程式鬼話|你買的家電是真的有AI嗎?

■ AI藏在哪?

最近因為辦公室冷氣壞了,
所以打算買一台新的電風扇,
打開購物網站,
發現滿滿都是AI功能,
AI循環控風
AI記憶風速
AI感溫
AI 一"頭拉古"……..
聰明的你(我)
看價錢基本上也心裡有底
價格低的幾百內
明知不可能是AI
心想:好拉 賺錢辛苦 讓你吹牛吧
笑笑就好
價格高的幾千上萬
心想:真的假的 好拉 我買夠用的就好 這太高級 等我發達了以後再來買
■ AI是什麼

要判斷家電有沒有AI前
先了解一下AI是什麼…
AI就是人工智慧這大家都知道
我們應該要問的是對標的東西
->傳統程式控制
在沒有AI前,
我們家電基本上都是
內部有晶片能做一些基本的控制功能。
而人工智慧
就是將人類的知識寫成明確的規則,
並運用這些規則進行推裡的系統
也是所謂的規則式AI
舉個例子:
家裡的冷氣
以下情境:
- 相同輸入:室溫 30°C、設定 26°C,冷氣可以正常運作。
- 相同結果:啟動冷房。
① 傳統程式控制
工程師直接寫好控制流程:
如果「室溫高於設定值」,而且「冷氣可以運作」,就啟動冷房。
溫度感測器 測到 30°C 因為大於26°C 啟動冷房功能
② 規則式 AI
假設採用「知識庫+推理機制」的設計,先把知識整理成規則:
規則一:室溫高於目標溫度 → 有降溫需求。
規則二:有降溫需求,而且冷氣可以運作 → 應啟動冷房。
再由負責套用規則的推理程式,根據目前資訊推導:
→溫度感測器 測到 30°C
→ 將30°C 輸入至規則一的腦袋,
→規則一腦袋說超過26°C了,有降溫的需求,
→將有降溫的需求輸入至規則二的腦袋,
→規則二的腦袋發現有冷氣可以運作且有降溫的需求,
→規則二的腦袋說啟動冷房
疑..
有發現嗎?
AI行為好像比較複雜
…..對
在這件事情上AI的確做的事情多很多
■ AI與傳統程式控制的關係

AI與傳統程式控制的關係
傳統程式控制
人工智慧(AI)
規則式AI
機器學習
傳統機器學習 –>產出 判斷式AI、生成式AI
深度學習 –>產出 判斷式AI、生成式AI
現代 生成式AI 大多都是使用深度學習來建立
■ 同一件事 在各AI上表現的情況

① 傳統程式控制
② 規則式 AI
就如同前段,不再多說明。
接下來換成機器學習,
處理的還是同一個問題:
室溫 30°C、設定 26°C,冷氣可以正常運作,
這時要不要啟動冷房?
以下用假想設計來說明,
兩個模型都假設在這組條件下判斷為啟動冷房,
方便比較處理過程,並不是實際廠商的設計或測試結果。
③ 傳統機器學習
用決策樹來舉例。
它會從資料裡學出判斷條件,
再沿著這些條件分支,得到判斷結果。
這也是傳統機器學習的一種做法。決策樹說明
先準備不同情況的資料,
並標記每種情況應該得到什麼答案,
例如:
室溫:30°C|設定溫度:26°C
冷氣能否運作:可以|預期答案:啟動冷房
室溫:26°C|設定溫度:26°C
冷氣能否運作:可以|預期答案:不啟動冷房
室溫:24°C|設定溫度:26°C
冷氣能否運作:可以|預期答案:不啟動冷房
室溫:30°C|設定溫度:26°C
冷氣能否運作:不可以|預期答案:不啟動冷房
這幾筆只是示範資料長什麼樣子,
實際還要準備更多不同條件的資料,並另外測試模型。
像這樣拿資料與標好的答案來訓練,
就是監督式學習的一種做法。
為了方便模型判斷,
工程師可以先把室溫減掉設定溫度,整理成溫差,
再把可以運作記為 1,不可以運作記為 0。
原本的條件就變成:溫差 4°C、可以運作 1。
這些提供給模型判斷的資訊,就叫特徵。
接著,訓練程式會根據資料與答案,
挑選分支條件,例如要先看能否運作,還是先看溫差,
以及用哪個溫差門檻來區分結果。
學出來的這棵樹,就是模型。
等模型訓練好,實際使用時:
→ 讀取室溫 30°C、設定 26°C,以及設備狀態
→ 整理成溫差 4°C、可以運作 1
→ 輸入已經訓練好的決策樹
→ 按照模型學到的條件,一路走到對應的結果
→ 這個例子的結果是啟動冷房
→ 控制程式執行啟動冷房
疑?
最後看起來還是一堆條件判斷啊?
對,決策樹可以整理成類似 if / else 的判斷。
差別在於,這些分支條件與門檻是訓練程式從資料學出來的,
工程師則負責準備資料、選擇特徵與訓練方法。
④ 深度學習
深度學習也是機器學習的一部分。
這次用具有多個隱藏層的神經網路來處理,
隱藏層可以先理解成輸入與輸出之間的中間運算層。深度模型說明
一樣準備前面那種資料與答案,
這個示範也沿用溫差、能否運作這兩個特徵。
假設模型的結構是:
輸入 → 隱藏層一 → 隱藏層二 → 輸出。
每一層會用目前的權重與偏差等參數,
把輸入數值經過運算,再交給下一層。
最後算出啟動冷房、不啟動冷房這兩類的分數。
訓練時,先讓模型試著判斷,
再把輸出跟準備好的答案比較,計算誤差,
接著透過反向傳播算出調整方向,由最佳化方法更新參數,
反覆進行,讓模型的判斷逐漸接近訓練答案。神經網路訓練說明
所以這些中間層,
不會因為叫第一層,就自然懂得判斷天氣熱不熱,
第二層也不會自動知道什麼叫冷氣。
裡面做的是數值運算,參數則透過訓練調整。
模型訓練好後,實際使用時:
→ 讀取室溫 30°C、設定 26°C,以及設備狀態
→ 整理成溫差 4°C、可以運作 1
→ 輸入已經訓練好的神經網路
→ 經過多層運算,得到兩類的分數
→ 這個例子裡,啟動冷房的分數較高
→ 程式選擇啟動冷房,再由控制程式執行
忙了一圈,
這次的答案也是啟動冷房。
把四種做法放在一起看:
傳統程式控制
執行工程師直接寫好的條件判斷
規則式 AI
套用工程師整理的知識規則,推導要做什麼
傳統機器學習,這裡用決策樹
沿著從資料學出的分支條件,得到分類結果
深度學習,這裡用神經網路
使用訓練後的參數,經過多層運算得到分類結果
這次判斷相同,並不代表換成其他條件也一定相同,
模型還需要測試,實際控制也要保留設備的保護條件。
但如果我們從頭到尾只要求前面那個簡單判斷,
連訓練資料的答案,都是照那條規則標出來的,
就等於先用規則準備答案,再訓練模型去模仿這條規則。
多做這些工作,有沒有多換到什麼好處?
這才是我在意的地方。
■ 機器學習,是買回家後才開始學嗎?

