[心得]《AI製造商沒說的祕密》：讀後感

部落格圖文心得：https://maxjamesread.com/genius-makers/

自AlphaGo在 2016 打敗棋王李世石以來，人工智慧、深度學習等字眼相信大家早已不陌生。面對這個 AI 急速發展的時代，你對這「智慧」了解有多少呢？推薦這本《AI製造商沒說的祕密》，帶你一探AI的崛起之路，思索「它」的可能與危險。

作者凱德．梅茲是《紐約時報》科技記者，長期深耕人工智慧、自動駕駛、機器人等領域。書中他從「人」的角度出發，為讀者帶來一場精彩的AI演進簡史。取材嚴謹，敘事流暢，讀來暢快又引人深思。

我的構想不是寫此一科技，而是研發此一科技的人。

【AI的起源】
1958 年， 29 歲的康乃爾教授法蘭克．羅森布拉特與他的海軍同伴展示了一個名為「感知器」的機器。羅森布拉特將兩種卡片塞入機器，一張左邊有方形記號，一張在右邊。起先機器無法辨別差異，但在 50 張卡片後，它開始能分辨卡片上的記號，左邊、右邊、右邊……，作答精確無誤。

羅森布拉特表示，這是套模仿「人類大腦」的數學系統。在未來，「它」將可以學會辨識手寫字體、口語指令，甚至是人臉。據《紐約時報》報導，海軍官員對於是否要將其稱為「機器」有些拿捏不定，因為它太像「人類」，只差沒有生命。

海軍設計出能夠思考的科學怪人。

感知器是最早的「神經網路」之一，可說是AI（人工智慧）的起源。羅森布拉特預言現在看來精準的駭人，而他也被稱作是深度學習之父。不過他在43歲時意外過世，繼續推動AI走到今天的，是一群神經網路狂熱者……

【AI黑手黨】
羅森布拉特的目標是打造能像人腦般「自我學習」的機器。科學家稱這樣的概念為「連結主義」，因為它需要大量「神經網路」連結運算。與之相對的是「符號主義」，其步標是打造能根據人類指示，在不同狀況下做出不同反應的機器。

現在神經網路已然是人工智慧顯學，但這領域一度面臨寒冬。過去很長的一段時間，神經網路發展極度遲緩，不但被政府大刪預算，大多數科學家也都轉向符號主義的懷抱。那段時間，研究人員為讓論文被接受，甚至故意用像「函式近似」或「非線性回歸」等名詞取代「神經網路」。

即便憋屈，但仍有一搓人對神經網路的充滿信仰。這領域的關鍵人物有三人：辛頓、楊立昆與班吉歐。整本書內容幾乎都環繞在這「三巨頭」身上。而他們也在 2019 年獲得電腦界諾貝爾獎的「圖靈獎」。

當然神經網路的成功，絕非只靠這三人，還有太多太多人的共同努力。光書中提到的就有數十人。在閱讀的過程中，我感受到這群人對「夢想」的狂熱。如同《失控的轟炸》中那群相信精準轟炸的轟炸機黑手黨般，這些人同樣抱著宗派式的狂熱，對神經網路一往情深。開放人工智慧實驗室領導人阿爾特曼形容得傳神：

自信是一股非常強大的力量，我所認識最成功的人士都相信自己，堅信不移，
甚至已到幻想的地步。

隨著神經網路、深度學習的概念被認可，這些狂熱終於轉成真金白銀。各大科技公司都捧著高薪求才。書中提到，即便是剛出校門的菜鳥博士，年薪都高達 50 萬鎂。看得我不免感嘆入錯行（笑）。敝司在美國給新人博的價碼連 20 萬鎂都不到，根本雲泥之別……

書中描述各種瘋狂搶才大戰，鬥智鬥力可說相當精彩。最後谷歌搶到了辛頓，而臉書則擁有楊立昆，而他們的徒子徒孫們也都進入各大公司，一展長才。

【AI的強大可能】
話說回來，大家常聽到的「深度學習」到底是什麼？它是一種「多層」神經網路。不像感知器只有單層，這方式可以藉由將訊息傳輸給下一層，學習更複雜的事物。

比如給系統看一張狗的照片，第一層會分析像素顏色（黑、白、棕……）；接著將結果傳
給第二層，第二層進一步分析像素模式（直線、弧線……）；第三層會繼續檢視這些像素
的其他模式，以此類推……最終就能辨識出一隻狗的形象。

當然要實現這想法並沒那麼簡單，光辨識出一隻狗，就花了科學家大把時間。不過在這群狂熱者的奮戰下，深度學習開始在各領域攻略城池。現在的深度學習系統已能精準判讀語音；穩定辨識手寫字體；順利在不同語言間轉譯；甚至還能作曲、作畫。而最廣為人知的例子，或許是AlphaGo擊敗前世界圍棋棋王李世石。

書中有個例子讓我印象很深。辛頓的學生喬治．達爾參加由默克藥廠發起一項競賽。這競賽想探討的是一種稱作「定量構效關係」的藥物研發技術。但達爾壓根不曉得這是什麼，卻依然用深度學習系統獲得優勝。如辛頓說的：「喬治橫掃整個領域，卻還不知它叫什麼。」

這讓我想到《反脆弱》。深度學習系統似乎就實踐其中提到，不用了解「理論」，而是藉由反覆試誤、調整找到更佳解的模式。人工智慧用強大的自我學習能力，找到人類不能企及的新可能。谷歌前執行長史密特說得巧：

