別怕工作被取代!芝加哥大學教授教你戰勝機器人的 AIQ 方程式

【為什麼我們要挑選這篇文章】AI 革命正在重塑我們的世界,迎來智慧革命時代,現在做什麼都害怕被機器取代,那身為人的我們到底能做甚麼呢?
AIQ:不管你願不願意,現在已是 AIQ 比 IQ、EQ 更重要的時代》的作者尼克.波爾森、 詹姆士.史考特 ,前者是經濟學和統計學教授;後者是數據科學家,兩者聯合對人工智慧漫布的時代,提出樂觀的願景。
(責任編輯:黃穗懷)

聽到 AI 時,不要把它想成機器人,請想成演算法。

人工智慧,只是一組漸進的演算指令

演算法是一組循序漸進的指令,非常明確,明確到就連呆板又缺乏想像力的電腦也可以遵循(你可能聽過機器人因為遵照洗髮精瓶子上的指令:「起泡、沖洗、重複」而永遠被卡在淋浴間的笑話)。演算法本身並不比電鑽更聰明, 它只是能將一件事情做得很好,例如整理數字列表、或在網上搜尋可愛動物的照片。然而,若以巧妙的方式將許多演算法連結在一起,則可以生成 AI ──在特定領域具備智慧的幻覺。比方說,像 Google Home 這樣的數位助理,你可能會對它提出諸如此類的問題:「在哪裡可以找到奧斯汀最好吃的墨西哥捲餅早餐?」

這個查詢引發了一連串的演算法運作:

  • 第一個演算法將原始聲波轉換為數字信號。
  • 另一個演算法將該信號轉換成一串英文「音素」,或聽起來很明確的音節:「brek-fust-tah-koze」。
  • 下一個演算法再將這些音素分割成字詞:「breakfast tacos」(墨西哥捲餅早餐)。
  • 這些字詞被發送到一個龐大演算法的組合──搜尋引擎,用以處理查詢並回傳答案。
  • 又一個演算法將回傳的答案格式化成為連貫的英語句子。
  • 最後一個演算法用非機器人的方式發聲,說出這句話:「奧斯汀最好的墨西哥捲餅早餐在杜瓦街的胡立歐餐廳。需要為您規劃路線嗎?」

這就是所謂的人工智慧。幾乎所有的 AI 系統,無論是自動駕駛汽車、小黃瓜自動分揀機、或是你的信用卡帳戶防盜監控軟體,都遵循同樣的「演算法流程」範本。流程一開始先輸入某個特定領域取得的數據資料,執行一連串的計算,再輸出預測的結果或決策。

透過學習「訓練資料」得到的機率便是人工智慧

人工智慧運用的演算法有兩個顯著的特點。 首先,這些演算法通常處理的是機率,而不是確定性。 例如,AI 中的演算法不會直接判定某一筆信用卡交易是詐騙行為,它會表示詐騙行為的可能性是 92%(或任何由提供的數據所推算出的機率)。其二,這些演算法是怎麼「知道」該遵循什麼指令呢?在傳統演算法中,網站運作或文字處理器之類的指令,是由程式設計師事先設定的。然而, 在人工智慧中,這些指令是由演算法本身直接透過「訓練資料」學習而來。 沒有人告訴 AI 演算法如何將信用卡交易資料分類為詐騙或非詐騙。相反地,演算法會觀察各個類別的大量範例,再從中找出區分這兩個類別的模式。在人工智慧中,程式設計師的角色不是告訴演算法該做什麼,而是告訴演算法如何利用數據和機率規則來訓練自己知道該怎麼做。

老早人工智慧就出現,為何現在才廣為使用?

現代的人工智慧系統,諸如自動駕駛汽車或家庭數位助理,看似是一股新潮流。但你可能會驚訝地發現,人工智慧大部分的創意其實由來已久,其中許多甚至可回溯到幾世紀之前,人類世世代代都用這些想法來解決問題。以自動駕駛汽車為例,Google 在 2009 年首次推出這種汽車,但你會在本書第三章中學到,這種汽車運作的主要概念之一,其實是在 1750 年間由長老教會的牧師所發現的;而這個想法在五十多年前被一群數學家採用,解決了冷戰時期一個重大的謎團。

再舉圖像分類為例,在過去五年間,圖像處理演算法已經有了驚人的進展,出現如 Facebook 自動在照片上標記好友這一類的功能。但是在第二章中,你會發現這當中的關鍵概念可以追溯到 1805 年前;也會明白在一百年前,亨麗愛塔·勒維特(Henrietta Leavitt)這位名不見經傳的天文學家早已運用這些概念,來幫助解答「宇宙有多大?」這個人類有史以來最深奧的科學問題。

