2018年7月31日

AlphaGO 稱霸後的第三波人工智慧革命

趙軒翎/本刊副總編輯。

2016年3月,由Google DeepMind團隊開發的人工智慧(AI)圍棋軟體AlphaGO,以4:1的成績擊敗韓國職業棋士李世;隔年,又以更強大的運算能力,打敗世界排名第一的棋士柯潔。這兩場AI與人類在圍棋上的世紀對決,讓更多人實際見識到AI已能進行複雜的運算與判斷,並能透過與自我學習來強化能力。

AlphaGO雖然退役,但它帶起的AI潮流才正揭開序幕,未來AI會怎麼走?我們又能怎麼好好利用這強大的科技?

人工智慧發展
為了解這一波AI的浪潮,臺灣大學資訊工程學系教授林守德首先帶著我們回顧AI的發展歷史。在80年代前後,人類想方設法將專家的知識用電腦語言輸入,希望電腦能運用這些規則來為人類解決問題,例如找一群頂尖的醫師,將他們對於疾病的瞭解、診斷方式輸入電腦,由電腦為病人診斷病情。也就是說,這個時期的AI性能取決於現有知識的多寡,沒有自我學習能力,只要超出知識編碼範圍就無能為力。

90年代以後進入AI第二波革命,搭著電腦記憶體運算能力增強、網際網路開始發展的順風車,AI有了更多可能。一來,網路使資料取得更容易,能提供給電腦的資訊增加;二來,硬體設備、技術的進展,擁有高速運算能力,讓機器學習變成可能。


「機器學習與第一波人工智慧不同之處,在於我們不再直接寫規則教電腦什麼是對的什麼是錯的,而是讓電腦藉由搜集到的資料自己去學、去判斷。」林守德說。因此,電腦有可能自己從資料中歸納出人類從沒想過的新準則。

深度學習締造AlphaGO巔峰
其中,機器學習中最受矚目的「深度學習」,就像是人類的神經網絡一般,由一層又一層的非線性函數組成,這些網絡透過訓練與學習,在面對以往未曾經歷的狀況時,能夠透過運算來判斷最適當的反應。這樣的技術其實早已發展2~30年之久,但礙於先前於資料訊息量過於龐大,導致硬體技術還未跟上。

要了解近幾年深度學習的發展,NVIDIA解決方案架構經理康勝閔以2010年開始的「ImageNet大規模視覺辨識挑戰賽」舉例。ImageNet的資料庫中有1500萬張圖片,分類在超過2.2萬個類別中,比賽時會從中取出部分圖像,讓參賽團隊開發的演算法做辨識。最初參與的團隊沒有應用深度學習,單純以程式擷取圖像特徵作辨識,正確率只有大概70%左右。然而,加入深度學習的概念後,辨識的正確度逐年攀升,到2017年最後一屆挑戰賽的冠軍隊伍,已經可達97%左右的準確率,勝過人類的95%。

深度神經網絡的運作,得先從「訓練」(training)階段開始。一開始會透過輸入大量的資訊訓練神經網絡,以圖像辨識來說會輸入圖像以及每個圖像的標籤,告訴神經網絡圖中有隻貓,讓它學習如何辨識貓這個元素。每個神經元會依照要執行的工作,對輸入內容的正確或錯誤程度給予一個權重值,逐漸建構起一個資料架構,並以學習到的內容對各項權重值進行微調。完成訓練的神經網絡,就可開始應用在「推論(inference)」上,也就是面對從未見過的資料,進行辨識與分類。

康勝閔舉例,深度學習神經網路在目前已有貼近生活的應用,包括手機上的人工智慧助理Siri或是Ok Google,都具有語音辨識與搜尋的能力;YouTube影片即時翻譯字幕;或是網路行銷透過使用者的瀏覽歷程、消費經驗推薦相關商品,也都包含了或多或少的人工智慧應用。

未來,這些深度學習神經網路也可望成為醫療產業的幫手,協助醫師判讀醫學影像;在高科技製造業中成為品管必備的工具,幫忙在產品出廠前進行仔細的瑕疵檢測。這些應用發展將為人類打造未來AI城市、生活更進一步。

康勝閔表示,NVIDA致力於推動AI領域的發展,特別是透過發展圖形處理單元(GPU)加速運算,平行圖形處理的運算方式加快處理速度,讓深度學習的訓練速度加快。除此之外,也透過開設網路課程、分享原始碼和開研討會的方式,將資源公開給其他研究者參考。並贊助相關的新創公司,讓他們有資源能夠作持續性的研究。

「我們得開始思考好的方法,讓學界和業界能夠合作,相信會有更多很好的AI應用產生。」康勝閔說。......【更多內容請閱讀科學月刊第584期】

1 則留言:

YYC 提到...

人工智慧革命 很難得到公平的分配https://www.upmedia.mg/forum_info.php?SerialNo=48129