《AI制造商没说的秘密》：一场几近成功的追寻，是否会走向失控？
自AlphaGo在2016 打败棋王李世乭以来，人工智慧、深度学习等字眼相信大家早已不陌生。面对这个AI 急速发展的时代，你对这「智慧」了解有多少呢？推荐这本《AI制造商没说的秘密》，带你一探AI的崛起之路，思索「它」的可能与危险。
作者凯德．梅兹是《纽约时报》科技记者，长期深耕人工智慧、自动驾驶、机器人等领域。书中他从「人」的角度出发，为读者带来一场精彩的AI演进简史。取材严谨，叙事流畅，读来畅快又引人深思。
我的构想不是写此一科技，而是研发此一科技的人。
【AI的起源】
1958 年， 29 岁的康乃尔教授 法兰克．罗森布拉特与他的海军同伴展示了一个名为「 感知器」的机器。罗森布拉特将两种卡片塞入机器，一张左边有方形记号，一张在右边。起先机器无法辨别差异，但在50 张卡片后，它开始能分辨卡片上的记号，左边、右边、右边……，作答精确无误。
罗森布拉特表示，这是套模仿「人类大脑」的数学系统。在未来，「它」将可以学会辨识手写字体、口语指令，甚至是人脸。据《纽约时报》报导，海军官员对于是否要将其称为「机器」有些拿捏不定，因为它太像「人类」，只差没有生命。
海军设计出能够思考的科学怪人
感知器是最早的「神经网路」之一，可说是AI（人工智慧）的起源。罗森布拉特预言现在看来精准的骇人，而他也被称作是深度学习之父。不过他在43岁时意外过世，继续推动AI走到今天的，是一群神经网路狂热者……
【AI黑手党】
罗森布拉特的目标是打造能像人脑般「自我学习」的机器。科学家称这样的概念为「连结主义」，因为它需要大量「神经网路」连结运算。与之相对的是「符号主义」，其步标是打造能根据人类指示，在不同状况下做出不同反应的机器。
现在神经网路已然是人工智慧显学，但这领域一度面临寒冬。过去很长的一段时间，神经网路发展极度迟缓，不但被政府大删预算，大多数科学家也都转向符号主义的怀抱。那段时间，研究人员为让论文被接受，甚至故意用像「函式近似」或「非线性回归」等名词取代「神经网路」。
即便憋屈，但仍有一搓人对神经网路的充满信仰。这领域的关键人物有三人：辛顿、杨立昆与班吉欧。整本书内容几乎都环绕在这「三巨头」身上。而他们也在2019 年获得电脑界诺贝尔奖的「 图灵奖」。
当然神经网路的成功，绝非只靠这三人，还有太多太多人的共同努力。光书中提到的就有数十人。在阅读的过程中，我感受到这群人对「梦想」的狂热。如同《失控的轰炸》中那群相信精准轰炸的轰炸机黑手党般，这些人同样抱着宗派式的狂热，对神经网路一往情深。开放人工智慧实验室领导人阿尔特曼形容得传神：
自信是一股非常强大的力量，我所认识最成功的人士都相信自己，坚信不移，甚至已到幻想的地步。
随着神经网路、深度学习的概念被认可，这些狂热终于转成真金白银。各大科技公司都捧着高薪求才。书中提到，即便是刚出校门的菜鸟博士，年薪都高达50 万镁。看得我不免感叹入错行（笑）。敝司在美国给新人博的价码连20 万镁都不到，根本云泥之别……
书中描述各种疯狂抢才大战，斗智斗力可说相当精彩。最后谷歌抢到了辛顿，而脸书则拥有杨立昆，而他们的徒子徒孙们也都进入各大公司，一展长才。
【AI的强大可能】
话说回来，大家常听到的「深度学习」到底是什么？它是一种「多层」神经网路。不像感知器只有单层，这方式可以藉由将讯息传输给下一层，学习更复杂的事物。
比如给系统看一张狗的照片，第一层会分析像素颜色（黑、白、棕……）；接着将结果传给第二层，第二层进一步分析像素模式（直线、弧线……）；第三层会继续检视这些像素的其他模式，以此类推……最终就能辨识出一只狗的形象。
当然要实现这想法并没那么简单，光辨识出一只狗，就花了科学家大把时间。不过在这群狂热者的奋战下，深度学习开始在各领域攻略城池。现在的深度学习系统已能精准判读语音；稳定辨识手写字体；顺利在不同语言间转译；甚至还能作曲、 作画。而最广为人知的例子，或许是AlphaGo击败前世界围棋棋王李世乭。
书中有个例子让我印象很深。辛顿的学生乔治．达尔参加由默克药厂发起一项竞赛。这竞赛想探讨的是一种称作「定量构效关系」的药物研发技术。但达尔压根不晓得这是什么，却依然用深度学习系统获得优胜。如辛顿说的：「乔治横扫整个领域，却还不知它叫什么。」
这让我想到《反脆弱》。深度学习系统似乎就实践其中提到，不用了解「理论」，而是藉由反覆试误、调整找到更佳解的模式。人工智慧用强大的自我学习能力，找到人类不能企及的新可能。谷歌前执行长史密特说得巧：
在科学与生物学中，存在许多人类看不到的模式，而在辨识出来后，可以帮助我们开发出更好的药物与解决方案。
