(專論)人工智慧的突破帶來進步也帶來隱憂

最近一年來，生成式ＡＩ和大型語言模型的人工智慧給全球帶來了前所未有突破性的影響，這是怎麼來的？興奮之於有沒有隱憂？

為了思考人工智慧的發展，我們有必要系統梳理ＡＩ發展的歷史和目前幾個重要的問題。其實人工智慧的發展也不是線性，而是分別有三次重大的突破才有今天的輝煌。

一九五六年的達特茅斯會議開啟了人工智慧（ＡＩ）元年，早期的人工智慧研究直接模仿人類進行逐步的推理，就像是玩棋盤遊戲或進行邏輯推理時人類的思考模式。第一次人工智慧的突破通常指的是廿世紀五○年代至七○年代初，在這個時期，人工智慧主要用於解決代數、幾何問題，以及學習決策判斷，研發主要圍繞機器的邏輯推理能力展開。

第二次的突破則始於上世紀八○年代，模仿神經傳導的神經網路，使用多層神經網路的參數計算，以解決非線性分類和學習的問題。其中反向傳播（Back Propagation，BP）演算法是最重要的關鍵，因為ＢＰ的概念，就是將誤差值往回傳遞資訊，使權重可以利用這樣的資訊進行梯度下降法來更新權重，進一步的降低誤差，可以做出準確的結果。因此而發展的針對特定領域的專家系統也在商業上獲得成功應用。

第三次的突破始於二○一○年前後，關鍵在深度學習的出現。該突破解決多層神經網路學習過程中的梯度消失問題，並且能夠自動提取並表徵複雜的特徵，避免傳統方法中通過人工選取特徵的問題。深度學習被應用到語音辨識以及圖像識別中，取得了非常好的效果。

近年再進步的轉換器 (Transformer) 演算法使用注意力 (attention) 的數學技術，可偵測一個系列中以微妙方式相互影響和相互依賴的資料元素，甚至是模糊的成份，無須使用加上標籤的學習，讓模型在海量資料中更快速的運行。

轉換器演算法應用到生成式ＡＩ技術，也導致了預訓練大語言模型的產生，比如ＧＰＴ、ＢＥＲＴ和百度文心等。這些模型可以生成新內容、模仿人類創造力和創新性的能力。生成式ＡＩ已經開始應用到各行各業，就如早年電力的穿透，不但帶來各式各樣的創新，而且因為生成式ＡＩ也產生更多有用的工具，降低創新的門檻，可預期帶來未來進展會更神速。不過這個前提還是需要有配合的算力。

算力是通過對訊息、數據進行處理，實現目標結果，輸出的計算能力。而要實現高算力，傳統就是ＣＰＵ晚近則是ＧＰＵ晶片，主要是因為演算法涉及複雜的矩陣、向量等乘法及加法計算。

眾所周知，由於晶片已經進入奈米等級而達到物理的極限，摩爾定律將逐漸失效。但黃仁勳說：「以ＧＰＵ為首的加速算力已取代ＣＰＵ，並在今（二○二三）年與生成式ＡＩ結合，未來將進入全新的運算時代」。

最後，生成式ＡＩ和大模型帶來巨大商業機會的同時，也帶來了一系列特殊的安全隱患：生成式ＡＩ可以用於生成看似真實的、但實際上是虛構的新聞、文章或其他內容。這可能會導致誤導、欺騙或傷害某人的名譽；生成式ＡＩ可以用於模仿某人的寫作風格或語音，從而進行身份欺詐。如果不受到適當的約束，生成式ＡＩ可能會產生有害、攻擊性、歧視性或其他不當的內容。如果訓練資料中存在偏見，ＡＩ模型可能會放大這些偏見，導致不公平或歧視性的決策。

準此，為了應對人工智慧的安全隱憂，需要持續地監控、評估和更新ＡＩ系統，同時也需要在研究、開發和部署階段考慮安全性和可解釋性。 （作者為中信金控首席經濟學家、中信金融管理學院講座教授）