張經緯觀點：AlphaGo人機大戰告訴我們哪些事？

3月15日最後AlphaGo以4勝1負的比數擊敗李世乭，眾人期待的結果分曉，李世乭一改賽前的自信，心悅誠服的向電腦圍棋AlphaGo認輸。Google DeepMind總裁德米斯·哈薩比斯（Demis Hassabis）高興之餘，還是稱讚李世乭展現高度棋藝智慧，謙稱圍棋程式再厲害還是需要人類幫忙下棋，連小孩子都比不上。

自主學習及人工智慧

電腦圍棋AlphaGo除了從3000萬份棋譜學習歷史棋步之外，還經過與真人實戰及電腦間實戰訓練，相當受了1000年人類的下棋訓練。平常每盤圍棋要花半小時到一小時下完，人類不眠不休的下棋，一天最多下50場，扣掉每天必須的作息，精力及集中力一天能應付10盤棋就不錯了。AlphaGo的電腦圍棋每天可以使用兩台電腦彼此撕殺300盤，每天的學習量就是一般人的30倍。機器持續的快速運轉，人機學習連續次數會越離越遠。

電腦人工智慧從資料及學習而來，機器不斷練習並經過實戰結果，不斷修正並強化學習得來的智慧。加上快速的搜尋及分析能力，勝過體力及集中力會逐漸遞減的人類，並非不可能。

人類及電腦學習都需要有背景資料，從80年代之後使用電腦資料處理產生了大量記錄，如何轉化資料為資訊，再淬取相關資訊作為決策依據，會影響各種人類活動的效能及效用。資料的轉化相當於我們常說的『言之有理』，產生的資訊相當『言之有據』，正確的決策相當『言之有物』。 （相關報導： 張經緯觀點：Google AlphaGo人機大戰，熱鬧之外的省思 ｜ 更多文章 ）

AlphaGo的自主學習及人工智慧有些特別，它用非監督（unsupervised）方式進行深度學習（deep learning），配合深度神經網路，能進行機器學習。在90年代初由加拿大多倫多大學（University of Toronto）的佈雷登·費雷（Brendan Frey）及傑佛瑞·辛頓（Geoffrey Hinton）發展出睡眠喚醒演算法（Wake-sleep algorithm）在1995年發表在科學雜誌（Science），並將之運用於分析不正常基因及破解DNA中的剪接密碼，也在2008及2010年發表於自然雜誌(Nature)。非監督方法不需要將資料加上標籤，運演算法會自動從資料中找出隱藏的資料結構。Google公司2011年在Google Brain計劃，由Google公認最聰明的傑夫·迪恩Jeff Dean及斯坦福的吳恩達（Andrew Y. Ng）教授做了一個Google Cat的實驗，從YouTube裡面1000萬個視頻中由 16,000個電腦CPU自動判讀畫面，在沒有任何人為分類下，程式自我訓練判讀認出人臉(81.7%準確),人體(76.7)及貓(74.8%)來。另外一位法國裔紐約大學的燕樂存（Yann LeCun）教授，也發展出誤差反向傳播（Backpropagation）運演算法，辨識郵件手寫郵遞區號的深層學習方法。現在辛頓已經被Google挖角，燕樂存被Facebook挖角，吳恩達在2014加入百度，负责百度研究院Baidu Brain计划的工作。

哈薩比斯專攻深度神經網路，但是他發展的神經網路為一般式人工神經網路(General artificial neural network)讓同樣的運算法，適用於同類學習，譬如用同樣神經網路學習雅達利(Atari)研發的各種電腦遊戲，不需像狹義神經網路(narrow artificial neural network)，為每一種遊戲調製特定的結構及參數。(參看YouTub Deepmind DQN Playing)。通則性的人工智慧及深層學習，電腦自己會淬取資料中的隱藏結構，觀察它們和目標項目的關係，自動判別概念，歸納並強化出人工智慧。哈薩比斯把智慧化過程分解為認知（perceptual）、概念(conceptual)、及含義(Symbolic) 去蕪存菁三階段，需要具備過濾雜訊，自主學習，及轉化執行行動的能力。

人工智慧以人類行為作為藍本

自主學習及人工智慧都是以人類大腦神經及細胞間聯繫為藍本。當類似行為經過反覆練習之後，逐漸提高敏捷度及判斷能力，成為生活或生命中的一部分。

愛倫·妞威爾（Allen Newell）和赫伯特·西蒙（Herbert Simon）自五十年代中期就在卡內基梅隆大學（Carnegie Mellon University）開始研究人類如何解決問題。他們觀察試驗對象猜謎、玩遊戲及下棋的行為模式，讓他們自己陳述過程中的思維方式。他們發現首先會在各種可能的「問題空間」中搜索，以實際經驗修正各種情況所採取的步驟。進而提出一套「一般問題解決理論」（General Problem Solver），從「問題－空間」歸納出人類推理的風格，成為人工智能發展最有影響的研究。