看起来很美好，但这一切并不是没有隐忧……
【AI的问题？ 】
从众人看衰，到攻无不克，AI的未来看似一切光明。但随着人工智慧逐渐强大，许多问题也浮上台面。
〔隐私疑虑〕
辛顿的学生苏茨克曾说，神经网路的优势是你只要喂它资料，它就可以自我学习行为。
但问题是你要先有「资料」。
深度心智的创办人苏莱曼曾打算透过进行一项计画，透过让AI 分析病患医疗纪录（血检、生命迹象、过去医疗史等），预测「急性肾损伤」。急性肾损伤发生率高（每5 个住院病人就有1 人），甚至可能会丧命，但只要及早发现就能治愈。
原本深度心智已经与皇家医院国民保健基金会信托金签约，获取160 万名病患的资料。但在《新科学人》杂志揭露此合作案后，马上就引发众人对隐私权遭侵犯的恐惧。最终这项合作被英国主管当局判定违法。
不管你希望深度学习攻克哪个领域，都要有大量的资料供它自我训练。但当其牵扯到个人隐私时，状况就变得相当棘手。
〔训练偏误〕
另一个问题是，深度学习的训练可能会产生「偏差」。
书中有个骇人的例子。谷歌所提供的智能辨识系统竟误将非裔美国人识别为「大猩猩」。因为当初在建立辨识系统时，工程师多为白人男性，而他们挑选的资料也几乎都是白人，这导致系统对有色人种判断力不足。
除了喂养的资料可能会有偏差，还有一个更难解的问题：训练标准。
随着社群发展，假新闻与仇恨言论得到前所未有的放大。脸书创办人祖克柏就声称能透过人工智慧，撤除这些「有问题」的资讯。问题是连人类都很难对什么是假新闻，什么是仇恨言论达成共识，又要怎么训练机器去判读呢？
不若围棋或星海等游戏是封闭环境，有清楚规则与判定胜利的标准，现实世界没有人会打分数。如电脑科学家乔艾．布兰维尼说的：
我们该以由谁的决定进步的意义？有该以何种标准决定进步？
我想，这问题恐怕永远都难有解答。
〔误用危机〕
更糟的是AI 被用到坏的地方。如三巨头之一的班吉欧说的：
我们的工具可以使之为善，也可以使之为恶。
对于能将AI应用在哪些领域一直都存在争议。如Deepfake 强大的换脸功能，就成了许多女性的恶梦。 《纽约时报》也曾报导中国政府利用人脸识别，追踪与控制维吾尔人。如作者所言：
深度学习创造出一种力量，即便当初的开发者也无法完全控制。
无怪伊隆·马斯克会说人工智慧可能毁了人类……而解方或许如深度心智创办人之一的 苏莱曼所说的：
我们在建立科技之前，必须审慎思考此一科技会如何遭到误用的问题，还有如何将其至于监管之下的问题。
像当初深度心智在出售公司给谷歌的合约中，就订下两个条件：
- 禁止将深度心智的任何科技应用在军事目的。
- 成立独立伦理委员监督人工智慧科技使用情况。
事实上他们当初决定将公司卖给谷歌而非脸书，原因就在于祖克柏并不认同他们对人工智慧可能造成的道德疑虑，拒绝成立监督委员会。
另外，更多元的参与或许也会是解方。如美国计算机科学家蒂姆尼特．盖布鲁说的：
如果许多人被排除在创造人工智慧的过程之外，此一科技仅会让少数人获利，却会对无数人造成伤害。
【后记：围棋的那点小事】
身为业余围棋爱好者，我永远无法忘记当初追直播时，看到李世乭投子认输的震撼。
书中提到的神奇37手，以围棋术语来说叫5路肩冲。传统认为4路是极限，但AlphaGo 却硬上5路。事实证明那是步好棋。
我更无法忘怀的，是看到李世乭在第四局使出浑身解数打出78 的鬼手，成功爆破中央，帮人类短暂守住最后堡垒时的感动。
现在围棋使用AI辅助已非常普遍。棋手都会用AI训练，甚至直播时也会放上AI胜率图供观众参考。
对于现在不时有AI取代人类的说法，我觉得围棋的模式或可作为参考。如上头说的，现在棋手都会用AI训练，用电脑的推荐选点作为行棋参考。
但这并不意谓着AI取代人类。事实上，有些选点根本超越人类理解，就算照着下也无法掌握之后的变化。当今围棋第一人申真谞在专访中就提到，希望AI增加参考选点，让棋士能有更多选择。
或许这就是人类与AI能共荣的模式吧？藉由人工智慧协助，对人类遭遇的各种问题提供更多可能解方。而最终还是要靠人类自己选择，找到最适合我们的出路。
我想，不管面对隐私、误用等问题，最终还是要回归到「人」，思考这些应用是否能为人们，甚至是整个世界的其他生物带来更好的环境。纳入更多元的角度才不会走偏锋，而能利用AI 开拓出更崭新的道路吧！
你可能也会有兴趣的文章：
↓↓也欢迎大家来追踪〈姆斯的阅读空间〉的脸书和哀居↓↓
姆斯的阅读空间FB
姆斯的阅读空间IG
喜欢我的作品吗？别忘了给予支持与赞赏，让我知道在创作的路上有你陪伴，一起延续这份热忱！
- 来自作者
- 相关推荐