HPC與深度學習

講者／台大資工系 洪士灝 教授｜整理／《科學人》編輯團隊
轉載自2018.01.14〈科創講堂．ICT資通訊科技〉

AI發展的基礎

電腦的運算能力比人腦強，卻做不到一些人類能輕易做到的事，例如辨識驗證碼Captcha。換句話說，在人腦擅長的視覺影像和認知方面（例如模糊邏輯），電腦比較弱，因為它無法透過普通的程式或規則模仿。

早在1950年代就有人想讓電腦模仿人類神經網路的運作。但多年來類神經網路並沒有成功，最主要的問題在於缺乏自動有效的訓練方法。

在1998年發表的一篇論文中，提到可利用卷積神經網路（CNN）來辨認Captcha，這是深度學習的濫觴。但訓練電腦做這件事，也需要頗大的研究新力和計算能量，因此難以普及。

人類知識體系是模糊的，電腦要在益智問答節目中獲勝有難度，IBM為此花了七年打造出人工智慧系統Watson，終於在2011年打敗人類。它獲勝的關鍵是利用了大數據。

現在AI蓬勃發展，都是由過去這些高效能系統所奠定的基礎。到了今天，GPU（圖形處理器）因為有大量核心、適合平行運算，加上電玩讓價格普及，遂成為深度學習的解決方案。Goolge的深度學習一開始也是用GPU，但發現太貴，在2014年設計了TPU（Tensor Processing Unit），它比GPU快30倍，省電80倍。第二代TPU的速度倍增，四顆TPU2就能下贏圍棋冠軍。Google的資料中心已經部署TPU2，成為AI的軍火庫。

到了物聯網時代，這些AI都會部署出去。程序通常是這樣：先在資料中心訓練AI，了解其特性後進一步把它晶片化，就可以安裝在小型或行動裝置上。其中的重點在於根據應用特性打造系統，方法很多，例如：向量處理、平行處理、降低精準度、概算、利用稀疏矩陣等。每種方法的效率都增加十倍乃至百倍，乘起來可加速百萬倍，能大幅提高競爭力。

日本政府想以HPC和AI提升國家競爭力，台灣也是走同樣路線。若要以HPC和AI發展產業，就必須結合商業模式、前瞻研究、軟硬整合。在技術方面，不只要有軟體，也要蒐集數據，再加上HPC助陣。

AI與人類福祉

目前AI還在發展階段，要達到強AI（具有人類智慧等級，就像電影中的天網），我們還有很長的路要走，但這也是我們的機會。

在這機會中，我們應該關心人類福祉。我們應該是跟機器合作而非競爭（人不跟車比快），人工智慧也將創造更多工作機會（想想工業革命）。所以新人類應該設法走出新的道路，讓人工智慧不只幫我們做事，也幫助我們把個人智慧帶向更高層次。

最後做個結論。AI發展的幕後功臣是軟硬整合優化。AI的應用面需要傳產的專家系統、知識庫、資料搜尋等。目前AI只是完整AI應用的一部分，未來還會有很多研發的挑戰。

(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)