人工智慧要來了嗎？

一花一世界，人工智慧的世界要來了嗎？

自從AlphaGo稱霸圍棋界，讓沉寂已久的AI人工智慧，突然搖身一變成為顯學。每天打開網路新聞大概都會有一則和它有關，讓人以為機器取代人類日子隨時會出現，四處也彌漫著文明社會很快就要掀起翻天覆地的氛圍。

若是早二十年，我一定會為此感到熱血澎湃，甚而投入人工智慧領域，就像當年我在台大的研究所畢業論文，【網路文件自動分類】，就是想用VSM模型對大量HTML文件進行自動分類。雖然使用工具完全不同，想利用自動化加速處理及找出人力難以發現的規則，則是如一。也因此，很能體目前科學家和工程師想要改變世界的心情。

抱著同樣的熱情，畢業後，工作也都和大量資料處理有關。包括蕃薯藤入口網站、宇匯智慧檢索系統、華晶全球地圖圖資處理，都和大量資料脫不了關係。但長時間觀察下來，會發現雖然熱情依舊，但路卻越走越窄，一直到現在，工作是開發血糖機軟體，只在乎安全及適用性，已與資料處理分離。只有閒暇時看些好玩的專案，讓自己不至於離潮流太遠。

但不只是我如此，看著同樣也是滿腔熱血的同事以及同時期相關領域的公司，例如網擎、意藍這些年似乎也沒變化。但與此同時，Google、FB、Amazon的發展卻像脫韁野馬般越來越暢旺。依照這個邏輯，未來即使人工智慧成為可行，台灣或許仍會是資訊科技殖民地的宿命。

回到AlphaGo主題，從Nature上文章中可以看出系統分成兩個部份，前半部份是Convolutional Neural Network，由類神經系統負責猜測落點和監督勝率，當計算級數開始發散，不適合類神經網路時，就將資料交給後半部的Monte Carlo tree search，利用統計方式縮小要計算的範圍。其中Monte Carlo演算法與我研究過的Conditional Random Field (CRF)語言斷詞有異曲同工之妙，可以策略性的加快計算速度，讓整個系統變成真正可行。

雖然還沒將文章全部讀遍，但可以確定的是，AlphaGo並不像外傳的那麼神。充其量可以稱之為機器學習，這與一般人認知的人工智慧，還是有很大的距離。

所謂機器學習，用最簡單方式來說就是，大量使用了類神經網路，是種抽象概念。而一般熟悉的導航K-D Tree，搜尋引擎PageRank，手寫辨識SVM，僅能稱之為資料處理，是以統計或是人工標籤幫助提升正確性。機器學習可以簡化標籤的動作，仍然需要餵入大量學習資料，所以AlphaGo內不僅僅只有模型，它還【觀察】過世上已數位化的棋譜，像吸星大法般將前人的妙招轉化為內部參數。如何設定規範，提供豐富的正面及反面訓練資料，避免偏頗的學習，則是專家存在的意義。

Training models is just the first of many steps in translating interesting research to a real product. From clinical validation to regulatory approval, much of the journey from “bench to bedside” still lies ahead — but we are off to a very promising start, and we hope by sharing our work, we will be able to accelerate progress in this space.

總結來說，高效能的機器學習的確可以在現有規則中找到最佳路徑，甚至超越人腦，但它卻完全無法瞭解規則本身有什麼意義，例如規則如何生成，也沒辦法新增規則。這就像問一隻鳥，你是怎麼飛起來的，是同樣的道理，當它被建造完成後很強大，但它不知道自己是如何被設計以及建造過程。

隨著資訊科技的突飛猛進，以往僅在學術論文和實驗室才會出現的機器學習，將會成熟且普及。以產品來說，自動駕駛車，或家庭影音助手都會成真。結果雖然不能稱之為智慧，但已經離聰明不遠。有趣的是，為什麼現代人對此投入如此多的關注呢？大眾期盼著科學家和工程師將最先進的演算法加入電腦，讓機器能夠思考。但於此同時，現代人即使已經擁有大自然演化出最強大的思考機器，卻仍寧願看腦殘節目，玩無意義手遊，拒絕思考。兩相比較，不是很矛盾嗎。

瓦力電影中 腦滿腸肥的艦長完全接受電腦系統的建議