September 01,2021 | 房式講堂

掌握人工智慧 掌握世界半壁江山

從國家到企業都愈發重視人工智慧 運用 AI 創造更好的生活

從美國人工智慧國家安全委員會(NSCAI)今年4月建議提撥 80 億美元研發AI、微軟4 月宣布以 197 億美元收購語音辨識開發商紐安斯通訊(Nuance Communications,雲端與 AI 軟體的先驅),到Google I/O開發者大會,我們都可以發現在AI發展是未來趨勢。
  
人工智慧最大的優勢在於以人腦無法達成的速度,從大數據中篩選條件,自動搜尋並判讀。目前人工智慧技術已經可以幫助人類完成很多事,醫學上協助醫師發現潛在病例、農業上幫助農耕監測,甚至包含需要感知才能達成的任務,例如自動駕駛汽車、臉部辨識等,而我則致力於研究人工智慧輔助室內設計師,將設計產業潛能發揮到最大。

Google作為AI研究的領頭羊,在《自然》期刊發表論文,聲稱新 AI 設計晶片的速度大勝人類,可以在不到 6 小時內設計出人類至少要花數個月才能完成的晶片設計,AI 已用於開發 Google 最新一代 TPU 加速器,這項突破將對半導體產業有著重大影響。Google 的新 AI 能繪製晶片的「平面圖」,這涉及繪製 CPU、GPU 和內存等組件在晶片的相對位置,這些位置將影響晶片的功耗和處理速度,且在功耗、性能、晶片面積等關鍵參數指標,都優於人類設計的平面圖。一般來說人類晶片設計師通常以整齊的線條排列組件,並花數個月的時間改進這些平面圖設計,但 Google 的 AI 則使用更分散的方法設計晶片,並藉由深度強化學習系統 6 小時內完成。

 

AI是未來趨勢 再次戰勝人類 果真如此?

生活中離我們最近的AI,應該是手機搭載的語音助理,從蘋果的Siri到小米的小愛同學 各有各的擁護者。2016 年,南韓棋王李世乭代表人類出戰lphaGo,以一勝四敗成績輸給 AlphaGo震驚全世界。AI的演算法訓練為移動棋子、增加棋局獲勝的機會,在系統植入 10,000 張晶片平面圖,盡可能提高運算效率,以便學習哪些有效哪些無效。聽起來AI快速有效又方便,彷彿不久後就能掌控全世界多數人的生活,但是事實果真如此嗎?

AI不可否認是人類科技的里程碑,棋王的確輸了、人類設計師的確比較慢,但是事物的本質往往多元而多變,從各方面來看,一個特質擺在對的地方就是優點,用在不適合的地方可能就是缺點。而我目前在清大電資所研究AI,以人工智慧輔助室內設計產業,走向更具效率與擴增產能的未來,讓電腦以機器學習預測及模仿人類的設計。但AI有其侷限性,資料庫不夠龐大就無法運作,如何讓 AI 更符合人性也是我現正進行中的研究。

 

AI並非萬能 人工智慧目前無法掌控世界

不過上述這些討論,目前只能打開劇作家們創作的腦洞,即使機器學習能夠完成一些了不起的任務,但是研究人工智慧的同志們其實都知道,現在最佳的人工智慧還比不上四歲的孩子!是的,AI也有它的局限性!

機器學習靠的是大數據,若是資料寬廣度不足時,就會複製人類偏見,也無法清楚分辨「不曾出現」與「不能出現」之間的區別,無法像人類一樣進行邏輯思辨。例如電腦在理解「總統」這個字時,由於許多總統都是男性 電腦就會覺得女性「不可能」當美國總統,在自然語言處理Natural Language Processing領域(電腦把輸入的語言變成有意義的符號),資料必須夠海量多元 才能避免數據不足出現系統性誤差,而從能量效率的觀點來看,人類腦神經元運作速度雖然不如超級電腦,但在教小孩時並不需要比圖書館還大的資料庫,才能教會他認得自己父母,叫聲爸爸媽媽。

前面提到的AlphaGo,硬體運作功率約為一百萬瓦,而4歲小孩的腦部運作功率只需20瓦,不可能光靠一片夾心餅乾就想誘導AlphaGo學習,也因此目前電腦科學家迫切的任務之一,是建造出訓練過程如人類大腦的機器,機器學習結合了神經網絡和增強原理(principle of reinforcement),最後電腦絕對會變得很聰明,是人類在特定任務範圍內無法超越的能力。唯一的問題是機器學習要花多少時間才能追得上人腦?以及機器完成任務的方式和真正的人腦有多相近?事實上以目前光是超越人類的超級電腦所需要消耗的能量之高,就可以請各位放心,距離成為機器人奴隸的日子,還差了億些。

 

什麼都是AI機器學習深度學習傻傻分不清? 關鍵在這裡~

隨著人工智慧的高速發展,幾乎每天都會有消息稱某家公司進軍人工智慧,雖然人工智慧的價值在消費技術產品中不言而喻,但它真的能讓牙刷銷售商、漢堡連鎖店、音樂工業等都從中受益嗎?

當前有兩種非常流行的方法經常被混淆或互換使用,傳統的機器學習和深度學習,對於外行人來說都是AI,但是對於收集了大量數據並想充分利用它們的公司來說,這兩項就完全不同了!

傳統的機器學習不是AI,只有深度學習是AI,但大多數公司其實並不使用深度學(AI)。機器學習必須要有工程師監督機器學習,工程師必須預先在數據中大量定義模型特徵,而深度學習則同時交替使用模仿人類大腦的「神經網路」展開自主學習,這就是關鍵所在。基於深度學習的電腦影像技術,使伊隆‧馬斯克的自動駕駛汽車的夢想成為現實,這樣的深度學習需要滿足三點:龐大的數據資料庫、計算能力以及敏捷的思維邏輯,關鍵點即在於如何選擇對的演算法,比如在人臉識別領域深度學習 的AI世界中,工程師會如何允許演算法以某種方式查看許多面部特徵,並發現那些更多對判別有幫助的屬性,比如眼睛的顏色、不同種族間眼睛的大小設定。如果使用機器學習試圖解決大量翻譯或無人駕駛的問題,將會花費很長時間來考慮重要數據中的所有因素,並且很大可能會失敗。

而深度學習和先進模型的興起是一次革命性的進步,在如何解決問題的思維方式上邁出了重要一步,自從IBM的深藍電腦(Deep Blue)打敗了世界國際象棋冠軍,並提出AI伴侶的概念至今已有20多年,直到近年AI才終於迎來了革命性進展,預測技術已為我們節省了大量時間和金錢,甚至還能使用預測技術救命,雖然這些應用還處於早期階段,且實際上真正在推動人工智慧的公司並不多,但毫無疑問變化正在發生。