《AIQ》：貝氏定理再次流行，在幕後控制著每輛自駕車的方向盤

文：尼克・波爾森（Nick Polson）、詹姆士・史考特（James Scott）

貝氏推論和自駕車

時至今日，貝氏定理再次流行，發展得比過去更好，居於幕後控制著每輛自駕車的方向盤。

貝氏定理是一個方程式，告訴我們如何根據新的訊息更新我們的信念，將先驗機率轉化為後驗機率。為先前討論的機器人問題，亦即SLAM同步定位與地圖建置的問題，提供了完美的解決方案。SLAM本質上就是貝氏定理的問題。隨著傳感器接收新數據，自駕車必須更新周圍環境的「心理地圖」，如車道標誌、交叉路口、交通信號燈、停車標誌以及路上所有行駛的車輛，同時推斷自身在該環境中的不確定位置。本質上，自駕車「認為」自己本身就是一個機率點，沿著貝葉斯的道路行駛。

解釋自駕車的運作方法之前，先解決一個顯而易見的問題：為何不用GPS全球定位技術導航就好，就像我們在智慧型手機上使用的裝置一樣？因為即使在理想條件下，一般人用的GPS系統準確度也只有5公尺左右，在隧道或高樓大廈附近更糟，誤差範圍達30∼40公尺。只用GPS導航城市交通，就像強迫醫生戴著烤箱手套和眼罩開血管外科手術一樣荒謬。

因此，為了補強從GPS接收器獲得的訊息，自駕車必須藉助其他傳感器，有些是普通的老式攝影機，有些則像現在大多數新車都具備的安全功能，像是安裝在保險槓上的雷達，在駕駛人倒車時快撞上某物時會發出嗶聲警告。

自駕車最酷炫實用的傳感器叫做光學雷達（LIDAR），顧名思義，這種設備結合了「光」和「雷達」，代表「光檢測和測距」（light detection andranging）。想像一下自己戴著眼罩，只能拄著拐杖摸索走出陌生的房間。這時，可以透過觸摸，也就是用拐杖戳點周邊路徑，大概估量自己與周遭物品的距離。如果你在不同方向，重覆摸索多次後，就能替周圍環境建立清楚的心理地圖。

LIDAR陣列的運作原理相同，它發出一道雷射光束，透過計算光線反彈所需的時間來測量距離。典型的LIDAR陣列可能有64個單獨的雷射器，每個雷射器每秒發出數十萬個脈衝。每一道雷射光束針對特定方向提供非常詳盡的資訊。為了讓自駕車擁有全方位的視角，會將光學雷達安裝在車頂上的旋轉組件；組件每分鐘旋轉約三百次，就像《捍衛戰士》（Top Gun）雷達螢幕上的旋轉光束一樣，只不過速度更快。因此，大約每秒五次，雷射器會指向任何一個方向，從而提供汽車離散、非連續的位置更新。換句話說，自駕車所看到的世界不是透過穩定的陽光照射，而是透過閃光燈——來自光學雷達和其他傳感器數據傳輸的短暫閃光，每次閃光都提供一個新的環境視圖，如【圖 3.4】所示：

Photo Credit: 商業周刊提供

每當自駕車接收到新的連續突發資料（data burst）時，就會運用貝氏定理，更新對自身所在位置的「認知」。我們可以透過地圖視覺，呈現貝氏推論更新的過程。在地圖中，道路被分解成小單元網格，每個網格都有自己的機率。假設你乘著自駕車開出車道，上路僅60秒，以時速30英里行駛。根據截至目前為止的數據，車子對於自身所在位置會有一套認知，也就是【圖3.5】左上的機率圖。現在讓我們在0.2秒之後，也就是上路60.2秒時檢查汽車，經過LIDAR陣列掃描一輪之後，這些認知會有什麼變化？

Photo Credit: 商業周刊提供

自駕車的推理有三個步驟。步驟一是導航專家所謂的「航位推測法」（dead reckoning），我們常稱之為「內省和外推」（introspection andextrapolation）。「內省」代表蒐集汽車「內部狀態」的資訊，如車速、車輪角度和加速度；「外推」則代表利用這些資訊及物理定律，預測汽車在下一秒瞬間可能的移動；結果就會產生汽車上路60.2秒時所在位置的先驗機率圖，如【圖 3.5】右上所示。這些機率是「先驗」的，因為尚未被納入更新的傳感器數據，我們正處於閃光燈下一次閃光之前的瞬間。

在此請注意兩點：機率的分析區塊在道路上下移了一點，並被「擴散」到更大的區域，這種擴散表示「外推」增添了不確定性。假設車子以時速30英里行駛，那麼在0.2秒時的行車範圍大約是9英尺。但是，由於意外轉向、剎車或加速的結果，實際的行車範圍可能有所增減。

自駕車的第二步是收集外部傳感器的數據，如照相機和光學雷達。這些數據提供對汽車位置的現實查核，有助於糾正因外推而起的錯誤。這部分請參見【圖 3.5】左下，請將該圖看成一組「純傳感器」的機率，也就是說，在沒有任何先驗訊息的情況下，僅憑外部傳感器，汽車對自身所在位置的認知。

然而，汽車確實有先驗訊息，因此第三步、也就是最後一步便是「整合」。運用貝氏定理，將外推的先驗機率（來自步驟一）與傳感器數據（來自步驟二）兩者相結合；在【圖 3.5】右下，你可以看到更新的後驗機率圖，針對「我在哪裡？」的基本問題，提供了修正的答案。最重要的是，比起單獨存在的先驗機率或傳感器數據機率，後驗機率的區塊沒有那麼擴散模糊。和任何單一訊息來源相比之下，兩種訊息結合通常代表不確定性較小。

我們省略了許多細節，但保留了最重要的一點：在上述例子中，我們假裝道路是固定的坐標空間，唯一未知的變數是汽車在該空間內的位置，這是SLAM中L代表的「定位」（Localization）。但不要忘記還有M所代表的「地圖建置」（Mapping）。事實上，道路本身是未知的，所有特徵都同樣在貝氏原理之下運作，道路邊界、車道線、行人、其他車輛甚至是袋鼠，全部都代表機率的分析區塊，根據傳感器所發送的每一次數據傳輸，不斷更新位置。

相關書摘 ▶《AIQ》：在個別病人數據分析上，大多數醫院根本沒人在掌控方向盤

書籍介紹

本文摘錄自《AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代》，商業周刊出版
＊透過以上連結購書，《關鍵評論網》由此所得將全數捐贈兒福聯盟。

作者：尼克・波爾森（Nick Polson）、詹姆士・史考特（James Scott）
譯者：何玉方

工業時代靠IQ，資訊時代要EQ————
智慧革命時代，若想跨域轉型求生
駕馭全世界的機器替你做事
唯一致勝方程式——AIQ ＝AI ╳ IQ

AI革命正在重塑我們的世界，就像工業革命重塑十九世紀的世界一樣。「AIQ」，就是善用AI技術的能力，檢測一個人能否善用AI來提升工作與生活的便利性，讓自己過得更好。

AI不是科幻電影的機器人，而是「演算法」，無處不在且無時無刻都在「改變」我們的生活，例如醫生用AI診斷和治療癌症、銀行用AI檢測詐騙行為、電力公司用AI節能省電……有些改變帶來莫大希望，包括高效完成繁複作業、提供更安全的工作場所與更完善的醫療保健、減少語言障礙等，但有些改變也敲醒警鐘，例如就業機會減少、數據運用與個人隱私的拉鋸，乃至AI導致錯誤決策卻毋須承擔責任。

因此，本書鎖定三大面向，闡述「人機分工協作、共存互生再生」的重要：

一、想在世界立足，必須瞭解智慧機器如何運作，也就是「演算法」：幾乎所有AI系統都遵循同樣的「演算法流程」範本。

二、AI只說一種語言——數學語言。理解AI背後的數學運作，就會發現它不再神祕難解。作者保證：數學白痴也不用擔心，人工智慧的數學非常簡單！

三、AI不是威脅，人機不該對立，應思考如何共存共榮：人類可以利用機器克服內在的認知弱點，學習機器的運作邏輯，強化自身思考方式，如此一來，快樂、效率、成就感都能升級進化。

Photo Credit: 商業周刊

責任編輯：潘柏翰
核稿編輯：翁世航