別怕天網成真！關於人工智慧的五個詳解

對於人工智慧的莫名恐懼

我們對於人工智慧的恐懼，其實可以追溯到科學怪人（Frankenstein），甚至招魂術（Necromancy）以前。我們害怕我們有一天能夠自己創造或賦予一物體智慧，最後卻失去對其之控制而遭殺身之禍。 當然，這種恐懼不是完全沒有可能，但是在下任何結論以前，我們必須先深入了解甚麼是人工智慧。

何謂人工智慧？

其實我們口語上的人工智慧和學術上討論的人工智慧有很大的差異。 多數人每天討論的人工智慧，是非常含糊的概念，不但包含了所有的自動化、程序化作業外，任何模擬智能、模擬感官，甚至模擬情緒的現象都被人稱之為人工智慧。 定義如此包山包海，也難怪那麼容易就會挑動人們對於末日說的敏感神經。 反觀，學術界的人工智慧雖然依學術領域不同而在定義上有些許差異，但基本上仍不離「了解、模擬人類或動物之智能、認知與行為」的宗旨。

若要再細分，人工智慧大致上可以分為以下四大塊： 模擬人類的思考(Think like a Human) 模擬理性的思考(Think Rationally) 模擬人類的行為(Act like a Human) 模擬理性的行為(Act Rationally) 粗略地解釋，模擬人類的思考(Think like a Human)，關注的是人類在思考和做決策時，所需的知識、記憶和資訊處理技巧，並將這些理論模型透過機器進行實作，以達到模擬人類思考與行為的目的；第二欄，關注的則是邏輯性和理性的判斷，出發點通常是以邏輯和計算學為基礎。這兩大派系的分歧並不是技術上的，而是哲學上對人工智慧的觀點不同。 而說到人工智慧，其最早出自於哲學的知識學（Epistemology）。哲學上的知識學慢慢地知識學逐漸衍生出心理學、數學、經濟學、計算學等學術領域，但最終的目的仍然在於了解知識模型與決策模型。

當然，各領域對於人工智慧的認知都經過了大幅度的變革，而最重大的變革應該算是五零年代的認知科學革命（Cognitive Revolution）。

在五零年代以前，我們對於人類心理與智能的認知，由行為主義（Behaviorism）主導。行為主義學派認為人類與動物的行為是以控制和動機為主，因此可靠重複訓練（Conditioning）養成。行為主義者一般認為具有智慧的行為可以用行為和訓練去模擬，而無須去探討人類與動物的認知系統。若以非常狹義行為主義而論，人類若有機會挑選麵包多半會挑選體積較大的麵包吃，若一隻鳥可以被訓練去挑選大的麵包來吃的話，那這隻鳥至少在挑選麵包這方面擁有類似人類的智能。 所以，我們要怎麼去定義和測量人工智慧呢？ 說到人工智慧的測驗，大家應該都聽過鼎鼎大名的亞倫圖靈（Alan Turing）。

圖靈測驗（Turing Test）假設若一人透過一介面去跟一電腦（或另一人）互動，若測試者無法判斷電腦和人類的差別，那該電腦之人工智慧便達到跟人類一樣的等級。 許多電影和科幻小說都喜歡拿圖靈測驗來做文章，但是這測驗存有很大的一個問題，那就是：我們到底測試電腦和人類的共通點到底代表甚麼？ 舉個例子：若今天測試者問電腦說二加三等於多少，電腦回答五，這是許多受過教育的人類會給的解答，這只代表電腦有能力做基本運算；如果今天測試者問電腦說大象有幾隻腳，若電腦回答四，這也是許多受過教育的人的解答，這也只代表電腦擁有了一些關於動物的基本知識；反觀，若電腦反問說「大象是甚麼？」，這也是沒有見過大象的人可能會問的問題；若測試者問電腦今天開心嗎，不管電腦回答是與否都合乎人類的標準，但這並不代表電腦真的了解人類的情感的感受以或是其在知識和決策上的意義。

圖靈測試到底要測試多久？又測試的是甚麼？其實並沒有一個標準答案。 為什麼？因為圖靈過世於 1954 年，當時的認知科學尚未成形。而在那個年代，圖靈與其同儕所討論的人工智慧，嚴格上來說其實是今天的計算學（Computational Theory）。當時的人工智慧論者，在乎的是將人類所從事的工作步驟化、系統化，最後再將這種系統化的過程加以理論化。與其說是在形容人類的智慧，不如說是在奠定計算學的基礎。

認知科學的到來，學術界對於智能的觀點開始以人類和動物的認知架構（Cognitive Architecture）加以定義。在這種架構下，一個人的認知能力不但有基本的感官能力、短期記憶、長期記憶、專注力等，更有知識管理、情緒管理、學習管理等能力。由於認知科學的進步能解釋許多人類智能和認知能力的特性和限制，因而取代了行為主義成為心理學和哲學的主流。 同樣地，學術界對於人工智慧的認知也隨著心理學進步而一日千里。過去的圖靈實驗，今天看來是多麼地含糊？同理，當我們重新審視大眾口語之人工智慧就能看出其定義上的缺陷。

人工智慧真的危險嗎？不見得，人工智慧可能是利用類似人類的知識管理系統來進行推理、利用搜尋演算法來做決策（AlphaGo 就是此類）、或是利用臉頰特徵去做臉部辨識，這些都是很稀鬆平常的「智慧型」工作，似乎無須大驚小怪。

原文網址：http://www.inside.com.tw/2016/04/19/detailed-annotations-of-artificial-intelligence-ai