2019-09《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

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。

Photo Credit：聯經出版

責任編輯：朱家儀
核稿編輯：翁世航