《最強腦力》:只要問非知識性的問題,擁有學習能力的電腦就會露出馬腳了

《最強腦力》:只要問非知識性的問題,擁有學習能力的電腦就會露出馬腳了
Photo Credit: Shutterstock / 達志影像

我們想讓你知道的是

電腦雖然不費吹灰之力就能擊敗電腦遊戲的世界冠軍,卻沒有一部電腦了解電腦遊戲究竟是怎麼回事。就算有人能把維基的網頁內容全都學起來,也不代表他真的理解其中的意涵。

文:漢寧.貝克(Henning Beck)

學習的上限

資訊業巨擘IBM和Google開發了能處理訊息,同時讓自己變得更加精良(也就是學習)的電腦系統,但我們也必須說清楚,IBM的電腦系統華生和Google的機器學習程式,二者的運作方式並不相同。華生儲存了極為龐大的訊息,從這座數據大山中找出關聯來回答(準確地說,是能針對答案「提問」)《危險境界》的益智問題。

舉例來說,在維基百科中,關於《瓦拉幾亞和摩爾達維亞諸公國記事》的作者威廉.威金森的網頁上,出現了這段話:「這是布拉姆.斯托克在撰寫《吸血鬼伯爵德古拉》之前也關注到的一本書。」6IBM的華生當然儲存了維基百科的全部內容,如果華生分析了這篇文章,便會發現這裡相繼提到斯托克與威金森。華生可以進行上百萬遍分析並發現,斯托克頻頻與威金森共同出現,而如果這種統計相關性夠大,程式便會輸出它的演算結果。

「彼此夠相似的,應該就是對的」,這個原則也和Google搜尋演算法的運作方式類似。經常相互參照的網頁應該特別重要,並且會特別顯示在搜尋結果。然而,這還不足以表示,這些網頁上的訊息真的有意義。經常相互參照的網頁,彼此可能毫無關聯。

因為統計上的相似性未必就表示內容上具有重大意義,兩件經常相互參照的事物不一定就是對的。例如,全球氣候暖化與活躍的海盜數量減少,彼此之間存在著驚人的相關性,這種相關性當然純屬巧合,沒有人會真的主張把更多海盜送往各地海上以對抗氣候變遷。然而,具有學習能力的電腦系統,大多是靠著找出統計上的共通性來執行任務。

理解則是不同的事,而今日的電腦系統全都敗在它們無法理解,因為就算你對自己所學的東西毫無概念,也能學習。直到今日,IBM的華生依然不知道益智節目是什麼,也不知道說出正確答案後獲得掌聲,究竟意味著什麼。GoogleDuplex也不知道美髮師是什麼,或者人們的出生日就是他們的第一個生日。電腦雖然不費吹灰之力就能擊敗電腦遊戲的世界冠軍,卻沒有一部電腦了解電腦遊戲究竟是怎麼回事。就算有人能把維基的網頁內容全都學起來,也不代表他真的理解其中的意涵。

相關的理論爭議多得不勝枚舉,對於電腦是否能建構出對世界的理解,就讓哲學家去傷腦筋吧!不過,擁有學習能力的電腦系統,其限制也彰顯出人類在學習上的限制。因為,如果我們一味追求學習、追求效率與最佳化,最終我們可能會變得跟機器一樣笨。電腦雖然能在益智節目中迅速且正確答題,卻不知道能用贏來的獎金做些什麼。

現在Google(以及其他資訊業巨擘)已經不再使用IBM華生的方式,而是研發其他系統,這些系統能自行利用大量數據模式進行推論。現在我們已經不再需要告訴現代的電腦系統這是哪種模式,它們不需外來的幫助,就能自己辨識構造與關聯,而它們所採用的,也是人腦巧妙運用的法則:在神經網絡中處理訊息。電腦當然沒有真正的神經細胞,但可以模擬神經細胞的特性。人腦能從大量圖像推演出其中的共通性,電腦也能以同樣方式篩選出其中的關聯。在圖像和語言辨識上,這種方法效果也非常好。

舉例來說,如果我們想設計一種能「辨識」鸚鵡的電腦程式,就須提供它上百萬張圖片和好幾千張的鸚鵡照片,每次這個電腦系統會分析一張圖片並提供一個結果(例如,這是鸚鵡的圖片或者不是)。輸出的結果是「是」或「不是」,並且運用在下一次的圖片分析。利用這種方式,電腦系統便能一步一步從錯誤中學習,並且對許多圖片調適得更好,到最後幾乎針對所有的鸚鵡圖片,它都能輸出正確的結果。

這一點令人想起在前文說明過的,人腦的學習方法:運作快速的海馬迴,不斷向大腦傳遞最重要的刺激模式,直到大腦神經細胞調適良好,能穩定識別某種圖像。如同我們所看到的,電腦系統能以這種方式自主學習所有電腦遊戲。最早的雅達利遊戲或棋戲還相當簡單好學,因為這些遊戲都是公開對決的。但撲克牌遊戲則不同,沒有人知道對手持有哪些牌,資訊不完整,因此可以虛張聲勢使詐。儘管這樣,Facebook依然在2019年研發一款撲克牌程式,可以打敗最厲害的撲克牌玩家。

方法很簡單,就是讓程式自己和自己玩上數千遍,從每一次的牌戲中學習其中的法則。這款撲克牌程式太厲害了,最後Facebook相關的研發部門不得不禁止公開他們的程式設計,以免網路撲克牌產業崩盤(這畢竟占有幾十億美元的市場)。Facebook開發超越人類的撲克電腦,目的自然不在玩牌戲,而是希望能將這種基本學習法則轉用在各種類似的挑戰上,例如用於談判協商或是交通流量的控管。因為這種機器學習法則,能運用在語言、圖像、文章、股市行情、音樂偏好、氣候數據、消費行為或網路搜尋等所有具有規律性與模式的事物上。道理很簡單:分析大數據,找出這座數據大山的共通性,而經常共同出現的,必然特別重要。

無論人腦或電腦,神經網絡主要是一種模式辨識系統,神經細胞的基本構造便是為了找出相關性。到目前為止,我們在本書中所討論的一切,無論是人類的學習法則、人腦中海馬迴與大腦的任務如何分配、神經細胞如何工作並在神經網絡中建構模式等,都很好也很棒,但若想了解人們的學習內容,基本上還不夠。

到目前為止,我只說明了人腦如何尋找模式、鞏固模式(也就是「儲存」),並加以運用(「提取」訊息)而已,這是傳統型學習,但光是這樣還不夠。如果電腦純粹以這種方式學習,在認知上就會過度單純。如果我們將學習純粹當作是找出模式與關聯,只求迅速並精準無誤地儲存學習內容,就無法理解我們的學習內容。

如何讓有學習能力的電腦露出馬腳

你想欺騙電腦,證明它並不理解自己在做什麼嗎?再簡單不過了,只要問它非知識性的問題。電腦能輕鬆回答知識性問題,所以你該問它不那麼明確的題目,比如:廚房裡坐著四個女人,其中兩人已婚,而她們的丈夫各有一名來自第一次婚姻的孩子。現在,她們的丈夫各自帶著自己的後代走進廚房,那麼,現在這個空間裡共有多少人?

別感到困惑,這不是什麼大難題,不過是簡單的加法而已,正確答案是「八人」。這對人類而言非常簡單,卻是電腦的惡夢(如果電腦會作夢的話),因為它們必須知道,對女性而言「已婚」表示有丈夫;廚房是一個空間,女人、丈夫與孩子都是人類,而後代指的是孩子(特別是父母一方在場時)等,這些都是沒有明說的設定,是電腦不懂、也無法以統計法從數據中推導出來的。因此,2019年的一項研究中,輕輕鬆鬆就能提出淘汰所有電腦、但人類卻能輕鬆作答的問題。研究人員總共研發了1200道題目,這些問題大多依據上述的原理設計:在問題中加進一些沒有明說的知識,且經常使用較冷僻的同義詞(例如「後代」),這樣電腦就無計可施了。

