。

0:07:53.622,0:07:56.570
像這個樣複雜，僅有小小差別的句子

0:07:56.570,0:07:59.394
現在的深度學習演算法能夠理解。

0:07:59.394,0:08:00.697
你可以看到，

0:08:00.697,0:08:03.465
這以史丹福為基礎的系統[br]顯示上面的紅點

0:08:03.465,0:08:07.384
指這句子是在表達負面的情緒。

0:08:07.384,0:08:10.790
深度學習現在已經接近人類的行為

0:08:10.802,0:08:15.923
能理解句子是要表達什麼。

0:08:15.923,0:08:18.651
同時，深度學習也能用以閱讀中文，

0:08:18.651,0:08:21.807
程度相當於以中文為母語的水平。

0:08:21.807,0:08:23.975
這演算法發展於瑞士

0:08:23.975,0:08:27.331
沒有一個會說中文的團隊。

0:08:27.331,0:08:29.382
像我說的，深度學習

0:08:29.382,0:08:31.601
是一個最好的系統[br]對完成這任務來說，

0:08:31.601,0:08:36.718
甚至比人類還要好。

0:08:36.718,0:08:39.682
這個系統是我公司建立的

0:08:39.682,0:08:41.728
要把這些東西都集中在一起。

0:08:41.728,0:08:44.189
這是一些沒有文字描述的圖片，

0:08:44.189,0:08:46.541
我在這裡輸入句子，

0:08:46.541,0:08:49.510
它在同步理解這些照片

0:08:49.510,0:08:51.189
找出它們是有關什麼的照片

0:08:51.189,0:08:54.352
也找出跟我句子相關類似的圖片。

0:08:54.352,0:08:57.108
所以你看，[br]它真的能理解我的句子。

0:08:57.108,0:08:59.332
也完全的理解這些圖片。

0:08:59.332,0:09:01.891
你在谷歌上也看過類似的，

0:09:01.891,0:09:04.666
你可以輸入文字[br]而它會顯示圖片，

0:09:04.666,0:09:08.090
但事實上，它在尋索網頁上的文字。

0:09:08.090,0:09:11.091
這跟理解圖片有很大的不同。

0:09:11.091,0:09:13.843
理解圖片只有電腦可以做

0:09:13.843,0:09:17.091
電腦在過去幾個月才會做的事。

0:09:17.091,0:09:21.182
電腦不單能看見[br]也能閱讀，

0:09:21.182,0:09:24.947
而且我們顯示了電腦能理解所聽到的。

0:09:24.947,0:09:28.389
或許不意外地，[br]我要告訴你們電腦也能書寫。

0:09:28.389,0:09:33.172
這是我昨天用深度學習演算法[br]所產生的文字。

0:09:33.172,0:09:37.096
這裡有一些非史丹佛演算法[br]所產生的文字。

0:09:37.096,0:09:38.860
這些句子的產生

0:09:38.860,0:09:43.109
是透過深度學習演算法[br]對圖片進行描述。

0:09:43.109,0:09:47.581
這演算法是電腦從來沒有看見過[br]一個穿黑襯衫的男子彈吉他。

0:09:47.581,0:09:49.801
電腦見過男人，[br]看過黑色，

0:09:49.801,0:09:51.400
見過吉他，

0:09:51.400,0:09:55.694
它自己便對圖片做出描述。

0:09:55.694,0:09:59.196
雖然還沒有超越人類，[br]不過很接近了。

0:09:59.196,0:10:03.264
依據統計，人們較喜歡[br]電腦的圖片說明

0:10:03.264,0:10:04.791
有四分之一的人會做這樣的選擇。

0:10:04.791,0:10:06.855
這系統在兩個星期前開發完成，

0:10:06.855,0:10:08.701
估計在明年，

0:10:08.701,0:10:11.502
電腦演算法將會超越人類

0:10:11.502,0:10:13.364
如果依照這樣的速度發展下的話。

0:10:13.364,0:10:16.413
到時候電腦也會書寫了。

