Home / 經濟金融 / 淺談人工智慧(上):AI的本質與研究主題

淺談人工智慧(上):AI的本質與研究主題

章頭圖片來源: CC0圖庫

 

人工智慧(artificial intelligence, AI),是近年來非常熱門的議題之一。

 

隨著聊天軟體、專家系統、機器人理財等商業應用逐漸成為現實,這波浪潮似乎已掃到我們腳邊了──這是否代表,我們被機器給取代的將來已不遠矣?

 

以下,筆者先簡介AI的關鍵理念及研究領域,爾後並將再帶大家一覽AI的商務應用現況、並分析人類未來的職場定位,希望能讓大家以較全面的觀點來了解AI的本質、影響及因應之道。

 

緒論:人工智慧領域緣起

 

 

追本溯源,AI其實早在1950年代便已開始蓬勃發展。著名的計算機科學家A.M. Turing( 圖靈)在其於1950年發表的論文 《Computing Machinery and Intelligence》中,便已預言了具備思考能力的機器將會出現、並提出了一種檢定機器智能的方式,即後世所稱的圖靈測試 ( Turing Test)。

 

到了1956年,由J. McCarthy等人聯合發起的達特矛斯會議( Dartmouth Summer Research Project on AI),則界定了AI的本質及可能的研究方向,為未來人工智慧的進展奠基。根據1955年八月底由J. McCarthy等學者起草的提案,AI可說是基於「(生物)智慧的任何特徵,理論上都可以被精確描述、致使機器得以加以模仿」的假說,而專精於研究如何「使機器學習使用語言、型塑概念並做抽象化思考、解決當前只有人類可以處理的問題、並不斷自我精進」的一門學問。

 

人工智慧核心機能

 

一、深度自動化機器

自從工業革命以來,機器已逐漸能取代許多過往由人工執行的簡單作業、但僅能依據預先輸入的指令行事、缺乏彈性。

 

隨著硬體設備與演算法的改進,如今機器已能更相似地模仿人腦的決策過程,具備「學習」、「邏輯推理」等功能、並持續朝創造性思考、一般化應用等人腦進階特性邁進。

 

就AI未來演化的路徑,市場上存在兩個分歧──強人工智慧(Artificial General Intelligence, AGI)及弱人工智慧(Applied AI,AAI)。前者係指進一步結合情感、認知等人腦高層次功能,並能通用於各種情境的AI,為未來AI的關鍵發展方向;後者則僅能在特定情境下表現類人類智能是當前商業應用的主流。( 註一)

二、通用程式語言

 

  語言,可說是人腦許多功能的重要基礎。「思考」、「記憶」、「發想」等過程,都涉及了語句與字彙的推想、重組與整合。

 

對嘗試模擬人腦的機器與其開發人員來說,共通語言也是必要的元素。在量子電腦出現前,電腦是通過「0與1」的電路訊號來理解來自外界的指令。隨著程式的複雜度提升,C++、LISP、Prolog等更一般化的語言應運而生,成為聯繫人類與機器的橋梁,並使機器能統整多樣的外界訊息、進行決策。

 

三、類神經網絡架構

 

生理結構上,人類的大腦可說是由無數神經元所構成的。每個神經元都具有複數個接收訊息的「樹突」、及一個傳出訊息的「軸突」,而大腦的運作就由近千億個神經元間的互動來達成。

 

類神經網絡的出現,則使機器能模仿人腦中神經元的運作,從而得到構成抽象「概念」、並得以「學習與思考」的能力。

 

具體來說,電腦的神經元是一套處理輸入訊息的程序,通過「訓練」的過程來讓系統調整不斷調整函數的參數值,直到輸出結果的正確性達一定程度為止。舉例來說,當前的智慧語音與圖像分析軟體,在正式推出前皆會被「餵食」大量的資料來做初步校正、上架後再依據使用者提供的回饋來不斷自我改進。

 

 

四、衡量演算法複雜度能力

 

對人類來說,當我們設定一個目標後,一般會從所有方案中尋找最可行的那個來執行。

 

對機器來說,「篩選方案」的過程,首要課題便是以什麼指標來評估方案的可行性。這個指標,就稱為複雜度函數(complexity function)、而,各種不同的演算法,就是機器眼中「可能的方案」。演算法耗費的「時間及需要的運算效能」,是複雜度函數最常見的關注重點,分別被稱為「時間複雜度及空間複雜度」

 

五、自我精進能力

 

一個成功的人工智慧系統,必須要有持續自我改進的能力。如上所述,搭載有AI的系統在出廠前多會經過訓練的步驟,以確保基本的正確性。然而,現實世界的情境可能遠超出實驗室中所能模擬的,故AI必須有自我適應的能力,不斷自行調整其理解外來訊息的方式、使反應切合使用者的需要。

 

六、抽象化能力

 

現實世界中,資訊多以混雜的「情境」,而非單一事件方式來呈現。如果要完全記住每個情境的所有細節、並賴以進行決策,則將衍生兩個嚴重的問題:「記不住、反應慢」。前者係因情境細節太多,個體很難有效加以記憶及重現;後者指的則是當情境發生改變時,個體若要重新驗證所有細節,將造成反應遲緩。

