如果AlphaGo輸了給柯潔,我們才應該感到沮喪

如果AlphaGo輸了給柯潔,我們才應該感到沮喪
Photo Credit:Reuters/達志影像
我們想讓你知道的是

柯潔如無意外首仗敗給AlphaGo,不少人依然未走出「人類敗給人工智能(AI)」的沮喪感,為什麼?作者撰文解釋,並指出怎樣才是恰如其分的態度。

唸給你聽
powered by Cyberon
柯潔敗給AlphaGo,仍有不少人情感未能接受

相信有些朋友會感到奇怪,明明經過南韓棋王李世乭在去年3月以4:1總局數敗給AlphaGo,昨日AlphaGo對戰中國柯潔,首仗戰敗早應該心情平伏,視之理所當然,像林順喜過往接受BBC訪問時說:「人類超越不了電腦是必然結果,情況一如人跑不過跑車一樣。」

其實,像林先生這樣理解「人機決戰」的人,不一定是多數,就在李世乭輸掉比賽的時候,賽後仍有朋友說:「其實不對,最近下的是快棋,慢棋還有機會贏。」這說法固然不成立,但無論如何,人們仍有揮之不去的沮喪感一般牽涉兩個層面。

比較淺顯的層面,是圍棋競賽不像汽車與人類鬥速度,不是比併雙腳(肢體)步速與車速,這屬於外在的條件限制,而且,汽車的外貌也不像人類,情感上比較容易接受;換言之,人類下棋這種活動是「心靈 / 意識」的一種能力,比併的是人類那顆有思想的大腦,比併單位容易讓人「擬人化」,這種心理包袱以「汽車」比喻未必能抒解許多人的心情,總感覺是「人類失敗了!」。

在數理運算方面,人類跟AI相比層次不過像隻甲蟲

另一個層面牽涉「認識」,因為要人們要理解及聯想「人工智能」(AI)跟「人腦」的差距,相對沒那麼容易。柯潔在賽後比喻AlphaGo像「圍棋上帝」,能夠快速下「一石二鳥的棋步」,找不到弱門,令人震驚。這樣的比喻雖然生動,但還是未夠具體,如果以尼克.伯斯特隆姆(Nick Bostrom)的比喻,AI數理運算能力跟人腦相比,層次相當於「人類跟一隻甲蟲或蠕蟲」相比,不是一般人以為是「科學天才跟一般人」的距離,因為這個比喻差距顯得太小了。

圍棋極講求數學及邏輯運算,而「這一方面」正是AI的強項,隨時間演進,日後AI的數理運算能力人類無法企及,根本理所當然。回到基本單位,一般生物神經元最巔峰的運算數速度約200Hz1(此非指部分特殊高速的神經元啟動頻率),比現代約2GHz微處理器慢了「七個數量級」(用這例子已很保守了),就是10的7次方——10,000,000倍,電腦極擅長高速依次序運作(sequential operations)。此外,神經軸突最快可以每秒120公尺速度攜帶動作電位(action potentials),而電子處理核心(electronic processing cores)藉光學處理通訊速度每秒達3億公尺。

至於擴充結構,電腦不但軟體可以不斷更新升級,硬件運算也可升級至非常高的物理極限(目前仍在實驗階段的技術,可使「精尖的電晶體製程從14nm縮減到了 1nm」),我們也知道超級電腦可使用大如樓座的單位來安置。而成年人類大腦平均約有1,000億個神經元,大腦尺寸是黑猩猩三倍半左右,僅此而已,暫時無法再添加運算硬體。在這種基礎之下,下圍棋可處理多少種可能的擺法,是如何龐大的運算量,建議各位參考友人余海峯〈AlphaGo連勝人類:從圍棋複雜程度淺談人工智能重要性〉一文。

柯潔未來任何一局取勝是奇蹟中的奇蹟,失敗是理所當然

人腦vs.AI就是在這樣的條件之下比併,現在我們明白,隨著AlphaGo更新至18版乃至更後的版本,去年李世乭經歷了「人類贏AlphaGo的最後一局」絕不誇張。情況意味著,柯潔在5月25及27日另外兩局,也很可能戰敗收場;敗,顯得理所當然,勝,倒是「奇蹟中的奇蹟」,這才是我們心理上恰如其分的理解,應當接受,沒必要沮喪或失望。

即使奇蹟真的出現,也只是一時而已,不久之後所有奇蹟將完全消失,沒有之一,也沒有如果。更重要的是,人工智能技術是相關專家走了許多冤枉路,經過「數十年」以後的成果,無論是李世乭、柯潔,或是今後在其他方面落敗於人工智能的人,總括來說,他們是敗給不少人合力研發、汲取經驗教訓的「AI心血結晶」;反而,AlphaGo「竟然」徹底敗給柯潔,我們才應感到沮喪,聚合了這麼多聰明絕頂之士,奮鬥數十載,卻仍未企及極高運算層次,豈不叫人失望?是故,無論從甚麼角度看,誰勝誰敗均可視之「人的勝利」,這並非一般主觀的輸打贏要。

AI勝利也是人類智能的勝利,集合專家數十年奮鬥 真正問題不在棋局勝敗

粗略而言,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),也是人工智能一詞出現的時刻。

當中有資訊理論創始人克勞德.夏農(Claude Elwood Shannon)等人,希望「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. ”)若用趣怪一點的方式表達,他們也希望駁斥社會上懷疑論者的說詞:「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(得益人工神經網絡研究),則要到2006年開始才有突破,促成了今天我們讚嘆的創舉,為免篇幅過長及簡便起見,建議參考本站〈AlphaGo到底是如何下棋?兼談幾個對AlphaGo的誤解〉一文。

可想而知,研發AI取得各種成果,是專家們跌跌碰碰奮鬥數十年的過程而來,AI的強大也相當於集合人類智能力量的強大,只要懂得這段艱難的發展歷程,自然明白這樣說絕非主觀上輸打贏要。所以,平心而論,我們情感上真正需要顧慮的,其實並不是人類在圍棋乃至其他方面(如創作音樂)敗給AI,反而是人類日後漫長的年月如何應變AI,當中的風險評估與道德思考又在那裡,不過,這便是另一重大議題了。

注:

1.這速度的前提是指一般生物神經元子集(subset of neurons)裡的短期啟動頻率(firing frequencies),非指部分特殊神經元快速的啟動頻率可達750Hz,這數值已是異常高。(Gray and McCormick 1996; Steriade et al. 1998)

延伸閱讀:

  1. 〈AlphaGo連勝人類:從圍棋複雜程度淺談人工智能重要性〉
  2. 〈AlphaGo到底是如何下棋?兼談幾個對AlphaGo的誤解〉
  3. 〈討論「全民每月派錢」應變AI導致失業潮,未來失業是福不是禍?〉
  4. 〈美國優異生退學兼「豎中指」批大學教育 學者力倡教改迎接AI衝擊〉
  5. 〈這次失業潮不再一樣:剖析倫敦地鐵「自動售票」涉裁900職位、Amazon Go全棄收銀員背後的意義〉
  6. 〈日本學者:不止AI導致失業,不足30年所有產業或被 Google統治 附AI搶走工作簡表〉
  7. 〈中產將會消失?年輕人上流無望?各地問題相似,極端思潮非出路〉

參考資料:

核稿編輯:周雪君

或許你會想看
更多『評論』文章 更多『科技』文章 更多『王陽翎』文章
Loader