再舉語音辨識系統為例,這是人工智慧近年來最偉大的成就之一。Alexa 和 Google Home 這一類的數位助理能夠非常流利地使用語言,日後也將會更加精進。然而,第一位讓電腦明白英語的人是一位美國海軍少將,他約莫在七十年前就這麼做了(參見第四章)。

以上不過是三個驚人的實例。無論從哪個角度檢視人工智慧,你都會發現,某個構想人們早已討論許久了。因此, 重大的歷史謎題並不在於 AI 為何出現、而是為何沒有更早開始發展。 想要解開這個謎團,我們必須檢視促使這些可敬的構想進入新時代的三大有利科技驅勢。

三大要素,造就 AI 如超新星般爆炸發展

促成 AI 發展的第一個因素是數十年來電腦處理器速度指數式的增長,一般稱之為「摩爾定律」(Moore’s Law)。 很難說明電腦發展的速度究竟有多快,老套一點的說法是,阿波羅號太空人員登陸月球所憑藉的計算處理功能,還不如袖珍型計算機。但是,這個類比再也引不起共鳴了,因為…… 還有誰知道袖珍型計算機是什麼呢?因此,不如讓我們拿汽車來當例子。在 1951 年,當時最快速的電腦處理器之一是 UNIVAC,每秒可執行兩千次的運算;而愛快羅密歐 6C 則屬當時最快速的車型,每小時行駛一百一十英里。自 1951 年來,汽車和電腦都有所進化;如果汽車進化的速度與電腦相同,那麼現代的愛快羅密歐將會以光速的八百萬倍馳騁。

第二個促成 AI 發展的因素是「新摩爾定律」:隨著人類一切資訊的數位化,數據量呈爆炸式增長。 美國國會圖書館需要 10TB 的儲存空間;光是在 2013 年,Google、Apple、Facebook 和亞馬遜等四大科技公司就收集了比 10TB 多出約十二萬倍的數據,而那還算是網路世代早期的發展。如今數據積累的速度比阿波羅火箭更快;在 2017 年,每分鐘就有超過三百小時的視頻上傳到 YouTube、每天有超過一億張圖片被發佈到 Instagram,更巨量的數據意味著更聰明的演算法。

第三個促成 AI 發展的因素是雲端計算。 這種趨勢對消費者來說幾乎是看不見的,對 AI 卻產生了巨大的普及效應。為了說明這一點,讓我們拿數據和石油做個類比。假設二十世紀初所有的公司都擁有一些石油,但是他們都必須建立一些基礎設施才能提取、運輸和精煉自己的石油。任何具有創新點子、想要善用自家石油的公司,都將面臨龐大的固定成本才能進行,最終結果就是大部分的石油都無法開採。是的,同樣的邏輯也適用在相當於是 21 世紀石油資源的數據資訊。大多數的業餘愛好者或是小公司,都想要利用自家數據來建立人工智慧系統,假如都得購買一切所需的設備和專業知識,將面臨高昂的成本。但是,現今諸如微軟 Azure、IBM 或亞馬遜網路服務公司所提供的雲端計算資源設備,已將固定成本轉化為變動成本,徹底改變了大規模數據儲存和分析的經濟模式。時至今日,任何想要開採自家「石油」的人,都可以透過租用別人的基礎設備、以低成本完成。

當你將這四大趨勢結合在一起,也就是更快速的晶片、巨量的數據資料、雲端計算,再加上最重要的創意,利用 AI 解決實際問題的需求和能力將有如超新星的爆炸一般。

(本文書摘內容出自《AIQ:不管你願不願意,現在已是 AIQ 比 IQ、EQ 更重要的時代》,由 商業周刊 授權轉載,並同意 TechOrange 編寫導讀與修訂標題。首圖來源:Pixabay

關於 人工智慧時代 還可以再看看

李開復:未來 50% 工作將被 AI 取代,「人工智慧時代」到底應該學些什麼?
大人工智慧時代,Facebook、Netflix、Amazon 到底都如何使用 AI?
【血汗 AI】負責訓練 AI 的作業員,薪水只有 9 到 18K 是怎麼回事?


科技報橘 2019 全面徵才 ── 跟我們一起找到台灣在國際中的創新產業定位

我們正在找「社群編輯 3 名」、「資深採訪編輯 2 名

來信請將履歷與文字作品寄至 [email protected],信件名稱:應徵 TechOrange 社群編輯:(您的大名)

 

 

點關鍵字看更多相關文章: