《AI世代生存哲學大思考》:人類自發性地想要辨認對象是什麼,但深度學習不會

《AI世代生存哲學大思考》:人類自發性地想要辨認對象是什麼,但深度學習不會
Photo Credit: Depositphotos
我們想讓你知道的是

AI很像在模仿人類大腦,但有一點必須注意,深度學習等電腦技法所建立的人工神經元活動,和真實生物體的大腦相比,其實有相當程度的簡略,頂多只是辨別對象的結果和人類的認知相同而已。

唸給你聽
powered by Cyberon

文:高橋透

AI與人腦的差異在於自主辨識能力

深度學習技術的劃時代意義在於:AI並非受到教導才去挑選特徵值,而是AI自主行動。這與人們見到不認識的新對象時「不用誰教,自己就會去捕捉該對象的特徵,以與其他對象作區分,同時認識新對象」的機制有相同效果。深度學習技術出現以前,人們設計的程式必須將對象的特徵一一傳授給AI,單憑想像就能知道,那工程有多麼浩大。

現在,拜深度學習技術之賜,電腦已能自動完成這項作業。這革新對工程師來說是莫大恩惠,而且最重要的是,誕生了能自動執行人腦機能的機器,因而令人震驚不已。

的確,從這一點來看,AI很像在模仿人類大腦。但有一點必須注意,深度學習等電腦技法所建立的人工神經元活動,和真實生物體的大腦相比,其實有相當程度的簡略,頂多只是辨別對象的結果和人類的認知相同而已。至於辨識過程,儘管也和人類大腦類似,實際上卻相差甚遠!

儘管現階段還沒辦法單憑深度學習技術打造出能夠超越人類的AI,但是我們已經能夠想像沙納漢點出的問題──即使以機器學習為出發點的AI開發參考了人類的大腦,人們無法理解的AI舉動還是會愈來愈多──而且也已經能夠理解,那是因為機器執行辨識的過程和人類不同。

深度學習的關鍵:自動編碼

其實,早在50年前AI草創時期就已有人工神經網路的構想。那時的人工智慧電腦已經成功建立3個層級,但在增加層級時屢屢遭遇困難,加上當時電腦的運算能力不足,使得人工智慧的發展要等到50年後出現了深度學習技術才突破瓶頸。

那麼,我們來稍微詳細了解深度學習的架構吧。深度學習從神經網路發展而來,後來發展得更精緻之處,就是提升了自動辨識對象與辨識精確度兩方面。在那以前,人們必須逐一傳授特徵值給AI,亦即AI也需要老師的意思。這稱為「監督式學習」(supervised learning)。當然,現在也還在沿用這種方法。相對的,深度學習不需要老師教導,它能自動學習特徵值,屬於「無監督學習」(unsupervised learning)。

為什麼深度學習可以不需要老師,也就是在「無監督」的情況下自動且正確辨識對象呢?問得具體一點,以谷歌辨認貓的例子來說,為什麼從YouTube輸入的影像,也就是攝影對象的貓與AI輸出的辨識結果──貓的影像能夠一致?

這是一種稱為「自動編碼器」(autoencoder)的機器技法,在2006年時由AI研究者傑弗里.埃弗里斯特.辛頓(Geoffrey Everest Hinton)開發問世。在那以前,AI開發一直遭遇瓶頸,只要增加神經網路的層級數就無法順暢運作。「自動編碼器」誕生以後才終於突破瓶頸,促使神經網路有了飛躍性的進展。

那麼,「自動編碼器」又是什麼?簡單來說,這種機器技法是AI裝置為了讓輸出與輸入的資訊一致,而在內部進行資訊比對。

說得再詳細一點就是,深度學習內部的輸入層與輸出層之間有好幾層,每層會各自擷取對象的特徵值。例如第一層叫做A層,它在辨識出對象貓的鬍鬚線條以後,會把鬍鬚的線條再重組回去貓的影像中。這意思是,單一層會在從影像擷取出特徵值以後,再將該特徵值復原回到原本的影像中。

以專業術語說明就是:AI會先壓縮輸入資訊,輸出時再將資訊恢復成原本大小。藉由這項壓縮作業,AI就能「獲得代表輸入資訊的恰當『特徵』」(岡本貴之的官網「人工智慧講堂」)。

而且,每一層都會重複這項作業,以確保每一層擷取到的特徵值都能與原影像一致,以確保對於對象的認識直到最後階段的輸出層都是正確的。藉由以上作業,深度學習能克服增加中間層所衍生的困難,一步步正確辨識出對象就是貓。所以,深度學習的無監督式學習核心技術就是「自動編碼器」。

AI的自動學習不等於人類的自動學習

深度學習的自動辨識並不是自發性執行辨識。人類會自發性地萌生想要辨認對象是什麼的念頭,但深度學習不會。這一點正是深度學習與人類的不同之處。這話怎麼說呢?

