數位分身(1/3)

分享至

數位分身(1/3)

撰文/Pedro Domingos|譯者/周坤毅
轉載自《科學人》2018年10月第200期


重點提要

  • 發展人工智慧(AI)可視為人類演化的一部份。為了實現新一代的自動化革命,我們必須創造所謂的「終極演算法」。統合既有五類機器學習方法的終極演算法,接收大量資料後,就有可能為每個人建立精準的模型。
  • 科技只是人類能力的延伸。機器沒有自由意志,只能遵循我們設定的目標。與其擔心機器取代人類,不如擔心人類濫用科技。
  • 短期內,AI的應用可能是創造「數位分身」。我們的虛擬模型能在網路空間嘗試各種事物,並與無數的其他虛擬模型進行交流,幫助我們在日常生活中更快做出更好的決定。

人類是唯一會製作機器的動物。機器讓我們擴展能力、突破生理限制。工具把我們的雙手變成多功能的肢體;汽車讓我們能快速移動,飛機給了我們翅膀;電腦賦予我們強大的計算能力與記憶力,智慧型手機則讓日常生活變得多采多姿。現在,人類把從資料學習的方法寫進程式,創造出能自行學習的科技。人工智慧(AI)有一天會取代人類嗎?或是會以前所未見的方式增強我們的能力、提升人性?

羅森布拉特(Frank Rosenblatt)是1950年代開啟機器學習研究的先驅,發展出學習辨識位元的電子神經元;而塞繆爾(Arthur Samuel)撰寫的西洋棋程式能夠不斷自行練習,直到擊敗人類。但是一直到過去十年間,機器學習領域才真正起飛,實現了自動駕駛汽車、(某種程度上)能聽懂人類指令的語音助理,以及其他數不清的應用。

機器學習開創新局

我們每年都發明數以千計的新演算法,透過一連串指令告訴電腦該做什麼。然而機器學習的特點是,我們不必詳盡撰寫程式,而是給電腦一般目標,例如「學習下西洋棋」,電腦就能像人類一樣累積經驗而自行改進。機器學習演算法可分為五大類,靈感分別來自不同的科學領域。可想而知,其中一類是模仿天擇的「演化式演算法」。在美國哥倫比亞大學的創意機器實驗室中,初代機器人會嘗試爬行或飛行,表現最佳的程式會定期混合並演變,再用3D列印產生下一代。一開始隨意組裝的機器人幾乎無法移動,經過數千或數萬次演變後,最終製作出機器蜘蛛和機器蜻蜓。

但演化的速度很慢。目前最流行的機器學習演算法,是從腦科學獲得靈感的「深度學習」。我們採用高度簡化的數學模型來模擬單一神經元的運作,進而建立由數千或數百萬個神經元構成的人工神經網路,人工神經元接收資料時會逐漸增強人工神經元之間的連結來學習。這些人工神經網路能以不可思議的精確度辨識人臉、理解語言或翻譯。機器學習也運用了心理學,模擬人類從記憶中尋找類似情境來解決新問題,這種以類比為基礎的演算法實現了客戶服務自動化,並能在購物網站上根據你的品味來推薦商品。

機器也能透過自動化科學方法來學習。「符號學習演算法」利用反向推理來歸納出新假說:假如我知道蘇格拉底是人類,還需要什麼資訊來推論他有一天會死?知道人終有一死就夠了,再檢查資料中的其他人是否也會死,便能驗證這項假說。英國曼徹斯特大學的生物學機器人夏娃(Eve)利用這種方式找到一種可望治療瘧疾的新藥。夏娃從疾病的資料與基本分子生物學著手,建立藥物分子如何作用的假說,設計實驗進行驗證,然後在機器人實驗室做實驗來修正或剔除這些假說,並重複這個過程直到假說不需修正為止。

最後,機器也能單純透過數學原理來學習,其中最重要的是「貝氏定理」。我們根據既有知識,設定各項假說的初始機率,針對符合資料的假說提高機率,而不符合資料的假說降低機率。接著以所有假說的機率做出預測,機率越高的假說所佔權重也越高。比起人類醫生,採用貝式定理學習的機器能做出更精確的醫學診斷。這類機器學習演算法是垃圾郵件過濾程式的核心,Google也利用它來選擇你所看到的廣告。

這五類機器學習方法各有優缺點。深度學習善於解決視覺辨識和語音辨識等感知問題,但是並不適合應用於認知問題,例如獲得常識或推理;符號學習則正好相反。演化式演算法能解決人工神經網路無法克服的難題,但需要很長的時間。類比演算法能從少數案例中學習,但接收太多資訊時可能會產生錯誤。貝式演算法最適合用來處理少量資料,但處理巨量資料時所花的時間會令人卻步。

這些傷腦筋的優缺點,促使機器學習研究人員努力結合所有演算法的長處。一如打造能夠開啟任何鎖頭的萬用鑰匙,我們的目標是創造出「終極演算法」(master algorithm),它從資料中擷取所有資訊,並從資訊中獲取所有可能的知識。

但我們面臨與物理學家類似的挑戰:量子力學能有效描述宇宙最小的尺度,而廣義相對論能解釋最大的尺度,兩套理論不相容因此必須統合;同樣地,馬克士威(James Clerk Maxwell)首先統合光、電場與磁場,其後粒子物理學才發展出標準模型。包括我在華盛頓大學的團隊在內的不同研究小組,提出各種方法來整合兩種以上的機器學習演算法。由於科學研究的進展是跳躍式、而非線性,因此很難預測統合所有機器學習方法的終極演算法何時完成。無論如何,達成這個目標不會招致統治人類的全新機器,相反地,它會加速人類演化。

一旦我們發展出終極演算法,並輸入人類產生的大量資料後,AI就有潛力為每個人建立精確而詳細的模型,學習我們的品味與習慣、長處與弱點、記憶與志向、信念與人格、我們關心的人事物,以及遇到不同狀況時會如何反應。我們的模型基本上能預測我們所做的決定,這讓人既興奮又不安。(待續)

(本文由教育部補助「AI報報─AI科普推廣計畫」取得網路轉載授權)

(Visited 22 times, 1 visits today)

分享至
views