所謂人工智慧(Artificial Intelligence,簡稱AI),就是機器表現出和人類相同的智慧行為[1] ,其概念是機器能夠感知、邏輯和學習的總稱。早在1950年就有與人工智慧機器人有關的科幻小說,名為《我,機械人》(I, Robot.)[2] ,其英文名稱「I, Robot」中的I有雙重意思,可以指第一人稱「我」,亦可指Intelligent智能的意思[3] 。不少電影情節亦取材自此經典之作,2001年美國大導演史蒂芬•史匹柏(Steven Spielberg)所執導的電影『AI人工智慧』(Artificial Intelligence)中,未來世界可以根據不同需求製造出擁有人類真實情感的機器小孩。2004年上映的電影機器公敵(I, Robot)中功能強大的機器人反過來攻擊人類的危機場景亦取材自該科幻小說作者艾薩克•阿西莫夫(Isaac Asimov)所提出的「機器人三大法則」(Three Laws of Robotics)[4] 。然而,隨著科技發展日新月異,過去在科幻電影中才能看到的人類未來世界的影像似乎已離我們愈來愈近了。如今人們的生活其實已經離不開AI,從5G的崛起、乃至6G的研發,都將進一步的把AI在日常生活中發揮到極致。在未來的十載,能夠預見 AI將在多方面融入生活,包括全自動駕駛、智能家居、安防、全AI化生產和智慧醫療等先進的AI應用。
圖片來源 : shutterstock、達志影像
AI浪潮正席捲全球
人工智慧的發展,自達特茅斯會議催生了AI的誕生,自此人工智慧的演進過程起起伏伏。為了呈現過去人類在人工智慧(AI)、機器學習(ML)和深度學習(DL)等領域的進展及突破,筆者整理出如圖1所示一條時間軸線。甚至到了2016年,還有Google子公司DeepMind公司所開發的人工智慧圍棋程式AlphaGo與南韓棋士李世乭的人機世紀對決大事件,堪稱人腦與電腦的世紀大對決,創造了人工智慧技術的新里程碑,自此湧現出許多基於機器和深度學習的產品和解決方案。2017年,中國烏鎮圍棋峰會以強化版AlphaGo Master與世界排名第一的中國棋手柯潔比試,最終AlphaGo Master連勝三盤;而更新一代的AlphaGo Zero則是透過自我對弈自學圍棋,採用新的算法強化學習(Reinforcement Learning),並根據每一次訓練後的結果優化其算法,竟以100勝0敗的成績戰勝舊版本,讓全世界再次見證AI技術的發展。如今人們的生活其實已經離不開AI,在未來的十載,能夠預見AI將在多方面融入生活:雖無法精確預測未來發展的時間表,但未來肯定是有趣的。
圖1. 人工智慧進展編年大事紀
圖片來源:芮嘉瑋繪製
歷史發展
AI技術的發展史上興起了三次浪潮(圖2),第一波起於1950~1960年,止於1980年代。自達特茅斯會議後,AI自此誕生興起了第一波AI浪潮,這時期使用一些符號來定義思考邏輯,該符號邏輯成為日後「專家系統」與「深度學習」的雛形,但定義的符號不完全是人類的思維,且當時電腦的算力不足以處理大量的資料而無法支撐後續的發展。第二波出現在1980年至1993年間,這時期是以「專家知識」作為規則來協助解決特定問題的「專家系統」(Expert system)為主,加上在語音辨識、機器翻譯與人工神經網路等技術上的突破帶動了第二波AI浪潮,然而其應用範疇有限,無法滿足人類對AI的高度預期,熱潮也因此逐漸消退。第三波係從2008年迄今,基於大數據的普及、電腦速度的大幅提升以及計算成本的下降,讓電腦大量學習資料且訓練它可辨識聲音及影像的機器學習、深度學習隨之興起,尤其AlphaGo被認為是人工智慧的一項指標性發展。許多國家政府和企業,更是因此大舉投資AI並將其視為未來必要發展的新興科技,從而掀起第三波AI熱潮,且此波浪潮仍正上揚未有潮退跡象。AI浪潮正席捲全球各個產業,每個人都無法置身事外。
圖2. AI技術發展興起了三次浪潮
圖片來源:芮嘉瑋繪製
不同類型的機器學習
機器學習是促成人工智慧的主要計算方式之一。在機器學習中,電腦或計算設備被程式設計為像人類那樣思考,使得電腦可自己學習。即機器學習是使計算機無需明確的編程(explicitly programmed)即可學習的能力,是一種讓人工智慧自行學習的機制[5] ,主要分為監督式學習(supervised learning)與非監督式學習(unsupervised learning),兩者有別[6] 。
監督式學習是準備好訓練資料(training data),讓人工智慧往單一個方向學習,即準備好標準答案才能加以訓練,是機器學習中最常見的技術[7] 。迴歸(Regression)、分類(Classification)則是監督式學習最常處理的兩個問題,當預測的目標為連續的數值稱其為迴歸(Regression),若目標為離散的則稱其為分類(Classification),其中支持向量機(Support Vector Machine,SVM)是最常用的分類演算法[8] 。非監督式學習則是沒有訓練資料,讓人工智慧自行透過自己的活動收集資料,從中自我學習,用於發現資料隱藏的特徵或結構,即沒有標準答案但可自動依資料屬性分群,其中分群(Clustering)是非監督式學習的代表性方法[9] 。
此外,機器學習依據Marsland的分類,尚有強化學習(Reinforcement learning)。強化學習(或稱增強學習)是監督式學習和非監督式學習之間的中間技術,是以環境回饋作為輸入,可自行發掘在何種狀況下該採取何種行動以取得最大化的預期利益,是一種基於環境而行動從而適應環境並在動態環境中收集資料的演算法,同時也對產生的行為結果給予獎勵或懲罰[10] ,其代表性演算法是Q-Learning,最近Q-Learning已與深度學習相結合,並被用作Deep-Q-Network(DQN)方法[11] 。圖3顯示機器學習依學習方式不同而分類。
圖3. 機器學習依學習方式不同而分類
圖片來源:芮嘉瑋繪製
AI浪潮下的新思維 — 人類如何與AI共存
2017年日本經濟新聞和英國金融時報合作,對不同產業領域中各項工作業務調查AI帶來的衝擊為何(表1)[12] 。其中以製造業的工作/業務被取代的比率最高,且機器人或自動化取而代之的比率會逐年攀升,這是否代表了AI會奪走人類的工作?