0:10:16.413,0:10:19.888
我們把這些都放在一起，[br]讓它來引導到一個令人振奮的時機。

0:10:19.888,0:10:21.380
像在藥物方面，

0:10:21.380,0:10:23.905
一個波士頓的團隊[br]宣佈他們發現了

0:10:23.905,0:10:26.854
數十種腫瘤的臨床特徵

0:10:26.854,0:10:31.120
幫助醫生預測癌症。

0:10:32.220,0:10:34.516
同樣的，在史丹佛，

0:10:34.516,0:10:38.179
一個組織宣佈[br]在放大鏡下觀察組織，

0:10:38.179,0:10:40.560
他們開發[br]一個以機器學習為基礎的系統

0:10:40.560,0:10:43.142
比人類病理學家更有效地

0:10:43.142,0:10:47.519
預測癌症病患的生存率。

0:10:47.519,0:10:50.764
這些例子，[br]不但能更準確地預測，

0:10:50.764,0:10:53.266
而且也能帶來更多科技上的洞見。

0:10:53.276,0:10:54.781
在放射學的個案中，

0:10:54.781,0:10:57.876
他們是人類所能理解的新臨床指標。

0:10:57.876,0:10:59.668
在這病理學個案，

0:10:59.668,0:11:04.168
電腦系統發現癌症周圍的細胞

0:11:04.168,0:11:07.508
在診斷的時候

0:11:07.508,0:11:09.260
是跟癌細胞一樣重要。

0:11:09.260,0:11:14.621
這跟病理學家[br]10 年來的說法相反。

0:11:14.621,0:11:17.913
在這兩個個案，[br]系統的開發人員

0:11:17.913,0:11:21.534
是由醫學專家[br]和機器學習專家所組成，

0:11:21.534,0:11:24.275
但自去年開始，[br]我們也超越了這些。

0:11:24.275,0:11:27.824
這是確認癌症範圍的例子

0:11:27.824,0:11:30.354
是在顯微鏡下的人類組織。

0:11:30.354,0:11:34.967
系統顯示可以更準確地確認範圍，

0:11:34.967,0:11:37.742
如病理學家般準確，

0:11:37.742,0:11:41.134
不過沒有藥物專家[br]來建構整套深度學習系統

0:11:41.134,0:11:43.660
系統是由一些[br]沒有專業背景的人完成。

0:11:44.730,0:11:47.285
同樣地，從是細胞分裂。

0:11:47.285,0:11:50.953
我們的系統可以像人類般[br]精確地分裂神經細胞，

0:11:50.953,0:11:53.670
不過開發這套深度學習系統

0:11:53.670,0:11:56.921
沒有一個人來自醫學背景。

0:11:56.921,0:12:00.148
就是我和一些沒有醫學背景的人，

0:12:00.148,0:12:03.875
看來我頗有資格開一家醫藥公司。

0:12:03.875,0:12:06.021
我確實這麼做了。

0:12:06.021,0:12:07.761
我是以戒慎恐懼的心情開始做，

0:12:07.761,0:12:10.650
不過理論顯示[br]這是可行的

0:12:10.650,0:12:16.142
用這些資料分析技術來[br]製作有效的藥物。

0:12:16.142,0:12:18.622
感恩的是[br]回應也挺不錯，

0:12:18.622,0:12:20.978
這回應不只是來自媒體，[br]而且還有醫藥社群，

0:12:20.978,0:12:23.322
他們都很支持。

0:12:23.322,0:12:27.471
理論上我們能在醫務過程中

0:12:27.471,0:12:30.364
盡量轉換成資料分析，

0:12:30.364,0:12:33.429
讓醫生去做他們擅長的。

0:12:33.429,0:12:35.031
我舉一個例子。

0:12:35.031,0:12:39.975
我們現在花 15 分鐘[br]來創造一項新的醫學診斷測試

0:12:39.975,0:12:41.929
我會讓你同步看到過程，

0:12:41.929,0:12:45.416
不過我已刪除部分資料[br]壓縮成三分鐘。

