台灣產業AI化的問題2〉人工智慧如何持續變聰明?

在了解人工智慧對於企業與產業的影響,以及資料運用的四個層次之後,要進一步討論,為什麼人工智慧可以這麼聰明?是不是很快會取代人類?

基本上,只要是在封閉系統內發生的問題,人工智慧都可以做得很好,甚至超越人類,例如許多電腦遊戲及牌類、棋類遊戲,人類已無法與人工智慧匹敵

2016年3月,AlphaGo打敗世界圍棋冠軍李世乭,引起全球矚目,不只意味著人工智慧的發展進入一個全新里程碑,同時也讓人工智慧在近幾年成為最吸睛的話題。但是,究竟人工智慧為什麼那麼聰明?他們會持續變聰明嗎?有沒有可能很快取代人類?同樣成為許多人討論的焦點。

在某些範疇與特定的領域中,人工智慧的確表現得很出色,甚至到達超越人類的程度。例如打造出AlphaGo的DeepMind團隊,後續又打造AlphaZero,一舉超越之前所有圍棋、象棋、國際將棋的人工智慧,當然,AlphaGo與人類一併都被超越了。

AlphaZero與AlphaGo一個最大的不同是,AlphaZero不依賴人類棋士的領域知識及棋譜,純粹依賴計算,用難以想像的龐大計算量,讓電腦在左右互搏中找出致勝的線索,取代人類數百年來的切磋與計算。

人工智慧指的是讓機器擁有類似人類智慧的技術,而今天的人工智慧指的是第三波的人工智慧。

二、三十年前的第二波人工智慧,期待透過人類定義的規則來解決問題,但因為太多現實生活的難題,人類自己都無法解決,例如說預測火災或地震;或是有能力解決,但沒有能力把規則說出來,例如警衛判斷某個人是否圖謀不軌,或是面試官判斷某個人是否合適加入公司,因此,這種用人類制定規則的人工智慧系統表現並不好。

今天的人工智慧,也就是第三波的人工智慧,運用機器學習技術來計算規則,因為資料量夠大,再加上運算速度的提升,讓機器學習有能力,找出比人類說得出口的規則更加精準的規則,才讓人工智慧出現突破性的發展。

以技術角度來看,人工智慧包含傳統人工智慧與機器學習。傳統人工智慧指的就是基於人類經驗制定原則的方法,機器學習則包含所有讓電腦自行由大量資料中學習出規則的方法。

例如,如果想要讓電腦能夠辨識人們是不是在講「你好」,以機器學習的作法,必須先收集許多人的「你好」錄音,用機器學習演算法找出規則,之後就有判斷某個聲波是否為「你好」的能力。有了機器學習技術,之後延伸到「大家好」及「人帥真好」,只要多收集這兩種聲音檔即可,不用再以人工的方式來定義每一個句子的規則。

跟語音辨識相較,圖像辨識的進展則快得多,在2015年時,機器學習在影像分類的挑戰賽已經超越人類,錯誤率開始低於5%。也因此近幾年有許多應用開始出現,可以讓手機隨時快速辨識照片中的人臉或動植物、汽機車、建築物等物體。

機器學習技術又包含傳統機器學習與深度學習。兩者的差別是,深度學習技術所計算出來的規則是有層次的,而傳統機器學習的產出皆是單一層次的規則。

例如線性迴歸或決策樹就屬於傳統機器學習。相較於傳統機器學習,深度學習需要的資料量較大,運算量的需求也更為龐大,但好處是它可以處理高維度的問題,也就是具有上百、上千、甚至上萬個變數的問題。

生活中常見的問題多屬於此類,例如涉及文字、影像、聲音、影片等問題通常皆是高維度的問題,也因此若有足夠的資料量,深度學習通常可以提供比傳統機器學習更好的解答。也因此,深度學習是目前人工智慧的主流技術,舉凡我們最近所見的臉部辨識、語音辨識、無人車等等,幾乎都是深度學習技術的成果。

根據我手邊的一份資料,2014年第一季,Google這家公司內部就有超過200個專案使用深度學習,在2016年第一季,這家公司已經有超過2,000個專案在使用深度學習,也就是說,不論是在語音輸入、門牌路標辨識、照片分類、自動回信、垃圾郵件判斷,甚至在資料中心的營運上,Google已將深度學習應用在你想得到或想不到的各個應用上。在可見的未來,機器學習及深度學習將成為所有電腦軟體中不可或缺的決策元件。

那麼,人工智慧會不會很快就比人類聰明、有智慧,甚至厲害到可以統治人類?這個問題可以有長的回答,也可以有短的回答。

長的回答是,我們必須先將所有的問題分為兩個軸度,第一個軸度是問題所在的系統是開放還是封閉的,例如象棋及所有棋類遊戲是百分之百的封閉系統,但信用卡盜刷問題屬於開放系統,因為我們根本無從觀察刷卡者是否為本人。第二個軸度是,我們知不知曉問題的答案,例如颱風的路徑我們在事後當然知道答案,但是若A公司併購了B公司後業績不錯,我們還是不知道若是併購案沒有發生,A公司的業績會不會更好。

這兩個軸度可以將所有的問題切分為四個象限,基本上,只要問題是在封閉系統內發生的問題,人工智慧都可以做得很好,甚至超越人類,例如許多電腦遊戲及牌類、棋類遊戲,人類已無法與人工智慧匹敵。

在開放系統但有明確答案的這個象限,人工智慧不見得可以做得很好,必須根據我們對於此開放系統的觀測能力而定。例如說人流及車流計算是可以做得很好,但颱風路徑及金融市場的預測表現就不算好,主因是我們的觀測資料太有限,無法得知系統中的一舉一動;另一個原因是系統本身太過複雜,以今天的機器學習模型,還是沒有辦法找到觀察與預測值之間的關係。

最後一個象限是開放系統中也沒有明確答案的問題,例如該不該跟某個女生告白,該不該進行某項新商品的發售,該不該進行某個政治操作,通常因為情勢及行為無法量化,所以根本無法以電腦來分析。在這個象限裡,就是人類智慧的天下,人工智慧基本上無計可施。

所以,總結來說,對某些問題來說,人工智慧的表現優於人類;但在某些問題上頭,人工智慧比三歲小孩還不如,所以人工智慧是否會比人類聰明,必須限縮在某個領域來問題,不可一概而論。

值得注意的是,即使是在人工智慧擅長的領域內,若沒有足夠的資料量,那還是沒轍,巧婦難為無米之炊,沒有訓練資料,就沒辦法找到規則,沒有辦法讓電腦擁有人工智慧。

但人工智慧是否會比人類聰明這個問題,也有一個短的回答是:不會,這一波,也就是第三波的人工智慧,並沒有賦予電腦任何「思考」的能力,所以人工智慧絕對不會比人類聰明。

所以,關於人工智慧,重點是瞭解他的能與不能,不要太過期待,但也要清楚瞭解它究竟能幫我們做什麼,以及怎麼做可以發揮它的潛力。這也是我們這系列課程的重點目標之一。