人工智慧（Artificial Intelligence, AI）為什麼直到現在會有新的突破，主要的關鍵在於深度學習（Deep Learning）。深度學習是機器學習的分支，是一種以人工類神經網路為架構，對資料進行特徵學習的演算法。
深度學習最著名的方法有兩種。第一種是卷積神經網路（Convolutional Neural Network, CNN），比較適合應用在圖像跟語音辨識，是一種高效識別演算法；第二種是遞迴神經網路（Recurrent Neural Networks, RNN），是屬於自然語言處理方式的應用。
[ 敬邀參與2022年度CIO問卷調查活動，掌握IT脈動，缺你不可！ ]
深度學習的架構大概有三層（Layer），第一層叫輸入層（Input Layer），第二層叫隱藏層（Hidden Layer），第三層叫輸出層（Output Layer）。
比如利用CNN演算法來辨識中草藥的人工智慧，我們會先輸入一張圖片，這是屬於輸入層，然後告訴人工智慧，這張圖片的答案是什麼，這是屬於輸出層。
假設輸入層的這張圖片是中藥的人參，之後人類再提供很多圖片，告訴人工智慧，這些圖片都是人參後，人工智慧就會自動去建立資料模型，此時就會形成很多的隱藏層。隱藏層有一點像黑箱作業，人工智慧會怎麼分別出怎樣的照片算是中藥的人參，都是由人工智慧自己去學習去建模，我們人類根本就不知道。
由於這三層架構可能會發展出好幾千萬層，所以我們才會將這種方式稱為深度學習。也就是說，人類告訴人工智慧輸入層及輸出層，其他的隱藏層由人工智慧自己尋找特徵去建模所產生，這種深度學習模式，終於讓我們看見AI發展及應用的曙光。
深度學習的原理
事實上，深度學習就是一個很簡單的一個數學公式：f(x) = y。比如說，我今天要做語音辨識，我的x就會輸入很多的音頻，告訴人工智慧這是我輸入的資料。如果我再告訴人工智慧，輸出的答案是「How are you」的文字內容，我再提供很多的音頻，告訴人工智慧，這就是「How are you」，日後我只要念出「How are you」這段語音，它就會顯示出英文字「How are you」出來，這就是語音辨識的運作原理。
文字辨識剛好相反，我先是輸入「How are you」的文字，再告訴人工智慧，這段文字的念法就是「How are you」，然後再提供人工智慧很多跟「How are you」相關的文字，人工智慧未來只要看到「How are you」的相關文字，就會產生「How are you」的音頻。
[ 加入 CIO Taiwan 官方 LINE 與 FB ，與全球CIO同步獲取精華見解 ]
圖像辨識的原理也是一樣，我先輸入一張圖片，告訴人工智慧這張圖片是「2」，我再提供人工智慧很多形形色色的手寫「2」的圖片，告訴人工智慧，案就是「2」，以後不管是寫任何的「2」，人工智慧都可以告訴你，這個人寫的就是「2」。
至於聊天機器人的運作原理，則是希望能做到你講什麼，人工智慧下面就會接什麼樣的訊息。所以我要先輸入「How are you?」，然後告訴人工智慧，答案叫做「I’m fine.」，就是在告訴人工智慧，如果有人講「How are you?」，你下一句接的就是「I’m fine.」，這樣就可以形成一個對答的過程，形成一個人與機器的聊天的概念。
AI的研發及應用 孰輕孰重
緊接著我們再談談，工業4.0跟醫療4.0有什麼不同？在工業4.0之後，我們就開始在談AI的相關應用，從工業1.0發明蒸氣機，到工業2.0導入電力應用，再到工業3.0導入電子設備及資訊技術，最後到工業4.0的物聯網、雲端運算、大數據及人工智慧，其實就是從機械化、電氣化、自動化到智慧化的發展歷程。
