近來科技界對機器學習、深度學習的討論越來越多，其實這並不是未來願景，而是現在進行式的技術，機器學習已經運用在我們每天必點的Google搜尋、Gmail、Google翻譯、Google Photo...等產品上了，雖然使用時感覺不到，但我們每一次搜尋，或同步信件時，機器學習系統都在背後快速而賣力運算中，推送出正確的結果，我們的每一次使用，也都成為機器學習的經驗值，讓背後那些看不見的神經網路，一直在修正或學習，越使用，越準確。
Google開放機器學習原始碼 人人可用
Google在昨天晚上開放全新的機器學習標準系統TensorFlow，今天在東京舉行的亞太區活動裡，Google機器學習研究員Greg Corrado博士也宣布了這件事。
這代表各開發者、工程師、寫程式的、研究人員、學生學者....等跟機器學習有關的人，都可以取得Google機器學習原始碼，放在自己的產品或研究裡使用。
Google認為機器學習應該要有個標準，開放TensorFlow，可以讓科學家使用Google的技術標準來溝通。
而且開放TensorFlow，能讓上述群眾運用程式碼快速交流想法，如此就可以加速機器學習的發展，比方開發者可以將這技術導入自己的產品，產品就有越準確的預測能力；研究人員也可以此分析複雜的數據，更多聰明人就會提出更多知識及發現，開放原始碼，對機器學習的發展來說是很重要的。
Google的這套機器學習系統有幾個特點，一是它和Google使用在Inbox自動回覆（Smart Reply）、語音識別及Google Photo上的是同一套，二是它可以在CPU、GPU及行動裝置上執行，於是大到資料中心，小到手機都能運行。
大量案例就像燃料，推進機器學習
今年Google的亞太區活動，以「The Magic in the Machine」為主題，Greg Corrado博士也在活動的第一場演說裡，就跟大家分享Google在機器學習領域裡做了哪些事，這也是Google第一次公開這麼多這方面的訊息。
官方有段影片，或許可以讓大家對機器學習勾勒出一個入門的輪廓。
很多人認為機器學習就是人工智慧（AI），其實兩者是有差別的，Greg Corrado提到人工智慧是讓機器變得更聰明，因時因地做反應，機器學習則是讓機器從經驗數據當中學習，Google認為後者比較可行，因為透過手動編程讓機器更聰明，難度很高，不如讓機器自己有學習能力，
但機器如何學習呢？透過大量的樣本、案例和數據，不斷重複來學習。
至於機器學習的原理...扯到數學方程式本人頭腦就打結了..＠＠
簡單說是輸入的指令/參數，經過機器設定的模型（Model）做轉換，得到一個預測的結果，所以模型很重要，如果模型的設定太單一固定，那做出的預測就很不準，所以得用更多的變數來設定模型，而且讓機器反覆、多次產出預測，將預測結果跟真實結果作比對後，再一次次糾正模型，參數越多，比對越多，機器的學習效果也越好。
這個過程是漸進式的，而且緩慢，Greg Corrado提到在Google產品上使用機器學習，也是要千萬、億萬甚至十億次的案例訓練，每次取得一點進步而成，這裡也指出非常重要的一點：機器學習需要大量的案例。
電腦不像人腦，人腦可能只需要幾次的經驗就學得起來，但電腦需要很多很多的樣本來建立模型，Greg Corrado在講解機器學習如何運作時，將機器學習比喻為火箭的推進器，而大量的案例跟數據就是燃料，驅動機器學習，是很貼切的比喻。
而提到機器學習，就不能不提深度學習，深度學習是機器學習裡的一個分支，透過深度學習可以建立很有力的模型，其實60、70年代科學家就在談論深度學習了，但到現在才熱門起來，它算是人工神經網路的體現，深度學習層疊了很多模型，每一層辨識不同的東西，再互相聯繫，形成的更複雜的學習方式。
比方要機器自己辨識出照片裡有沒有貓，
第一層模型辨認像素，辨認出的結果再分組讓第二層分析形狀，形狀分析完又會得到幾組結果，這些再分別進行一下層的分析...以此類推，經過多層的特徵分析，最後機器就能辨認出是狗還是貓。
Gmail、相簿...等已經運用機器學習了
所以Google的哪些產品用上了機器學習及深度學習呢？
Google搜尋（排行排序）、Gmail、Google語音辨識、Google Photos、Google翻譯..等都有，都是我們早早在用的功能。
