全球智能機器人的市場規(guī)模預計在2021年將成長至336億美元，而亞洲將是成長最多的地區(qū)。近年各國都不約而同將機器人視為戰(zhàn)略產(chǎn)業(yè)，某種程度甚至可以是一種綜合國力的展現(xiàn)，各領(lǐng)域的領(lǐng)導廠商都積極投入并發(fā)展當中。

機器人無疑已成為下一個科技明日之星，全球各國無不積極推動機器人產(chǎn)業(yè)，而近期人工智能與深度學習等技術(shù)發(fā)展熱度增溫，更成為推動智能機器人發(fā)展的重要動能。根據(jù)工研院IEK研究報告預估，全球智能機器人的市場規(guī)模預計在2021年將成長至336億美元，而亞洲將是成長最多的地區(qū)。

根據(jù)財團法人精密機械研究發(fā)展中心的定義，智能機器人可透過傳感器感知環(huán)境，并藉由程序化處達成智能化理解，最后反應出所需動作，以執(zhí)行各種生產(chǎn)活動、提供服務或與人互動。它是集合各種技術(shù)于一體的平臺，包含機械、控制自動化、電子、電機、影像、光學、通訊、軟件與安全系統(tǒng)等相關(guān)技術(shù)與應用，其中軟硬件整合技術(shù)至為重要。本課程深入探討智慧機器人產(chǎn)業(yè)前景，并剖析關(guān)鍵技術(shù)、零組件與軟硬件架構(gòu)。

根據(jù)資策會MIC研究數(shù)據(jù)顯示（圖1），2015年四大應用領(lǐng)域機器人市場規(guī)模合計約269億美元，其中以工業(yè)機器人110億美元比重最高，但到了2025年整體市場規(guī)模將擴大到669億美元，盡管市場規(guī)模還是以工業(yè)機器人的244億美元最大，但商業(yè)用機器人與個人用機器人2000∼2025年復合成長率（CAGR）分別為11.6％與17.4％，資策會MIC產(chǎn)業(yè)分析師張佳蕙（圖2）指出，尤其是2015年以后，這兩類應用成長更為顯著，服務型應用市場當中，有許多過去未導入機器人的新興領(lǐng)域，帶動其成長潛力。

圖1　2000∼2025年全球各應用領(lǐng)域機器人產(chǎn)業(yè)規(guī)模   數(shù)據(jù)源：BCG，2014；資策會MIC，2016/1

圖2　資策會MIC產(chǎn)業(yè)分析師張佳蕙指出，2015年以后，服務型應用市場，有許多過去未導入機器人的新興領(lǐng)域，帶動其成長潛力。

日本軟件銀行近年大舉進軍機器人領(lǐng)域，一連串的動作引發(fā)市場關(guān)注，張佳蕙說，包括2012年收購法國人形機器人公司Aldebaran RoboTIcs，其2014年推出的人形機器人Pepper陸續(xù)與IBM Watson、Microsoft Azure合作。Softbank提出以溝通為基礎(chǔ)提供家庭及商業(yè)應用的愿景，Pepper被設定為「希望能被愛」的機器人，透過互動溝通了解家中成員，成為家中的一份子；并在人工智能的基礎(chǔ)下，讓Pepper協(xié)助企業(yè)產(chǎn)品的營銷，在家庭兼具娛樂及學習效果。此外，目前較知名已投入市場的服務型機器人還有Leka與Savioke。

近年各國都不約而同將機器人視為戰(zhàn)略產(chǎn)業(yè)，日本發(fā)展機器人已久，2015年日本政府設立機器人革命倡議協(xié)議會，推動機器人產(chǎn)業(yè)的發(fā)展；韓國則是由產(chǎn)業(yè)通商資源部主導，每五年制定基本計劃，目標是在2022年成為機器人活用的國家，生產(chǎn)規(guī)模達25兆韓圜；美國則是從2011年開始，由美國國家科學基金會（NSF）主導，發(fā)展能夠安全與人協(xié)同工作的機器人技術(shù)。目前韓國以家用機器人為發(fā)展主力，美國則是在救災國防領(lǐng)先各國，張佳蕙建議，家庭應用與公共應用各國布局已深，商業(yè)應用近期興起，臺灣可以伺機切入。

深度學習、語音識別等技術(shù)在近年有顯著的發(fā)展，也因此促成服務型機器人產(chǎn)業(yè)與應用的興起，機器人從過去單向溝通執(zhí)行命令，進化到可以理解語意響應對話內(nèi)容，應用服務為機器人后續(xù)發(fā)展重點。機器人應用情境多元，在不同場合必須結(jié)合各領(lǐng)域?qū)I(yè)知識及對用戶需求的了解，因此廠商應透過開放平臺，加快機器人在各領(lǐng)域的應用。