心理學家 約翰·荷蘭德（John H. Holland）、凱瑟·赫力約電（Keith Holyoak）、理查·尼斯伯特（Richard Nisbett）和哲學家保爾·查加德（Paul Thagard）在他們1986年出版的《歸納法Induction: Processes of Inference, Learning, and Discovery》一書中，描述一個關於學習、推理和知識發掘的認知理論。他們發現認知理論必須建立在三項基本原則上：即知識能夠以類似規則的思維結構來表達、這些規則彼此競爭，會依據使用經驗把有用的規則強化，無用的規則減弱或剔除、具說服力的舊規則會組合出新的規則，成為各種恍然大悟的洞見，例如牛頓見到蘋果落地而產生的頓悟，及日常生活中發現新的竅門。 （相關報導： 張經緯觀點：Google AlphaGo人機大戰，熱鬧之外的省思 ｜ 更多文章 ）

AlphaGo的人工智慧並未跳脫人類學習及推理的模式，還是依循觀察、學習、強化產生概念的方式。只是AlphaGo的學習方式還是相當幼稚，需要接受所有資料再篩選，雖然深度神經網路可以連結數套策略法則進行學習，但是神經網路的策略還是經過事先預設無法自動產生新的策略，更不能夠產生新的頓悟。電腦需要花極大的功夫移除大部分無用的雜訊，人類不需要過濾所有資料直接就可以專注於相關的資料。人類可以依據既有經驗將資料分類，依據類別預設不同的策略並制定彼此間的關聯權重及精密度，再經過經驗回饋修改各樣法則甚至組合出新的法則。

人工智慧受人支配而非改變人類思維

電腦的記憶及運算及搜尋能力遠遠超過一般人類。我們不需要因為圍棋手無法像電腦一樣可以搜尋前推20步棋路的能力而覺得氣餒，就好像沒有人想要憑蠻力勝過推土機，或是想達到機器手焊接的精準度一樣。機器做的比人好的就交給它去做，把騰出來的精力用在機器辦不到之處。

利用電腦的長項幫助人類完成速度及人力不可及的事情會給人類帶來更多的福祉而非威脅。AlphaGo在有限的時間可以判讀3000萬份棋譜。如果利用現有電腦圍棋對形式判別評估的功能，列出各盤關鍵棋步及經典棋譜，讓學圍棋的人可以更有效率的學好圍棋。那麼圍棋學生就能從更高品質的棋步中更有效的學習到高明的棋步，而不需要從一次一次的錯誤棋步慢慢進步。

人類的學習效率及智慧遠勝電腦，一個三歲小孩看圖說故事的能力，比電腦從一千五百萬張標記過的圖片中所學習的理解力還高。人腦的分類、應變及組合能力比目前電腦人工智慧不知道要高明多少。電腦人工智慧要模仿並實現人類分類、應變、組合及創新能力仍遙遙無期。

中國有幾位西洋棋神童卜祥志、侯逸凡及韋奕都是十幾歲就拿到西洋棋特級大師（Grandmaster）頭銜，他們從小到大下棋的次數不會有多少，即使不斷的下、天天下還比他們手下敗將下過的棋少很多。可見不是多下、蠻幹就一定有成果。他們一定是在下棋中領悟出高明的規則，又在臨場上創造了新的頓悟辦法。

如果人工智慧能幫人整理高明棋譜，過濾掉過時或無用的資訊，提供更精準的訊息，會提供人類更有效的學習內容及方法。

下一步該如何？

AlphaGo充分展示學習及歸納的威力。經過大量的學習、強化、組合，會提高電腦圍棋的層次。電腦人工智慧是仿效人類學習方式，也證明人也需要反覆的學習、強化、組合才能提升人的才幹。反覆練習是學習、變化的不二途徑。

現代人缺乏耐心，不願意反覆練習，認為知道就好、理解就夠。學習必須達成行為變化的境地，不然仍停留在知識階段。如果是別人而不是自己的知識，只要去查考搜尋就可以，不能成為自己的智慧，自己也沒有改變。

學習經濟（The learning economy BÄ Lundvall, B Johnson）的作者指出知識編碼(Knowledge Codification)需要從事實知識（know-what）明白真相、實況；原理知識（know-why）自然及科學法則；技能知識(know-how)實做、執行技能；和人力知識（know-who）具備協調調度功用的關鍵人；物循序漸進、全面掌握。才能應付變動、複雜的經濟體系。目前許多生活方式，譬如手機、網路、網購、遠程控管、視訊會議…都是前所未有無法從過去歷史中歸納出心得或對策的新生活方式。需要從更有效的學習，面對當前發展出的局面。利用工具幫助學習，更有其重要性。

將現有人工智慧成果推廣到其它領域；譬如將自動駕駛技術延伸到自主挖土機、自主堆高機、無人船舶、自主收成、採果機。文件判讀推廣到法律契約、商業談判、議價等商業應用。其它如智能行事曆、旅遊行程安排、自主殺傷性武器發展、自動診斷、遠端醫療、遠端教學、3D列印、無人飛行器、看護機器人都可以借助人工智慧。

人工智慧尚未涵蓋的創新、調整、整合仍然需要繼續努力。希望AlphaGo人機大戰挑旺大家進一步發揮人工智慧的熱情及努力。 （相關報導： 張經緯觀點：Google AlphaGo人機大戰，熱鬧之外的省思 ｜ 更多文章 ）

＊作者為管理博士，曾任職於中華經濟研究院，現旅居美國從事商業資料分析工作。