機器學習裡的學習,
不一定發生在你使用產品的時候。
一般是工程師在產品開發時,
先拿資料把模型訓練好,
再把學好的模型放進產品裡。
等你買回家,裡面已經有學好的模型了。
你打開冷氣,
它就拿當下的溫度與設備狀態,
交給這個模型判斷要不要啟動冷房。
這個動作叫推論。
所以,今天跟昨天做出不同判斷,
可能只是今天比較熱,
不代表模型又學到了新東西。
至於買回家後會不會繼續學,
要看廠商有沒有另外做這個功能。
冷氣用得越久,不代表模型就學得越多。
■ 放得下模型,也要跑得動

學好的模型要放進家電,
裡面的晶片也得放得下、跑得動。
簡單的小模型,
一般的微控制器,也就是 MCU,就可能夠用。
如果模型很大、要算的東西很多,
還要求很快就給出結果,
原本那顆晶片就不一定應付得來。
除了計算速度,
還要有空間存放模型,
也要有足夠的記憶體讓它運作。
而且跑模型的同時,
原本控制冷氣的工作也得照常做好。
如果原本的硬體不夠用,
就得想辦法把模型縮小,或換更強的硬體。
多做這些事、多花這些成本,
到底能讓產品好用多少?
還是得回到功能本身來看。
■ AI真實的效益

所以家電有AI功能
其實不一定會是比較好
明明就是一個很簡單的判斷
用程式直接完成就好
根本不需要再經過AI模型判斷
用AI反而可能浪費更多時間
一個很簡單的功能
根本不需要用到AI
這時候有趣的來了
如果這些產品
真AI –>
殺雞焉用牛刀 浪費時間 又浪費硬體成本
假AI –>
普通程式硬包裝成AI 說好聽是商業話術,
難聽一點就是就是賣你知識差異
商品平價就算了
商品高價就是黑心業者
■ 總結

從價格看
若你家的家電、小家電
只有幾百元
基本上不太可能有"內部AI"
要把一個 規則式AI 放進去
基本成本就會超過了
更不用說現在火紅的
由機器學習所產生的
判斷式AI與生成式AI
(之後另寫一篇介紹)
但也不是說便宜的就一定不會有AI
平價的晶片也可能執行簡單的規則
但以人心的角度想
我用這平價的晶片,反正是不公開
我寫一段件單程式跟導入一段AI規則
哪個比較輕鬆跟風險小(?)
價格幾千上萬
除非他有明確說出此產品用拿模型與規則
和運行的硬體
但這些資訊也是不用透露的
所以也無從對證
加上通常都會配個APP
反正被抓到或被懷疑就說
我們AI是在APP端拉
巴拉巴拉的
用APP或雲端來包成有AI
從功能看
簡單的判斷就是 太簡單的功能
例如
記憶上一次關機前的風速
定時開關機
這種的基本上不太有人會去用AI做(個人想法)
至於裡面到底有沒有 AI,
光看廣告,我也沒辦法替它驗明正身。
但我們買家電,
總得知道多花的錢換到了什麼。
更省電?更安靜?還是真的比較方便?
這些才是願意多付錢的理由。
如果講了半天,
只是原本就有的功能換個名字,
價格倒是跟著升級了。
那這台家電的"人工"智慧,
大概就是它的賣法。
補充觀點:
單看家電「會做什麼」,不一定能判斷它有沒有 AI;
同一個功能,可能用不同方式實現。