比方Gmail裡的過濾垃圾信，就用了深度學習的方法，自動判斷信件裡有哪些字眼，所以被歸到垃圾信，目前判斷準確率可以到99%。
前幾天Google也推出Smart Reply自動回覆的功能，一樣利用深度學習偵測信件內容後，自動生成一些相關的回覆短句讓你用。
不過這個目前限英文信，試了一下，真的不同內容會有對應的自動回覆句。
Google語音識別也是，不同語言、不同口音，或各種吵雜環境音...這些都會影響辨識，透過深度學習，機器自己可以客服這些，辨別哪些是要取樣的，讓辨識準確率越來越高，據Google透露，採用機器學習後，語音辨識的錯誤率已經減少了20%。這個中文語音輸入相信大家也用得很開心了～
新的Google相簿有自動分類的功能。
透過影像辨識技術，Google相簿會自動辨識照片裡有什麼，並自動加入標籤，不用手動加Tag，只要輸入貓、早餐、海洋...等，就可以搜尋到照片。也是屬於機器學習的一種，在這次的Google亞太區活動上也有特別把Google相簿的技術拉出來說，我們另一篇再來看。（咦？把哈姆太郎辨識成貓了
...如果辨認錯誤，其實可以手動把它從搜尋結果刪除來學習）
在查Google翻譯時，我們會輸入一整串句子，同一件事情，表達的句子可能有百百種，這裡也運用深度學習技術，讓語音輸入，以及自然句翻譯結果都能立即辨認出來，錯誤率也從23%降到了18%。
另外翻譯裡有個拍照辨認文字後查詢的功能，過程中也運用了機器學習，辨認所選單字進行翻譯。
Android 6.0裡新的Now on Tap，會自動抓取和朋友聊天訊息中的文字，在Google Now卡片裡顯示相關的資訊，比方聊到一家餐廳、聊到絕地救援，長按Home鍵叫出的Now卡片，就自動顯示餐廳地圖電話...等資訊，以及電影的網頁、新聞...等連結，這過程也跟機器學習有關。
目前Google有100多個團隊都有用到機器學習，尤其最近幾年，項目增長很多，上面是目前已有的Google服務，像YouTube、Google Play、預測推薦...等，也都有機器學習的加持；無人駕駛車，可讓車子自動辨識路況行駛，這也有運用到機器學習/ 深度學習...
機器學習的訓練模式的過程雖然緩慢，但運用發展卻相當快，Google下個發展重心也會放在這裡。
機器學習是Google下個發展重心
其實Google在7~8年前，就因為開發語音辨識，而投入研究機器學習，直到3年前，則是開始大規模投資，比方收購了deepmond這家公司。
但為什麼Google此時才積極公開他們成果呢？因為相較幾年前，現在的電腦已經有足夠的運算能力，可以實現三年前還不能完成的任務，這樣的環境下，也較能引發更多人去思考如何用機器學習來改善他們的產品。
雖然最近深度學習有比較大的發展，但Google還是認為這個領域需要投入更多研究，也希望更多人用創意，在自己的產品上用使用機器學習，因此才有開放原始碼這個舉動。
Aphabet 集團與董事會執行董事長 Eric E. Schmidt， 透過視訊向我們說明為何機器學習會是Google的下一個發展重心。
很多Google主要的服務都透過機器學習變得更快速更便利，機器學習不再是實驗室裡裡的東西，而是有數十億使用者的技術，已經從理論進入實際應用，機器學習未來發現將無可限量。
但也有人擔心機器越來越聰明，會不會取代人力，或者覺得機器還是不能取代人類做判斷。
對此Eric認為，機器學習可以讓人類不要像機器一樣工作，一些重複性的、規律性的東西就交給機器來做，這樣反而可以節省人力時間，用在更需要的地方。如果用機器可以預測出醫生看不到的病徵，或自動駕駛可以比疲勞駕駛要好，那為何不讓機器來做會更好，人們可以用我們的規則來培訓機器，讓它們按人類的方法來行事。
但Eric也提到，15~20年內或許會出現智慧勝過人腦的機器人，但一般人還是希望有人可以代勞打掃、幫忙家務...要做出這樣的機器人還是有難度，他不認為人工智慧會取代人類大腦。
因為生活上已經有很多實際應用了，我們對機器學習帶來的好處也不陌生，雖然不知道機器學習到最後會發展成怎樣，但可以確定，機器學習/ 深度學習還有很大的發展，別忘了，不只Google，蘋果、百杜、微軟、Facebook、Amazon...等也都有在做，而且也已經有實際應用，未來機器學習一定有更多機會，不著痕跡的出現在我們生活裡。
