AI 人工智慧並非那麼厲害

圖片來源westworld
近兩年,偉大的黴體不斷宣揚AI人工智慧有多厲害,然後不斷地用著近乎恐嚇式的言語威脅著我們,告訴我們未來將面臨失業。全球產業將有非常大幅度的結構。實際上,AI產業要大規模的爆發取代人腦力,還有一段不小的距離,尤其在能源效率的使用方面和跨領域應用方面,有著一道非常高的城牆無法跨越。
雖說如此這種顛覆性的機器腦取代人腦的時代,還沒辦法降臨。但我認為應該不用太久的時間,光是5年後我們的生活型態,就會有很大的不同了。
AI人工智慧需要非常高度專業且大量的資本投入,才有機會勝出的產業。*1關於Artificial Intelligence人們總是有很多不切實際的幻想,宛如小說情節般,在人類的大腦中猜測。撇除這些幻想,我希望能從一些當代科學研究的成果,還有實際上電腦科學家在AI人工智能領域發展所遭遇到的瓶頸,來試著解釋為什麼AI還是屬於一種非常不成熟的技術,雖不成熟但錢景卻十分看好,也可能改變我們的世界。
內容分為三個層面:
  1. 智慧是什麼?人類是怎麼學習的?電腦到底擅長什麼?
  2. 人腦vs電腦的運算耗能的差距
  3. 電晶體電腦運算的瓶頸,量子電腦是新的未來?

內容若有誤,歡迎指正。
*1 五成以上AI技術到2022年仍未臻成熟:https://bit.ly/2K3rYKd

 

 

智慧是什麼?

根據維基百科定義:智慧(狹義的)是高等生物所具有的基於神經器官(物質基礎)一種高級的綜合能力,包含有:感知、知識、記憶、理解、聯想、情感、邏輯、辨別、計算、分析、判斷、文化、中庸、包容、決定等多種能力。智慧讓人可以深刻地理解人、事、物、社會、宇宙、現狀、過去、將來,擁有思考、分析、探求真理的能力。
智慧又關乎到意識(consciousness)、自我(self)、心靈(mind),包括無意識的精神(unconscious mind)。因此部分科學家認為,意識是判斷智慧的一個關鍵因素,接著就詢問腦科學家,人類的意識是怎麼來的?到底甚麼是意識?
我們該如何判斷人類是否有意識,在解答的過程中,又似乎牽連到生物學家。因為人類的基因核心是DNA組成的,DNA決定了我們是怎樣的一個人。(*DNA你可以想像成是生物的code,決定我們頭髮、皮膚、瞳孔的顏色,也決定了我們的個性)。所以人類到底有沒有意識? 目前為止科學家似乎還沒有一個完美的答案,也正在追求合理的解答。不論有沒有意識,我們可以知道智慧是一種綜合的能力,對於各種不同問題都各自有解決的能力。
科學家們的結論是機器必需擁有意識才能思考?下圍棋我想應該要不斷地思考,才能取得勝利。
那麼機器是怎麼在圍棋比賽中,沒有意識又能打敗人類的?人類有什麼能力,目前為止是機器無法超越的?

 

 

機器學不來的人類

 
人類學習的能力超乎我們的想像,我們所認為的學習,可能是乖乖坐在椅子上,聽老師講課,閱讀、看書、上線上課程、1對1家教…等。各種主動學習的模式,唯有如此才算是學習。
但實際上,人類最強的能力卻不是這樣來的,而是非主動式的學習,透過聊天的過程、觀察、模仿,不知不覺中,學習了很多常識,這些常識連人類怎麼學習而來,都不見得知道,更何況該如何教電腦學習?
比如說:我們是怎麼知道鮮豔的植物通常是有毒的象徵?我們怎麼分辨喜怒哀樂?為什麼今年會開始流行某種顏色?為什麼前陣子髒髒包會大流行?
這些常識很難去跟機器解釋為什麼?這些常識,我們都是不知不覺中學習而來。這些都是機器無法學習的,接著簡單介紹一下機器學習的幾種方式,就會發現機器學習都是透過數學、統計迴歸、演算法、函數學習的。

 

維基百科-機器學習的方式:

