人工智能浪潮下的新思维

所谓人工智能(Artificial Intelligence，简称AI)，就是机器表现出和人类相同的智慧行为[1]，其概念是机器能够感知、逻辑和学习的总称。早在1950年就有与人工智能机器人有关的科幻小说，名为《我，机械人》(I, Robot.)[2]，其英文名称「I, Robot」中的I有双重意思，可以指第一人称「我」，亦可指Intelligent智能的意思[3]。不少电影情节亦取材自此经典之作，2001年美国大导演史蒂芬•史匹柏(Steven Spielberg)所执导的电影『AI人工智能』(Artificial Intelligence)中，未来世界可以根据不同需求制造出拥有人类真实情感的机器小孩。2004年上映的电影机器公敌(I, Robot)中功能强大的机器人反过来攻击人类的危机场景亦取材自该科幻小说作者艾萨克•阿西莫夫(Isaac Asimov)所提出的「机器人三大法则」(Three Laws of Robotics)[4]。然而，随着科技发展日新月异，过去在科幻电影中才能看到的人类未来世界的影像似乎已离我们愈来愈近了。如今人们的生活其实已经离不开AI，从5G的崛起、乃至6G的研发，都将进一步的把AI在日常生活中发挥到极致。在未来的十载，能够预见 AI将在多方面融入生活，包括全自动驾驶、智能家居、安防、全AI化生产和智能医疗等先进的AI应用。

AI浪潮正席卷全球

人工智能的发展，自达特茅斯会议催生了AI的诞生，自此人工智能的演进过程起起伏伏。为了呈现过去人类在人工智能(AI)、机器学习(ML)和深度学习(DL)等领域的进展及突破，笔者整理出如图1所示一条时间轴线。甚至到了2016年，还有Google子公司DeepMind公司所开发的人工智能围棋程序AlphaGo与南韩棋士李世乭的人机世纪对决大事件，堪称人脑与计算机的世纪大对决，创造了人工智能技术的新里程碑，自此涌现出许多基于机器和深度学习的产品和解决方案。2017年，中国乌镇围棋峰会以强化版AlphaGo Master与世界排名第一的中国棋手柯洁比试，最终AlphaGo Master连胜三盘；而更新一代的AlphaGo Zero则是透过自我对弈自学围棋，采用新的算法强化学习(Reinforcement Learning)，并根据每一次训练后的结果优化其算法，竟以100胜0败的成绩战胜旧版本，让全世界再次见证AI技术的发展。如今人们的生活其实已经离不开AI，在未来的十载，能够预见AI将在多方面融入生活：虽无法精确预测未来发展的时间表，但未来肯定是有趣的。

图1. 人工智能进展编年大事纪

图片来源：芮嘉玮绘制

历史发展

AI技术的发展史上兴起了三次浪潮(图2)，第一波起于1950～1960年，止于1980年代。自达特茅斯会议后，AI自此诞生兴起了第一波AI浪潮，这时期使用一些符号来定义思考逻辑，该符号逻辑成为日后「专家系统」与「深度学习」的雏形，但定义的符号不完全是人类的思维，且当时计算机的算力不足以处理大量的资料而无法支撑后续的发展。第二波出现在1980年至1993年间，这时期是以「专家知识」作为规则来协助解决特定问题的「专家系统」(Expert system)为主，加上在语音识别、机器翻译与人工神经网络等技术上的突破带动了第二波AI浪潮，然而其应用范畴有限，无法满足人类对AI的高度预期，热潮也因此逐渐消退。第三波系从2008年迄今，基于大数据的普及、计算机速度的大幅提升以及计算成本的下降，让计算机大量学习数据且训练它可辨识声音及影像的机器学习、深度学习随之兴起，尤其AlphaGo被认为是人工智能的一项指针性发展。许多国家政府和企业，更是因此大举投资AI并将其视为未来必要发展的新兴科技，从而掀起第三波AI热潮，且此波浪潮仍正上扬未有潮退迹象。AI浪潮正席卷全球各个产业，每个人都无法置身事外。

图2. AI技术发展兴起了三次浪潮

图片来源：芮嘉玮绘制

不同类型的机器学习

机器学习是促成人工智能的主要计算方式之一。在机器学习中，计算机或计算设备被程序设计为像人类那样思考，使得计算机可自己学习。即机器学习是使计算器无需明确的编程(explicitly programmed)即可学习的能力，是一种让人工智能自行学习的机制[5]，主要分为监督式学习(supervised learning)与非监督式学习(unsupervised learning)，两者有别[6]。

监督式学习是准备好训练数据(training data)，让人工智能往单一个方向学习，即准备好标准答案才能加以训练，是机器学习中最常见的技术[7]。回归(Regression)、分类(Classification)则是监督式学习最常处理的两个问题，当预测的目标为连续的数值称其为回归(Regression)，若目标为离散的则称其为分类(Classification)，其中支持向量机(Support Vector Machine，SVM)是最常用的分类算法[8]。非监督式学习则是没有训练数据，让人工智能自行透过自己的活动收集资料，从中自我学习，用于发现数据隐藏的特征或结构，即没有标准答案但可自动依数据属性分群，其中分群(Clustering)是非监督式学习的代表性方法[9]。

