突如其來的人工智慧風潮，席捲著全世界，或許當你注意到 AI 這個詞時，科技新聞的版面已經被它所占滿，大大小小的報導似乎都要跟人工智慧沾到邊，好像少了這個詞就會與現代脫節。不少學者投入更多時間研究人工智慧，提出了新的論文，也有些科技業界的知名人士，開始敘說自己對於這個新領域的看法，甚至有預言家大膽猜測未來的生活會如何被影響，總之三句不離 AI 已經成為科技界的常態，看來這波風潮無疑地在改變著整個世界。
到底 AI 是不是真的這麼厲害? 那它可以為創客界帶來新氣象嗎? 如何把 AI 導入創客呢?本文就來探討如何將 AI 應用於創客，打造充滿智慧的作品，首先我們先從 AI 人工智慧談起。
AI 人工智慧的發展
AI 是人工智慧 (Artificial Intelligence) 的縮寫，這個名詞來自於達特矛斯會議，主要的意思是：
「讓機器的行為，看起來像是人所表現的智慧行為一樣」
開創與侷限
早在電腦發明前，就有不少人想用機器來解決問題，自從電腦被發明後，大家就更著手在讓電腦解決複雜的問題，而使用電腦來模擬人類的智慧便成為了我們最大的夢想。一直以來要教會電腦做一件事，就要使用程式語言，許多學者都在這個領域投入不少研究時間，例如 : 解方程式、讓機器走迷宮、自動化控制...，很快的，電腦可以處理的問題越來越多，大多問題，都能靠著分析、轉換成程式語言，再輸入進電腦，有了大家的努力，電腦也越來越有智慧。
然而眾人逐漸發現一個問題，每次要教會電腦一個技能，就要花很多的時間與力氣，將我們熟知的解法翻譯成複雜的程式語言，而且如果今天我們不知道問題的解法，那麼就意味著電腦也不可能學會了。
革命
這種一個口令，一個動作的方法，顯然不能長久，於是有人提出了新的看法，與其告訴電腦每個對應的指令，何不建造一個大腦給它，讓它有能力自我學習，這樣一來，只要給它足夠的學習資料和學習時間，它就會自己找到解決的方法，這個方法就稱為機器學習。
神經網路的出現
為了幫電腦建造一個能學習的大腦，有人想到可以利用程式來模擬神經元，神經元是生物用來傳遞訊號的構造，又稱為神經細胞，正是因為有它的存在，我們才可以感覺到周遭的環境、做出動作。神經元主要是由樹突、軸突、突觸所構成的，樹突負責接收訊號，軸突負責傳送，突觸則是將訊號傳向下一個目的地。
科學家利用這個原理，設計出一個模型來模擬神經元的運作，讓電腦也有如同生物般的神經細胞，這就稱為類神經網路。
感知器有幾個重要的參數，分別是：輸入、輸出、權重及偏值，輸入就是指輸入問題，感知器中可以放入很多輸入，輸入的數量要依問題來決定 ; 輸出就是解答 ; 而權重和偏值就是要訓練的參數，其中權重會與輸入的數量一致,偏值則只有 1 個。
感知器的運作原理是把所有的輸入項分別乘上權重後再傳入神經節，偏值會直接傳入神經節，神經節會把所有傳入的值相加後，通過啟動方程式再傳給輸出，用數學式子可以表示成：
輸出 = 啟動方程式(輸入0 × 權重0 + 輸入 1 × 權重 1 + … + 輸入 n × 權重 n + 偏值)簡單來說你只要給它足夠的資料，它就能找到輸入與輸出間的對應關係，這個過程就叫做 "訓練模型"，訓練完畢後，你就能把未知輸出的資料輸入進神經網路，接著它就會輸出答案，這個過程我們稱之為 "預測"。
神經網路能做什麼
基本上只要能將資料轉換成數字，並把要解決的問題定義明確，就能讓神經網路進行訓練和預測。舉例來說，我們可以蒐集一些貓貓狗狗的影像，然後定義數字 1 代表貓、數字 2 代表狗，接著把所有影像當成輸入給神經網路 (電腦中的影像就是一堆數字)，此外還要告訴它每張照片對應的是 1 還是 2 (把輸出對應上輸入的過程也稱為 "標記")，然後讓它進行訓練，訓練結束後，你只要輸入任何一張狗或貓的照片，它就會跟你說是 1 還是 2，也就是貓還是狗。
目前最普遍的應用有:
- 影像辨識 : 如上所說，就是一種影像辨識，而現在被廣泛地應用在各種地方，例如 : 公司或學校的門禁系統、停車場的車牌辨識系統...。
- 語音辨識 : 輸入語音後，輸出文字，讓電腦可以繼續做後續的判讀，例如 : 現在每支智慧型手機都有搭載的智慧助理、居家的語音助理...。
- 資料預測 : 訓練神經網路學習兩組資料間的關係，讓它能用來預測未來或是建立關聯性，例如 : 天氣預報、房價預測、車流量預測...。
以上關於神經網路的知識就介紹到這裡，有興趣的讀者可以持續關注我們，往後會有專門解講神經網路前世今生的文章，各位敬請期待。
結合 AI 與創客
在了解 AI 過後，我們可以開始想想，這樣的技術是否有辦法融入創客，簡化你的工作流程，或是為你的作品增加一些亮點呢? 當然可以! 這裡就簡單提一個例子吧!
