包括科學家霍金在內的不少人都擔心人工智能會成為人類的威脅，但 Google 則希望人工智能可普及化成為人類工作、生活中的助手。在剛過去的 Cloud Next 2017 大會上，Google Cloud 首席科學家李飛飛就提出讓人工智能普及化（Democratizing AI），從此人工智能不只是在科幻故事裡出現。
「人工智能」和「機器學習」毫無懸念是今年 Google Cloud Next 2017 大會的主角。就像之前的專題裡提到，人工智能是 Google 推銷他們 Google Cloud Platform 的殺手鐧，為了趕上 AWS 和 Azure 的市場佔有率，Google 拿出很多自家的創新技術給 GCP 客戶使用，並祭出「普及人工智能」的口號來突出這一點。
事實上，人工智能這兩年成為最熱門科技話題，各家廠商都競相投入這領域，深怕在未來的人工智能大時代裡落後對手。人工智能當然不是什麼新事物，先不論在硬派科幻故事裡出現的虛構劇情，就算是挑戰西洋棋王的 IBM 超級電腦「深藍」也已經是 20 年前的事。
以前人工智能成本很高，開發困難、功能也有限，不像今天般彷彿無所不能。以前的困難在於演算法複雜、數據不足、運算能力不足，但來到今天很多問題都能透過雲端平台來解決，不僅雲運算租用成本低廉，像 Google 和 IBM 更提供了現成的機器學習 API 讓客戶直接採用，「普及人工智能」這一目標似乎不是天荒夜譚。
人工智能可改善人類不同生活和工作層面
Google Cloud 首席科學家李飛飛在首天的 Cloud Next 2017 大會壓軸出場，這位去年 11 月才獲邀加盟的史丹福大學終身教授是該大學人工智能實驗室主管，也是機器學習和人工智能領域的最具影響力的專家之一，曾參與 ImageNet 機器視覺的專案，開發利用深度學習技術來讓人工智能辨識圖像內容。
李飛飛現在領導 Google Cloud 新成立的人工智能和機器學習研究團隊。她在 Cloud Next 2017 大會上強調 Google 要把人工智能普及化，而 Google Cloud 平台就是實現這一點的工具（Google is democratizing AI, Cloud is the vehicle to deliver.），並表示作為研究人工智能的學者，「當看到 Google Cloud 平台的時候是很興奮的」。
李飛飛表示人工智能可改善人類不同生活和工作層面。她以「智能交通」為例，一台自動駕駛汽車僅僅只是讓乘客能更輕鬆地通勤，但如果是 1,000 台就會組成「車聯網」，大為減少地區的交通阻塞。但如果去到 100 萬台就不再只是一個城市的事，而是重新定義人類對交通運輸的認知了。
「運算」：雲是人工智能最理想的平台
她揚言要在四個領域上「普及人工智能」，也就是「運算」（Computing）、「演算法」（Algorithms）、「數據」（Data）和「人才」（Talent）。雲計算是普及人工智能的一大關鍵，如果要自組一台能做到機器學習的電腦設備，成本不菲，而且運算能力再強也得花上大量時間，而雲計算就成為突破這障礙的最佳途徑。
這就是第一個領域：「運算」（Computing）。李飛飛直指「雲是人工智能最理想的平台」，大規模集成運算資源、龐大數據容量、可靠穩定操作環境，都不是傳統運算方式能比擬的。就以在 Cloud Next 2017 站台的匯豐銀行為例，就是靠 Google Cloud 平台來處理每天龐大的交易數據，甚至利用人工智能協助找出可疑的黑錢流動。
HSBC 資訊科技總監 Darryl West 表示該公司的數據庫資料容量，在 2014 年時為 56PB，2015 年就成長到 77PB，去到 2016 年是更達到 93PB 規模。HSBC 逐步將數據搬到 GCP 上並利用 Google 的 BigQuery 大數據分析工具來處理金融大數據，更引入機器學習協助偵測洗黑錢活動，善用雲平台來實踐人工智能應用。
「演算法」：開放機器學習引擎減低企業入場門檻
