人類快被超越?加速中的人工智慧

哈佛商業評論─數位版文章
人類快被超越?加速中的人工智慧
許志義 Jyh-Yih Hsu

人工智慧的強大之處,即是透過蒐集的大數據,加上演算法運算能力、領域專業知識的know-how,進行自我診斷、學習,再自我進化。

2017年初的Beneficial AI會議上,特斯拉(Tesla)執行長伊隆.馬斯克(Elon Musk)說:「我們若不是正走向超級人工智慧,就是在邁向人類文明的終結。」物理學家史蒂芬.霍金(Stephen Hawking)也曾說過,人工智慧可能成為人類最大的敵人。

為何他們對人工智慧如此忌憚?因為隨著蒐集的數據量愈來愈大,人工智慧的演算能力就會加強,未來可能進化出超越人類的智慧。

AI的基礎:三個層次的分析

人工智慧重要的基礎之一,就是分析數據的能力。而分析又可分為三個層次:第一層為「敘述性分析(Descriptive analytics)」,偵測和描述數據資料;第二層為「預測分析(Predictive analytics)」,根據大量過去的資料,運用演算法找出模式,預測未來;第三層為「處方性分析(Prescriptive analytics)」(編注:又譯作「規範分析」、「建議分析」、「指導性分析」),也就是根據預測的未來,建議行動方針。

以智慧製造的情境來說,就好比系統偵測出製造機台出現雜音,或是震動頻率異常,運用這些徵兆,就能預測接下來可能會出現偏誤。若預期會出現偏誤,系統就能先行校正,以降低可能造成的誤差,提升良率,這就是「精度補償」。

換言之,人工智慧擁有傑出的分析能力,更有自我診斷、自我校正的能力。

AI的特性:自我學習、自我進化

電腦的強項,就是能迅速處理龐雜的資料,快速進行邏輯推理,從數據中解讀出人力無法產生的洞見。而人工智慧的強大之處,即是透過蒐集的大數據,加上演算法運算能力、領域專業知識(Domain knowledge)的know-how,進行自我診斷、學習,再自我進化。

例如,語音助理Siri和Alexa,一邊以對談提供使用者服務,一邊從對談中學習,進而改善其自然語言處理技術。又如,廣泛運用在影像、語音識別的深度學習(deep learning),就是將大量資料放進輸入層,經過數個隱藏層中的演算法處理,再從輸出層產生預測結果;其中經過越多個隱藏層,就代表學習得越深層,學得更細膩,也可能達成更佳的自我改進。

蒐集的資料愈多,愈加速AI學習

早期的「專家系統」( Expert systems),為何沒有成功發展為如今的人工智慧?除了軟、硬體技術沒有到位,缺乏功能夠強的演算法、晶片來處理資訊,還有一個重要原因:以前的數據量,遠不如現今大量。

人工智慧要有效學習,就需要大量的資料,讓它能夠自我訓練。接觸的資料愈大,愈具體,人工智慧的學習、成長速度就愈快,就越能處理更多資料。而隨著科技突飛猛進,人們過去三年新增加的數據資料,就超過了人類過去累積的所有資料總量。也就是說,未來我們將以更快的速度產生更多資料,進而加速了人工智慧的成長。

當人工智慧進化到一定程度,甚至能在學習過程中,發展出自己的語言與邏輯。例如,Facebook曾進行測試,讓聊天機器人互相溝通,學習談判協商,過程中竟發現AI發展出人類無法理解的語言,引起了熱烈討論。

AI還不足以威脅人類,但需謹慎發展

究竟人工智慧能否超越人類,取而代之?可以斷言的是,目前還無需擔心。

因為生命是一種開放式系統,電腦卻必須在封閉式系統運作。因此,電腦若要在實體環境中運行,就必須把開放式系統數位化,記錄系統的每個角落、環節,再將資訊呈現出來。

而目前的人工智慧,還未頻繁暴露於實體環境中,沒有充分擷取、紀錄、理解大量的活體特徵(feature),仍無法像人類一樣,處理實體環境、開放系統中的資訊。

簡單來說,也就是目前的數據量仍不夠大,不足以讓人工智慧發展出超越人類的智力。再者,人工智慧的相關人才,也還相當稀少,限制了人工智慧的發展。

但無可否認的是,人工智慧已帶來衝擊,最直接的,即是開始取代人類的工作。而且它學習、進化的速度,只會大幅加速。我們除了積極發展人工智慧,追求創新,也必須積極調適,以免被輕易取代。

(原文刊登於2017年7月27日哈佛商業評論)

回應已關閉。