人工智慧的過去與未來

人工智慧的過去與未來

編譯/林采萱

圖一、arXiv自1993年以來所收錄歷年與AI相關的論文數量。(來源:K. Hao, 2019.)

由圖一可得知,人工智慧的興盛不過近二十年間的事,儘管沒有什麼劃時代的新概念,不過要達成實質意義上的「智慧」,卻需要許多學科與技術的結合。就關鍵字分析的結果看來,人工智慧一路走來,共歷經三波主要轉折。

千禧年:機器學習興起

21世紀前後, AI發展出現了重大變革。與專家系統(expert systems)有關的熱門關鍵字,如「邏輯」(logic)、「限制」(constraint)與「規則」(rule)等,出現頻率降低,逐漸由「數據」(data)、「網絡」(network)或「性能」(performance)等取代,顯示AI的設計理念,由過往以建立規則與系統知識(knowledge-based systems)為主,過渡到機器學習。

圖二、從關鍵字熱度變化,可看出機器學習逐漸取代知識庫系統的趨勢。(來源:K. Hao, 2019.)

圖三、關鍵字熱度變化。(來源:K. Hao, 2019.)

1980年代的AI開發理念,是將所知的知識彙整並儲存於電腦、重現我們普遍擁有的感官能力,並協助人類解決問題。然而,很快地,懷抱著遠大夢想的研究人員意識到一個很大的問題:一臺這樣的AI系統,若要能正常運作,需要人工編寫的規則之多,開發成本遠高於成果效益。直到21世紀後,電腦的儲存與運算能力獲得突破性的發展,「機器學習」不再是不切實際的空想,人們也不再需要手動將成千上萬的規則編碼,轉而讓機器自己由大量數據中尋找規則,奠定了今後AI的發展方向。

2010:神經網絡的普及

在「機器學習」奠定了主導地位後,各大流派與方法平行發展、百家爭鳴,除了神經網絡(深度學習的核心機制)外,貝氏網絡(Bayesian networks)、支持向量機(support vector machines)和演化演算法(evolutionary algorithms),彼此各有消長,也都有各自的擁護者。

圖四、論文提到不同機器學習方法的比例變化。(來源:K. Hao, 2019.)

直到2012年, Geoffrey Hinton所率領的多倫多大學研究團隊基於過往研究所建立的模型,結合包含反向傳播算法與多層神經網絡技術,發展出「卷積神經網路」(Convolutional Neural Network,CNN);並以此在一年一度的電腦視覺競賽ImageNet中,以高於其他團隊10個百分點的圖像識別準確率,大獲全勝。該次勝利的外溢效果,引爆了「深度學習」持續至今擴及其他AI領域的研究熱潮。

2015:強化學習漸領風騷

機器學習大致可以區分為三種:監督式學習(supervised learning)、無監督式學習(unsupervised learning)與強化學習(reinforcement learning)。監督學習由人類提供正確答案輔導機器學習,也是目前最常使用的方法。然而,依據關鍵字分析的結果,人工智慧或許正經歷第三次轉變,尤其AlphaGo擊敗人類世界圍棋冠軍後,結合獎懲機制的「強化學習」開始成為眾人的焦點。

圖五、「機器學習」以及「強化學習」在論文中被提及的比例。(來源:K. Hao, 2019.)

下一個十年

隨著包含「黑盒子問題」(Black Box Problem)、難以應付現實世界的瞬息萬變、無法分辨因果關係、易受資料品質與數量影響等常為人詬病的問題逐漸浮現,學者開始對「機器學習」,尤其「深度學習」表達質疑,即使有「深度學習之父」之稱的Hinton,也不諱言深度學習已然遭遇開發瓶頸。

由關鍵字變化綜觀過去25年的AI研究,多項技術其實都可追溯自1950年代,奈何十年河東,十年河西:神經網絡曾在1960年代極盛一時,可是在深度學習重新贏得眾人的矚目前,只能作垂死掙扎。

換句話說,不同的AI設計理念與方法以每十年為一週期,隨時勢消長演替:60年代是神經網絡、70年代為各種象徵性方法、80年代是知識庫系統、90年代是貝氏網絡、2000年是機器學習的支持向量機、2010年則又回歸神經網絡。2020,似乎是深度學習時代的尾聲了。

下個十年又會是哪一流派獨領風騷?儘管關鍵字分析指出「強化學習」這匹黑馬,但現實是否真如預期?似乎也只能拭目以待了。

 

編譯來源

K. Hao, “We analyzed 16,625 papers to figure out where AI is headed next “, MIT Technology Review, 2019.

參考資料

  1. H. Wang and B. Raj, “On the origin of deep learning “, arXiv, 2017.
  2. G. Marcus, “Deep learning: A critical appraisal “, arXiv, 2018.
(Visited 1 times, 1 visits today)
views