近年来「智慧型」的产品，如手机、电子宠物、监控系统等，都标榜像人一样聪明，不仅 协助人类工作，甚至提供人性化的沟通介面，使我们的日常生活更便利。但怎样才算是人 工智慧？电脑又是怎麽思考的呢？ 什麽是人工智慧 自古以来，人类基於好奇心，不断地探索自我，不管是生理方面，从对各器官的了解到基 因的分析；或是心理方面，从人类行为、情绪的观察到心灵、智慧的思索。人们想更了解 「我」是什麽，也想揭开「智慧」的秘密。不只如此，在科技发展日新月异的今日，人们 更渴望让机器、电脑也能拥有人类的行为与智慧。然而，智慧到底是什麽？这个问题在生 物学、心理学、哲学等领域中都被广泛地讨论着。 一般来说，智慧是指对事情思考、分析、理解、学习、决策等的能力，简而言之，就是解 决问题的能力，因此人工智慧（artificial intelligence, AI）就是研究如何让电脑有 意识、能推理与行动。电脑的运作强项是计算与储存，人则在感知、推理与行为方面略胜 一筹，因此一般人工智慧的研究便专注在人类比电脑强的领域，例如下棋游戏、语音或图 形辨识。 计算机科学之父杜林（Alan Turing）在 1950 年发表了在 AI 研究上极具历史性的一篇 文献〈Computing Machinery and Intelligence〉，里面提出一个方法来判断怎样的电脑 才能称为拥有人工智慧，这就是着名的「杜林测试」（Turing Test）。 测试方法是先把人和电脑安置在一个房间内，另外一个房间则安排一询问者，使他与这未 知的两个受试者（人及电脑）进行一连串的对话。如果询问者分辨不出回答者是人还是电 脑，这部电脑就算是通过了测试，可证明它具有和人一样的智慧，且能够与人沟通。 人工智慧的发展 人工智慧的初始发展目标是让电脑拥有人脑的智慧，让电脑的行为更像人，而更远大的梦 想就是创造出一个栩栩如生的智慧型机器人，不但会思考，甚至有感情、情绪反应、学习 等能力。但是直到目前，这依然是个梦想，科学家所面临的瓶颈是人的智慧行为要如何完 整地诠释，而不只是填鸭式地建构。 大约在 1990 年代，科学家以现实的策略代替乐观的想像，把人工智慧的研究目标转向发 展电脑的智慧能力，以更有效地解决一些复杂的问题，而不再强求要发展出像人类一样的 智慧。这使得人工智慧的研究渐渐走出低潮，新理论与新技术相继提出，人工智慧的研究 也更蓬勃地发展起来。 人类智慧相当复杂难解，想让电脑模仿人的行为，实行起来并不容易，需要分成许多子领 域去研究。一些较常见的研究领域，包括电脑视觉（看）、自然语言处理（读）、语音辨 识（听）、机器人（动作）、专家系统（推理）、机器学习（学习），或是一些执行的方 法，包含近似搜寻、模糊理论、类神经网路（artificial neural network）等。 而近年来兴起智慧型代理人（intelligent agents）的概念，利用自动化、需求导向的电 脑程式，整合不同的智慧能力，来代替原先人的工作，使得人工智慧的应用更深入人们的 生活。 一般而言，要解决一个复杂的问题必须有特定的专业知识及强大的搜寻能力，而特定的专 业知识需要有大量的储存装置及好的知识表达，强大的搜寻能力则需要非常快的计算速度 。在硬体发展迅速的今日，电脑的计算与储存能力只会愈来愈强，因此一些以前电脑做不 到的事情，现在都可以轻易达成，一个有名的例子就是下面要介绍的人机大战。 人机大战 IBM 研发的深蓝（Deep-Blue）在西元 1997 年击败了当时的世界西洋棋棋王卡斯帕洛夫 （Garry Kasparov），让全世界相当震惊，并质疑：「是否电脑的智慧已经超越人类？」 这问题很耐人寻味。基本上，人类下棋的思维有以下几个特点：揣摩对手接下来几步棋会 采取的策略；应用着名棋局中的模式；根据个人下棋的经验；学习对手的下棋模式。 而电脑下棋时，则先把盘面局势数值化，然後依据计算与储存的优异特性与人类顶尖棋手 抗衡。它「超强的计算能力」可用以计算接下来可能的局势并搜寻最佳的下一步，而「庞 大的储存能力」可以储存开局或残局的所有棋局模式。此外，也可发展出「机器学习能力 」，学习自己与对手的下棋模式，并修正错误决策。 今日电脑更可以凭藉着强大且平行或分散式处理的能力不断增强棋力，挑战各棋界的高手 。目前各类棋奕中，似乎只剩下高复杂度的围棋尚未被攻陷。 虽然电脑渐渐攻陷各种棋奕，但光会下棋，并不代表电脑拥有与人类相当的心智思考。下 棋的条件与模式都是固定的，有既定的规则，因此能够透过逻辑判断与搜寻法则找到最佳 、致胜的棋步。但是目前这些称霸棋界的下棋程式，就只能处理棋局，当面临其他条件多 变的问题时，电脑还是无法如人类般聪明灵活。 冷血超人 在人工智慧的发展上，最成熟且应用最广泛的是冷血超人，即专家系统（expert system ）。所谓「专家系统」就是发展一个资讯系统，使它的行为表现可以和一位特定领域的专 家一般，如医疗诊断专家系统或核能电厂故障诊断系统。它的基本原理是把专家的知识， 以规则或其他知识表达方式建立在系统内，然後利用这些知识及经验法则来推论并解决特 定领域的问题，必要时还可给予使用者建议及解释。 举个简单的例子，假设现在告诉系统几个规则： If 下雨天，Then 不要出去玩； If 不出去玩，Then 要念书； 系统知道这些规则後，当输入现在天气是「下雨天」时，系统就会推论出「要念书」。在 专家系统中，建立正确的知识库是最重要的工作，给定不好的规则就会产生不好的结果， 因此规则的宣告必须非常严谨，每一个规则之间的关联都是牵一发而动全身。 再举一个例子来说明，假设规则如下： If 你的另一半心情不好， Then 假装不高兴 If 假装不高兴， Then 心情不好 If 两个人心情都不好， Then 会打架 If 两个人打架， Then 一个人会死翘翘 现有一个事实说另一半心情不好，则根据所给的规则，系统是否应该推论出「一个人会死 翘翘」？虽然每个规则单独看起来都很合理，但是由人类的观念来判断，这个推论似乎不 太正确。因此制定专家系统的规则要谨慎，只有当所给的规则正确时，才能让系统产生我 们所期待的正确答案。 从前面的两个例子，可以了解专家系统最主要的部分是规则（知识）的取得，而知识的撷 取与表达正是建立专家系统最大的困难点。知识的表达方式有很多种，最常见的就是规则 表示法，规则多以「If……Then……」的形式呈现，以因果关系来描述知识，这也是认知 心理学家所认为的人类内在知识表达方式。另外，专家系统知识的表达也包含了语意网（ semantic net)、框架（frame）、逻辑等方式。 知识到底该用什麽方法来撷取与表达，目前没有一个完美的答案，因此专家系统仍然有一 些缺陷，但是专家系统还是有以下几个优点：能蒐集许多有效、稀少的专业知识，并且可 以成长扩充；不需休息，可以 24 小时执行监视等专业性的工作；能比人类专家更快速地 做出反应；能在不良环境下工作；能理性地进行判断，而不会受到个人价值观的影响；能 同时考虑许多因素来下判断；能对其决策或行为做解释。 由於专家系统具有这些优於人类专家的特性，因此这些年来，专家系统渐渐地实用化，广 泛应用在医学、化学、经济学、工程、运输等领域，帮助人类做诊断、分析、预测、控制 、行程安排等工作。 举一反三 基本上知识的取得有 3 种方式：由知识工程师访谈得到、由专家利用知识撷取程式自行 输入知识，以及由机器学习的方式建立。 知识工程师的工作就是访问专家，然後把专业知识转移成电脑看得懂的形式。