【Yahoo論壇】AI越狂熱 政策要越踏實

讀者投書：何正信（台灣科技大學名譽教授）

如果要說最兩年來，學術界與工業界最大的科技震撼，大概非人工智慧(AI, Artificial Intelligence)莫屬。尤其是在媒體的推波助瀾之下，AI更像橫空出世的神一樣，似乎拯救這個世界就是靠「祂」。看看科技部最近的計畫，若不沾上AI，大概很難過關，教育部也搶搭這波潮流，一掛上AI，補助就來。

因為人人都談AI，就讓我想起一個股市名人的經典語粹：當市場的大媽們都口沫橫飛的談著如何從股市賺錢時，就是股市崩潰的徵兆。最近的AI熱，會不會也可以歸類到這份預言？實在是一個很值得分析的話題。

為了讓任何人都可以看懂這篇文章，我將避開所有的專門術語，尤其是科技方面的專門術語，只從AI過去與現在的發展進程，先讓大家了解AI在做甚麼，能做甚麼，然後再提出面對未來，我們應該採取何等態度來看待現在的AI熱潮才比較理性。

AI的過去：

AI從1940年代就有人研究，主題多數圍繞在遊戲程式的開發，像跳棋、西洋棋等，也取得部分成果，那時有個AI跳棋程式可以經由自我對打升級，棋力甚至不輸人類高手。1956年，AI的名詞正式誕生後，到1970年間可以說是AI通用解題技術的發展巔峰，當時甚至有人開發出一個「萬用解題程式(General Problem Solver)」，號稱可以不分問題類型，一招技術解決天下難題，當時最有名的預言就是：20年內，機器可以做任何人類能做的事情。這段時間，AI程式的定位可以看成「用來解一般電腦也不容易解的所有難題」，有點像人類可以解任何難題一樣。可惜，當時熱烘烘的技術，卻跨不出實驗室，因而引起的極度失望，終於將AI帶入第一個冬天。

1980年代，AI以專家系統的技術重新紅了回來，因為重新發現「知識真的才是力量」：人類在各問題類型的專業知識，才是解題王道。當時，專家系統在醫療問題取得重大成功，甚至讓當時的AI程式被定位為「運用人類灌入的特定問題的專業知識，表現出人類專業水準的系統」。也是這份成功，讓人們不分青紅皂白，將AI濫用到所有問題類型，不幸，各問題類型的專業知識不見得都能用同一種方式運作，另外，知識內容也常是與時俱進的，直接灌入現有知識的AI程式很難與時成長，最後因為無法如其宣稱的可以在各個問題類型發光發熱，而使AI又悲情的進入第二個冬天。

1990年代，AI的機器學習技術在理論上取得較科學性的發展，AI程式可以透過學習方式習得較可靠的解題知識，不用完全靠人類做中介灌入知識，遂又吸引了眾人的目光，但要談到踏出實驗室的實際應用，還是碰到了撞牆期。這要到2000年代後，在深度學習技術的提出，配上產業界大數據的蒐集，以及螞蟻雄兵式的硬體效能大躍進後，才由產業界帶頭，讓AI重新擦亮招牌。這時的AI其實是機器學習的代名詞，也就是說AI程式的定位已變成「可以透過深度學習技術習得知識來展現與人類能力匹敵的系統」。

AI的現在：

AI被神化了，尤其在人類承認AI透過深度學習技術在西洋棋、圍棋上展現的能力已經遠勝人類後，出現以下的《預測迷思》也算常情：「AI程式能力會以人類無法了解的方式持續成長，在各行各業取得顛覆性的成功」。這個預測一般都煞有介事地附上許多圖表做為佐證，以取信於人。這個預測同時引起了樂觀與悲觀看待AI的兩派論點：一、AI帶入的工作能力(勞心或勞力)將有利於產業界的產能，人類將會有更多時間，去作需要思考性的工作；二、AI將會大量奪走人類的工作，並在沒有人類價值觀的約束下，變成傷害人類的惡魔。

首先，上述的預測迷思，是不切實際的，從人類學習能力的角度來看，至少有三種特色是目前的機器學習技術很難達到的：

一、目前AI程式能力的強弱，繫之於餵給學習技術的訓練資料，一般訓練資料都需要透過人類的事先處理，例如把跟學習目標有關的資料先篩選出來，資料內有不清楚、不一致、闕漏的部分要先補正等等，這道工序是個大重點，如果運用同一套學習技術到同一類型問題，卻表現不出應有的能力時，最基本的懷疑就是這道工序沒有到位。人類的學習來源不見得需要這道工序。