在科學與生物學中，存在許多人類看不到的模式，而在辨識出來後，可以幫助
我們開發出更好的藥物與解決方案。

看起來很美好，但這一切並不是沒有隱憂……

【AI的問題？】
從眾人看衰，到攻無不克，AI的未來看似一切光明。但隨著人工智慧逐漸強大，許多問題也浮上檯面。

〔隱私疑慮〕
辛頓的學生蘇茨克曾說，神經網路的優勢是你只要餵它資料，它就可以自我學習行為。

但問題是你要先有「資料」。

深度心智的創辦人蘇萊曼曾打算透過進行一項計畫，透過讓 AI 分析病患醫療紀錄（血檢、生命跡象、過去醫療史等），預測「急性腎損傷」。急性腎損傷發生率高（每 5 個住院病人就有 1 人），甚至可能會喪命，但只要及早發現就能治癒。

原本深度心智已經與皇家醫院國民保健基金會信託金簽約，獲取 160 萬名病患的資料。但在《新科學人》雜誌揭露此合作案後，馬上就引發眾人對隱私權遭侵犯的恐懼。最終這項合作被英國主管當局判定違法。

不管你希望深度學習攻克哪個領域，都要有大量的資料供它自我訓練。但當其牽扯到個人隱私時，狀況就變得相當棘手。

〔訓練偏誤〕
另一個問題是，深度學習的訓練可能會產生「偏差」。

書中有個駭人的例子。谷歌所提供的智能辨識系統竟誤將非裔美國人識別為「大猩猩」。因為當初在建立辨識系統時，工程師多為白人男性，而他們挑選的資料也幾乎都是白人，這導致系統對有色人種判斷力不足。

除了餵養的資料可能會有偏差，還有一個更難解的問題：訓練標準。

隨著社群發展，假新聞與仇恨言論得到前所未有的放大。臉書創辦人祖克柏就聲稱能透過人工智慧，撤除這些「有問題」的資訊。問題是連人類都很難對什麼是假新聞，什麼是仇恨言論達成共識，又要怎麼訓練機器去判讀呢？

不若圍棋或星海等遊戲是封閉環境，有清楚規則與判定勝利的標準，現實世界沒有人會打分數。如電腦科學家喬艾．布蘭維尼說的：

我們該以由誰的決定進步的意義？有該以何種標準決定進步？

我想，這問題恐怕永遠都難有解答。

〔誤用危機〕
更糟的是 AI 被用到壞的地方。如三巨頭之一的班吉歐說的：

我們的工具可以使之為善，也可以使之為惡。

對於能將AI應用在哪些領域一直都存在爭議。如 Deepfake 強大的換臉功能，就成了許多女性的惡夢。《紐約時報》也曾報導中國政府利用人臉識別，追蹤與控制維吾爾人。如作者所言：

深度學習創造出一種力量，即便當初的開發者也無法完全控制。

無怪伊隆·馬斯克會說人工智慧可能毀了人類……而解方或許如深度心智創辦人之一的蘇
萊曼所說的：

我們在建立科技之前，必須審慎思考此一科技會如何遭到誤用的問題，還有如何將其至於監管之下的問題。

像當初深度心智在出售公司給谷歌的合約中，就訂下兩個條件：

１．禁止將深度心智的任何科技應用在軍事目的。
２．成立獨立倫理委員監督人工智慧科技使用情況。

事實上他們當初決定將公司賣給谷歌而非臉書，原因就在於祖克柏並不認同他們對人工智慧可能造成的道德疑慮，拒絕成立監督委員會。

另外，更多元的參與或許也會是解方。如美國計算機科學家蒂姆尼特．蓋布魯說的：

如果許多人被排除在創造人工智慧的過程之外，此一科技僅會讓少數人獲利，卻會對無數人造成傷害。

【後記：圍棋的那點小事】
身為業餘圍棋愛好者，我永遠無法忘記當初追直播時，看到李世石投子認輸的震撼。

書中提到的神奇37手，以圍棋術語來說叫5路肩衝。傳統認為4路是極限，但 AlphaGo 卻硬上5路。事實證明那是步好棋。

https://imgur.com/gLGPGdi
第二局第37手（截自DeepMind）

我更無法忘懷的，是看到李世石在第四局使出渾身解數打出 78 的鬼手，成功爆破中央，幫人類短暫守住最後堡壘時的感動。

https://imgur.com/ZTi0TCP
第四局第78手（截自DeepMind）

現在圍棋使用AI輔助已非常普遍。棋手都會用AI訓練，甚至直播時也會放上AI勝率圖供觀眾參考。

https://imgur.com/wofhu7E
第五屆吳清源杯世界女子圍棋賽16強：黑嘉嘉七段 vs.於之瑩七段，盧鈺樺四段 vs.李赫五段（截自海峰棋院）

對於現在不時有AI取代人類的說法，我覺得圍棋的模式或可作為參考。如上頭說的，現在棋手都會用AI訓練，用電腦的推薦選點作為行棋參考。

但這並不意謂著AI取代人類。事實上，有些選點根本超越人類理解，就算照著下也無法掌握之後的變化。當今圍棋第一人申真諝在專訪中就提到，希望AI增加參考選點，讓棋士能有更多選擇。

或許這就是人類與AI能共榮的模式吧？藉由人工智慧協助，對人類遭遇的各種問題提供更多可能解方。而最終還是要靠人類自己選擇，找到最適合我們的出路。

我想，不管面對隱私、誤用等問題，最終還是要回歸到「人」，思考這些應用是否能為人們，甚至是整個世界的其他生物帶來更好的環境。納入更多元的角度才不會走偏鋒，而能利用 AI 開拓出更嶄新的道路吧！

--
姆斯的閱讀空間
FB: https://www.facebook.com/maxjamesread/
IG: https://www.instagram.com/maxjamesread/

--

哇！謝謝你的推薦，再找時間來看。