深度學習這個名詞因為2016年人工智能AlphaGo連敗南韓棋王，機器首度成功挑戰(zhàn)人腦，并在圍棋這個普遍被認為難度最高的博弈活動中，一時又被世界大眾所關(guān)心。而AlphaGo的深度學習核心就是類神經(jīng)網(wǎng)絡技術(shù)，早在1943年，Warren McCulloch以及Walter Pitts首次提出神經(jīng)元的數(shù)學模型，之后到了1958年，心理學家Rosenblatt提出了感知器（Perceptron）的概念，在前者神經(jīng)元的結(jié)構(gòu)中加入了訓練修正參數(shù)的機制，這時類神經(jīng)網(wǎng)絡的基本學理架構(gòu)算是完成。類神經(jīng)網(wǎng)絡的神經(jīng)元其實是從前端收集到各種訊號（類似神經(jīng)的樹突），然后將各個訊號根據(jù)權(quán)重加權(quán)后加總，再透過活化函數(shù)轉(zhuǎn)換成新訊號傳送出去（類似神經(jīng)元的軸突）。

相關(guān)技術(shù)架構(gòu)其實早在1970年代就已經(jīng)完成了，數(shù)據(jù)決策技術(shù)長尹相志（圖3）表示，深度學習其實就是類神經(jīng)網(wǎng)絡的另一種說法，其成功來自于更深入理解人類大腦的運作。卷積神經(jīng)網(wǎng)絡（ConvoluTIonal Neural Network）協(xié)助機器發(fā)展真正的視覺，其中的兩大原則為：局部感知與權(quán)重共享。讓機器可以從碎片特征理解整體意義，進而找出特征的群聚性，不斷分層細化的分析，無論是多細微的特征：只要不化成灰，都能抽取特征。

圖3　數(shù)據(jù)決策技術(shù)長尹相志表示，深度學習技術(shù)架構(gòu)1970年代就完成了，其成功來自于更深入理解人類大腦的運作。

其中，圖形辨識是其中的重點，在過往的認知中，中央處理器（CPU）與繪圖處理器（GPU）處理不同的運算功能，單就圖形辨識的深度學習功能來說，GPU的效能是CPU的百至千倍，尹相志進一步表示，透過深度學習，機器甚至可以將原本馬賽克圖案的照片效果移除還原。不過，在語音與文字的辨識上，中文對于機器還是很大的挑戰(zhàn)，中文詞匯超過百萬，無須約定成俗即可創(chuàng)造新字以及賦予詞性，還有很多中英、中日、中韓夾雜的詞匯，諸如：藍瘦、香菇、94狂等。

機器人產(chǎn)業(yè)前景受到各方矚目，尤其深度學習、人工智能成為各大廠布局下一波企業(yè)發(fā)展的方向，包括臉書（Facebook）、微軟（Microsoft）、谷歌（Google）與亞馬遜（Amazon）。這些企業(yè)的共通點就是都透過產(chǎn)品、服務與消費者互動，并累積了多年的初級數(shù)據(jù)，未來人工智能與深度學習說穿了都是大量資料搜集、整理并分類、標注（Tag）使這些初級數(shù)據(jù)變成信息，最后再透過強大的處理器快速搜尋與反應的結(jié)果。

從這樣的架構(gòu)來觀察，碩網(wǎng)信息總經(jīng)理邱仁鈿（圖4）認為，四大廠之間FB的數(shù)據(jù)結(jié)構(gòu)化程度最高，因為每個用戶上傳文章或圖片時，已經(jīng)將內(nèi)容整理過，圖片分辨率高甚至照片中的人物也直接標注了，未來FB要藉由這些數(shù)據(jù)做進一步整理或利用時，可以花費最少的時間，或進行更高質(zhì)量的整理。目前世界上有80%的數(shù)據(jù)數(shù)據(jù)是非結(jié)構(gòu)化的，認知運算能夠提升并簡化學習過程。

圖4 碩網(wǎng)信息總經(jīng)理邱仁鈿認為，目前世界上有80%的數(shù)據(jù)數(shù)據(jù)是非結(jié)構(gòu)化的，認知運算能夠提升并簡化學習過程。

因此，機器人要降低錯誤率重點就在數(shù)據(jù)的完整性與結(jié)構(gòu)化，邱仁鈿進一步解釋，深度學習的應用歷程從底層的類神經(jīng)網(wǎng)絡運算、大量數(shù)據(jù)分析、發(fā)現(xiàn)規(guī)則/自動歸類、產(chǎn)生媒合/推薦策略、記錄用戶行為、回饋到模型/提升準確率，最終就是要提升數(shù)據(jù)質(zhì)量并產(chǎn)生自我學習修正機制。