無論如何,這些問題都能清楚推算答案,但真實世界哪會如此?如果要電腦處理難以推算的問題,它們可就真的束手無策了。例如:梅西(Lionel Messi)在巴塞隆納足球俱樂部(FC Barcelona),或是在阿根廷國家隊的表現較佳?隨便一個稍微有點了解國際足球巨星梅西的人,都會同意我的觀點:他在巴塞隆納足球俱樂部的表現顯然要精彩多了,這一點無庸置疑。問題是,這該如何量化?

就算只是和八年級學生競賽,這樣的電腦系統也只能舉白旗。2015年底,有人邀請最優秀的電腦研發人員參賽,如果有人研發的電腦程式在中級程度的益智問題中,表現能勝過孩童,此人就能獲得5萬美元。共有780個隊伍參賽,其中最好的程式也正確答出將近60%的問題。然而,一碰到需要理解的題目,就連最成功的電腦系統也無法處理:

從地球上有地震這個事實,科學家能推導出什麼結果?

A. 地球上的氣候不斷在變化。
B. 地球上的大陸不斷在移動。
C. 恐龍在六千五百萬年前就滅絕了。
D. 今日的海洋要比數百萬年前深多了。

你別太過詫異,沒錯,這是十三歲的孩童應該已經會的,難度不太高。四年後同樣的測試再度進行,這一次程式演算力更強,訓練更精良,而結果也不同於上次:這一次電腦系統答對了90%的問題,可以得到2+的成績,但這一次那些最厲害的程式只是採用了統計法,它們只能回答複選題,卻無法回答問答題,也無法分析圖像。它們依舊是笨機器,只不過速度變得較快而已。我要附帶說明一下:現在,就連完全沒有想像力的機器也能通過學校的考試,但這一點並不表示學校教育也該如此。如果我們把人教育成在複選題測驗中能盡快選出答案,這樣培養出來的人,未必能夠理解事物的因果關聯與真實情況。

降到電腦的水準

只要電腦一日無法理解自己在做的事,它就只是在模擬自己的知識。它欺騙我們,使我們誤以為它處理訊息的方式與我們類似,但它其實只是在「弄假,直到成真」(Fake it, till you make it.),假裝它根本不存在的能力,直到我們誤把最愚蠢的機器當成聰明的機器。這一點Google想必也已發現。

Google的電話助理軟體Duplex大受讚揚,但在2019年5月《紐約時報》(New York Times)發現,大約四分之一的電話並不是由Duplex處理,而是在一處數位客服中心由真人執行。更誇張的是,2014年中國Startup「X.ai」開發了兼具聊天機器人與行事曆的程式——Amy Ingram,負責安排約會並將電郵寄給其他會議成員,這些都是非常繁瑣的辦公室工作。這款程式表現優異,特別是口語與書面溝通能力上,表現更是令人驚豔。

然而,後來也有人揭露,在這個電腦程式背後其實有真人在執行工作。薪資差,每十二小時輪班一次,負責回答電郵與行程登錄。或許因為這樣,資訊業始祖格雷戈里.科貝格(Gregory Koberger)說過一段話,才會成為科技業的一則笑哏:「如何創建一家人工智慧新創公司?一、聘用一群最低工資的人,假裝是人工智慧偽裝成人類。二、等待真正的人工智慧被研發出來。」以德國電腦先驅康拉德.楚澤(Konrad Zuse)的話來說(而且早在數十年前就說了)便是:「電腦變得跟人類一樣,這樣的危險並不大於人類變得跟電腦一樣的危險。」

對學習的誤解

對許多人來說,學習意味著迅速將訊息記在腦子裡,在考試時應用,或是獲取能力得以完成無需思考的任務。這種學習法很容易移用在機器上,造成我們也經常得面對同樣的要求:學習必須迅速且高效。我們認為聰明人學得比一般人好,是因為他們能在更短的時間內學會更多內容,之後更能利用這些知識。雖然,在許多勵志書中介紹的學習技巧,幾乎都以這種觀點為基礎,但這種學習是不夠的。儘管在前面的篇章中,我也說明了追求優化效率的傳統型學習究竟建立在何種基本法則之上,而這種學習法絕對有其道理,但光是這樣並不夠。