第二個領域是「演算法」（Algorithms），畢竟並非所有企業都有足夠的人才，無法自行開發自家的機器學習演算法，如果要普及人工智能就需要提供方便易用的工具，減低企業採用的門檻。Google 就為 GCP 客戶開放多種不同的人工智能和機器學習工具，像新公布的 Video Intelligence API 就需要把影片放到 GCP 使用。
Google 為 Google Cloud Platform 客戶開放機器學習引擎 ML Engine，讓客戶能把自己的數據利用 TensoFlow 框架自行開發、訓練機器學習模型。如果不是自訂機器學習模型，Google 甚至已提供現成的機器學習 API 給客戶接入，包括自然語言識別、語音識別、文字翻譯、圖像分析和最新的影像分析等，企業直接就能採用。
要普及人工智能並非只是提供「工具」，而是「應用場景」。李飛飛就指 Video Intelligence API 可為新聞媒體創造價值。原本需要大量人手去標籤歸檔的影片，現在只需放到 GCP 就能自行分析片段有什麼內容，一搜就能找到需要的特定場景片段，這不僅是人手成本減省，而是重新改寫整個工作流程。
「數據」： Google 可供機器學習數據量驚人
第三個領域是「數據」（Data），機器學習背後需要大量的數據配合，但如何收集和共享數據一向是難題。李飛飛以自己在史丹福大學負責過的 ImageNet 專案為例，就擁有超過 1,500 萬筆圖像資料，透過分析大量圖像來讓機器學習引擎準確識別。Google 不僅在 GCP 上有海量數據，在不同 Google 服務也有大量數據可用於學習。
事實上為機器學習引擎提供數據未必就有私隱問題，因機器學習只把數據作為「教材」，並非把數據據為私用。比起單獨一家公司收集數據，不同數據來源可讓機器學習引擎變得更準確。舉例說 Gmail 的垃圾郵件過濾功能，就是從全球使用者處理垃圾郵件的行為中學習，Gmail 使用者規模愈大，判斷垃圾郵件的準確度也會愈高。
而這也是李飛飛認為 Google Cloud 是發展人工智能是理想環境的原因。Google 開放不同的機器學習引擎，使用者愈多也將使分析能力更加準確，加上 Google 搜尋引擎本身已索引了全球大量網上資源，配合 Google 各種免費服務的使用者，實際上 Google 可供機器學習的數據量無比驚人。
「人才」：收購數據科學家社群 Kaggle
最後則是「人才」（Talent）。站在台上的李飛飛本身，就已經是 Google 重視人工智能領域人才的具體表現，兩位最新加盟 Google Cloud 團隊的華裔女性科學家李飛飛和李嘉都是頂尖的人工智能專家。李飛飛在 Cloud Next 2017 大會上也正式確認，Google 收購了全球最大數據科學家社群和競賽平台 Kaggle。
Kaggle 聚集了全球 80 多萬位數據科學家，每天都在實踐演算法、數據集等相關的技術和想法，Kaggle 也和 Google 多次聯合舉辦機器學習方面的比賽，網站在人工智能和機器學習領域的影響力很大。李飛飛雖然未有透露收購細節，但就已震撼了數據科學、人工智能等領域。
Kaggle 將保留獨立品牌和團隊，作為 Google Cloud 旗下的獨立品牌營運。由於 Kaggle 已是全球最大的數據科學家和機器學習開發者的社群，Google 的收購將加強雙方的合作，Google Cloud 可為 Kaggle 社群提供雲端機器學習設計環境和數據來源，長遠讓 Kaggle 成為支撐「普及人工智能」願景的支柱。
總結：未來更多生活問題將透過人工智能得到解決
也許在雲服務這領域 Google 暫時未必及得上競爭對手，但在人工智能和機器學習這一塊就相當有競爭力。要說人工智能威脅人類還言之尚早，反而人工智能作為人類協助角色的日子卻即將來臨。「普及人工智能」未必就是說人人都有一個機器人助理，但把人工智能用於處理人腦力不能及的運算就很快會出現。
普及人工智能的關鍵當然是更多應用的場景，這就得靠更多開發者積極開發配合，而背後亦需要進一步降低人工智慧開發門檻，讓更多相關應用為開發者社群、用戶與企業所用。當新技術的門檻降低後就會出現大量應用，更多生活問題會透過人工智能得到解決，也將開始更深刻地影響人們的生活。
作者：Boris Lee
Unwire.pro 資深編輯。在企業 IT 科技報道範疇有十多年經驗。