【人物特寫】跟著「機器」「學習」生命科學的教授──陳倩瑜老師

2012 年 05 月 31 日2017 年 03 月 31 日 admin 1 Comment 機器學習

分享至

採訪‧撰文│郭冠廷

攝影│徐伊亭

哲人笛卡兒曾經說過「我思故我在」這句精言，一語道出人之所以為人，正在於人懂得思考。那除人之外，機器能否也和我們一樣思考呢？我們是否能教出像是2001年史蒂芬‧史匹柏（Steven Allan Spielberg）所導演的《A.I.人工智慧》（A.I. Artificial Intelligence）中能如人類般行動的機器人？他們又是怎麼「思考」的呢？和我們人類的思考方式是相同的嗎？

臺灣大學科學教育發展中心（CASE），在中心主任陳竹亭教授主持，與擔任顧問的臺大醫院謝豐舟醫師的精心策劃，在今年上半年度，舉辦一系列的《探索講座》，並以〈大腦、演化與學習〉為主題。將在六月二日週六的下午兩點鐘，於臺大應力所一樓國際會議廳，由陳倩瑜副教授為大家主講〈機器學習的演進與應用〉。

我們可以想像電腦也有大腦，用CPU去比擬，而電腦的思考方式，就是「機器學習」領域要研究的「演算法」。「電腦的邏輯思考，就是我們所寫給CPU的程式。」但電腦也不是天生就什麼都會，也是要慢慢「學習」辨識一些物品、食物、人。像是現在的指紋辨識，或高階相機的人臉辨識，乃至於生物上疾病或基因體資料的分析，都是機器學習的相關應用。

而電腦在學習的過程中，常常運用仿生的技巧，例如：演算法的架構就很像我們的神經網路。像是人眼看見某長方體大型物，大腦判斷它是一臺車子；先有接受到外界的刺激，然後才產生相關的反應。但是，其實機器也可以與人教學相長「有些概念成功之後，可以反過來讓我們生命去學習。」因此，老師精心策畫了這個主題，借鏡機器來重新關照自身的大腦學習。

自主的學術生涯

陳倩瑜副教授，臺灣大學電機系畢業，之後轉往美國史丹佛大學攻讀電機工程研究所碩士，擁有IC設計的專業能力。歸國後，因為感於硬體的發展已經成熟，軟體有較大的發揮潛能，而轉念臺大資訊工程研究所博士班，並順利取得博士學位。攻讀博士學位之前亦曾到業界一段時間，但發現公司的限制太多，需要顧慮公司發展與團隊的需求，自主性相對減少，因而取得博士學位後選擇投入學術研究工作，現任職於臺灣大學生物產業機電工程學系副教授，研究專長主要是生物資訊（Bioinformatics）、資料探勘（data mining）、機器學習（machine learning）。

老師橫跨電機、資訊、生物多重領域，「需要什麼就學什麼，慢慢的補回來。」在剛碰到生物領域時，也面臨許多專業單字看不懂。所幸，因為享受閱讀、喜歡思考與探索未知，讓她得以走過這段艱辛的日子。

陳老師很享受現在的工作，除在從事學術研究工做之外，更擴及到教授研究職責的另一個部分──教育。老師很喜歡讀書、思索，而做研究本身也是一種思索的過程，教育也是如此，事實上在業界工作時，老師就很熱衷於公司中教育訓練的工作。「學生不一定接受每一種教法，」老師表示，在機器學習的研究上，其實就是說她是要教導電腦去學習，「而當學生不能接受這個教法時，我們就要嘗試去開發另一種教法。」老師謙虛言道：「到目前為止我不覺得我已經把它做好了。」

在授課的經營上也是如此。「我會盡量讓全部的聽眾都能聽懂這次的演講，以聯想或譬喻的方式來講述。」老師表達自己對演講的期許，並實踐自身兼有學生取向的教學方針，並鼓勵各領域的同學能夠來聽講。「縱使最後只有懵懵懂懂，我相信多少也有思想上的衝擊。」

鑑往知來

那到底什麼是「機器學習（machine learning）」呢？「機器」如何「學習」？機器和人一樣會「思考」嗎?除思考之外，還有沒有其他的辦法可以學會一些技能？什麼是「思考」這就挑戰許多人的既有想法。

在過去的機器學習研究，是讓機器自己去「想」而後行動。這群研究者，寫出一套程式，並且依著內部程式所寫入的機率計算，最後機器隨機率去做出反應。但是這種乍看之下簡單，只要寫出一套思考的邏輯，就能夠讓機器動作的想法，很快就碰到了瓶頸。於是，機器學習的方式，就產生出了另一種學習方式，研究者蒐集大量的資料，建立資料庫（database），以資料庫為基準，參考過往的資料，來讓機器做出適當的反應。

這種技術運用在很多標榜「智慧」的產品上，如大家手中的智慧型手機或甚至是鍵盤的輸入法。如輸入法就透過資料庫，能夠讓文字輸入者的錯誤率大幅降低，甚至預先幫忙「打」出輸入者想要說的話。這些智慧，其實都得歸功於逐日龐大的資料庫建立。