假想一下，你要設計一個低成本的即時溫度測量、紀錄裝置，因此你可能會想用熱敏電阻做為材料，設計一個分壓電路後，把分壓值輸入進 Arduino 或其它微處理器中，然而問題來了，這個分壓值怎麼轉換成我們要的溫度呢?
首先你需要知道該微處理器的類比解析度是多少，接著計算出電壓值，然後用歐姆定律求出電阻值，再查一下該熱敏電阻的 Datasheet，看看電阻溫度係數是多少，等等，你說你忘記那顆電阻的型號了!? 這怎麼辦呢? 沒關係! 有了 AI 的幫忙，你可以把上面的流程全部忘光光，聽聽以下的新方法會不會比較吸引你。
首先準備一個可做為參考的溫度計，接著拿一杯熱水，把溫度計和熱敏電阻都丟進熱水中，開始記錄熱敏電阻的分壓值和熱水溫度，隔一段時間後再紀錄一次，紀錄越多筆資料，之後的精度也會更高，然後把收集到的數值丟給神經網路進行訓練，最後就得到一個可以直接用分壓值預測當前即時溫度的神經網路了。
以上的方法相對簡單多了，可以說完全不需要碰到嚇人的數學，而且網路和社群中也有不少人提供在 Arduino 等微處理器上，訓練這種簡單一對一的輸出入神經網路要怎麼實現，例如旗標公司推出的開源 Arduino 積木開發環境 : Flag’sBlock 甚至能用積木程式組出神經網路 :
想下載的讀者，可以點擊此連結進入後，在網頁上方的軟體下載，點選適合自己電腦的版本進行下載 :
關於 Flag’s block 這套軟體，我們後續會出一系列的介紹和教學文章，有興趣的讀者歡迎持續關注我們。
當然，這只是其中一個應用，如果你有單板電腦和攝影機，你甚至能組出一個影像辨識系統，而且不必做惱人的人工特徵工程。如果你想做平衡車，可以改用機器學習的強化學習來取代 PID 控制器，總之只要你有想法，就能讓 AI 發揮它的力量。
實際上要將 AI 應用於創客有很多不同的做法，以下介紹兩種在創客領域常見的實現方法。
兩種在創客加入 AI 的方法
1. 雲端運算：
將 AI 佈署到雲端裝置，感測器收到資料後會將資料送到雲端主機，計算出結果後再回傳到個人的裝置上。
這種做法的好處是，由於雲端主機通常有強大的運算能力，所以可以放入複雜的人工智慧程式，做到更精確的判斷，但缺點是因為要傳輸資料和運算結果，所以一定會有延遲時間，且聯不上網就無法運作。這是目前較為普遍的做法。
以下影片就是使用了微軟 Azure 提供的人臉辨識線上服務打造的臉部表情辨識、身分識別應用 :
2. 邊緣運算：
將 AI 直接與感測裝置整合，也就是感測器收到資料後，便藉由其處理晶片完成運算，並可將結果直接呈現，或是再傳送到其它的裝置上。
這種做法的好處是，延遲時間短，且不用擔心雲端主機發生意外，因為所有運算都在各個周邊裝置上完成，缺點是周邊裝置的運算能力較差，且記憶體空間也較小，所以勢必得將人工智慧程式進行輕量化處理，因此難度不低，當然判斷能力也不及雲端計算。
上述提及的即時溫度測量裝置便是屬於邊緣運算，以下的影片是實際成果:
總結
以上大多內容都僅是理論介紹和探討，而目的也是為了讓讀者知道，AI 在創客的可行性，它不僅能將過去一些工作進行簡化，也能打造許多神奇的應用。阿基米德說過一句話：「給我一個支點，我可以舉起整個地球」，現在我們也可以來說一句話:
「給我足夠的硬體和資料，我可以生成萬物方程式」
在 AI 這麼猖狂的現代，不把它加進創客玩點新花樣，那就真的太可惜了，至於有沒有更具體的實驗教學呢? 這就是另一個故事了! 還是那句話，持續關注我們吧，謝謝! 下次見。
