數位分身(1/3)

數位分身(1/3)
撰文／Pedro Domingos｜譯者／周坤毅
轉載自《科學人》2018年10月第200期

這個人工智慧夥伴將與你十分相似，在雲端提供你最佳建議。

重點提要

• 發展人工智慧（AI）可視為人類演化的一部份。為了實現新一代的自動化革命，我們必須創造所謂的「終極演算法」。統合既有五類機器學習方法的終極演算法，接收大量資料後，就有可能為每個人建立精準的模型。
• 科技只是人類能力的延伸。機器沒有自由意志，只能遵循我們設定的目標。與其擔心機器取代人類，不如擔心人類濫用科技。
• 短期內，AI的應用可能是創造「數位分身」。我們的虛擬模型能在網路空間嘗試各種事物，並與無數的其他虛擬模型進行交流，幫助我們在日常生活中更快做出更好的決定。

人類是唯一會製作機器的動物。機器讓我們擴展能力、突破生理限制。工具把我們的雙手變成多功能的肢體；汽車讓我們能快速移動，飛機給了我們翅膀；電腦賦予我們強大的計算能力與記憶力，智慧型手機則讓日常生活變得多采多姿。現在，人類把從資料學習的方法寫進程式，創造出能自行學習的科技。人工智慧（AI）有一天會取代人類嗎？或是會以前所未見的方式增強我們的能力、提升人性？

羅森布拉特（Frank Rosenblatt）是1950年代開啟機器學習研究的先驅，發展出學習辨識位元的電子神經元；而塞繆爾（Arthur Samuel）撰寫的西洋棋程式能夠不斷自行練習，直到擊敗人類。但是一直到過去十年間，機器學習領域才真正起飛，實現了自動駕駛汽車、（某種程度上）能聽懂人類指令的語音助理，以及其他數不清的應用。

機器學習開創新局

我們每年都發明數以千計的新演算法，透過一連串指令告訴電腦該做什麼。然而機器學習的特點是，我們不必詳盡撰寫程式，而是給電腦一般目標，例如「學習下西洋棋」，電腦就能像人類一樣累積經驗而自行改進。機器學習演算法可分為五大類，靈感分別來自不同的科學領域。可想而知，其中一類是模仿天擇的「演化式演算法」。在美國哥倫比亞大學的創意機器實驗室中，初代機器人會嘗試爬行或飛行，表現最佳的程式會定期混合並演變，再用3D列印產生下一代。一開始隨意組裝的機器人幾乎無法移動，經過數千或數萬次演變後，最終製作出機器蜘蛛和機器蜻蜓。

但演化的速度很慢。目前最流行的機器學習演算法，是從腦科學獲得靈感的「深度學習」。我們採用高度簡化的數學模型來模擬單一神經元的運作，進而建立由數千或數百萬個神經元構成的人工神經網路，人工神經元接收資料時會逐漸增強人工神經元之間的連結來學習。這些人工神經網路能以不可思議的精確度辨識人臉、理解語言或翻譯。機器學習也運用了心理學，模擬人類從記憶中尋找類似情境來解決新問題，這種以類比為基礎的演算法實現了客戶服務自動化，並能在購物網站上根據你的品味來推薦商品。

機器也能透過自動化科學方法來學習。「符號學習演算法」利用反向推理來歸納出新假說：假如我知道蘇格拉底是人類，還需要什麼資訊來推論他有一天會死？知道人終有一死就夠了，再檢查資料中的其他人是否也會死，便能驗證這項假說。英國曼徹斯特大學的生物學機器人夏娃（Eve）利用這種方式找到一種可望治療瘧疾的新藥。夏娃從疾病的資料與基本分子生物學著手，建立藥物分子如何作用的假說，設計實驗進行驗證，然後在機器人實驗室做實驗來修正或剔除這些假說，並重複這個過程直到假說不需修正為止。

最後，機器也能單純透過數學原理來學習，其中最重要的是「貝氏定理」。我們根據既有知識，設定各項假說的初始機率，針對符合資料的假說提高機率，而不符合資料的假說降低機率。接著以所有假說的機率做出預測，機率越高的假說所佔權重也越高。比起人類醫生，採用貝式定理學習的機器能做出更精確的醫學診斷。這類機器學習演算法是垃圾郵件過濾程式的核心，Google也利用它來選擇你所看到的廣告。

這五類機器學習方法各有優缺點。深度學習善於解決視覺辨識和語音辨識等感知問題，但是並不適合應用於認知問題，例如獲得常識或推理；符號學習則正好相反。演化式演算法能解決人工神經網路無法克服的難題，但需要很長的時間。類比演算法能從少數案例中學習，但接收太多資訊時可能會產生錯誤。貝式演算法最適合用來處理少量資料，但處理巨量資料時所花的時間會令人卻步。

這些傷腦筋的優缺點，促使機器學習研究人員努力結合所有演算法的長處。一如打造能夠開啟任何鎖頭的萬用鑰匙，我們的目標是創造出「終極演算法」（master algorithm），它從資料中擷取所有資訊，並從資訊中獲取所有可能的知識。

但我們面臨與物理學家類似的挑戰：量子力學能有效描述宇宙最小的尺度，而廣義相對論能解釋最大的尺度，兩套理論不相容因此必須統合；同樣地，馬克士威（James Clerk Maxwell）首先統合光、電場與磁場，其後粒子物理學才發展出標準模型。包括我在華盛頓大學的團隊在內的不同研究小組，提出各種方法來整合兩種以上的機器學習演算法。由於科學研究的進展是跳躍式、而非線性，因此很難預測統合所有機器學習方法的終極演算法何時完成。無論如何，達成這個目標不會招致統治人類的全新機器，相反地，它會加速人類演化。

一旦我們發展出終極演算法，並輸入人類產生的大量資料後，AI就有潛力為每個人建立精確而詳細的模型，學習我們的品味與習慣、長處與弱點、記憶與志向、信念與人格、我們關心的人事物，以及遇到不同狀況時會如何反應。我們的模型基本上能預測我們所做的決定，這讓人既興奮又不安。(待續)

(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)