站在「人工智慧」巨人的肩膀上.PDF

導 讀 站在「人工智慧」巨人 的肩膀上 AI AI AlphaGo 打敗人類棋王後，人工智慧（AI ）儼 的辨識成效已經逼近人類的表現。在〈機器如何深度學 從然成為新一代顯學。AI 領域的科學家最常採 習〉一文中，作者班吉歐以多層神經網路為本，闡釋深 取的研究方法是機器學習，而機器學習背後 度學習以及它為何成功。相信你可以發現，深度學習除 最大的推手是與日俱增的巨量資料（big data ）。這本博 了自身演算法在辨識上的優勢，也蒙受兩個重要的外來 學誌《掌握數位生活》收錄了電腦、網路、教育等領域 關鍵因素助益：電腦運算速度的提升（藉由新的圖形處 的進展，將帶領讀者從不同角度一窺這波數位革命。 理器）以及巨量標記資料的出現。 首先，在〈會思考的電腦〉一文中，作者阿布–莫 然而，深度學習還是有它的局限。在〈電腦有意識 斯塔法深入淺出，探討機器可以「學習」如何完成以下 嗎？〉一文中，作者柯霍與托諾尼提出：電腦即使可以 幾種不同的工作。一種是機器學習可達成分類任務，例 辨識照片中的物品，卻還無法達到更深層的「理解」。 如我們給電腦一群正常人與另一群癌症病患的肺部X 光 許多小朋友常常會玩一種遊戲「這張圖有什麼不對」， 影像，它能自動學習如何區分兩組資料，並在日後對其 他們要從一張圖中找出不合理之處（例如有個人坐在電 他X 光影像進行正確分類；另一種是機器學習也可做出 腦前，左右手都握著滑鼠）。這樣的任務對AI 而言是非 數值預測，例如我們把某家公司過去20年的財務資料及 常困難的，因為這需要高度的資訊整合與理解能力。兩 股價輸入電腦，它可訓練出一個預測該公司股價的模 位作者認為所謂的「意識」是能夠整合訊息的理解能 型。還有，機器學習甚至可提出一連串決策建議，當我 力，而非很多獨立存在的辨識系統。目前的深度學習可 們給電腦過去的一些決策資料，機器學習可以學到在什 從照片中辨識出各種物品，卻還沒有能力「整合」這些 麼狀況下做出什麼樣的決定，可能會獲得最佳的利益， 資訊，獲得更高層次的理解。主要原因是這些資訊的組 例如AlphaGo 能夠根據過去棋手下棋以及自我模擬下棋 合量太大，電腦尚無法透過訓練來完成目標。 的資料，來決定當下棋子的哪個著點會有最大的贏面。 深度學習讓AI 露出了曙光，背後一個重要的推手 機器學習的成功已受到廣泛認可。但一個擁有高 就是巨量資料。巨量資料不僅對個人產生影響（例如推 度智慧的個體除了能「學習」，還要能「發明」與「發 薦系統服務），對於公司、城市、政府施政也帶來了前 現」。AI 如何超越一般人類的智慧，讓電腦成為如愛迪 所未有的轉變。在〈巨量資料驅動城市〉一文中，作者 生、莎士比亞或福爾摩斯這類發明家或創造者，正是目 潘特蘭談到自己如何利用電腦來分析人類行為的巨量資 前AI 領域的研究者（例如我的團隊）著手努力的方向。 料，創造出更多價值。他用了「數位麵包屑預測」這樣 雖然機器學習的前景不可限量，但是它的發展過程 一個很生動的說法：人類各式行為留下的一些數位記錄 並非一帆風順。「莫拉維克悖論」曾指出：AI 在一些需 （例如臉書上聯絡誰、去哪裡、做了什麼事），都像從 要高度智慧以及推理的任務（例如下棋、預測）可以做 嘴邊掉落的麵包屑。然而在追蹤這些麵包屑之後，電腦 得很好，卻無法辦到一些連兒童都做得到的簡單任務， 將可以做出許多預測。例如，根據行為判斷一個人是否 例如辨識人臉、快速繞過障礙物。這也限制了它的應用 生病、預測他將來會買什麼衣服、甚至有沒有能力清償 範圍，不過近年來發展成熟的「深度學習」技術，在 貸款。潘特蘭分析了某家公司內部人與人的