深度学习在制造与医疗领域先行 为下一阶段自动驾驶暖身

让机器模仿人脑思考行为的深度学习，是人工智能(AI)近年能够在各行各业中加速发展的一大功臣。持续到今年，AI在众多领域中纷纷展现出未来科技世代的崭新面貌。研究机构IDC也预估全球AI布局包括制造业、医疗业、零售业、银行业等，都将是未来5年投入AI最多的行业。

随著AI应用普遍落地，人工智能已成为政府、企业提升竞争力或生产力的关键。日本正计划在2021年全面采用AI强化因应网络攻击的能力，藉由学习并分析过去网络攻击的共通点和迹象，让相关单位更有效率地抵御新病毒攻击；大陆更透过「天网」监控系统，仅花7分钟便在全国捉到嫌疑犯，而背后正是透过人脸辨识技术来完成这不可能的任务。

人工智能几乎无所不在，而在华尔街自然也是如此。投资专家坦承，从大数据中获得见解能力的学习机器，正准备经手99%的投资交易，AI掌管投资界即将来临，人工智能战完棋王后，接著要大战股神了吗？

对于制造业来说，产品良率决定制造质量的优劣，甚至关乎企业品牌形象。传统的质量检测方式，乃透过大量人力以肉眼方式检查。但近来制造业正面临人力成本越来越高的困境，加上人眼容易疲劳，导致检测品值不一，甚致降低检测效率。

当品管追不上制造，如此传统的检测方式更无法因应未来快速生产的制造趋势。因而在制造业领域里，发现利用深度学习技术，不但可以让机器视觉大幅提高检测效率外，过去肉眼容易忽略、或无法检测到的细节也能一一被精挑细选出来。

当制程检测环节导入AI，机器便会透过自我学习的方式，事先辨识各种良品与不良品的特征，其后便可根据分析结果快速地筛选出产在线的瑕疵品。

同样的方式还可以应用在农产品上，需要大量人工来筛选出损坏的马铃薯，现在只要针对损坏的马铃薯做异常检测，一旦机器侦测到瑕疵品，产线便会想起警示音，只待挑起不良品后产线即可恢复运行，最终产线只需要一位负责挑拣瑕疵马铃薯的人力站岗即可。

前百度首席科学家吴恩达表示，AI技术非常适合用以解决制造业面临的挑战，象是不稳定的质量及良率、生产线设计缺乏灵活性、产能管理困难以及生产成本上升等问题。

吴恩达举例，就算一块外表看起来毫无问题的电路板，仍然能被深度学习算法检测出表面细微的刮痕。而经过AI调整校正的检测算法，更可以让每个零件的检测时间只需要短短0.5秒。

人类在面临生老病死的过程中，只有疾病可以透过外力的协助来抵御，医疗技术始终是人类终其一生致力研究的目标。因而深度学习在医疗领域上具有很大的潜力，可协助医疗诊断更精确、更有效率。不过，许多研究专家仍不约而同表示，即便深度学习可以从旁协助医师，但最终的诊断结果，仍必须由医生本人决定。

医生是需要一个经验累积的行业，透过经验的判断更深深影响最终的诊断结果。而深度学习在医疗领域当中的应用，目前已经广泛采用影像辨识技术来协助医生判读医学成像，包括Google研究团队用来诊断糖尿病视网膜病变、乳腺癌肿瘤转移等。

糖尿病视网膜病变是全球失明人数上升主因，为预防失明，每年糖尿病患者都要接受眼底图象筛检。疾病的严重程度取决于视网膜病变的形态，如出血、硬性渗出物等。取得影像后必须由专业眼科医生判读加以分级，不过这对于医生短缺的印度来说实有其难度。

因此Google团队便应用深度学习技术，透过专业医生的协助，从具有12.8万张的视网膜眼底影像数据集中，创建出如同专业医生判断病变能力的模型，未来便可透过该模型在系统上得出诊断结果。

过往医师在诊疗期间，通常需要花费时间详看X光片、计算机断层摄影(CT)或是核磁共振(MRI)影像报告，对于经验丰富的医生来说，可能只要看一眼便知道问题所在，未来面临医疗人才汰换时，所幸也可以透过科技方法让宝贵的医疗经验传承下去。

甚至未来若进一步与医疗器材结合，还可发展出前端检测、后端汇出报告，加速检测流程，让医师利用更多时间进行医学诊断。

在人类探讨AI如何提升生活质量时，自动驾驶无疑是最受到热烈关注的话题。安全性是自动驾驶能否普及的重要关键，除了透过摄影机或各式传感器等外部车载设备来确保行驶过程的安全外，让车辆本身变聪明，能够自主判断路况做出分析，是加速自动驾始发展最有效的助力。

一旦机器具有自主学习的能力，便可以在不断学习的过程中，逐渐增进其驾驶技能，提升车辆行驶安全性。大陆地平线机器人公司汽车业务总监李星宇指出，自动驾驶的发展进程建构在一个非常复杂的体系上，深度学习不但可以做得跟人一样好，甚至做得比人还要好，而这样复杂的驾驶环境正是深度学习最能发挥优势的地方。

从另一个层面来看，则是驾驶人与车之间微妙的关系。现今自动驾驶的定义是汽车可以自行判断路况做出决断，而未来更深的层面则是汽车与驾驶人之间的配合，简单的说就是让汽车去理解你。因此，未来自动驾驶领域中还必须面对驾驶习惯的学习，甚至包括驾驶风格，这感觉就象是汽车变成了驾驶人的行车管家。