电脑的视觉辨识如果比人好，那为什么要由人开车，不是机器开车呢？电脑的视觉辨识如果比人好，看 X 光片诊断会不会比医生更加准确？
上面两个问题是 Alphabet 集团（前身为 Google）与董事会执行董事长 Eric Schmidt 大胆的提问。2015 Google 亚太区媒体活动以“The Magic in the Machine”（机器中的魔法）为主题，揭示 Google 在机器学习（Machine Learning）与深度学习（Deep Learning）领域近年来的成果。而就在这场活动的前一晚，Google 将其机器学习系统 TensorFlow 开源放上网络，供所有人在 Google 长年累积下来的基础上发挥，Google 以此证明自己在机器学习领域的领先地位。
解析那些在 Google 翻译、邮件、照片都会看到的“机器学习”
Google 机器学习技术近年来已愈趋成熟，很多产品都可以看到机器学习的技术在里头，像是在本月 5 日刚发表的 E-mail 智慧回复（Smart Reply）功能，就是机器透过爬梳信件字句，判断是邀请信／问候信等类别，然后做出适当的回应；垃圾信件阻挡功能也是透过机器学习，才能有现在近 99% 的高辨识率；今年 5 月发表的 Google Photo 产品则是会透过电脑视觉（Computer Vison）辨别图片中的人脸、地标、动物、照相情境，自动为照片下标签与分类，方便使用者日后随时搜到想看的照片。
听起来机器学习就像个魔法？Google 人工智能、计算神经科学及可量化机器学习研究员 Greg Corrado 讲解何谓机器学习，他坦言机器没办法像人类般聪明，瞄一眼就能辨认，灵光一闪就能学习，机器要透过一次次统计学的假设与验证，学习世界的运行模式，如果今天得到了资料 A（input），那依照这个模式，机器就会产出 B（output）。而一个模式，又称为“Model”，要靠数学和程式组成的算法呈现。
通常机器学习在应用时，不可能单单只靠一个模式就能得到正确结果，而是需要经过一层层模式逐步判定，这又属机器学习之中的“深度学习”。Google Photo 搜寻和分析负责人 Chris Perry 即举上述的 Google Photo 为例，深度学习为了辨识出一张照片里的人物、地点、活动类型、照片类型，要经过 22 层的模式一层层判读照片里的讯息，包含颜色、线条、轮廓、形状等。
经过这样复杂的步骤，Eric Schmidt 表示，Google Photo 是目前影响他最深的机器学习产品，Eric Schmidt 说，他上传了 2 万 5000 张照片，而 Google Photo 能帮他辨识所有的人，或是溜冰时拍的照片，动物的照片，甚至是自拍，他相信这项功能对每个人来说都是非常棒的。
延续“行动第一”主题，机器学习就是为了让行动更方便
在电脑运算能力大幅提升的现代，机器处理 Big Data、快速运算已经不成问题，这也造就机器学习在今日能够做出成果，甚至大幅被应用。上面提到的几个机器学习应用只是冰山一角，Greg Corrado 提到，Google 在 2015 年第 3 季时，已经有超过 1200 个计划是以机器学习为方向，在一年前，不到 500 个，在 2012 年初时甚至还没开始呢。
Google 亚太区媒体活动过去多是汇整当年度的产品，系统性的与媒体分享，但过去两年以应用产品为主题，如“云端生活梦”、“行动第一”，今年却反常以技术为主题。Greg Corrado 解释，其实机器学习技术发展的关键因素，是为了让行动端更好。
因为行动端需要更简便的输入功能、更贴心的辅助功能，才会需要机器学习技术协助行动装置使用者，不然能够坐在电脑前面打字，谁需要语音输入，谁需要智慧信件回复？因此机器学习其实是延续过去云端、行动的主题发展而来的。目前网络科技发展成熟，Google 在机器学习领域也已经到成熟且能预见未来方向的领先阶段，因此选在这时与全世界分享。
开源 TensorFlow 系统，加速机器学习发展
而就在 2015 Google 亚太区媒体活动开始的前一天，9 日 Google 宣布自家机器学习系统 TensorFlow 开源放上网络，供所有人在 Google 累积的基础上使用。
开源后的 TensorFlow 就像是一个软件图书馆，有许多 Google 以他们过去搜集到的资料做出来的机器学习模式，未来不管是学生、工程师、业余玩家，都可以依据 Google 已经训练好的模式做出新的应用，过去这些人因为没有足够的数据以及资源，因此在验证出一个正确的模型上可能会花很多时间甚至是失败。
Greg Corrado 表示 Google 将 TensorFlow 开源的原因是希望建立一个更多人可以参与开发机器学习，或是聊关于它的应用，加速机器学习的发展。
机器学习像魔法般的技术不比大脑，也无法取代大脑，但它的确帮大脑省了许多麻烦与时间。而且大脑会累，机器不会累，大脑一时接收到资讯量很可能也不比机器多，有些事情如果机器做得更好更轻松，交给机器去做不也很好吗？
（图片来源：科技新报摄，首图为Google 人工智能、计算神经科学及可量化机器学习研究员 Greg Corrado）