監督式學習(英語:Supervised learning)
一個機器學習中的方法,可以由訓練資料中學到或建立一個模式(函數 / learning model),並依此模式推測新的實例。訓練資料是由輸入物件(通常是向量)和預期輸出所組成。函數的輸出可以是一個連續的值(稱為迴歸分析),或是預測一個分類標籤(稱作分類)。
非監督式學習
一種機器學習的方式,並不需要人力來輸入標籤。它是監督式學習和強化學習等策略之外的一種選擇。在監督式學習中,典型的任務是分類和迴歸分析,且需要使用到人工預先準備好的範例(base)。 一個常見的非監督式學習是數據聚類。在人工神經網路中,生成對抗網絡(GAN)、自組織映射(SOM)和適應性共振理論(ART)則是最常用的非監督式學習。
強化學習(英語:Reinforcement learning,簡稱RL)
機器學習中的一個領域,強調如何基於環境而行動,以取得最大化的預期利益。其靈感來源於心理學中的行為主義理論,即有機體如何在環境給予的獎勵或懲罰的刺激下,逐步形成對刺激的預期,產生能獲得最大利益的習慣性行為。
這個方法具有普適性,因此在其他許多領域都有研究,例如博弈論、控制論、運籌學、資訊理論、仿真優化、多主體系統學習、群體智能、統計學以及遺傳算法。在運籌學和控制理論研究的語境下,強化學習被稱作「近似動態規劃」(approximate dynamic programming,ADP)。在最優控制理論中也有研究這個問題,雖然大部分的研究是關於最優解的存在和特性,並非是學習或者近似方面。在經濟學和博弈論中,強化學習被用來解釋在有限理性的條件下如何出現平衡。
人工神經網路(英語:Artificial Neural Network,ANN)
簡稱神經網路(Neural Network,NN)或類神經網路,在機器學習和認知科學領域,是一種模仿生物神經網路(動物的中樞神經系統,特別是大腦)的結構和功能的數學模型或計算模型,用於對函式進行估計或近似。神經網路由大量的人工神經元聯結進行計算。大多數情況下人工神經網路能在外界資訊的基礎上改變內部結構,是一種自適應系統,通俗的講就是具備學習功能。
簡單來說機器學習的模式,便是透過大量的數據從中判斷勝率,學習能力是來自於過去的資料判斷,預測哪些棋步不需要分析,再執行該走的模式,人類便是在這種情況下輸給了電腦,但還是限制在某些特定的領域,例如:西洋棋、圍棋、例行性的檢查工作…等。

 

 

AI只能專注在某個領域,目前無法跨領域

人工智慧雖然強勢來襲,未來也可能真的會有很多傳統的工作會被取代。例如:傳統記帳士、電銷/客服人員、計程車司機等。但我們從另外一個層面來看,這些被取代的工作,都有著性質單調、重複性高的特質,就由機器來代勞會比較好。
換個角度思考,還好人工智慧只能專注在某個領域,若要轉換一個領域就必須重建整個模式,機器無法同時勝任兩種不同的工作,只能在某個領域專注、強化,換句話說,便是能夠下西洋棋卻不能檢測癌症,錯誤率不穩定,華生電腦便是一個很明顯的例子。*2
目前跨領域的AI,技術上還是無法克服勝任兩種工作,但我們也不能掉以輕心,對機器來說要跨領域,只要用不同的伺服器、VM or Cloud 直接部署平行運算即可。若做出一個AI用來分析AI的結果,可能就會不同。如目前的微軟Azure雲端策略,在不同人工智慧領域,透過Azure提供各種不同的人工智慧工具,供客戶使用。
其實我們根本不必要去擔心電腦取代人腦,該擔心的是人腦活得越來越像電腦,只會重複的工作…
電腦最擅長重複的事情,而且準確性高,這點是人類無法比擬的,光是工廠的機器手臂定位抓取的效率,就遠遠超過人類。
人類擅長面對未知快速的學習和判斷,還有模仿別人的行為,透過模仿學習各種不同的技術和技能,但人類同時也非常喜新厭舊,對於重複無聊、沒有刺激的行為,很容易感受到疲憊。不論是多刺激的遊戲,只要重複個10次以上,我們適應了也開始感受到無聊了。
但也有例外,現代社會人手一機,智慧型手機已經抓取我們的注意力,讓我們重複不斷地接受刺激,不斷滑手機,而無法自拔。讓我們降低接受平常現實社會中,與人際的互動、學習、溝通,我們開始有點全面崩壞的狀況發生,這種情況發生在全世界。
*2 IBM Watson又挨批,診療癌症效果差、無法提高醫療品質http://technews.tw/2017/09/18/ibm-watson-criticis/

