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
- H. Wang and B. Raj, “On the origin of deep learning “, arXiv, 2017.
- G. Marcus, “Deep learning: A critical appraisal “, arXiv, 2018.