問題一:來得快的,去得也快

許多學習技巧著眼於加速學習過程,追求以更短的時間學到更多內容,但這種快速學到的知識,很可能只是皮洛士的勝利(Pyrrhicvictory,譯按:古希臘伊庇魯斯國王皮洛士率兵打敗羅馬軍隊,自己卻也傷亡慘重,得不償失),我們自以為學會了什麼,結果來得快的,去得同樣快。例如,我們請受試者背誦一篇知識性文章,短期來看,將這篇文章連續讀過數遍似乎頗具效果,但這種方法僅在隨後立刻考試時才有用,因為越是快速又密集地把知識「敲進」腦子裡(這在科學上稱作「重複加強學習」﹝massive learning〕),這些知識就消失得越快。必須學會運用這篇文章中的資訊,或是將這些資訊放到另一種關聯之下,我們才不會在一個星期過後,就把這些知識忘得一乾二淨。

此外,學習技巧越簡單,必須越勤奮努力。就算是個大笨蛋,面對最難的文章,也無需太過費心思考,就能在反覆讀過十幾遍文章後念熟,或是利用記憶口訣熟記。學習技巧越簡單,我們就越不需要聰明才智來運用這種技巧。或者應該倒過來說:許多人之所以沒有充分運用他們的智力,是因為採用了簡單的學習技巧?

某種程度上,「重複加強學習」也是具有學習能力的電腦系統運作方式的人類版,但「重複加強學習」不僅無法帶領我們前進新的思想領域,還會使我們更快面臨極限。這就如同以破紀錄的速度攻頂楚格峰(Zugspitze,編按:德國第一高峰),那不是我們登上火星的第一步,而是旅途的終點。

問題二:完美無誤的回吐知識,不代表真正理解

想測試自己是否真正理解所學內容,辦法相當簡單。不過,我們往往只考問學習內容,並且錯將正確地回吐知識當成一種學習成就。這就如同2016年一項有趣的研究顯示,這種作法只能考出假知識。在這項實驗中,受試者必須先仔細閱讀關於「能量從太陽傳送到地球」的文章,之後半數的人立刻再把這篇文章讀過一遍,另一組則收到一些相關的問題,例如地球上不同地區溫度上升的情況(一年平均下來,當然以赤道升溫最快)。

一個星期後進行考試:測驗一完全依照文章內容出題;測驗二則包含變化題,例如:一般而言地球上的風是吹向赤道,還是從赤道吹往他處。(按照邏輯應該是吹向赤道,因為基本上風是從較冷的地區吹往較暖的地區,而赤道是地球上最熱的區域。)答案雖然沒有出現在文章中,但之前已經考核過文章內容的那一組,在這些變化題的表現較佳。換句話說,他們也理解內容了。

坊間受歡迎的學習技巧(反覆學習、記憶口訣、做摘要、示意圖,利用標示重點和畫線主動閱讀、閃卡等)莫不聚焦在有效儲存訊息,也就是我們在科學上所稱的淺層學習(surface learning)。2016年,研究人員在一項大型的概括性研究中探討,如果我們希望不只是蜻蜓點水般掠過學習表面,而是深入理解其中的概念,該怎麼做?這時他們發現了截然不同的技巧。其中一種方法是主動了解內容、深入探究,運用從中獲得的知識。在接下來的篇章中,我們還會更深入介紹由這些現代學習法變化出來的辦法,在這裡我們只需知道,一般受歡迎的學習技巧,其實多半完全不適合這個目標。

書籍介紹

本文摘錄自《最強腦力:德國冠軍腦科學家實證的數位時代大腦學習法》,商業周刊出版
作者:漢寧.貝克(Henning Beck)
譯者:賴雅靜

透過以上連結購書,《關鍵評論網》將由此獲得分潤收益。

還在死記硬背、刻苦用功嗎?
其實你只需要學習→聰明使用大腦

本書以科學實證翻轉傳統學習思維
理解力讓人腦勝過電腦!
★德國亞馬遜通識教育、學習工具書類暢銷書★

學習的東西總是忘記,代表舊方法已經行不通。
提升記憶力?其實不需要,只要提升理解力就夠!

