人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”。

人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

 人工智能(AI)在 AlphaGo 打敗人類之后成了顯學(xué)。本文希望能從 AI 的定義開始，談及 AI 能成就的事情與不能成就的事情，并提出 AI 目前碰到的困境，與接下來希望解決的難題。

人工智能從 1950 年代圖靈提出迄今已超過 60 年了，這 60 年來人工智能經(jīng)過數(shù)次大起大落。從一開始很高的期待，到后來令人失望的發(fā)展、經(jīng)歷兩次“AI 冬天”讓研究者與投資人望而卻步，又至于今天第三波 AI 的崛起。算是歷史上僅見能大起大落數(shù)次的學(xué)科。

人工智能可有三層次定義：第一層次是“弱人工智能”或“狹隘人工智能”，基本上就是希望電腦能解決某個需要高度智力才能解決的問題，而不要求它跟人類一樣有全面智慧解決各式各樣不同的問題。例如 Google AlphaGo、IBM Watson 或自動駕駛，就是弱人工智能的例子。它們可在單一領(lǐng)域(如圍棋、益智問答)達到媲美人類的成就，但卻不能解決其他對人類而言相對容易的問題(如 AlphaGo 不會開車，Watson 不會下棋)。目前弱人工智能最主流的方法算是以機器學(xué)習(xí)為本，尤其以“深度學(xué)習(xí)”技術(shù)最熱門。機器學(xué)習(xí)的架構(gòu)是在統(tǒng)計與計算的方法下運用巨量資料來做預(yù)測與決定，較擅長解選擇與是非題，而非申論與論述的問題。

第二個層次是“強人工智能”或“泛人工智能”：強人工智能要求電腦的智慧需要更全面廣泛，需要有推理、學(xué)習(xí)、規(guī)劃、語言溝通、知覺等能力，擁有這些能力的電腦才有可能展現(xiàn)出全面性的智慧、跟人類并駕齊驅(qū)。在這個方向過去學(xué)者提出一些并非基于機器學(xué)習(xí)的方法，通稱為“知識為本”(knowledge driven)法。這個方法強調(diào)如果能將所有知識輸入電腦，電腦就能從這些知識去推論(如知識本體論與一次邏輯推論等技術(shù))。但這類方法并沒有達到全面性的成功，主要是世界的知識太多，也沒有很有效率表述的方式讓電腦推論。近年來深度學(xué)習(xí)為本的技術(shù)(如記憶增強神經(jīng)網(wǎng)絡(luò))在賦予電腦推論能力的方向雖有進展，但泛人工智能能力還離人類智慧有一段距離。

第三個層次是 John Searle 提出的“強人工智能假說”(strong AI hypothesis)。在這個層次，電腦需要擁有跟人類一樣的“心靈”，需要認知自我并可以跟人類一樣思考。我們在電影小說中看到的一些有自我意識的 AI 大致都屬于這個層次。然而，這個層次普遍認為在透徹人腦的智慧及自我意識產(chǎn)生的機制前，不大可能達成的任務(wù)。

不同的人談到的 AI 可能是指不同層次的定義。例如阿里巴巴的馬云曾說：“我們討厭談?wù)?AI，沒有數(shù)據(jù)的公司才會討論 AI”，這句話的 AI 應(yīng)該是指希望利用“知識為本”的方法來解決強人工智能問題的 AI;其對應(yīng)就是以“數(shù)據(jù)為本”的機器學(xué)習(xí)方法產(chǎn)生的“弱人工智能”。

目前的 AI 技術(shù)在弱人工智能有很好的進展，研究方針漸漸移往強人工智能，但對賦予 AI 自我意識的第三層次仍距離遙遠。

談到第三波人工智能應(yīng)該要研發(fā)的技術(shù)，我們要先理解前兩波的人工智能方法。第一波人工智能大約是在 1990 年代前電腦的計算與儲存能力還有限的時候，人工智能多是以“專家系統(tǒng)”的方式實現(xiàn)。也就是人類將一些專家才懂的知識(如醫(yī)學(xué)、法律)變成一條條“規(guī)則”(如吃多喝多尿多可能是糖尿病)并輸入電腦，電腦就可以借由這些規(guī)則判斷。1980 年代利用這些規(guī)則產(chǎn)生的“人工智能專家系統(tǒng)”的確造成一股風(fēng)潮，例如有一個專門幫客戶從事電腦組裝的公司 XCON 就利用這樣的技術(shù)省下數(shù)千萬美元成本。然而，專家系統(tǒng)在 1980 年代末期逐漸淡出，主要是因為聘雇專家成本高，且系統(tǒng)無法普遍化(例如醫(yī)師系統(tǒng)無法處理法律事務(wù))。

