menu
home
智能自學技術
未來大趨勢

智能自學技術
未來大趨勢

人工智能(AI)是近年熱門的研究技術,亦是未來重要的科技發展方向。所謂人工智能,指的是電腦能夠如人類一樣進行資料分析及學習,不必依靠人類一步一步地「教導」它們做事。透過自我學習,電腦和機械可以更快地進步,未來的發展可能超越想像。

AI以自學最為重要

近年多間科技公司均以AI作為重要的發展方向,包括傳統科技巨人IBM及Microsoft,還有互聯網新勢力Facebook、Google等都在全力發展AI技術。透過AI,電子產品將可更聰明、快捷地完成指令,滿足用戶的需要。而在AI的眾多特點之中,自我學習(Machine Learning)可說最為重要。

一般電腦系統的運作需要程式設計者依據用戶需要逐一編寫出相關的功能,所有工作只會「按照劇本」完成運作,若出現超出預設程式外的事情,程式往往只能顯示用戶出錯。

自我學習則與上述運作原理不同,機械能夠如人類或生物般自我學習及進化,透過重覆訓練及學習改善解決同類型問題的方法。自我學習不但省卻編程時間,更重要的是機械透過各種實際發生的情況自行學習,即使日後環境轉變,也不需重新編程。由於機械的學習速度極快,只要能夠提供足夠的學習數據,便可在短時間內分析學習所需經驗而獲得進步。


兩大類機械學習

機械的自我學習可分為兩大類:監督學習(Supervised Learning)與非監督學習(Unsupervised Learning),其差別在於監督學習在輸入數據時會加上人工標注,而非監督學習是從大量的數據串流中作分類,並找出潛在規律的演算方法。以比喻說明會更易理解,監督學習就像在教導一個小孩認識「蘋果」時,拿著各式各樣蘋果的卡片,並告訴他:「這是蘋果。」反之,在該小孩面前擺放各種水果,但不事先告知水果名字下示範分類一次,然後讓他將水果依據種類分類,這便是非監督學習 。

機械自我學習
日漸普及

其實機械自我學習已被應用於日常生活中, 例如You Tube 上的「推薦影片」可算是一種機械自我學習,根據用戶過往的觀看紀錄推薦同類型影片,當用戶觀看影片愈多,網站整理出來的推薦便愈精準,愈能迎合用戶的口味。除了這貼身的例子外,近年還能從多個方面見到機械學習的應用。

AlphaGo Zero
完全不靠人類經驗

去年AlphaGo擊敗了人類圍棋冠軍選手,被視為人工智能一大躍進。AlphaGo同樣採用了機械自我學習概念,工作人員提供大量棋譜予AlphaGo作自我學習,讓其發展成圍棋高手。不過當AlphaGo稱霸圍棋界後,其設計團隊DeepMind便宣布不再參加任何與人類的比賽。經過數月的重新開發,設計團隊製作出更強大的圍棋程式「AlphaGo Zero」,透過全新的強化方式學習,無需任何人類指導。相比使用人類對弈資料,此演算法訓練時間更短, AlphaGo Zero僅用3天就進行了490萬次自我對弈練習,達到AlphaGo Lee的水準,較上一代需數月訓練,時間更快,到了第21天已達到AlphaGo Master的水準,去到第40天已經超越之前版本的AlphaGo。

自動駕駛更安全

除了圍棋博奕外,自我學習亦能應用在日常生活中。例如最近由史丹佛AI實驗室成員創立的Drive.ai就是透過自我學習來打造更佳的自動駕駛系統,透過自我學習作判斷,更靈活地適應不同環境。聯合創始人兼CEO Sameep Tandon表示,在目前的自動駕駛領域中,其中一個流派採用基於規則(rule-base)的經典機械人方向,工程師會為每個場景預先寫下固定的程序,機械人再根據程序運作,可是當出現新場景且沒有對應程序時,機械人很可能不知道如何應對,這結果嚴重限制了自動駕駛的可拓展性。而Drive.ai則是基於深度學習技術,讓演算法可以從資料和訓練中學習,就像人腦一樣,工程師只需要通過類似場景不斷與機械人進行訓練,它便能自我學習並作出判斷。如此一來,即使在全新的場景裡,汽車也能作出適當的處理,亦有利於未來發展。


視覺預知逐步發展

為了讓電腦更接近人類,加州大學柏克萊分校更發展出一項稱為視覺預知(Visual Foresight)的技術,可進行深度自我學習。此技術讓機械人能夠預測自己在進行某一連串動作後所見到的影像。目前技術仍處於雛型階段,只能預視未來數秒的影像,但也足以讓電腦做到移動物件時不會碰撞到其他阻礙物。再透過機械學習,在未經人類的訓練下,電腦也可以自行學習如何應對不同的場境,即使在一個完全隨機的環境中,仍能有效地避開阻礙物。

視覺預知的核心技術是基於卷積循環影像預測(Convolutional Recurrent Video Prediction)或是動態神經平流(Dynamic Neural Advection,DNA)。卷積循環影像預測需要人為標記數以百萬計的影像,而研究人員也會將這些結果用於預測模型資料。DNA模型則用來預測每一幀影像中的畫素變化,而最近期的研究結果顯示,這項技術讓機械人能夠在障礙物四周滑動玩具,或是將數個物體重歸定位。研究團隊認為,這項技術將可應用於自動駕駛領域,幫助車輛在行車時躲避障礙,規劃最佳的躲避路線,更有效地輔助駕駛,從而保障了駕駛的安全。

被超越的人類

毫無疑問,機械自我學習在部分應用上比人類學習更快速,不過至目前為止,人工智能仍然未能在創造及情感上有所進展,與人腦仍然存在相當大的差距。不過日後人類的學習方向也會隨着AI的發展而有所改變,不再追求計算得有多快多準,以及記憶多少不同的案例,而是如何利用創意和想像力,透過機械的協助,更完滿地解決問題。