提升到類量子的高階人工智慧

長庚大學電子工程學系 許炳堅 講座教授│轉載自 《台大校訊》第1335期「縱橫數位時代系列」

人工智慧全面來襲

18世紀工業革命之後，人類的工作與生活型態起了翻天覆地的變化。每隔數十年就有新的工作模式出現，比舊有的模式更能夠適應新時代的需要，就像是社會科學的「類達爾文」進化一樣，每一個世代都在翻新。

電子電腦的人工智慧

在20世紀中葉，半導體技術被成功地研發出來，並且製成了積體電路。往後的幾十年裡，電子產品的運算效能緊密地遵循摩爾定律 ( Moore’s Law ) 在進展，大約每兩年運算效能就加倍。到了21世紀，一個先進的矽晶片動輒包含了十幾億顆電晶體，甚至於幾十億顆電晶體的也比比皆是。

電子產品的應用效能逐漸地逼近人腦功能的水平。對於某些特定的應用，例如西洋棋與圍棋比賽，先進的電腦已經持續地打敗人類的高手棋士。在其他複雜的領域裡，例如汽車自動駕駛，電腦軟體控制系統的出事率已經遠低於人類駕駛的平均值了。

最近極為火紅的人工智慧 ( artificial intelligence，AI ) 科技，是高度使用電腦的自動化。人工智慧的發展經歷了前後三個主要階段。第一波浪潮是1956 – 1974年間的萌芽階段，當時的電腦運算能力非常有限，所以研究的重點集中在對於理論的探討。第二波浪潮是1980 – 1987年間的成長階段，當時的研究是以規則導向的專家系統 ( expert system ) 為主。電腦的運算能力已經有了顯著的提升，可惜還不到全面運用的階段。第三波浪潮是2010年起的收割階段，傳統的方法與類神經網路 ( artificial neural networks ) 相結合。並且善於利用強大的電子產品運算能力，被廣泛地運用在各行各業之中，在未來一、二十年內很可能取代了大約一半目前的人類工作。

高價值因為有大量需求，而且來源稀少

一件商品的合理售價如何來決定呢？當然是依據經濟學的供需法則。首先，有顧客想購買的商品才會有價值，否則就成了沒有價值的物品了。如果商品的供應量充足，那麼價錢就會相對地低廉。同樣地，如果商品的來源稀少而顧客的需求很大，那麼價錢就會飆漲。

一個人工作貢獻所對應的代價也遵循著同樣的法則。必須擁有很多顧客需要，而且其他人無法提供的特殊能力，才能夠獲得極高的報酬。這其中似乎有著明顯的矛盾之處，既然是其他人無法做得到的能力，為什麼某一個人卻能夠擁有呢？

其實有好幾種解套的方法。有一種方法就是以時間來換取，有先見之明，比其他人提前進入新的領域並且掌握其核心技術，然後要熬過一段落寞、與被輕視的潛伏階段，才能夠獲得比別人先開花結果的甜美領先。往「前」看就是往「錢」看，中文字真的有深奧的智慧在裡面。另一種方法就是善於利用轉彎加速度，不在直線處超越別人，而是在轉彎與換跑道的時候一舉超越的。

還有一種方法就是善於利用選擇性的放大與縮小，也就是以多重模式的非線性方式來進行。就像是類比電路設計的技巧，對於輸入訊號加以分類，如果是差異性 ( differential mode ) 的就表示很重要，應該把訊號的影響加以放大；如果是共通性 ( common mode ) 的就表示沒有任何特別之處，應該把訊號的影響加以縮小。

類量子的高階人工智慧

電子電腦按照目前的發展速度，下一步就會逐漸踏進量子運算的領域。如果以運動力學來比喻，電子電腦對應於低速的傳統牛頓力學，採用粒子的看法；而量子運算對應於高速的運動，採用波動的看法。也就是說電子電腦的運算，奠基於布寧代數 ( Boolean algebra ) 的明確邏輯分流，把邏輯-0與邏輯-1的流向分辨得清清楚楚地。在處理等式 ( equality ) 問題時很順手，對於有大於或者小於的不等式 ( inequality ) 問題也難不倒。