「科學大滿貫」(Science-Slam)比賽,德國冠軍得主漢寧.貝克,以風趣、易懂的風格,解析數位時代最聰明的大腦學習法。他說「理解」是人類獨享的能力,只有在了解學習與記憶的關聯性之後,才能把知識永久儲存起來。

透過本書,你將學習到數位時代如何真正學會知識!
提高理解力,將海量資訊變成自己的知識

數位時代最新學習重點,本書告訴你:

  • 祕密武器是遺忘:學習不是鍛鍊強大的記憶力,遺忘、生疏、扭曲與偽造才能運用所學所知開創未來。
  • 請稍微「沒效率」:世界不斷在改變,我們必須稍微沒有效率地處理訊息,才能真正理解訊息。
  • 要能主動提問:改變世界的,向來是提出新問題的人,不具批判精神的人,便無法理解事物的道理。
  • 發展無法Google的東西:廣博的通識教育,能以知識創造知識,學識淵博的人學習新知也快多了。
  • 必須知道某件事「不怎麼樣」:不僅需要知道某件事「怎麼樣」,也要知道它「不怎麼樣」。跨越界線的學習,成效更斐然。
  • 記得自我質疑:我們容易在新媒體的推波助瀾下,把自己訓練成偏執狹隘的人。要能思考,以免掉進陷阱。
  • Google前先思考:親自探究某事,是通往理解的重要步驟,就算搞錯了效果依然存在。
  • 製造一點困惑:激發好奇心,這種「如果怎樣,會怎樣」的思考方式,是電腦完全不懂的。

了解自己的頭腦就和理解自己一樣,只要熟悉一切都不會陌生。本書提供嶄新的學習方法,藉由探索人類大腦的最新科學研究,生動說明了真正的理解如何顛覆我們的思維。

第一部分是以科學的角度理解大腦構造,再來透過認識大腦的構造,了解其運作方式,即能認識大腦如如何帶領我們學習、記憶並理解事物。第二部分主要探討大腦學習的過程,以及如何透過教育、訓練方式提升我們大腦的學習力。第三部分探討「理解」,將所學轉變成「所知」,並有效實踐它,並拓展新知與新觀念。

本書特色

  1. 打破硬記死背的學習方法:過往那種硬記死背的學習方式,在數位時代怎樣都不夠用。作者以生動而易懂的比喻,協助讀者理解大腦運作的奧祕,了解大腦如何運作之後,便會明白僅有學習還不夠,最重要的是理解,而理解正是人腦之所以勝過電腦的關鍵。
  2. 以科學為實證:提出各種學習法的科學實驗,並從實驗結果中相互比較、探討各種學習技巧的不同之處,讓讀者能理解其中的道理,發現過往盲點,從而找出適合自己的方法,破解傳統學習迷思。懂得這些技巧原理之後,再去學習任何事物都會變得更容易。
  3. 數位時代用知識創造知識:世界不斷在轉變,未來需要的不是因為苦讀而在考試中表現精準無誤的人。本書想告訴我們的,不僅僅是如何學得好,更重要的是如何發揮對知識的理解並善用知識,不但能夠解決問題,也能擁有開創新局的能力。
  4. 讓教育變得更聰明:本書追求的,不僅僅在於個人理解知識,更拓展到教育層面,以聰明的方式向他人傳遞知識,也能提升個人對知識的理解,教學相長,使教育與學習變得迷人。
getImage-2
Photo Credit: 商業周刊

責任編輯:潘柏翰
核稿編輯:翁世航