試看短片a美片www.cn6r.com

撰文／多明戈斯（Pedro Domingos） 繪圖／維依（Armando Veve） 翻譯／周坤毅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。機器接管人類？ 許多人擔心，機器具備這般能力後，將運用習得的新知識來接管人類的工作，甚至奴役或消滅人類。但這種可能性很小，因為機器缺少自由意志。AI演算法基本上只能達成我們設定的目標，例如「找出從旅館到機場最短的路線」。這些演算法與普通演算法的區別在於，計算如何達成目標時相當有彈性，不必執行一連串預設的步驟。儘管AI能累積經驗而自行改進，但當初設定的目標依然不變；無法達成目標的演算法會自動被淘汰。此外，人類也會檢查機器所達到的成果是否滿足我們的目標，並確認機器不會違反我們設定的任何限制，例如「遵守交通規則」。然而我們想到AI時，往往把人類的特質（例如意志與知覺）投射在AI上。許多人更熟悉擬人的AI（例如家用機器人），而非在幕後默默工作的其他無數機器人。好萊塢為了讓故事引人入勝，也以具有人類外形的機器人來呈現AI，進一步助長了這種觀念。但AI只是一種解決難題的方法，達成這項任務不需要自由意志。AI背叛人類的可能性，比你自打巴掌的機率還低。AI就像其他科技一樣，只是擴展人類的能力。AI越強大，越能造福人類。那麼，使用AI的未來會是什麼樣子？智慧機器確實會取代許多人的工作，但對社會的影響和前一次自動化生產的影響應該很像。200年前，美國人大多從事農業，然而今天機器已幾乎取代所有農夫的工作，但農夫並沒有消失。宣揚世界末日的人認為這次情況不同，因為智慧機器同時取代了我們的肌肉與頭腦，人類將無事可做。但AI能執行所有人類工作的那天，依舊遙遙無期。在可預見的未來，AI與人類將各擅勝場。機器學習的主要影響是大幅降低AI的應用成本，民主體制拓展了AI在經濟上的各種潛在應用並衍生新工作，同時讓舊工作在同樣的人力下能達到更多成果。此外，未來學家科茲威爾（Ray Kurzweil）宣揚科技奇異點。他描述科技進步將持續加速，機器將學會製造更好的機器，而更好的機器又能製造更強大的機器。但我們知道科技不可能永遠持續進步，因為物理定律設下了連量子電腦都無法逾越的嚴格限制。從某些方面來看，我們已經接近那些限制。AI的進步也像其他科技一樣，終究會到達停滯期。另一種在未來學家之間盛行的想法是，電腦模型將會逼真到讓人難以分辨。我們能把自己的心智上傳雲端，像資料一樣永遠存在，不再受到物質世界惱人的限制。問題是這種做法在生物學上不可行，你若想上傳自己的心智，就需要每個神經元的精確模型以及儲存其中的記憶。再者，資料擷取必須非常可靠，才能確保模型的預測不會偏離真實神經元的活動，這簡直是不可能的任務。即使真的可行，你會願意上傳自己的心智嗎？你該如何確定你的模型沒有錯失你不可或缺的某一部份，或者你的模型會具有意識？如果你最完整的「分身」被偷了呢？我相信大多數人寧可保有自己以碳為基礎、黏糊糊的身體，直到離開人世。AI，尤其是機器學習，其實只是人類能力的持續演進。道金斯（Richard Dawkins）在《延伸的表現型》（The Extended Phenotype）書中，以杜鵑鳥的蛋和河狸建造水壩為例，描述動物基因如何突破生理限制來適應環境。科技是人類的延伸表現型，而AI只是另一層科技外骨骼。我認為，AI最具潛力的應用將超越一般人的想像、令人讚歎。在十年之內，我們每個人可能都會擁有「數位分身」。這個AI夥伴將比今天的智慧型手機更不可或缺。你的數位分身不必跟在你身邊，而是和你現在大部份資料一樣儲存在雲端。蘋果公司的Siri、亞馬遜公司的Alexa與Google的語音助理，已讓我們窺見數位分身早期的樣貌。你的模型是數位分身的核心，會學習你與數位世界交流時產生的所有資料，範圍從桌上型電腦、網站、穿戴式裝置到居家環境中的感測器（例如智慧喇叭、空調恆溫器、行動通訊基地台與攝影機）。隨著機器學習演算法增強，蒐集了更多個人資料，我們的數位分身將越來越精確。一旦終極演算法出現，再配合擴增實境（AR）頭戴式裝置或其他個人感測器持續獲取你的感覺運動資料流後，你的數位分身將比你最好的朋友更了解你。你的模型與資料將儲存在「資料銀行」中，就像傳統銀行替你存錢或投資一樣。現今有許多公司將樂意提供這類服務。Google的共同創辦人布林（Sergey Brin）表示，Google希望成為「你的第三腦半球」。但你大概不希望你頭腦的一部份得靠顯示廣告才能維持，因此最好把數位分身交給利益衝突較少的公司，或與志同道合的人成立資料協會。