 從「類神經網路」提升到「類量子運算」

 在日常生活裡，有些事情並非黑白分明，而是介於中間的灰色地帶。在1965年，美國加州柏克萊大學電機電腦系的前主任渣碟 ( Lofti Zadeh ) 教授倡導了模糊理論 ( fuzzy logic ) 採用近似、而且可以不受限於傳統布寧代數的邏輯思維，來處理不確定性 ( uncertainty ) 問題。

 由模糊理論再往前推展一大步，就會進入量子運算來保留邏輯-0與邏輯-1的同時存在(或者是黑與白的同時存在)。為了迎接量子運算到來之前需要做好妥善的準備工作，我們提出了「類量子運算」( Artificial Quantum Computing ) 來做為過渡。就像是1980年代許多研究人員提出了「類神經網路」( Artificial Neural Network ) 來做為人工智慧研究的過渡一樣。

圖一詳細地顯示這兩者的關聯性。在已經的人工智慧發展的經驗裡，研究人員從生物與醫學領域的人類神經元模型出發，在1980年代發展出「類神經網路」的研究。整個研究持續進展到2010年代，神經網路的使用成為人工智慧的深度學習的主力。因此，我們可以經由借位 ( innovation ) 與聯想，把原有的模糊理論 ( fuzzy logic & system ) 研究，進一步擴展為「類量子運算」的架構，來做為邁向真正量子電腦的最佳過渡。

圖二是晶片設計的系統化流程。學問的源頭可以擺在廣義的哲學，下一步就是方法論 ( methodology )，還是在相當抽象的階段，然後是落實在處理某一領域問題的有效方法，再來就是演算法 ( algorithm )。上述是軟體與系統的部分，如果要做出特定的硬體來，就要找出對應的架構 ( architecture )。真正動手設計硬體，則可以分為線路設計、晶片設計、與系統設計等三個層次。然後交給製程開發與大量製造的代工廠，再把完成的晶片交給封測廠去進行測試與封裝工作。

對應於電子電腦的一般晶片開發，上述的整個流程是暢通的。在人工智慧應用方面，輝達公司 ( Nvidia Corporation ) 開發了專有的圖像處理器晶片 ( graphics processing unit，GPU )；另外，Google也開發了張量處理器晶片 ( TPU，tensor processing unit )。

類量子的運算元

至於量子運算技術，仍在萌芽階段。加拿大的D-Wave系統公司販售了實驗性質的量子計算機採用絕熱理論的量子退火技術並且使用128量子位元來解決最優化問題。2016年12月，中國大陸發射了「墨子量子電腦」，以量子退火 ( Quantum annealing ) 的技術來破解密碼。美國的國際商業機器公司IBM已經提供20量子位元的電腦給使用者。

我們則提議在學校的創新研究從「類量子運算」的方法論、處理方法、與演算法的階段先著手。

類量子運算可以做為處理的核心，以波動的方式讓邏輯-0與邏輯-1以聯集 ( union ) 的形式同時存在於一個量子位元 ( quantum bit，qbit )。此運算核心與外界的聯繫可以經由現有的電子電路當作介面，在輸入部分包括了數位電路、類比電路 ( analog circuit )、或者是感應器 ( sensor ) 元件；至於輸出部分除了數位電路，也可以包括致動器 ( actuator ) 元件。

量子位元的兼容並包性質，可以簡潔與快速地處理好幾類型的問題，包括：

• 以概率為依據的 ( probability-based )；
• 以可能性為依據的 ( possibility-based )；與
• 奇異點 ( singularity )。

結語

類量子運算的研究在目前是與全世界領先團隊齊頭並進的階段，做為在台灣參與國際高科技學術研究的團隊，我們應當加把勁，千萬不要無故地缺席。

 

(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)