首頁 / 出版刊物 / 物流技術與戰略雜誌 / [第106期-2020年8月] 展覽專刊 2020台北國際物流暨物聯網 ‧ 冷鏈科技展 / 人工智慧、機器學習和深度學習在智慧物流的未來發展

[專欄] 人工智慧、機器學習和深度學習在智慧物流的未來發展

 

智慧物流 AI 機器學習 智慧物流 深度學習

 

文章來源：文 / 鄒伯衡

 

專欄—AI

人工智慧、機器學習和深度學習

在智慧物流的未來發展

 

智慧物流(Intelligent Logistics；Smart Logistics)是整合物聯網、傳感網與互聯網，使物流系統的運輸、倉儲、包裝、裝卸搬運、流通加工、配送、資訊服務等各環節能夠模仿、學習人類的智慧，而具有思維、感知、修正、推理判斷和自行解決物流問題的能力。此外，人工智慧(Artificial Intelligence, AI)、機器學習(Machine Learning, ML) 和深度學習(Deep Learning, DL)可進行資源預測來事先調配與部署，並可協助各產業流程進行再優化，是轉型成為智慧物流的關鍵成功因素之一。
 
近年來，人工智慧、機器學習、深度學習也在醫學、經濟學、商業管理以及市場行銷等領域獲得了越來越多的成功應用。然而，以整體觀點來研究人工智慧、機器學習、深度學習在工業企業智慧物流的未來發展仍較缺乏。因此，本文首先說明人工智慧、機器學習、深度學習三者的範圍與發展歷程、智慧物流的源起與價值，再進一步針對2014年以來的國際研究趨勢進行系統性分析，梳理出人工智慧、機器學習和深度學習在智慧物流的未來發展方向，並輔以實例，可作為產業界今後在智慧物流領域的關注與發展建議，以達到鑑往知來的成效。
 

 

人工智慧、機器學習和深度學習
的發展歷程與範圍
1956年開始有人工智慧的概念。2015年以來，人工智慧開始大爆發，簡單來說，機器學習是實現人工智慧的方法，而深度學習是實現機器學習的技術。機器學習在實現人工智慧時需要人工的（半自動）輔助，而深度學習則是完全自動化。例如：用機器學習來識別水果是橘子還是蘋果之前，需要人工輸入水果的特徵資料，生成演算法模型，進而可以準確預測具有這些特徵的水果類型，而深度學習則能自動去發現特徵進而判斷是橘子還是蘋果。
    以發展歷程與範圍來看,人工智慧最早出現於1950年代，也是最大、最外側的同心圓；其次是機器學習，約出現於1980年代；最內側的深度學習，約出現於2010年代，也是當今人工智慧大爆炸的核心驅動源。人工智慧、機器學習和深度學習的發展歷程如圖1所示。
 
 
人工智慧
為機器賦予人的智慧
    人工智慧是用於模擬和擴展人類智慧的的技術，它企圖生產出一種能以人類智慧相似的方式來做出反應的電腦（機器），自動地完成以往需要人來做的事情。常見的領域的包括語音辨識、圖像識別、機器人、自然語言處理、智慧搜索和專家系統等。
一個理想的人工智慧，正如科幻片裡所看到的機器人，例如：阿諾史瓦辛格的魔鬼終結者(The Terminator)，威爾史密斯的機械公敵(I, Robot)，可以擁有人的情感和智慧，且懂得與人交流，這種又叫做「強人工智慧」，現在還只存在於電影中，因為目前還沒法實現。
我們目前能實現的稱為「弱人工智慧」，弱人工智慧是能夠與人一樣，甚至比人更好地執行特定任務，現在的發展可用「各個擊破」四個字來形容，也就是將人類所會的東西拆分成一個又一個的子任務，然後再將這些子任務達到人類的水準，例如：人臉識別、電腦的語言翻譯、網路推測你感興趣的內容並向你推薦…這些都是弱人工智慧已經熟練的子任務。
 
機器學習
一種實現人工智慧的方法
那誰來解決上述人工智慧一個個的子任務呢？目前解決這些子任務幾乎都靠機器學習。機器學習是實現人工智慧的方法，但人工智慧不只局限於機器學習。
機器學習是指用大量的資料來訓練，得出適當的模型，然後對真實世界做出決策的判斷過程。任何通過資料訓練的學習演算法都屬於機器學習，包括很多已經發展多年的技術，例如：線性回歸(Linear Regression)、決策樹(Decision Trees)以及人工神經網路(Artificial Neural Networks)等。
例如：現在電腦的語言翻譯跟以前比起來就顯得信賴、典雅、達意，以中英文翻譯的機器學習為例：(1)搜集中文和英文的對齊資料；(2)用大量的中英文資料來訓練進行機器學習，來學習中文和英文的翻譯；(3)給定中文(英文)，輸出英文(中文)。
在機器學習的過程中，最關鍵的是需要透過大量資料來訓練，隨著近年大數據(Big Data)爆發性應用，機器學習搭配大數據從海量資料中挖掘出隱藏的潛在有用資訊，讓資料能夠支援決策，已經是非常熱門的應用。
 
深度學習
一種實現機器學習的技術
深度學習是機器學習的一個領域，概念源自人工神經網路的研究，動機在於模擬人腦的神經元網路來解釋資料，它最需要的就是訓練，需要成百上千甚至幾百萬筆資料來訓練，直到神經元被調製得十分精確，讓每次的結果都能得到正確。這裡的深度就是說神經網路中眾多的層。現在經過深度學習訓練的圖像識別，甚至可以比人做得更好，例如：識別是不是貓的圖片、辨別血液中癌症的成分、識別核磁共振成像中的腫瘤等。
在2017年5月在圍棋峰會上，由Google DeepMind開發的人工智慧圍棋軟體AlphaGo和世界第一棋士比試取得全勝的戰績，AlphaGo並被授予職業圍棋九段的稱號。AlphaGo剛開始是先學會如何下圍棋，然後再自己訓練自己的神經網路，一直不斷地永不停歇與自己下棋。AlphaGo僅僅花了二年左右的時間，便從業餘棋士的水準到世界第一，而最終版本可自我學習21天達到勝過頂尖棋士的水準。
 
 
 
 
 
 
【如欲閱讀全文，敬請訂閱雜誌。】

 

訂閱雜誌    回前頁

 

更多精采文章