林建甫/AI 越來越聰明 深度學習最有可為

我們想讓你知道…AI深度學習,只要懂得定義問題,有足夠質量的資料、有轉化為模型的能力,幾乎可以應用在任何決策問題上。

▲在眾多AI的學習演算法中,深度學習是近幾年成長最快、表現最亮眼的技術。(示意圖/Pixabay,下同)

●林建甫/中信金融管理學院講座教授、台大經濟系名譽教授

人腦與電腦有很大的不同。人工智慧(AI)就是讓電腦有智慧,是電腦科學的一個領域,致力於解決與人類智慧相關的常見認知問題,例如學習、解決問題和模式辨識。基本上現在AI是電腦的結果,這還是跟餵給它的資料和電腦的計算過程很有關係。電腦本身沒有思想,做的決策邏輯是程式的結果,沒有意識、也不理解動作本身的意義。

1950年代最先的AI研究方向是以「邏輯符號推導」為出發點。面對的問題包括走迷宮、下棋或河內塔(Hanoi)等動頭腦的遊戲。基本上很多都是利用樹狀搜尋(Search Tree)來求解,用窮盡的方式來思考問題。當時的電腦計算能力有限,造成有些遊戲反應時間也須很久,因此到了1960年代就這些研究就冷卻了下來。

停滯一段時間後,1970年代開始AI的發展,主要是把大量專家的知識輸入電腦中,形成專家系統。專家系統的問題求解過程是通過人機交互界面、知識庫、推理機等部分構成。知識庫用來存放專家提供的知識。

人機界面是系統與用戶進行交流時的界面。通過該界面,用戶輸入基本信息、回答系統提出的相關問題,並輸出推理結果及相關的解釋等。在專家系統中的對話,問題與答案是透過IF…THEN…的形式來產生。也就是規則非常簡單:透過搜尋將問題轉成某種前提,讓條件得到滿足,就產生相應的答案。

專家系統廣泛運用於醫療、軍事、地質勘探、教學、化工等領域,節省了人力,物力,但產生的效益也很有限。因為電腦依照使用者的問題判斷答案。但若專家系統應用在疾病診斷,連續的問題有一個判斷錯誤則得到錯誤的結果。而且專家系統需要由專家定義知識及規則,但專家往往無法涵蓋所有的知識及定義所有的規則。

專家系統不能自我學習,而因知識庫的內容就有所限制,能回答的問題就有限。另外一個角度,電腦程序是由人類撰寫出來的,當人類不知道一個問題的解答時,電腦同樣不能解決人類無法回答的問題。遇到瓶頸,卡住或無法突破,最後變得不實用,因此到了1980年代末期又冷卻了下來。

從約2000年後,由於半導體技術的進步提升了運算能力,而且硬碟儲存變得便宜。世界各地的「大數據(big data)」如雨後春筍,有很多直上在雲端。資料科學,包括收集資料、了解資料、分析資料、預測資料,也精進到一個程度,因此這一結合,給AI極佳的發展際遇。

AI在早一點,1980年後期的進展就是開始機器學習。科學家思考如何讓電腦的學習更有效率。科學家也發現大量資料下,到最後完成解答的中間的過程可以讓電腦自動分類、自動尋找特徵,自動形成規則,…,等等,AI 變得越來越聰明。

機器學習的發展,可分成四類。最先就是延續專家系統的觀念,進行監督式學習(supervised learning)。該學習所有資料都被「標註」(label),告訴機器相對應的值,以提供機器學習在輸出時判斷誤差使用。這種方法要先做人工分類,然後讓電腦找規則。

第二,非監督式學習(un-supervised learning):所有資料都沒有標註,電腦透過尋找資料的特徵,自己進行分類。

第三,半監督式學習(semi-supervised learning):對少部分資料進行「標註」,電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。這種方法可以讓預測時比較精準,是目前最常用的一種方式。

第四,強化式學習(reinforcement learning):機器透過每一次與環境互動來學習,以取得最大化的預期利益。運用強化式學習的方式,我們不用標註任何資料,但告訴它所採取的哪一步是正確、那一步是錯誤的,根據反饋的好壞,機器自行逐步修正、最終得到正確的結果。

這些機器學習,就讓機器產生智慧。發展出來資料的分析方法,從資料中逐漸萃取出複雜的規則,讓電腦根據這些規則展現出擬似人類智慧的行為,逐步演進到「現在」的AI。而在眾多的學習演算法中,深度學習(多層次類神經網路的代稱)是近幾年成長最快、表現最亮眼的技術。

AI深度學習就是把機器學習搭配人工神經網路進行運算。人類大腦的神經網路是由「神經元(neural)、隱蔽層(hidden layer)」組成,人工神經網路(artificial neural network, ANN)又稱為「類神經網路」,是一種模仿生物神經網路的結構和功能所產生的數學模型,用於對函式進行評估或近似運算,是目前AI最常使用的一種「模型」。也就是機器學習是經由大數據來訓練電腦「學習」資料的特徵值;深度學習是指大量的隱蔽層讓大數據來訓練電腦自行「理解」資料的「特徵值」。

例如i-phone 打兩萬個光點到人臉上, i-phone根據人臉的三度空間,自己形成500個特徵值,之後每次解鎖就是根據資料庫形成的特徵值去判斷是否是原來的本人。500個特徵值就是500層中間隱蔽層的神經網路,進行深度學習,來看是否要開鎖。

AI 自我學習系統並非自主運作的系統。在電影和電視節目中所看到想像中的 AI 技術,仍然只是科幻小說。但是,電腦能夠探勘複雜資料來學習和完美執行特定工作,已經變得越來越常見。像是Google的影像辨識、語音對話、文字翻譯、自動回信、垃圾郵件判斷,都做得很好。因此AI深度學習,只要懂得定義問題,有足夠質量的資料、有轉化為模型的能力,幾乎可以應用在任何決策問題上。

AI技術走過了從簡單的邏輯器到機器學習再到深度學習的歷程,雖然是越來越聰明,但離人類智慧,學習、做決策還是有很大的距離。但電腦是不聰明,卻很勤勞,速度很快,又不會抱怨。懂得跟它合作,將AI 變成IA(Intelligence Augmentation),智慧擴充器。AI運用得當,可以給生活帶來巨大改變,給經濟帶來成長動力,也給社會帶來更多正面影響。

熱門推薦》

►李沃牆/全球股市聯袂回檔 鮑爾談話動見觀瞻

►施昇輝/我喜歡「減法」投資

►錢世傑/看懂新聞就可以避開地雷股嗎?

►隨時加入觀點與討論,給雲論粉絲團按個讚!

●以上言論不代表本網立場,歡迎投書《雲論》讓優質好文被更多人看見,請寄editor88@ettoday.net或點此投稿,本網保有文字刪修權。

►防疫新生活!國內旅遊票券特價開賣!

林建甫專欄

林建甫專欄 林建甫

美UCSD經濟博士,曾任台灣經濟研究院院長、台大經濟系教授、台大人文社會高等研究院副院長、中華經濟金融學會理事長、台灣競爭力論壇學會總召集人。現為中信金融管理學院講座教授、台灣大學經濟系名譽教授。

讀者迴響

關注我們

回到最上面