醫療也有醫療4.0的發展歷程，在醫療1.0的時候，是屬於消毒和殺菌的時代，2.0就是顯微治療，到了3.0，主要就是CT、MRI及導航儀引導治療的模式，但是到了4.0，剛好跟工業4.0不謀而合，都是在強調物聯網、雲端運算、大數據及人工智慧的應用，可見這幾個元素是非常的重要。
因為人工智慧已經形成一個狂潮，我們可能要試著再更沉浸思考，是所有人都要去研究研發人工智慧呢？還是我們應該拿其他人研究出來的人工智慧去做應用？兩者孰輕孰重，是值得我們探討的議題，就像我們前期所講的，工業2.0開始發展電力時，各位試想，有多少人去做電力發明？還是我們應該使用電力，去發展周邊的相關應用？
現在有關醫療領域的人工智慧有一種迷思，就是大家都一窩蜂的往人工智慧研發的方向發展，但是有很多醫院，根本就不適合從事與人工智慧的相關研究，反倒是我們要去思考，如何把其他人研究出來的人工智慧，怎樣拿來做應用，我覺得這才是重要的。
工業革命的時候，是希望先去挑戰怎麼去做到精實化，再來挑戰智慧化。也就是說，我們在以前沒有電力的時候，有一套制式的工作流程跟工作行為，而有了電力以後，工作模式及工作行為就必須要改變，這樣才有辦法提升整個工作品質及效率。
所以，像以前沒有人工智慧的時候，跟現在人工智慧的時候，工作流程及工作行為都必須要再造，把以前人工作業的流程，重新根據數位轉型去改變流程，也就是說，流程再造就是要去重新檢視作業流程，來搭配AIoT達到一個全面動化的流程。
接下來則是將很多的人工作業要做數位轉型，轉化成系統化、數位化，達到無紙化、無片化的境界，將各個不同的儀器做自動化連線之後，透過閉環管理的方式，如透過條碼來做自動掃碼，而不是讓人類用人工方式來登打，才可以減少錯誤率並提升工作效率。
最後，則是在必要時候，提供相關的人工智慧決策支援給醫護人員，做到更精準的醫療，這樣才是真正的人工智慧自動化的提升功效。也就是說，我們必須要去堅持，如何改善流程提升智慧醫療的概念，而不是一窩蜂的去研究人工智慧技術。
流程未改善 醫療AI難落地
根據Gartner發表指出，人工智慧進入產業應用，大概有黃金十年。從2016年到2021年的這段時間，有一點像是在做人工智慧的研發階段，從2021年到2022年這段期間，主要就是要如何將研發出來的人工智慧真正的普及，實際落地到整個領域的應用。
這個階段其實有點遇到瓶頸，因為前面所講的，我們並沒有去將整個流程做再造或重新思維怎麼將AIoT應用嵌入到流程裡面，當環境還很老舊，不管有什麼新的應用進來，都是不夠成熟。
另一個問題，就是人的思考模式沒有改變，整個流程如果都沒有改變，就很難真的做到很完美的自動化。就像我們以前從人工變成電腦化也是一樣，我們前幾期也有提到「人工電腦化、電腦人工化」的概念，其實現在的人工智慧應用也是遇到一樣的瓶頸。
就從醫院日常運作的HIS流程改造做起，如何將AI內化到HIS系統，透過事件驅動觸發 AI演算，適時提供醫師做臨床決策支援輔助建議，而不是被動式的讓醫師去點擊按鈕再去驅動AI演算，必須讓人工智慧不知不覺地融入醫院臨床作業流程中，善用主動式的推送（Push）機制，讓整個醫療流程環環相扣，形成一個神經網絡，避免醫療疏失的事情發生。
比如說，當病人做檢驗後，報告出來後系統會透過事件驅動，寫到一個訊息佇列，而AI早期預警系統，可以訂閱此檢驗報告的訊息佇列，一旦有檢驗報告出來會立即通知AI預測，當AI演算分析後，若發現有危及生命的異常值，便立即發送簡訊給主治醫師，並且結合HIS系統找尋主治醫師正在使用那一個子系統，主動推送訊息給該子系統，強制彈跳出警訊的視窗，顯示某某病人檢驗報告異常會有生命危險應立即處置，直到通知到醫師回覆為止，來爭取急救黃金時間，提升挽救生命機會，以營造更智慧化的醫療照護環境。（口述／孫培然‧彙整／CIO編輯室）