謀事在人 畢竟，最大的隱憂並不是有一天AI會變得邪惡，而是控制AI的人會濫用AI，就像法國人所說的「cherchez l’human」（謀事在人）。資料銀行最重要的責任，是確保你的模型不會用於損害你的利益。你和資料銀行都得對AI犯罪提高警覺，以免讓壞蛋有機可趁。就像吉布森（William Gibson）在1984年的小說《神經浪遊者》（Neuromancer）中所描述的涂林警察，我們需要AI警察來追緝AI罪犯。假如你不幸住在獨裁國家，政府將能以前所未見的方式監控你，這會帶來空前的危險。考慮機器學習的進步速度以及已開始使用的治安預測系統，在電影「關鍵報告」（Minority Report）中，人們在犯罪前就被逮捕的情節，也就不再那麼難以置信。此外，還有不平等的問題，在每個人都負擔得起數位分身之前，人類社會還需要時間來調適這些情況。因此每一個人的首要責任，是別變得自滿而過度信任數位分身。我們很容易忘記AI就像封閉在象牙塔的學者，而且在可預見的未來都將如此。AI的外在看似客觀甚至完美，但內在就像人類一樣充滿缺陷，只是方式不同。AI缺乏常識，容易犯下人類不會犯的錯誤，例如把穿越馬路的行人誤認成被風吹起的塑膠袋。AI也很可能按照字面解讀人類的命令，一絲不苟執行我們說過的話，而非我們真正想要達成的事。因此下次你要求自動駕駛汽車不計代價準時趕到機場前，最好先想一下再說出口。實際上，數位分身將和你十分相似，足以代替你進行各種虛擬交流。它的任務不是接管你的人生，而是替你嘗試那些你沒有時間、耐心或知識去做的決定。它會讀完亞馬遜網站上的每一本書，再推薦你最有可能想自己去讀的少數幾本。如果你想買車，它會替你研究各種購車方案，並與經銷商的機器人討價還價。如果你在找工作，它會先篩選所有適合你的工作，然後針對最有希望的職位安排視訊面試。如果你被診斷出癌症，它會替你嘗試所有可能的療法，並建議最有效的一種（為了大眾福祉，你也有道義責任讓數位分身參與醫學研究）。如果你想找約會對象，你的數位分身會和所有符合資格的數位分身進行數百萬場虛擬約會。在網路空間中最契合的一對，便能在實際生活中來場浪漫約會。基本上，你的數位分身將在網路空間中替你嘗試無數的可能人生，因此你在現實世界中所經歷的將是最佳人生。但你的虛擬人生是否「真實」，或數位分身是否像影集「黑鏡」（Black Mirror）所描述的具有意識，則是有趣的哲學問題。有些人擔心，這代表我們把人生的掌控權交給了電腦。但實際上是電腦給予我們更多掌控權，因為我們將能做出過去所無法做的決定。你的模型也會從每次虛擬經驗中學習（你是否享受約會？你喜歡新工作嗎？），隨著時間，模型會更善於向你提議你可能做的決定。事實上，我們已經很習慣在無意間做出決定，因為這正是大腦所做的。你的數位分身就像大幅擴張的潛意識，關鍵差異在於你的潛意識只存在於腦袋，而你的數位分身不斷與其他人或組織的數位分身交流。每個人的數位分身會持續嘗試向其他模型學習，組成數位分身的社會將以電腦運算的速度朝各方向擴展，找出我們會做的決定。機器將成為我們的先鋒，帶領人類個體與族群朝未來邁進。AI將帶領我們走向何方？而我們會選擇往哪裡走？周坤毅是清華大學動力機械工程所碩士，現任職於澳洲福特汽車公司。 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。 多明戈斯（Pedro Domingos） 美國華盛頓大學資訊科學系教授，也是人工智慧促進協會會士，著有《大演算》（The Master Algorithm），現居西雅圖附近。 五類機器學習方法各有優缺點， 研究人員努力結合演算法的長處， 創造出「終極演算法」。 機器演化：海星機器人採用能自行模擬的演化式演算法，這是機器學習方法的五大類之一。人類正努力整合所有的機器學習方法，創造出最有力的工具──「終極演算法」。 Victor Zykov and Josh Bongard 數位分身將代替你進行 各種虛擬交流，嘗試你沒有時間、 耐心或知識去做的決定。 延伸閱讀 The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World.Pedro Domingos. Basic Books, 2015. The Digital Mind: How Science Is Redefining Humanity.Arlindo Oliveira. MIT Press, 2017.〈好奇機器人能自學〉，科學人2018年4月號。 〈機器學習舉一反三〉，科學人2017年9月號。 〈機器如何深度學習〉，科學人2016年7月號。