 

AI運算耗能比不上人類

“2016年擊敗李世乭的AlphaGo驚動了全世界,也帶來了AI人工智慧的熱潮,但一般民眾卻不知道AlphaGo使用了1920個CPU和280個GPU,一場棋局的電費就高達三千美元,李世乭本人可能只需要一餐的熱量和睡上一覺,「電」腦和「人」腦在耗能效率上立見高下。*3”
隨著科技技術的演進,電腦已經讓我們享受便利生活,同時我們也面臨著在社會生存技能不斷的被挑戰。AI看似強勢來襲,從AlphaGo的耗能來說,實際上機器並非如我們想像那麼有效率,它需要更多的能源去執行演算法和程式。
我們從歷史觀點來觀察機器的進步,可以更了解在過去的科技進步,其實帶來人類生活更大的改變。 瞭解歷史也能夠了解人類在過去是如何和機器共存?
維基百科-工業革命*4
  1. 第一次工業革命 1759~1830年 燃燒煤炭的蒸汽機,以機器取代人力、獸力。技術革新產業:紡織業、蒸汽動力、鋼鐵生產。
  2. 第二次工業革命 1870~1914年 工廠誕生了,亨利福特密集生產的概念遍佈全球。技術革新產業:化學、電器、石油生產、鋼鐵、汽車商業化、電話發明。
  3. 第三次 工業革命 1945年~現代 半導體的發明,帶來數位化及資訊科技的革命。革新產業:原子能、電子電腦、網路、航天技術、可再生能源應用(合成材料、分子生物、遺傳工程、太陽能、風能)
  4. 第四次工業革命 未知「一系列融合物理,資訊和生物世界以及影響所有學科,經濟和工業的新技術。」技術產業:???
“工業革命,不過就是能源的轉換,越來越有效率!-以色列歷史學家Yuval Noah Harari”
每個時代的人們,都面臨科技進步帶來的工作危機,實際上,或許會有些職業被取代,相對的也會有新的職業誕生。最近讀了《為什麼我們這樣生活,那樣工作?》作者Chaarles Duhigg的另外一本書《為什麼這樣工作會快、準、好》,內容提到內控能力(Internal locus of control)「相信自己可以靠著自己做決定,影響自己的命運。」我們不該擔心任何一種破壞式創新科技降臨的時代,因為自己可以掌控自己的命運,做好一切的準備。
“科技其實沒有改變我們,而是我們不知不覺中被科技改變”
最可怕的是我們面對科技,什麼選擇都不做,失去做決定的能力,才會被科技改變。科技公司想要在未來的世界擁有強大的運算能力,要跑的演算法、model越來越大,需要更多的資料解析去增加正確率,於是下一代的電腦-「量子電腦」便開始設計了。
*3 Lecture 15 | Efficient Methods and Hardware for Deep Learning, 2m36s。https://bit.ly/2s8D6uv
*圖片來源:https://bit.ly/2kcYSYU
*4維基百科:第四次工業革命https://bit.ly/2KPRKOY

 

新一代的量子電腦!

Researchers work in the quantum computing lab at QuTech, Intel’s quantum research partner in the Netherlands. Intel in October 2017 provided QuTech a 17-qubit superconducting test chip for quantum computing. (Credit: QuTech)

量子電腦(quantum computer)可謂是下一個世代的最強悍的科技,因為傳統電腦是用二進位制,儲存資料也是我們熟悉的0和1,傳統電腦用簡單的0與1位元(bit)來儲存資訊,而量子電腦可以將0或1、0與1相互疊加,處理更多、更複雜的資訊。
什麼意思?我自己解讀是指電腦運算的時候,可以同時用四種不同類型的位元做運算,也就是00,11,01,10。
量子電腦不像傳統電腦,運算步驟被位元數限制;如果想找出4位元(可為0或1)組合中某一組數字,傳統電腦最多需要嘗試到16次,平均需要嘗試8次,如果想找出20位元組合的其中一組數字,最多需要嘗試到約一百萬次運算步驟,由此可知傳統電腦在解決這類問題時,嘗試的次數和所欲搜尋的數字可能組數呈線性關係,當所運算的可能性呈指數成長時,即使是超級電腦,所需要的運算時間將長到無法實際用來解決問題。量子運算由於其特殊的量子特性,在上述的4位元組合數字問題,量子運算可以在4次運算後直接得到16種可能情形中的解答,在1,000次運算後即可找出20位元組合,一百萬個可能的其中一組特定數字,運算次數只需可能情形總數的平方根,滿足指數型的複雜運算需求。*5
量子電腦我相信絕對是可以讓AI運算大躍進的一種新科技,但運算速度變快,相對的也代表過去我們用演算法製作的金鑰系統,都有可能被解開。比如說我們用SHA512演算法製作一個長度是2048位元的SSL金鑰,把我們在網路上刷信用卡的資料加密後傳輸到銀行,這個過程資訊被攔截後,透過量子電腦運算,可能短短不到3小時,就可以解密了。
若是傳統的超級電腦,可能需要耗上很長很長的時間,去解密。駭客只需要去攔截封包,再解密就能取得我的信用卡資料,不論銀行再如何加密,都能夠被輕鬆破解。*6
補充:1024位元的金鑰至少需要10年的時間去解密。
當量子電腦全面商業化時,我們勢必就需要更複雜方式的演算法去做加密金鑰了。
 