第二波人工智能是在 1990 年代中期開始受到重視。主要是因為電腦的記憶空間跟速度突飛猛進，再加上網(wǎng)際網(wǎng)絡(luò)蓬勃發(fā)展，資料的取得與搜集越來越容易。第二波人工智能主要是以機器學(xué)習(xí)運用在巨量資料探勘為本，以大量的資料配合統(tǒng)計及計算科學(xué)的方法讓電腦能從事決策。機器學(xué)習(xí)是一個很廣的領(lǐng)域，大致上可分成指導(dǎo)式、非指導(dǎo)式、強化式學(xué)習(xí)三大類。指導(dǎo)式的學(xué)習(xí)乃機器學(xué)習(xí)中最常見的方法，主要是希望從大量(輸入、輸出)資料配對中學(xué)到輸出與輸入的關(guān)系，這樣對將來未曾看過的輸入資料，仍能猜出對應(yīng)的輸出。例如輸入資料可能是某個人的體檢資料(如 X 光照片)，輸出就是這個人是否罹患某種疾病。指導(dǎo)式學(xué)習(xí)擅長分類以及預(yù)測數(shù)值，只要讓電腦看過夠多例子，就會自動預(yù)測。非指導(dǎo)式學(xué)習(xí)的使用情境就比較不同，并沒有明確的輸出，而是希望從輸入的資料里學(xué)習(xí)一些因子的相關(guān)性，以及資料的分布狀況。至于強化式學(xué)習(xí)，是在學(xué)習(xí) AI 跟環(huán)境如何互動，這個方法可從資料去學(xué)習(xí)某個行為會對周遭產(chǎn)生什么影響，獲得什么樣的報酬。例如圍棋 AI AlphaGo 就是利用強化式學(xué)習(xí)，在自我對戰(zhàn)的過程中增強自己的能力。

機器學(xué)習(xí)相關(guān)技術(shù)在近兩年達成空前未有的成就，主要的原因是“神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)”技術(shù)的成熟。神經(jīng)網(wǎng)絡(luò)是已研究數(shù)十年的技術(shù)，而深度學(xué)習(xí)，一言以蔽之，就是將神經(jīng)網(wǎng)絡(luò)疊合成多層，以產(chǎn)生一個復(fù)雜的非線性模型來學(xué)習(xí)。深度學(xué)習(xí)之所以成功，就是因為可對資料(尤其是語音或圖像這種由基本要素如音波或像素組成的資料)從事多層次表達，這些表達更適合讓機器分類或預(yù)測。所以深度學(xué)習(xí)可看成一種“資料表達”或是“訊息前處理”方式，這種資料表達的方式用在指導(dǎo)式、非指導(dǎo)式、強化式學(xué)習(xí)都有很大的成功。然而，深度學(xué)習(xí)是不是 AI 的最終萬靈丹，大部分學(xué)者表示并不樂觀。如果把強人工智能看成登陸月球這樣困難的問題，深度學(xué)習(xí)的技術(shù)就像我們目前找到一棵可以長很高的樹，但不表示我們只要繼續(xù)種出最高的樹，就可以到達月球。

第二波人工智能在 AlphaGo 打敗人類棋王達到最高峰，AI 也成為全球矚目的焦點。然而，AI 并不是完全沒有缺點，在 AlphaGo 之后，下一波人工智能技術(shù)相關(guān)的討論應(yīng)運而生。這第三波人工智能應(yīng)該要解決的問題其實專家學(xué)者各有分歧，以下是我個人的觀點：

一、首先我們還是希望能解決 AI 還不夠聰明的問題。目前第二波人工智能的成就都在于“弱人工智能”方面，也就是電腦可以成為單一領(lǐng)域的專家，卻沒有更全面的智慧。因為機器學(xué)習(xí)的方法主要是基于統(tǒng)計以及經(jīng)驗，需要大量的資料來訓(xùn)練，對于更廣泛且深層的理解就顯得能力不足。例如遞移律(A>B>C 則 A>C)這樣對小學(xué)生而言很容易理解的觀念，機器學(xué)習(xí)反而不容易學(xué)。過去兩年許多深度學(xué)習(xí)的進階版就是希望解決這樣的問題，從弱人工智能往強人工智能的方向發(fā)展。