此外，机器学习依据Marsland的分类，尚有强化学习(Reinforcement learning)。强化学习(或称增强学习)是监督式学习和非监督式学习之间的中间技术，是以环境回馈作为输入，可自行发掘在何种状况下该采取何种行动以取得最大化的预期利益，是一种基于环境而行动从而适应环境并在动态环境中收集数据的算法，同时也对产生的行为结果给予奖励或惩罚[10]，其代表性算法是Q-Learning，最近Q-Learning已与深度学习相结合，并被用作Deep-Q-Network(DQN)方法 。[11]。图3显示机器学习依学习方式不同而分类。

图3. 机器学习依学习方式不同而分类

图片来源：芮嘉玮绘制

AI浪潮下的新思维 — 人类如何与AI共存

2017年日本经济新闻和英国金融时报合作，对不同产业领域中各项工作业务调查AI带来的冲击为何(表1)[12]。其中以制造业的工作／业务被取代的比率最高，且机器人或自动化取而代之的比率会逐年攀升，这是否代表了AI会夺走人类的工作?

表1　不同产业被AI取代的比率

数据源：吴悦，人工智能对劳动就业的影响，Research Portal科技政策观点，2018年6月8日

牛津大学的论文指出，未来会有47%的工作会被AI取代[13]。然而，AI会取代什么？有什么是较无法被取代的？个人观点，会被取代的主要是重复性高、单一性和目标明确等属性的工作将被自动化取而代之，而人际间互动强、处理应变的突发状况或针对个人化差异需求产生个别服务类型等工作，较不易被取代。AI全球化的趋势已势不可挡，在AI浪潮之下人类该如何保障自己的工作权?必须有与AI技术共存的新思维，也就是AI并非要取代人类做事，而是要让人类更「聪明」的做事。因此，我们该思考AI可以帮助我什么?而继AI完成特定工作后，我还可以做些什么有价值的工作?因为目前为止AI的技术还有些挑战尚待克服，例如AI只能在一个领域工作，只能成为一个特定工作的佼佼者，推演能力有待加强；再者，AI没有感情，不像人类有喜怒哀乐和七情六欲，更没有像人类在经历苦难之后自己体会出的人生的道理，好比『吃亏就是占便宜』、『忍一时风平浪静、退一步海阔天空』等人生哲学；即便AI在医学上成就了「智慧医疗」产业，但病患需要的不只是疾病诊断，医护人员的人性关怀、情感互动是目前AI无法办到的，也是你我在工作或生活中展现真正「软实力」的舞台与机会。数据源：吴悦，人工智能对劳动就业的影响，Research Portal科技政策观点，2018年6月8日

备注：

1. 詹峻阳，人工智能三大关键技术，数字时代，2016年11月1日，https://www.bnext.com.tw/article/41534/3-key-techniques-of-ai

2. 《我，机器人》（英语：I, Robot），是美国作家艾萨克•艾西莫夫出版于1950年的科幻小说短篇集，收录9篇短篇小说，探讨人类与机器人间的道德问题，自此开创出艾西莫夫的机器人浩翰虚构历史。

3. https://zh.wikipedia.org/wiki/%E6%88%91%EF%BC%8C%E6%9C%BA%E5%99%A8%E4%BA%BA

4. https://blog.yoctol.com/irobot-1-af10cbc88dc7

5. 松尾丰，同注1，页126。

6. 三宅阳一郎、森川幸人着，郑佩岚译，从人到人工智能，破解AI革命的68个核心概念(絵でわかる人工知能 明日使いたくなるキーワード68)，页56，脸谱出版社，2017年5月1版。

7. Marsland, S. Machine learning: An algorithmic perspective. Boca Raton: FL.CRC Press. 2015.

8. Dangeti, P. Statistics for machine learning: Build supervised, unsupervised, and reinforcement learning models using both Python and R. Birmingham: Packt Publishing. 2017.

9. Dangeti, P. Statistics for machine learning: Build supervised, unsupervised, and reinforcement learning models using both Python and R. Birmingham: Packt Publishing. 2017.

10. Mitchell, TM. Machine learning. Boston: WCB. McGraw-Hill Boston. 1997.

11. Odaka, T. Machine learning and deep learning. Trans. Ahn, D.H. FREELEC. 2016.

12. 吴悦，人工智能对劳动就业的影响，Research Portal科技政策观点，2018年6月8日，https://portal.stpi.narl.org.tw/index?p=article&id=4b1141427395c699017395c756a31f5f

13. Carl Benedikt Frey, and Michael A. Osborne, THE FUTURE OF EMPLOYMENT: HOW SUSCEPTIBLE ARE JOBS TO COMPUTERISATION?” working paper published by the Oxford Martin Programme on Technology and Employment, 2013 September 17.

关于北美智权

北美智权成立于1995年，从当初的美国专利事务所已跃升为全方位的管理服务专利申请公司，已协助多家高科技企业在世界各地运用专利保护他们的产品。《北美智权报》由北美智权发行，内容主题涵盖中国、美国、台湾、欧盟及世界各国的知识产权新闻、重要的侵权诉讼分析、法规解析，以及产业与技术新知等等，帮助专利业界人士与高科技企业在竞争的国内外环境中，以更有效率的方式掌握专业资讯。欢迎关注北美智权微信公众号: NAIP_IPServices。