数位分身(1-3)
數位分身(1/3)

这个人工智慧伙伴将与你十分相似,在云端提供你最佳建议。


重点提要

发展人工智慧(AI)可视为人类演化的一部份。为了实现新一代的自动化革命,我们必须创造所谓的「终极演算法」。统合既有五类机器学习方法的终极演算法,接收大量资料后,就有可能为每个人建立精準的模型。科技只是人类能力的延伸。机器没有自由意志,只能遵循我们设定的目标。与其担心机器取代人类,不如担心人类滥用科技。短期内,AI的应用可能是创造「数位分身」。我们的虚拟模型能在网路空间尝试各种事物,并与无数的其他虚拟模型进行交流,帮助我们在日常生活中更快做出更好的决定。

人类是唯一会製作机器的动物。机器让我们扩展能力、突破生理限制。工具把我们的双手变成多功能的肢体;汽车让我们能快速移动,飞机给了我们翅膀;电脑赋予我们强大的计算能力与记忆力,智慧型手机则让日常生活变得多采多姿。现在,人类把从资料学习的方法写进程式,创造出能自行学习的科技。人工智慧(AI)有一天会取代人类吗?或是会以前所未见的方式增强我们的能力、提升人性?

罗森布拉特(Frank Rosenblatt)是1950年代开启机器学习研究的先驱,发展出学习辨识位元的电子神经元;而塞缪尔(Arthur Samuel)撰写的西洋棋程式能够不断自行练习,直到击败人类。但是一直到过去十年间,机器学习领域才真正起飞,实现了自动驾驶汽车、(某种程度上)能听懂人类指令的语音助理,以及其他数不清的应用。

机器学习开创新局

我们每年都发明数以千计的新演算法,透过一连串指令告诉电脑该做什幺。然而机器学习的特点是,我们不必详尽撰写程式,而是给电脑一般目标,例如「学习下西洋棋」,电脑就能像人类一样累积经验而自行改进。机器学习演算法可分为五大类,灵感分别来自不同的科学领域。可想而知,其中一类是模仿天择的「演化式演算法」。在美国哥伦比亚大学的创意机器实验室中,初代机器人会尝试爬行或飞行,表现最佳的程式会定期混合并演变,再用3D列印产生下一代。一开始随意组装的机器人几乎无法移动,经过数千或数万次演变后,最终製作出机器蜘蛛和机器蜻蜓。

但演化的速度很慢。目前最流行的机器学习演算法,是从脑科学获得灵感的「深度学习」。我们採用高度简化的数学模型来模拟单一神经元的运作,进而建立由数千或数百万个神经元构成的人工神经网路,人工神经元接收资料时会逐渐增强人工神经元之间的连结来学习。这些人工神经网路能以不可思议的精确度辨识人脸、理解语言或翻译。机器学习也运用了心理学,模拟人类从记忆中寻找类似情境来解决新问题,这种以类比为基础的演算法实现了客户服务自动化,并能在购物网站上根据你的品味来推荐商品。

机器也能透过自动化科学方法来学习。「符号学习演算法」利用反向推理来归纳出新假说:假如我知道苏格拉底是人类,还需要什幺资讯来推论他有一天会死?知道人终有一死就够了,再检查资料中的其他人是否也会死,便能验证这项假说。英国曼彻斯特大学的生物学机器人夏娃(Eve)利用这种方式找到一种可望治疗疟疾的新药。夏娃从疾病的资料与基本分子生物学着手,建立药物分子如何作用的假说,设计实验进行验证,然后在机器人实验室做实验来修正或剔除这些假说,并重複这个过程直到假说不需修正为止。

最后,机器也能单纯透过数学原理来学习,其中最重要的是「贝氏定理」。我们根据既有知识,设定各项假说的初始机率,针对符合资料的假说提高机率,而不符合资料的假说降低机率。接着以所有假说的机率做出预测,机率越高的假说所佔权重也越高。比起人类医生,採用贝式定理学习的机器能做出更精确的医学诊断。这类机器学习演算法是垃圾邮件过滤程式的核心,Google也利用它来选择你所看到的广告。

这五类机器学习方法各有优缺点。深度学习善于解决视觉辨识和语音辨识等感知问题,但是并不适合应用于认知问题,例如获得常识或推理;符号学习则正好相反。演化式演算法能解决人工神经网路无法克服的难题,但需要很长的时间。类比演算法能从少数案例中学习,但接收太多资讯时可能会产生错误。贝式演算法最适合用来处理少量资料,但处理巨量资料时所花的时间会令人却步。

这些伤脑筋的优缺点,促使机器学习研究人员努力结合所有演算法的长处。一如打造能够开启任何锁头的万用钥匙,我们的目标是创造出「终极演算法」(master algorithm),它从资料中撷取所有资讯,并从资讯中获取所有可能的知识。

但我们面临与物理学家类似的挑战:量子力学能有效描述宇宙最小的尺度,而广义相对论能解释最大的尺度,两套理论不相容因此必须统合;同样地,马克士威(James Clerk Maxwell)首先统合光、电场与磁场,其后粒子物理学才发展出标準模型。包括我在华盛顿大学的团队在内的不同研究小组,提出各种方法来整合两种以上的机器学习演算法。由于科学研究的进展是跳跃式、而非线性,因此很难预测统合所有机器学习方法的终极演算法何时完成。无论如何,达成这个目标不会招致统治人类的全新机器,相反地,它会加速人类演化。

一旦我们发展出终极演算法,并输入人类产生的大量资料后,AI就有潜力为每个人建立精确而详细的模型,学习我们的品味与习惯、长处与弱点、记忆与志向、信念与人格、我们关心的人事物,以及遇到不同状况时会如何反应。我们的模型基本上能预测我们所做的决定,这让人既兴奋又不安。(待续)

上一篇: 下一篇:
相关阅读