但在強悍的科技終有限制,目前量子電腦只能在絕對零度*7下運算,若不是在絕對零度下運算,電腦就會出錯。這不是我們用傳統的CPU風扇吹一吹,就可以解決散熱的。目前google已開發出的72量子位元電腦,但錯誤率很高,所以還無法正式使用。根據資料顯示,量子電腦全面商業化,必須有百萬量子位元的運算能力。屆時,我們傳統電腦的主機板、硬碟、網卡、記憶體等硬體裝置,是不是也需要新一代的技術去相容量子電腦?

 

當量子電腦走出實驗室擺在你家,會怎麼樣?

我們試著用上文去思考加密貨幣-比特幣的未來,既然解密非常輕鬆,那麼加密貨幣不就可以很輕易的去破解?即使我沒有金鑰也沒關係。所以若量子電腦已經可以擺在家裡使用,而不是實驗室用強大的冷卻裝置,那個時候的網路世界會變得如何?人類世界的生活又會如何被科技改變?
年分
事件
2011年
加拿大公司D-Wave,推出第一台商用量子電腦。
2016年
IBM開發出具有 5 量子位元(qubit)的量子電腦。
2017年
IBM宣布研發出全世界第一台50量子位元(qubit)的量子電腦。
2018年
Google公布具備72量子位元(qubit)的處理器「Bristlecone」。
*6全面取代傳統電腦,人類該害怕量子電腦嗎?https://bit.ly/2IyebYa
*7絕對零度是僅存於理論的下限值,其熱力學溫標寫成K,等於攝氏溫標零下273.15度(即−273.15℃)。
*圖片來源:Intel
——————————————以下和本文無關,作者近況抒發———————————————————————
 
各位追蹤blog的朋友們抱歉,距離上一篇文章發表的時間,大概間隔了一個月。
因為近期正在學習Linux,再原本已經非常忙碌的生活節奏,更加緊湊。這段時間我也重新思索,該如專注和更有效率的學習新的知識、技術,想必未來對於自己來說,是非常重要的。過去我是個專業運動員,接受專業訓練。後來,對行銷有興趣,進入行銷領域,並且從事相關的工作。近兩年我開始學習資訊技術,跨領域去了解我原本完全沒有概念的知識。
如何學習知識和技術的更有效率,在我完成今年目標後(解放我的時間),就會整理回顧我今年的學習歷程,分享給每位來到我blog的朋友,希望對你們有幫助。
 
因為我本身就是個科技迷,在關注科技領域發展的內容蠻久的。未來內容會有更多關於Linux、電腦科學領域的內容分享給你。
也謝謝你們持續到我的blog,歡迎分享給朋友訂閱。
 
 
 
If you enjoyed this article, please like it up, and share. 如果喜歡我的內容,請按讚分享給需要的朋友,或者輸入e-mail訂閱文章,點我訂閱
 
或是電腦版網頁請掃描右方QR code加Line@好友(手機版請直接 點我家好友) 或手動輸入 Line ID: @Iqq0534b ,(記得加入後,和我打聲招呼:-) 
Facebook用戶請點擊網頁上Messenger的按鈕,便可以直接和我對談。
 
你將會每週至少收到一篇文章關於知識探索、生產力/專注力提升、行銷/品牌、科技/技術、運動訓練相關的內容,若有更好的想法要和我分享,歡迎在下面留言。
 
Facebook Comments

發表迴響

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料