6.下列何項因素並非人工智慧第三次熱潮的發展基礎？
(A)半導體技術的進步
(B)電腦運算能力提昇
(C)雲端儲存變得便宜
(D)金融科技的發展

人工智慧的發展的三次熱潮：

（一）第一次熱潮(1950~1960年)

「人工智慧」1956年夏天的「達特茅斯會議(Dartmouth Conference)」。讓機器具備「推論」或「探索」的功能，使用的主要工具是樹狀結構的搜尋演算法，用以做「狀況區分」。

（二）第二次熱潮(1980~1990年)

焦點轉移至「知識」，因而發展出「專家系統(Expert System)」，也就是讓電腦汲取專業領域的知識後，透過推論，展現有如該領域專家般的表現。

專家系統的基本元件是一個知識庫(Knowledge Base)和一個推理引擎。儲存在知識庫的資訊是透過與該領域的專家訪談所取得，訪談者(或知識工程師)把取自專家的資訊彙編成一組規則，這些規則往往以「若…則…」的結構呈現，稱為「生產規則(Production Rule)」。史丹佛大學開發的MYCIN即為早期專家系統的重要範例。

（三）第三次熱潮(2000年~現今)

由於半導體技術的進步，電腦運算能力大幅提昇，且半導體成本的下降，使用雲端儲存變得便宜，加上在雲端伺服器內收集了世界各地的「大數據(Big Data)」，為人工智慧建立了發展基礎。

其中「機器學習」與「深度學習」扮演了相當關鍵的角色。機器學習是一種電腦程式自行「學習」的機制，「學習」的基本目標是「分類」，也就是能夠對給定物件做出判斷，適當歸類。是非題就是一種最常見的分類問題，機器學習使電腦運用「已知」的大數據學習分類，學成之後即可對「未知」資料做分類。

換句話說，機器學習的發展方向，是在設計、分析一些讓電腦可以自動「學習」的演算法，讓機器得以從自動分析資料的過程中建立規則，並利用這些規則對還沒有進行分析的未知資料進行預測。

另一方面，深度學習是機器學習的一個分支，主要方法是經由大數據來訓練電腦自行「理解」資料的「特徵值」，稱為「特徵表達學習」。