0:12:45.416,0:12:48.477
我不會向你們展示[br]創造出來的醫學診斷測試，

0:12:48.477,0:12:51.846
我要向你們展示[br]一項汽車圖片的診斷測試，

0:12:51.846,0:12:54.068
因為這個我們都能理解。

0:12:54.068,0:12:57.269
我們從 150 萬張[br]的汽車圖片開始，

0:12:57.269,0:13:00.475
我希望創造一些東西[br]把圖片分類

0:13:00.475,0:13:02.698
而且依圖片拍攝的角度來分類。

0:13:02.698,0:13:06.586
這些圖片完全沒有標題，[br]我必需從零開始。

0:13:06.586,0:13:08.451
深度學習演算法，

0:13:08.451,0:13:12.158
它能自動確認[br]這些圖片的結構。

0:13:12.158,0:13:15.778
美好的是[br]人和電腦可以合作

0:13:15.778,0:13:17.956
看看這裡，這個人，

0:13:17.956,0:13:20.631
正在告訴電腦[br]關於感興趣的範圍

0:13:20.631,0:13:25.281
而電腦會嘗試用它[br]來改善電腦的演算法。

0:13:25.281,0:13:29.577
這些深度學習系統[br]有 16,000 個立體空間，

0:13:29.577,0:13:33.009
你可以看見電腦[br]讓他們在這空間旋轉，

0:13:33.009,0:13:35.001
嘗試找出新的區域結構。

0:13:35.001,0:13:36.782
當它成功時，

0:13:36.782,0:13:40.786
在開車的人能夠[br]指出有興趣的地方。

0:13:40.786,0:13:43.208
這裡，電腦成功的找到了那地區，

0:13:43.208,0:13:45.770
再舉例，角度，

0:13:45.770,0:13:47.376
通過這個過程，

0:13:47.376,0:13:49.716
我們漸漸地告訴電腦更多

0:13:49.716,0:13:52.144
關於我們在找的結構類型。

0:13:52.144,0:13:53.916
你可以想像一個診斷測試

0:13:53.916,0:13:57.266
像是一個病理學家辨認[br]病症的範圍，

0:13:57.266,0:14:02.292
或是放射治療師界定[br]潛在的腫瘤。

0:14:02.292,0:14:04.851
有些時候對演算法來說[br]是有些困難。

0:14:04.851,0:14:06.815
在我們這個例子，它會出現混亂。

0:14:06.815,0:14:09.365
汽車的正面和背面[br]都混淆不清了。

0:14:09.365,0:14:11.437
我們需要更小心，

0:14:11.437,0:14:14.669
手動選出正面[br]跟背面有相反效果的文字，

0:14:14.669,0:14:20.175
然後告知電腦[br]這是一種

0:14:20.175,0:14:21.523
我們有興趣的一類。

0:14:21.523,0:14:24.200
這要花了一些時間來做，[br]所以我們跳過，

0:14:24.200,0:14:26.446
然後我們訓練[br]機器學習演算法

0:14:26.446,0:14:28.420
以好幾百張圖片去訓練它，

0:14:28.420,0:14:30.445
我們希望它會做得更好。

0:14:30.445,0:14:33.518
你可以看見，它開始[br]刪除一些圖片，

0:14:33.518,0:14:38.226
顯示它已經知道[br]可以自己理解這些圖片。

0:14:38.226,0:14:41.128
我們運用相似圖片的概念，

0:14:41.128,0:14:43.222
用類似的圖片，你可以看到，

0:14:43.222,0:14:47.241
電腦現在可以[br]完全找到正面的汽車。

0:14:47.241,0:14:50.189
這時，[br]人類可以告訴電腦，

0:14:50.189,0:14:52.482
對，你做的很好。

0:14:53.652,0:14:55.837
當然，有些時候，即使在這個階段

0:14:55.837,0:14:59.511
分組仍然是困難的。

0:14:59.511,0:15:03.395
在這情況，儘管我們讓[br]電腦嘗試旋轉圖片一陣子，