表1 不同產業被AI取代的比率
產業類型
多少比率的工作業務會由自動化取代
製造業
80.20%
餐飲業
68.50%
運輸業
48.40%
建築和開採業
42.50%
農林漁牧業
41%
醫療照護支援業
25.20%
資料來源:《人工智慧對勞動就業的影響》,吳悅,Research Portal科技政策觀點,2018年6月8日
牛津大學的論文指出,未來會有47%的工作會被AI取代[13] 。然而,AI會取代什麼?有什麼是較無法被取代的?個人觀點,會被取代的主要是重複性高、單一性和目標明確等屬性的工作將被自動化取而代之,而人際間互動強、處理應變的突發狀況或針對個人化差異需求產生個別服務類型等工作,較不易被取代。AI全球化的趨勢已勢不可擋,在AI浪潮之下人類該如何保障自己的工作權?必須有與AI技術共存的新思維,也就是AI並非要取代人類做事,而是要讓人類更「聰明」的做事。因此,我們該思考AI可以幫助我什麼?而繼AI完成特定工作後,我還可以做些什麼有價值的工作?因為目前為止AI的技術還有些挑戰尚待克服,例如AI只能在一個領域工作,只能成為一個特定工作的佼佼者,推演能力有待加強;再者,AI沒有感情,不像人類有喜怒哀樂和七情六慾,更沒有像人類在經歷苦難之後自己體會出的人生的道理,好比『吃虧就是占便宜』、『忍一時風平浪靜、退一步海闊天空』等人生哲學;即便AI在醫學上成就了「智慧醫療」產業,但病患需要的不只是疾病診斷,醫護人員的人性關懷、情感互動是目前AI無法辦到的,也是你我在工作或生活中展現真正「軟實力」的舞台與機會。
備註:
詹峻陽,人工智慧三大關鍵技術,數位時代,2016年11月1日,https://www.bnext.com.tw/article/41534/3-key-techniques-of-ai
《我,機器人》(英語:I, Robot),是美國作家以撒·艾西莫夫出版於1950年的科幻小說短篇集,收錄9篇短篇小說,探討人類與機器人間的道德問題,自此開創出艾西莫夫的機器人浩翰虛構歷史。
https://zh.wikipedia.org/wiki/%E6%88%91%EF%BC%8C%E6%9C%BA%E5%99%A8%E4%BA%BA
https://blog.yoctol.com/irobot-1-af10cbc88dc7
松尾豐,同註1,頁126。
三宅陽一郎、森川幸人著,鄭佩嵐譯,從人到人工智慧,破解AI革命的68個核心概念(絵でわかる人工知能 明日使いたくなるキーワード68),頁56,臉譜出版社,2017年5月1版。
Marsland, S. Machine learning: An algorithmic perspective. Boca Raton: FL.CRC Press. 2015.
Dangeti, P. Statistics for machine learning: Build supervised, unsupervised, and reinforcement
learning models using both Python and R. Birmingham: Packt Publishing. 2017.
Dangeti, P. Statistics for machine learning: Build supervised, unsupervised, and reinforcement
learning models using both Python and R. Birmingham: Packt Publishing. 2017.
Mitchell, TM. Machine learning. Boston: WCB. McGraw-Hill Boston. 1997.
Odaka, T. Machine learning and deep learning. Trans. Ahn, D.H. FREELEC. 2016.
吳悅,人工智慧對勞動就業的影響,Research Portal科技政策觀點,2018年6月8日,https://portal.stpi.narl.org.tw/index?p=article&id=4b1141427395c699017395c756a31f5f
Carl Benedikt Frey, and Michael A. Osborne, THE FUTURE OF EMPLOYMENT: HOW SUSCEPTIBLE ARE JOBS TO COMPUTERISATION?” working paper published by the Oxford Martin Programme on Technology and Employment, 2013 September 17.
【本文僅反映專家作者意見,不代表本報立場。】
作者:
芮嘉瑋
現任:
工業技術研究院技術移轉與法律中心執行長室
學歷:
國立清華大學 奈米工程與微系統研究所 博士
中原大學 財經法律研究所 碩士
國立台灣科技大學 材料科學與工程研究所 碩士
經歷:
工研院電子與光電研究所專利副主委
光電產業智權經理
專長:
創新技術策略分析、科技預測及評估、專利分析與布局、專利檢索與專利分析實務、運用專利分析找出研發方向、產業
Facebook
在北美智權報粉絲團上追踪我們
Please enable JavaScript to view the comments.