神經網路

人們對於人工智慧總抱持著一種既期待又怕受傷害的微妙心態，深怕某天AI會將人類遠遠拋在腦後。這份可能性在近十年間愈來愈煞有介事。AI究竟是透過什麼機制，逐漸超越它的創造者──人類？2011年，IBM研發的AI系統「華生」（Watson）參加電視智力競賽節目「危險邊緣」（Jeopardy!），打破節目最高獎金得主以及連勝紀錄保持人；2012年，AI在ImageNet圖像辨識挑戰賽中，表現首度超越人類；2016年，谷歌開發的AlphaGo打敗南韓籍圍棋世界冠軍，更一躍成為全球頭條，轟動一時。種種輝煌紀錄的背後，所倚靠的正是「機器學習」（Machine Learning）。

講師／林軒田（台大資工系教授）｜彙整／葉

人類對周遭環境的感知能力，是藝術創作不可或缺的要素。神經網路在影像辨識上的成效，代表其對見過的物體具有覺察能力。那麼AI的「感知」也可用於創作嗎？電腦科學藝術家將神經網路模型所見以「畫作」實體呈現，一窺機器眼中的世界。

若說機器也有陷入低潮的時候，你相信嗎？從一個神經科學的角度觀察，某些神經傳導物質能改變大腦的學習方式，影響著生物的決策。那如果機器遇到了卡頓的狀況，是不是也有類似的方法能突破困境呢？在今日所見的機器模型中，「智慧」的意義也許是在預測和分類問題上能做得準確，畢竟機器的計算和記憶能力都比人類來得強大，但這真的代表智慧嗎？對人類來說，廣義的智慧應該是在不同情境下有獨立判斷與學習的能力，回顧過去幾年成果，很多AI模型仍必須在龐大資料庫中，輔以監督式學習（supervised learning）的架構方可獲得良好結果，這聽起來與期待中的智慧大相徑庭，畢竟一般人或動物並不需要在學習上付出這麼多心力。正當多數人關注著GPU的演算速度，追求模型的準確率時，也有人思考著如何讓機器面對不同任務時更通用化（generalized），且更有效率地學習。如此一來，正因需要從一些生物行為模式作為智慧的「典範」，許多科學家都將焦點轉移到神經生物學的研究上。.

iphone X手機可以透過人臉辨識加密解鎖、Google Lens應用程式可以辨識寵物貓狗的品種、自駕車系統可以識別交通號誌安全行駛，這些具影像判讀的人工智慧（Artificial Intelligence）早已時有所聞。如今，AI將以更加聰穎靈巧的模樣，滲透到我們的居家生活之中——智慧相機。它能擔當保全保母等多重身分，警示「親友以外的陌生人」入侵家中，擷取「有趣的親子互動畫面」、甚至關注「小孩、長者的居家安全」。然而，這顆聰明伶俐的眼珠，是否也將監視著我們的隱私……

當電網變得非常聰明，能夠根據蒐集到的資訊即時應變時，駭客也從中發現了他們的商機。以往電網由人力監控，因為人類會以較宏觀的角度進行診斷，所以異常的訊息往往不會直接反映在決策上。然而當電網由人工智慧所操控時，對資訊的敏感度也隨之提升，只要在不知不覺中夾帶錯誤的訊息，就可以左右他們的決策，進而讓局勢往駭客們的意向發展。那麼如何避免這些智慧電網「聰明反被聰明誤」呢？就要讓他們變得更聰明，懂得分辨誰在欺騙他們。

■繼AlphaGo打敗世界圍棋棋王、攻克堪稱全人類最後一座智慧的堡壘後，人工智慧（Artificial Intelligence）的演進未曾停歇。研發人員運用類似的神經網路演算法，在各個專業領域殷勤播種，諸多應用旋即遍地開花——像是新藥研製，甚至能自行編寫遊戲程式的人工智慧等等。如今，人工智慧還坐上化學家的寶座，能解開錯綜複雜的有機化學反應、探尋有機分子的合成路徑。但是，它沒有讀過任何有關化學知識的課本，所有規則都是靠自己學習。

繼AlphaGo打敗世界圍棋棋王、攻克堪稱全人類最後一座智慧的堡壘後，人工智慧（Artificial Intelligence）的演進未曾停歇。研發人員運用類似的神經網路演算法，在各個專業領域殷勤播種，諸多應用旋即遍地開花——像是新藥研製，甚至能自行編寫遊戲程式的人工智慧等等。如今，人工智慧還坐上化學家的寶座，能解開錯綜複雜的有機化學反應、探尋有機分子的合成路徑。但是，它沒有讀過任何有關化學知識的課本，所有規則都是靠自己學習。