電腦的視覺辨識如果比人好，那為什麼要由人開車，不是機器開車呢？電腦的視覺辨識如果比人好，看 X 光片診斷會不會比醫生更加準確？
上面兩個問題是 Alphabet 集團（前身為 Google）與董事會執行董事長 Eric Schmidt 大膽的提問。2015 Google 亞太區媒體活動以「The Magic in the Machine」（機器中的魔法）為主題，揭示 Google 在機器學習（Machine Learning）與深度學習（Deep Learning）領域近年來的成果。而就在這場活動的前一晚，Google 將其機器學習系統 TensorFlow 開源放上網路，供所有人在 Google 長年累積下來的基礎上發揮，Google 以此證明自己在機器學習領域的領先地位。
解析那些在 Google 翻譯、郵件、照片都會看到的「機器學習」
Google 機器學習技術近年來已愈趨成熟，很多產品都可以看到機器學習的技術在裡頭，像是在本月 5 日剛發表的 E-mail 智慧回覆（Smart Reply）功能，就是機器透過爬梳信件字句，判斷是邀請信／問候信等類別，然後做出適當的回應；垃圾信件阻擋功能也是透過機器學習，才能有現在近 99% 的高辨識率；今年 5 月發表的 Google Photo 產品則是會透過電腦視覺（Computer Vison）辨別圖片中的人臉、地標、動物、照相情境，自動為照片下標籤與分類，方便使用者日後隨時搜到想看的照片。
聽起來機器學習就像個魔法？Google 人工智能、計算神經科學及可量化機器學習研究員 Greg Corrado 講解何謂機器學習，他坦言機器沒辦法像人類般聰明，瞄一眼就能辨認，靈光一閃就能學習，機器要透過一次次統計學的假設與驗證，學習世界的運行模式，如果今天得到了資料 A（input），那依照這個模式，機器就會產出 B（output）。而一個模式，又稱為「Model」，要靠數學和程式組成的演算法呈現。
通常機器學習在應用時，不可能單單只靠一個模式就能得到正確結果，而是需要經過一層層模式逐步判定，這又屬機器學習之中的「深度學習」。Google Photo 搜尋和分析負責人 Chris Perry 即舉上述的 Google Photo 為例，深度學習為了辨識出一張照片裡的人物、地點、活動類型、照片類型，要經過 22 層的模式一層層判讀照片裡的訊息，包含顏色、線條、輪廓、形狀等。
經過這樣複雜的步驟，Eric Schmidt 表示，Google Photo 是目前影響他最深的機器學習產品，Eric Schmidt 說，他上傳了 2 萬 5000 張照片，而 Google Photo 能幫他辨識所有的人，或是溜冰時拍的照片，動物的照片，甚至是自拍，他相信這項功能對每個人來說都是非常棒的。
延續「行動第一」主題，機器學習就是為了讓行動更方便
在電腦運算能力大幅提升的現代，機器處理 Big Data、快速運算已經不成問題，這也造就機器學習在今日能夠做出成果，甚至大幅被應用。上面提到的幾個機器學習應用只是冰山一角，Greg Corrado 提到，Google 在 2015 年第 3 季時，已經有超過 1200 個計畫是以機器學習為方向，在一年前，不到 500 個，在 2012 年初時甚至還沒開始呢。
Google 亞太區媒體活動過去多是彙整當年度的產品，系統性的與媒體分享，但過去兩年以應用產品為主題，如「雲端生活夢」、「行動第一」，今年卻反常以技術為主題。Greg Corrado 解釋，其實機器學習技術發展的關鍵因素，是為了讓行動端更好。
因為行動端需要更簡便的輸入功能、更貼心的輔助功能，才會需要機器學習技術協助行動裝置使用者，不然能夠坐在電腦前面打字，誰需要語音輸入，誰需要智慧信件回覆？因此機器學習其實是延續過去雲端、行動的主題發展而來的。目前網路科技發展成熟，Google 在機器學習領域也已經到成熟且能預見未來方向的領先階段，因此選在這時與全世界分享。
開源 TensorFlow 系統，加速機器學習發展
而就在 2015 Google 亞太區媒體活動開始的前一天，9 日 Google 宣布自家機器學習系統 TensorFlow 開源放上網路，供所有人在 Google 累積的基礎上使用。
開源後的 TensorFlow 就像是一個軟體圖書館，有許多 Google 以他們過去蒐集到的資料做出來的機器學習模式，未來不管是學生、工程師、業餘玩家，都可以依據 Google 已經訓練好的模式做出新的應用，過去這些人因為沒有足夠的數據以及資源，因此在驗證出一個正確的模型上可能會花很多時間甚至是失敗。
Greg Corrado 表示 Google 將 TensorFlow 開源的原因是希望建立一個更多人可以參與開發機器學習，或是聊關於它的應用，加速機器學習的發展。
機器學習像魔法般的技術不比大腦，也無法取代大腦，但它的確幫大腦省了許多麻煩與時間。而且大腦會累，機器不會累，大腦一時接收到資訊量很可能也不比機器多，有些事情如果機器做得更好更輕鬆，交給機器去做不也很好嗎？
（圖片來源：科技新報攝，首圖為Google 人工智能、計算神經科學及可量化機器學習研究員 Greg Corrado）
