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。