此外，機器學(xué)習(xí)是資料為本的方法，所以能從資料中學(xué)習(xí)。但是相對創(chuàng)造發(fā)明的能力就比較弱，因為資料里不會有太多創(chuàng)造發(fā)明的例子。所以，如何把機器從“學(xué)習(xí)”提升到“發(fā)明”的境界，也是大家關(guān)心的。

二、人工智能如何與“人”合作。人工智能目前看到的成就(如 AlphaGo、Watson)都屬于 AI 獨自的成就。然而，一個有智慧的系統(tǒng)，如果能跟人一起合作，應(yīng)能產(chǎn)生更大的效用，也可稍微緩和“人工智能搶走人類工作”的疑慮。然而，與人類合作不是件簡單的任務(wù)。因為就算人與人成功合作也并非天生水到渠成，除了需要技能互補，也要在情感、合作倫理、互信與溝通上都找到平衡點。所以，要能與人類合作的 AI，不僅要展現(xiàn)出跟人類互補的智慧，更要在合作中展現(xiàn)同理心、信任感與溝通技巧，這些都是目前 AI 還需要加強的部分。

三、提升人工智能的“安全性”與“可信度”。當(dāng)越來越多服務(wù)依賴人工智能幫忙做決定，這個人工智能決定的可信度與安全性就很重要。如果人工智能被惡意人士誤導(dǎo)或利用，對人類可能產(chǎn)生無可逆轉(zhuǎn)的災(zāi)害。例如，近年來有許多研究發(fā)現(xiàn)，機器學(xué)習(xí)的判斷有可能被誤導(dǎo)。只要在輸入的地方加上一些擾動，就會讓電腦學(xué)到錯誤的模型，輸出完全相反的答案，造成安全上的漏洞。例如人工智能目前已用在小額信貸或高速交易的判斷。這樣的漏洞可能會讓 AI 對是否貸款或交易判斷錯誤，導(dǎo)致公司損失。

四、人工智能的“道德”觀。許多名人如物理學(xué)家霍金都公開表達對人工智能的疑慮，擔(dān)心它會毀滅人類，就如許多電影小說的情節(jié)。的確，人工智能有可能對人類造成危害，但并非因 AI 產(chǎn)生“自我意識”希望脫離人類的控制;而是 AI 在執(zhí)行人類命令的時候因誤判或“不夠智慧”傷害到人類。例如：人類可能會要求機器人去冰箱拿東西，一個使命必達的 AI，可能會把途中遇到本地上爬的嬰兒踢到旁邊。因為這樣的 AI 并沒有受“倫理道德”訓(xùn)練，只唯命是從。所以第三波 AI，在我看來，應(yīng)該要把道德與倫理觀念納入“智慧”里，想辦法在現(xiàn)有架構(gòu)上實現(xiàn)。這個目標(biāo)的挑戰(zhàn)性很高，因為常常道德倫理跟欲行的目的會有沖突，即使對人類都不是容易的問題。

五、透明的人工智能方法。人工智能直到目前還沒有完全普及，有一個很大的原因是人類對其背后的機制與判斷方式不了解。心理學(xué)家的研究曾顯示，人類對不了解的事物接受度相對較低。 所以如何創(chuàng)造出更透明、更容易接受的 AI，也是學(xué)者重視的課題。

“讓電腦擁有人類的智慧”就像潘朵拉的盒子，讓人又期待又怕受傷害。人工智能雖然近年來有極大的進步，然而，我們距離一個安全、透明、有倫理觀念、能與人類協(xié)作的“強人工智能”仍有一段很長的距離要走。第三波的人工智能，一言以蔽之，將讓 AI 更像人類。接下來，從研發(fā)的角度讓 AI 更進化;從產(chǎn)業(yè)的角度能預(yù)知 AI 的弱點，并以研發(fā)為基礎(chǔ)來布局未來“人工智能普及化”的產(chǎn)業(yè)需求，是未來在第三波人工智能革命里取得領(lǐng)先地位的關(guān)鍵。