但這也挑戰了人類的思維模式，從現階段機器學習的方式來看，難道人的大腦也只是座龐大的資料庫嗎？難道人類的學習只是為了讓我們不要犯前車之鑑嗎？人的學習雖然有一連串的試誤，或者透過記憶前人的錯誤，而讓自己在相應的時刻做出對的反應。可是人的思考，又比這更高一層次。

透過資料庫的建立，使得2009年的台灣魔圍棋程式MoGoTW與職業九段的棋王周俊勳以三局九路對弈當中，棋王飲恨一局。而這就是因為人腦有著無限的可能，有著許多超出既往經驗的「意外」。但對這種意料之外的研究，經驗之外的人之思考模式，並非現階段機器學習的主流方法。

篩檢資料的方法

如何從龐大的資料庫中進行篩檢，取出需要的知識，就叫作「資料探勘（data mining）」。機器學習下的一個子支脈，也是陳老師早期的研究之一。

隨著網際網路的發展，人與人之間的資訊互通有無；研究的自動化，儀器分析迅速。使得資料的取得與蒐集不再為人們所困擾，甚至能夠在短時間內靠著自動化的設備，產生大量的資料。

資料探勘，就是希望人力有限的現代，能從這些雜亂無章的資料當中，理出一個頭緒且進行全面的關照。研究者依照過往的經驗，請求機器去篩選出有用的資料。應用上可以和生醫結合，例如和現階段只有少數幾個人完成定序的基因體計畫相比，老師提出一個願景：不久的將來我們將可以透過「機器學習」與「資料探勘」來實現對「個人」基因體序列的解碼。

預知未來

隨著資料庫愈來愈齊全，從先前棋王與電腦的對決，電腦亦將人腦被逼入險境之中的二勝一敗的局面。我們可以發現，透過此類以資料庫為基礎的機器學習，已經具備有相當的「學習力」。透過向資料庫「學習」，幾乎可以和人腦對人所下的指令，完全的重疊，甚至做出更為完美、面面俱到的反應。

但這也隱含著一則議題，既然機器能夠透過過去的資料借鏡人類的行為，那是否表示著人類也能透過這個資料庫來預知未來？那是否會觸及人所不應該觸及的領域呢？或何時將因著老病窮愁而回歸大地的？

確實有可能達到預知未來，「人類能預知未來或許可怕。只是至少目前仍有很大的研究空間，畢竟我們所知的仍然太少。」學海無涯，至少短期內不需要煩腦這個問題。

勇於挑戰跨領域的結合

在機器學習，尤其是關於生醫相關的研究，一直欠缺相應的人才。「很難碰到同時對生命科學和資訊工程有興趣的同學。」如果學生有興趣從事相關的生物醫學資訊的研究，除生物相關的知識之外；老師建議，在機器學習的領域，可以先修習基礎的「程式設計」課程，而後學習「演算法」進而選較為專門的「機器學習」這門課。

當問及老師是否有值得推薦關於機器學習的書籍資料或網頁。「我腦中閃過的是，不是很直接的資訊。我最近看到一個美國史丹福大學關於機器人與人工智慧的一段影片[1]，演講者先播放一段影片：一個智慧型打掃機器人，在打掃家中。可是，很快地，觀眾得知，這段影片是由人為遙控機器人的每一個動作拍製而成。縱使是這種很日常生活的工作，機器也仍然沒辦法完全取代人力。」可見，機器學習的領域，迄今仍有很大的進步空間，它也是能夠讓臺灣累積軟實力學門。

期待各位，可以在六月二日的下午於臺大應力所，一同更瞭解我們生活周遭的常見科技；並也鼓勵各位對於機器學習，如「智慧型」科技有興趣的同學，能從這次的講座當中獲得啟發，教導機器學習並和機器一齊學習。

[1] StanfordUniversity: The Future of Robotics and Artificial Intelligence (Andrew Ng, Stanford University, STAN 2011) http://www.youtube.com/watch?v=AY4ajbu_G3k

推薦閱讀：

〈我，華生，會思考的電腦？IBM打敗Jeopardy!益智競賽兩大冠軍高手的華生電腦〉

Final Jeopardy: Man vs. Machine And The Quest To Know Everything

作者：史帝芬．貝克Stephen Baker

http://www.books.com.tw/exep/prod/booksfile.php?item=0010513492

〈什麼都能算，什麼都不奇怪：超級數據分析的祕密〉

Super Crunchers：Why Thinking-by Numbers Is the New Way to Be Smart

作者：伊恩．艾瑞斯Ian Ayres

http://www.books.com.tw/exep/prod/booksfile.php?item=0010419315

〈遊戲人工智慧〉AI for Game Developers

作者：David M.Bourg、Blenn Seemann

http://www.books.com.tw/exep/prod/booksfile.php?item=0010310897