二、目前AI利用學習技術習得的知識，在既定的遊戲規則下，可以表現得很好，但一旦遊戲規則改變，甚至是微小的改變，例如《AI法律系統》處理的法規立法意旨若有微調，就需要重新學習，在深度學習上，這是個很繁重的負擔。人類的調適性(Adaptive)學習能力相對上單純有效許多。

三、目前AI的學習技術，對付同類型的問題，或許如魚得水，但要轉換到不同類型時，就可能讓系統潰敗。也就是AI在某問題類型的成功經驗並不能保證可以成功複製到所有問題類型。人類在類比抽象學習能力上就遠較機器強。

上述AI目前機器學習技術的瓶頸，可以讓我們很清楚看到，AI要靠機器學習這個獨立技術無限制的發展下去，甚至自我成長下去，是有很大疑問的。既然這個預測目前還是個迷思，因它而起的兩派面對AI無限制發展下去的樂觀與悲觀爭論，就沒有理由這麼極端。一個比較理性的看法或許如下：

AI在某個問題類型的成功，一定會衝擊到該類型工作者的勞動機會，這和從18世紀工業革命開始帶來的震撼是完全一樣的，AI並沒有太特別。二、三百年來，人類因應工業革命工作類型轉變(新增或淘汰)的歷史，告訴我們人類有能力調適這種改變。更何況，任何技術造成天翻地覆的改變都不可能是一瞬間的，因為產業對新技術的部署(Deployment)都需要周遭環境與時間的配合。因此，隨時注意產業界新技術的成熟度，做適時的因應，才是應有的態度。再者，承上，AI在某問題類型的成功經驗並不能保證可以成功複製到所有問題類型，因此，把AI一下子將翻轉所有產業的恐慌加到每個人的心上，其實是不負責任的立論。

目前AI算顯學，因此，產業界言必及AI，學術界語不離AI，好像整個科技界除了AI外別無他物，一般人在不知AI的底細下，確實很容易被一些包裝在AI內的炫麗科技名詞所惑。以下，我特別挑出一些與AI最相關也最常見的技術名詞，做簡單解釋：

物聯網(IOT, Internet Of Things)：AI技術的應用領域之一，強調的是在各種物體都就具有連結能力的大環境下，AI可以就這個連結起來的世界，進行整體系統更有智慧的分析、部署、與運行，以成就更好的運作成效。

雲端運算(Cloud computing)：支援AI運算的技術，同時也是AI的應用領域之一，強調的是透過雲端提供的計算能力，進行複雜的AI運算，同時可以把運算結果配合各端點設備，展現更具智慧的效能表現。

7奈米級晶片製程(N7, 7-Nano)：可作為支援AI運算的硬體技術，強調透過硬體製造技術的升級，提供更強的AI運算能力。

工業4.0(Industry 4.0)：是AI的應用領域之一，強調提昇製造業的電腦化、數位化和智慧化。

深度學習(Deep learning)：是AI的一種學習技術，目前最熱門的，多數與類神經網路有關，例如CNN、RNN、LTSM等。

大數據(Big data)：是AI學習技術運作的資料，大數據代表非常大的資料庫，一般以Tera byte起跳(1Tera byte=10的12次方位元組，約是一萬個億的英文字母的大數量)

智慧機器人(Intelligent Robotics)：是AI的重要應用領域之一，強調機器人在硬體機械結構外，如何透過AI技術在視覺/推理/作動等層面，展現更具智慧的風貌。

最後，讀者在看完這篇文章後，知道了AI的歷史沿革，對AI技術有個基本的中心思想，配上上述對AI相關技術名詞的簡單解釋，相信應更能理性地賞析有關AI的相關報導。如果政府部門、學術界、或產業界，能因此也用更踏實的態度去面對這兩年來AI的狂熱現象，不再一廂情願、一窩蜂地去追逐那高掛天邊的魔法，或許更能讓AI好好發展，好好幫助這個社會，則AI幸甚，國家幸甚。

更多論壇文章
台灣主教，北京提名？不會吧
新竹虐童案—給想離婚的爸媽十件事
喜歡品種犬貓，購買前先想清楚的事！
司法官別成為假新聞的「幫凶」
蔡政府對國軍—選前輕賤、選後謊言

＿＿＿＿＿＿＿＿＿＿＿

【Yahoo論壇】係Yahoo奇摩提供給網友、專家的意見交流平台，本文章內容僅反映作者個人意見，不代表Yahoo奇摩立場。有話想說？不吐不快！>>> 快投稿 Yahoo論壇