機器學習舉一反三(2/2)

機器學習舉一反三(2/2)
撰文／Alison Gopnik｜譯者／鍾樹人
轉載自《科學人》2017年9月第187期

科學家長期研究人類的學習方式，以教導電腦如何學習。現在運用貝氏推論的人工智慧，僅需數個範例就可辨識圖形，表現堪比人類。

(續前文)

由上而下

另一種機器學習的方法，在近幾年改變了AI的發展，運作方式剛好相反：由上而下。我們假設人類可以從實際資料裡獲得抽象知識，因為人類已經知道很多事，更是因為大腦已經了解基本的抽象概念。就像科學家一樣，我們可以藉由這些概念建構關於這個世界的假設，如果假設正確，就能預測資料（事件）的樣貌；相較之下，採行由下而上方法的AI會設法從原始資料中擷取出模式，做法南轅北轍。

要說明這個概念，可討論上述泛濫成災的詐騙信，這回談一件跟我有關的真實案例。我先前收到某期刊編輯寄來的電子郵件，那份期刊名稱奇怪。編輯明確提到我的一篇論文，並提議我寫篇論文發表在這本期刊。這封電子郵件中沒有提到奈及利亞、威而鋼和百萬美元獎金，沒有詐騙信共同的特徵。但我依據已經知道的資訊，並且抽象思考詐騙信的產生方式，可以判定這封電子郵件很可疑。

首先，我知道詐騙信發送者騙取他人錢財的手法是基於人類的貪婪；學術圈人士對發表論文的渴望，可能跟一般人對百萬美元獎金或性能力的渴求一樣強烈。其次，我知道「開放取用」期刊已經開始向作者收費來分擔成本，而非向訂閱者收費。另外，我的工作跟期刊名稱完全不相干。綜合以上因素，我提出合理假設：這類電子郵件想讓學術圈人士誤以為只要付費給「假」期刊就能「發表」論文。我從單一例子就得出這項結論，而且還能進一步測試自己的假設：透過搜尋引擎查詢這位編輯是否真有其人。

資訊科學家會說我的推論過程是「生成模型」（generative model），生成模型能描繪抽象概念，例如貪婪與欺騙。同樣的模型也可以描述提出假設的過程，這個推論過程得出這封郵件可能是詐騙信的結論。運用這個模型，我能假想這種類型的詐騙信如何運作，也能揣測其他類型，即使是我從未看過或聽過。當我收到這個期刊寄來的電子郵件，便能反向運用這個模型，一步步追查這封郵件的真偽。

1950~60年代第一波AI和認知科學的發展中，生成模型至關重要，但也有局限。首先，原則上我們可以用各種不同的假設來解釋大多數證據模式；就我的例子而言，即使那封郵件看似詐騙信，但也可能不是。於是，生成模型必須納入機率概念，而機率是這些方法近來最重大的進展之一。其次，我們通常不知道那些構成生成模型的基本概念出自何處。笛卡兒與喬姆斯基（Noam Chomsky）這類學者指出，你天生就擁有這些概念，但你一誕生在世上時就知道他人如何憑藉貪婪和謊言來詐騙？

貝氏模型是近來由上而下方法的絕佳範例，試圖處理這兩個問題。貝氏模型是以18世紀統計學家兼哲學家貝茲（Thomas Bayes）為名，利用一種稱為貝氏推論（Bayesian inference）的方法，結合生成模型與機率論。機率生成模型可以告訴你，如果某個假設為真，你看到特定模式資料的機率有多高。如果某封電子郵件是場騙局，可能就是基於收件者的貪婪。不過，基於貪婪的電子郵件不一定是詐騙信。貝氏模型結合你提出假設所依據的知識以及你手上的資料，讓你精準計算某封電子郵件是詐騙信的機率。

比起由下而上的方式，這種由上而下的方式更符合我們對孩童學習方式的認知，這就是為什麼過去15年我和同事一直採用貝氏模型來研究他們的學習方式。我們與其他實驗室都使用這些技術來了解孩童學習的因果關係，預測他們如何與何時會萌生出關於這個世界的新想法，以及何時會改變既有的想法。

貝氏方法也是教導機器像人一樣學習的絕妙方式。2015年，美國麻省理工學院（MIT）的特南鮑姆（Joshua B. Tenenbaum）和紐約大學的雷克（Breden M. Lake）等人在《科學》期刊發表研究，設計了一套可以辨識手寫字的AI系統；人類可以輕易辦到這件事，對機器來說卻非常棘手。

試想你的辨識能力，即使你從未看過日文捲軸上的字，大概也能分辨不同捲軸上的文字是否相同。搞不好你還可以寫出日文字，甚至設計出假的單字，並且知道日文與韓文或俄文大相逕庭。這正是特南鮑姆的團隊要讓AI做到的事。

如果採用由下而上的方法，電腦要接收成千上萬的範例，從這些範例中找到模式，藉由模式辨識新的字。相較之下，貝氏方法則給電腦一個如何寫字的通用模式，舉例來說，一畫可能是往左或往右。電腦在處理完一個字後，會接續下個字。

當電腦看到一個字，會推論這個字的筆畫順序，接著產生一套類似的筆畫，這就像我推論那封疑似期刊詐騙的電子郵件所採取的一連串步驟。特南鮑姆的方式不是推論那封電子郵件是否可能來自詐騙管道，而是猜測特定的筆畫順序是否可能寫出相符的字。在同樣的資料上，採用由上而下方式的電腦會表現得比深度學習更好，也更接近人類表現。

巧妙結合兩種方法

這兩種主要的機器學習方法：由下而上與由上而下，優缺點恰能彼此互補。利用由下而上的方法，電腦一開始不需要對貓有任何了解，但它需要大量的資料。

採用貝氏模型的電腦可以從少數範例中學習，而且能更廣泛推論。不過採行這種由上而下的方法，事先需要做很多功課，才能提出一套正確的假設。兩種系統的設計者可能會遇到類似的障礙：只能處理範圍相對較小、定義明確的問題，例如辨識手寫字、貓或玩雅達利的電玩遊戲。

孩童面臨同樣的限制，卻遊刃有餘。發展心理學家已經發現，不知為何，孩童會結合各種方法的最佳特色，並發展出新的方法。奧吉可以僅靠一兩個例子就學到知識，由上而下的系統也是如此。但不知為何，奧吉也會從資料本身擷取新的概念，就像由下而上的系統一樣，即使那些概念一開始並不存在。

事實上，奧吉不只能辦到這些事。他很快就認得貓與區別字母，但他也能做出有創意又令人驚喜的新推論，這些推論已經超出他的經驗或背景知識。他最近就解釋，如果大人想要再次變成小孩，應該不要吃任何有益健康的蔬菜，因為蔬菜會讓小孩長成大人。這種創意推理是從哪裡冒出來的，我們幾乎毫無頭緒。

當我們聽到有人主張AI是一種「存在威脅」時，我們應該想起人類大腦依然神秘的力量。AI和機器學習聽起來很嚇人，就某些方面來說確實如此。軍方正在研究使用這些系統來控制武器的方法；人類的愚蠢相較AI可能造成更多破壞，我們必須比以前更有智慧，才能適當管理這些新科技。

摩爾定律是一大影響力：即使資訊科技的進步是基於資料量和電腦處理能力的大幅增加，而不是我們對心智的了解有觀念上的突破，但這些進展日後依然會有重大成果。儘管如此，我們也不應該認為新的科技泥人會有如脫韁野馬在世上橫衝直撞。(完)

(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)