 

抽象化」,便是將可能不影響決策的細節省略,把情境拆分成許多關鍵元素或辭彙,以便儲存、處理的過程,可以增進AI的學習與反應效率。

 

七、隨機性思考與創意

 

「我沒有一項發明是碰巧得來的……這得歸諸百分之一的靈感和百分之九十九的汗水。」──湯瑪斯·阿爾瓦·愛迪生,1929。

 

不過促成他成功的那1%靈感,正是人腦未來能否持續領先人工智慧的關鍵。「靈感」具有難以被邏輯化的本質──雖然它也多是由外界資訊啟發、並配合既存的知識而產生,但其間的過程卻幾無跡可尋、有時更連當事人也無法理解。

 

目前人工智慧即便能仿照人腦進行思考與學習,在問題解決方面卻仍需基於過往的經驗、缺乏創意。因此,這個面向也是未來人工智慧發展的重點。

 

人工智慧特徵

 

一、自然語言

 

語言不僅包含使機器了解人類的語言,更是必須讓機器能以人類語言來與外界溝通。

 

我們在上文中提到,機器主要使用專用的「程式語言」來理解外界的命令、並以之統整接收到的資訊。然而,當機器必須與外界直接「互動」時,理解「人類的語言」便極為重要──因為這牽涉到使用者對機器「信任感」的建立、決定了機器能否站在第一線與客戶溝通。

 

舉例來說,百度的語音搜尋功能,較著重單向的自然語言理解能力,讓使用者能以日常語句發問,不再受限於傳統的關鍵字檢索;而小i(註二)等應用於客服領域的聊天機器人,更必須同時具備自然語言接收與輸出能力,方能有效解決客戶問題。

 

二、機器學習

 

聚焦於機器的「自我精進」能力,使其能基於過往經驗來不斷加強其預測、決斷能力。機器學習可說是AI應用的敲門磚,故而如Google、Microsoft等大廠皆有各自開發相關的演算法、爭奪在此領域的話語權。

 

三、不確定性管理

 

在人類世界中,每個情境幾乎都包含了一定程度的不確定性──比如,天氣晴雨、氣溫炎涼,乃至人為事故等。我們一般以「機率」來加以衡量、做為決策參考,但統合資訊的能力;對機器來說,則可通過大量模擬可能的狀況,以統計方法判讀出最適當的反應。

 

四、專家系統

 

「江湖一點訣,說破金變鐵」,各行各業都有不外傳的專業知識、而行業中的佼佼者通過歲月積累,終而能被敬為「專家」。專家系統,便旨在嘗試使機器模仿專家的角色,以較系統性的方式做出專業判斷,以節省培訓「專家」需要的時間和資源。舉例來說,信用機構用以准駁借款的「信用評分」,便是專家系統的一種型式。

 

五、資料探勘

 

其涉及了人工智慧、計量分析等多個專業領域,以發掘數據規律、辨認關連性俾供進一步決策使用為目的。當探勘的資料筆數眾多、且結構多鬆散而破碎時,從中萃取出有意義資訊的技術,便是市場習稱的「大數據」。

 

小結

經過以上介紹,相信大家對於人工智慧(AI)應該有了更深刻的了解。它將如何影響我們的飯碗、我們又該如何因應呢? 請待下回分解。

 

 

(註一): 值得注意的是,某些弱人工智慧也可以達到近似強人工智慧的效果。舉例來說,美國Cogito公司開發的語音分析軟體,雖可從人的語調、語速中判斷該人的情緒、並給予客服人員因應的建議,但本身並不具喜怒哀樂-亦即,AI可以解讀人類的情緒,但本身不必具備情緒。

(註二):小i機器人是由上海智臻智能網絡科技股份有限公司所開發,涵蓋虛擬聊天軟體、實體客服、及雲平台的機器人品牌。該品牌經營的市場以中國本土為主、客戶覆蓋數達2億人,並獲知名調研機構Gartner譽為除IBM旗下的WATSON外,智慧機器人領域的另一顛峰。

 

1.每日頭條: <強人工智慧科普知識>

2.INSIDE: <人工智慧有多恐怖?聽聽「天才」Demis Hassabis 怎麼說>

3.介面新聞: <別讓AlphaGo給忽悠了,強人工智慧才是未來>

4.端傳媒: <人工智能還能指導客服人員如何優雅地給顧客打電話>

5.科技新報:<人工智慧里程碑:電腦首度通過圖靈測試>

6. 維基百科: 條目(中/英/日文頁面)人工智慧、強人工智慧、機器學習、資料採礦、自然語言

 

 

About 黃 楷瀚

從傳統商銀、數位金融到投資銀行,實習經歷無奇不有又飄忽不定的怪人。天天都在思考新議題、沒事喜歡蒐集資料做做簡報,持續開發新的想法。如果不是窩在電腦前,就一定是在臺北街頭迷走中。

Loading Facebook Comments ...
Loading Disqus Comments ...