0:15:03.399,0:15:06.744
我們還是發現左邊[br]和右邊的圖片

0:15:06.744,0:15:08.222
是混淆在一起的。

0:15:08.222,0:15:10.362
於是我們再次[br]給電腦一些提示，

0:15:10.362,0:15:13.338
像是嘗試去發現一個計畫可以

0:15:13.338,0:15:15.945
儘量區分出左邊和右邊的圖片

0:15:15.945,0:15:18.067
是透過使用深度學習演算法。

0:15:18.067,0:15:21.009
給予提示後，[br]好，它已經完成了。

0:15:21.009,0:15:23.891
它找到一個方法[br]想像這些目標

0:15:23.891,0:15:26.271
來分別這些分類。

0:15:26.271,0:15:28.709
你現在知道了。

0:15:28.709,0:15:36.906
這並不是電腦取代人類，

0:15:36.906,0:15:39.546
而是兩者一起合作。

0:15:39.546,0:15:43.096
我們在做的事情是[br]在過去需要

0:15:43.096,0:15:45.098
5 或 6 個人[br]花 7 年時間完成的事情

0:15:45.098,0:15:47.703
現在只需一個人

0:15:47.703,0:15:50.208
15 分鐘來完成。

0:15:50.208,0:15:54.158
這個過程需要重覆 4 或 5 次。

0:15:54.158,0:15:56.017
你現在可以看到

0:15:56.017,0:15:58.976
我們在 150 萬的圖片中[br]有 62％ 是正確分類。

0:15:58.976,0:16:01.448
現在，可見我們可以迅速地

0:16:01.448,0:16:02.745
掌握整個大部分資料，

0:16:02.745,0:16:05.664
再檢查以確定沒有錯誤。

0:16:05.664,0:16:09.616
有錯誤，我們可以[br]讓電腦知道錯誤的地方。

0:16:09.616,0:16:12.661
每一個不同的分類[br]我們都使用這種程序來做，

0:16:12.661,0:16:15.148
我們現在[br]在分辨 150 萬張的圖片時

0:16:15.148,0:16:17.563
有超過 80％ 的成功率，

0:16:17.563,0:16:19.641
現在，在這個案例

0:16:19.641,0:16:23.220
找到少數幾個不正確的分類，

0:16:23.220,0:16:26.108
讓電腦了解原因。

0:16:26.108,0:16:27.851
用這種方法，

0:16:27.851,0:16:31.972
15 分鐘就有 97％ 的分辨率。

0:16:31.972,0:16:36.572
這種技術可以幫助[br]解決一個重要的問題，

0:16:36.578,0:16:39.614
醫療專家不足的問題。

0:16:39.614,0:16:43.103
世界經濟論壇表示

0:16:43.103,0:16:45.727
在發展中國家，內科醫生[br]有 10 倍到 20 倍的短缺。

0:16:45.727,0:16:47.840
這要三百年的時間

0:16:47.840,0:16:50.734
才能訓練足夠的人[br]來處理這個問題。

0:16:50.734,0:16:53.619
想像一下，[br]我們是否可以幫助提高效率

0:16:53.619,0:16:56.458
是使用深度學習這個方法來提升？

0:16:56.458,0:16:58.690
我對這個機會感到很興奮。

0:16:58.690,0:17:01.279
我也關注這些問題。

0:17:01.279,0:17:04.403
問題是在這地圖上每個藍色的地方

0:17:04.403,0:17:08.172
那裡都有 80％ 的服務人員。

0:17:08.172,0:17:09.959
什麼是服務？

0:17:09.959,0:17:11.473
這些就是服務。

0:17:11.473,0:17:15.627
電腦剛學會如何去做是確實的事。

0:17:15.627,0:17:19.431
發展中國家 80％ 的僱員工作

0:17:19.431,0:17:21.963
電腦已開始學習如何做。

0:17:21.963,0:17:23.403
這意味什麼？

0:17:23.403,0:17:25.986