我們不妨再次回到人類必須教導AI的「監督學習」,從那裡思考。假設人類想要AI讀取的影像是郵遞區號,那麼人類必須先把0到9的各個數字特徵值──教給AI。當然,這個需要教導才能學習的AI,是接受人類給予目標──讀取郵遞區號數字──以後才會開始動作。這意味著,監督學習的AI單純屬於人類的工具。

那麼深度學習,也就是無監督學習的AI又是怎麼回事?它能從YouTube的影像獲得提示,自己從影像去認識貓。但是請回想一下,既然深度學習的核心是自動編碼器,那麼搭載自動編碼器這件事不就等同於「人類預先對深度學習下指令,要求AI必須正確辨識」嗎?

因此,AI研究者、東京大學的副教授松尾豐點出,「告訴AI『運算的目的』」才是關鍵。一旦人類給予指令或目標,深度學習就得忠實地聽命行事。簡而言之,現在的情況是:人類預先給予AI「正確辨識對象」這項目標,然後深度學習才會自動執行正確辨識對象的任務。這意思是:所謂能深度學習的AI,同樣只是聽人類命令行事的工具罷了。

所以,即使現在的深度學習已經是能夠自動學習的機器,依然不算是能自發性自主學習的機器,因為它還沒有變成像人類這樣會基於好奇等因素而去學習的裝置,它不會督促自己去設定目的或目標。AI在這個階段還無法超越人類,或像其他生命體一樣行動的原因就在這裡。

AI還有一項技法是「強化學習」。本書曾在第1章介紹「深度思考」公司的執行長德米斯.哈薩比斯,他將深度學習與強化學習組合後建構出人工頭腦「DQN」,那正是強化學習的例子。只要讓DQN玩「太空侵略者」等電玩遊戲四小時以後,它的功力就能進化到超越高級玩家的程度。

像這樣,人類什麼都不教AI,讓AI自己去玩遊戲,當AI做出需要獎勵的行動,例如獲得分數,就給予點數以資獎勵,這就是強化學習技術讓AI學習的方法。

換個比喻來說,強化學習的模式是人類預先對AI下達在該遊戲中得分的指令,之後由AI自己在嘗試錯誤中學習。這也說明了,強化學習的目標設定者沒有別人,還是人類。至於AI,只是默默去達成目標的工具。

找出人類沒發現的特徵值

透過以上說明各位應該可以理解,就現階段而言,AI還沒辦法立刻超越人類,但AI確實又已經在某些方面超越了人類。我們該怎麼看待這點呢?

首先舉個簡單的例子作說明。請回想之前談大數據時提到的都市傳說:「尿布與啤酒」混搭的展售。假設那是AI提的行銷企劃案,那家店的店長一定大感意外。因為人類不知道分析數據以後提案建議的AI為什麼會注意到這樣的組合──特徵值──能夠刺激銷售業績翻倍,而且沒想到實際執行以後,果真讓業績翻倍。

AI工程師淺井登在著作《初期的人工智慧》(はじめての人工知能,翔泳社,2016年)中指出,深度學習能發掘人類未曾注意到的事情。他這麼說:

「深度學習有時能擷取出人類未曾發現的特徵。它能從不確定有沒有寶藏的數據山中挖出寶藏,真是令人感激的工具。但是我們通常不了解它擷取特徵的經緯脈絡,甚至有可能一直都沒辦法理解為什麼它會作出這種結論。」

第二則說明以圍棋界的世界棋王李世與AlphaGo對弈為例。當時有不少觀戰的職業棋士表示,AI有好幾次下得不禁教人讚嘆:「下得好呀!」而且據說AI鮮少讓職業棋士搖頭感嘆:「這種棋局怎麼能這樣下嘛!」京都大學教授齊藤康己在著作《AlphaGo為什麼能戰勝人類》(アルファ碁はなぜ人間に勝てたのか,KK暢銷書,2016年)中「猜測」,AI致勝的原因,可能是AlphaGo運用「蒙地卡羅樹搜尋」(Monte Carlo Tree Search, MCTS)演算法。

總之,AlphaGo下的棋步連職業棋士都無法預測,AI找出了人類沒注意到的特徵值,凌駕了人類。如同沙漢納所說,機器出身的AI,行為模式果然不同於人啊!

相關書摘 ►《AI世代生存哲學大思考》:「人工智慧」能進步到多接近人類的程度?

書籍介紹

《AI世代生存哲學大思考:人人都必須了解的「新AI學」》,聯經出版
.透過以上連結購書,《關鍵評論網》由此所得將全數捐贈聯合勸募

作者:高橋透
譯者:黃郁婷

人性化的AI智慧 VS 機器化的人類,「攻殼機動隊」終有實現的一天!

人工智慧已經發展出相當耀眼的成就,未來,更會出現「超AI」。一旦超AI異能力凌駕人類,人腦將不得不與電腦結合,化身為賽伯格。哲學教授髙橋 透在《AI世代生存哲學大思考:人人都必須了解的「新AI學」》一書裡,從人類生態、經濟發展、科學哲學等角度思考AI世代的未來,並藉由AI思考人類存在的意義,以及今後人類的生存之道。

AI世代生存哲學大思考:人人都必須了解的「新AI學」-_ISBN97895708
Photo Credit:聯經出版

責任編輯:朱家儀
核稿編輯:翁世航

或許你會想看
更多『書摘』文章 更多『科學』文章 更多『精選書摘』文章
Loader