【一時】Google巨擘沒你想像中高傲、比爾．蓋茨誤解了哈拉瑞

這段分析經已回答了第二種情況。長期從事人工智能項目的「行內人」，對何時才能研發出「通用人工智能」，差異竟然如此之大，中位數接近37年之後，又假如提早一半時間出現，我們可以追問：

20年之後，各國政府是否允許少數權力壟斷這項技術，如何處理企業使用技術，此外，區塊鏈與大數據的關係演變成怎樣？通通是未知之數，人類社會的文化制度，可不是一成不變在等待「通用人工智能」出現。

DeepMind三年來震撼全球

Photo Credit: Kim Hong-Ji / Reuters / 達志影像

人工智能誘發人們的想像力之所以與日俱增，都離不開這三年之中的兩件大事。其一，是2016年、2017年，DeepMind研發的AlphaGo先撃敗南韓棋手李世乭，再撃敗當時中國兼世界第一棋王柯潔，此番戰果，打破了2012年專家估計到2022年左右，人工智能才有可能敗撃人類頂尖棋王，怎料時間足足縮短了50%，相信不少人仍未忘記，柯潔面臨落敗時痛極而泣的情境。

此外，數個月前，Google發布名為Duplex的模擬真人對話技術，成功「在預約（登記服務）的領域方面，通過了圖靈測試」，意思是測試期間，當人們致電預約酒飯店、餐廳等服務時，Duplex未有表明身份之下，足以令人以為正在跟活生生的人類服務生溝通，而自己毫無所覺，不知道只是Duplex系統。即使Duplex未正式通過「一般」圖靈測試，能處理的只是登記服務，事後經已惹來全球議論紛紛，甚至有人感到「此技術可怕」，戒懼未來的道德問題。

情況似乎每隔一年便有令人詫異的推進，可是必須謹記，不管是下圍棋抑或登記系統，均是非常狹窄的使用領域，遠遠談不上吩咐一個指令，智能系統會自主且全自動透過網絡自行學習，「無須人類指導」完成各類目標和任務，跟上文提及的「通用人工智能」差距相當相當大。

或許，別說獨立自主完成任務的執行能力，筆者認為至少能推出一種「AI解難助手」，從日常生活到學術研究，都能有條不紊地整合可靠資料，向用戶展示分類、篩選重點、對照差異和基本解答，即使無法模擬彷若真人對話，亦總算達到不俗的里程碑，但要做到的話看來依然遙遠。

有時候，神秘感來源自「陌生感」，人們遺忘了人工智能如何從數十年前一步步走到今天，直至近年取得重大突破，隨之而來便是神秘感甚或恐懼。

數十年前電腦程式連普通棋手也鬥不過，今時不同往日

Photo Credit: Two Minute Papers Youtube截圖

如果不追溯到更遠的圖靈（Alan Mathison Turing），現代開啟專門研究AI領域可數1956年，一些對自動機理論（automata theory）、神經網絡、智能研究有熱情的科學家，聚首於美國新罕布夏州達特茅斯學院（Dartmouth College），並舉行了達特茅斯會議（Dartmouth conference），這就是「人工智能」一詞誕生的時刻。

當年，資訊理論創始人克勞德．夏農（Claude Elwood Shannon）等人，期望「找出讓機器能使用語言、產生抽象概念、解決人類問題，以及自我增進的方法」（“An attempt will be made to find how to make machines that use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves. ”）

做到的話，便可駁斥那時的懷疑論者不屑之情：「絕對沒有機器能做到X！」（“No machine could ever do X!”）

可惜，由於他們一開始太過樂觀所以處處碰壁，起初設計用來跟人類對戰的西洋棋程式，別說運用高難度的棋術，卻連基本的棋步也搞不清楚，找個下棋新手也可以「捉贏」，而且輸入的資料選項增加，運算速度跟不上，跟現在的情況相反，那時等電腦運算有初步結果的時候，比賽早就結束。

後來在80年代日本通產省（今經濟產業省）牽頭推展「第五代電腦」開發計畫（英國、美國亦加大投資比併），意圖能研發出可跟人類對談，並「自動」推論運算的人工智能電腦，由於它的運算模式仍脫離不掉簡單的「If-Then」邏輯，需要相當多專家及資源輸入、更新資料和維護系統，從「Rule-based AI」這名稱也可嗅出其僵化規則的味道，不久因成效及成本問題只能放棄。

直至90年代AI基於硬件升級，再融入「貝氏機率」（Bayesian probability）及網絡數據，讓電腦可以運算大量資料成為「暴力AI」（Brutal Force AI）——透過超高速處理器、大容量記憶體，強行處理巨大資料量。也因為這層次的提升，1997年IBM開發的「深藍」（Deep blue）才能打敗人類西洋棋冠軍，就是椅靠統計與機率為運算核心的技術做到。

而AlphaGo使用的深度學習技術（Deep Learning，得益人工神經網絡研究），則要到2006年開始才有突破，2012年後Google才加快落實，到了2015年第三季經已有1,200項計畫應用深度學習技術，漸漸促成近年我們讚嘆的創舉。