那可好。[br]他們將會被其他的職業取代。

0:17:25.986,0:17:28.693
舉例：需要更多科學家來工作。

0:17:28.693,0:17:29.510
不過，這不完全正確。

0:17:29.510,0:17:32.628
數據科學家[br]不需要花很久的時間去做這些事情。

0:17:32.628,0:17:35.880
例如，這四個演算法是同一個人設計的。

0:17:35.880,0:17:38.318
若你認為這些[br]以前都發生過，

0:17:38.318,0:17:42.126
過去我們看過[br]新事物出現的結果

0:17:42.126,0:17:44.378
他們被新的職務所取替，

0:17:44.378,0:17:46.494
那些新的職業會是什麼呢？

0:17:46.494,0:17:48.365
我們很難去判斷，

0:17:48.365,0:17:51.104
因為人類的能力[br]以這個速度逐漸成長，

0:17:51.104,0:17:53.666
我們現在有了深度學習系統，

0:17:53.666,0:17:56.893
我們知道[br]以指數的方式增長。

0:17:56.893,0:17:58.498
我們在這裡。

0:17:58.498,0:18:00.559
最近，我們看周圍的事物

0:18:00.559,0:18:03.235
會說：電腦還是很笨，不是嗎？

0:18:03.235,0:18:06.664
但是在五年內，[br]電腦將會超越這張圖表。

0:18:06.664,0:18:10.529
我們需要開始思考這個能力。

0:18:10.529,0:18:12.579
當然，我們曾經看過這個。

0:18:12.579,0:18:13.966
在工業革命時期，

0:18:13.966,0:18:16.817
發動機讓生產力往前跨一大步。

0:18:17.667,0:18:20.805
雖然，一段時間之後，[br]事情轉為平靜。

0:18:20.805,0:18:22.507
那時社會混亂，

0:18:22.507,0:18:25.946
發動機被普遍使用[br]產生動力，[br]

0:18:25.946,0:18:28.300
事情就能真正得到解決。

0:18:28.300,0:18:29.773
機器學習革命

0:18:29.773,0:18:32.682
與工業革命大不相同，

0:18:32.682,0:18:35.632
因為機器學習革命，[br]永遠不會停下來。

0:18:35.632,0:18:38.614
電腦更具智力活動，

0:18:38.614,0:18:42.862
他們能製造更好的電腦[br]去運作更好的智能活動，

0:18:42.862,0:18:44.770
這是一種改變

0:18:44.770,0:18:47.248
從未經歷過的改變，

0:18:47.248,0:18:50.554
你之前的理解的可能性是不同的。

0:18:50.974,0:18:52.754
這已經影響我們。

0:18:52.754,0:18:56.384
過去 25 年，[br]資本生產力一直在增長，

0:18:56.400,0:19:00.588
勞動生產力已經放緩，[br]事實上已有一點點下降。

0:19:01.408,0:19:04.149
我想我們開始討論這個議題。

0:19:04.149,0:19:07.176
我知道當我告訴別人這種情況時，

0:19:07.176,0:19:08.666
人們可以不以為然。

0:19:08.666,0:19:10.339
電腦不會思考，

0:19:10.339,0:19:13.367
它們沒有感情，[br]也不了解詩，

0:19:13.367,0:19:15.888
我們不真正理解它們怎麼運作。

0:19:15.888,0:19:17.374
可是，哪又如何？

0:19:17.374,0:19:19.178
電腦現在可以作

0:19:19.178,0:19:21.897
人們花大部分時間[br]得到報酬所做的事情，

0:19:21.897,0:19:23.628
所以我們該是思考的時候

0:19:23.628,0:19:28.015
我們如何調整我們的社會和經濟結構

0:19:28.015,0:19:29.855
請關注這些新的改變。

0:19:29.855,0:19:31.388
謝謝

0:19:31.388,0:19:32.190
（掌聲）