知识撷取工 具则是直接从专家所提供的分类、属性等特徵，产生规则或关系图。至於机器学习，则是 人工智慧的研究重点，期望能透过一些已知的例子，电脑就能自行推断出相关知识。例如 告诉电脑「燕子会飞、麻雀会飞」，具有学习能力的电脑就能归纳出「鸟会飞」。 机器学习这个领域的研究可追溯至 50 年代计算机刚发明之初，神经网路中的感知器（ perceptron）学习法出现以後，这个领域便不断地茁壮。随着目前人工智慧及专家系统的 兴起，机器学习所扮演的角色日益吃重，它可直接从所使用的例子、事实、描述中自动获 取所要的知识或改进已有的知识，在知识撷取公认是计算机应用的瓶颈之际，机器学习无 疑提供了一个有效的解决之道。 机器学习可说是人工智慧研究的核心，因为人类智慧的源头是由学习而来。机器学习的目 的是让电脑能够从以往的经验资料中学习，然後举一反三地做出正确推断和预测。只要给 予多笔训练资料，并选择资料中可以用来分辨的特徵，开始训练出模型，电脑就可以透过 这个模型来做推断。 我们可以从给定的训练例子中学习出决策树这种分类模型，利用节点关系来描述各个属性 对应至分类结果的关系。例如输入多笔训练的资料，以判断什麽狗会咬人，再利用机器学 习方法便可归纳出决策树。当训练完成後，就可利用决策树来回答原始资料中没有的问题 ，例如中型的黑狗会不会咬人？透过这个决策树模型，就可以推断出「会」或「不会」。 目前已提出了相当多的机器学习演算法，其中最常见的是利用已收集到的训练例子来学习 。而根据这些训练例子所属的类别已知与否，学习演算法可分成「监督式学习」（例子输 出分类已知）及「非监督式学习」（例子输出分类未知）两种。 在非监督式学习中，主要是从训练例子的各项属性资料中自动群聚成数个群组；在监督式 学习中，则是从训练例子的各项属性资料及其已知所属类别中，自动形成分类所需的判断 条件或规则。例如给定一组正例及负例，监督式学习会推导出涵盖所有（或大部分）正例 及排除所有（或大部分）负例的规则。若给定的例子不属正负两类，而是分属不同类别， 则监督式学习会针对每一类别分别推导出涵盖所有（或大部分）这类训练例子的规则。 机器学习策略又可分成「符号型学习策略」及「数值型学习策略」。在符号型学习策略中 ，训练例子及所学习出的规则都是以符号表示。例如有一条规则「假如身高为高，则会打 篮球」，其中「高」及「会打篮球」就是符号表示。而符号型学习策略根据例子处理方式 的不同，又可分成「逐渐式学习策略」及「批次式学习策略」。 逐渐式学习策略在处理训练例子时，是一个例子处理完毕後再处理下一个，直到所有的例 子都处理完为止。因此它学习的方式可视为由下而上，即由例子慢慢往规则演化。批次式 学习策略是一起考虑全部例子，先从其中找出适当的概念或规则，也就是由最泛化的可能 规则往下搜寻。除了符号型学习策略外，数值型学习策略也相当常见，其中又以神经网路 学习为代表。 近年来随着资讯科技快速的发展，资料处理和储存更为方便，但也使得想要从中获取一些 隐含且有用的资讯来帮助决策，变得困难。因此发展有效的机制来从大量的资料中快速撷 取有用的资讯和知识，广受大家的讨论与研究。 针对这样的需求，Agrawal 和其工作伙伴提出了「资料挖掘」（data mining）的概念， 它结合了资料库与人工智慧领域而变成一个热门的研究主题。简单言之，资料挖掘是为了 一个明确的目的，从现存的资料库中萃取想要的知识或有兴趣的模式，因此它和机器学习 的观念密切相关。目前许多组织已使用这项技术於决策上，如超级市场、网路公司、银行 等。 脑力激荡 人脑是由许多的脑细胞所组成，然後利用细胞之间层层的讯号传递，完成各种思考及学习 的功能。细胞构造相当简单，却能做十分复杂的事情。 为了让电脑具备类似人脑的功能，科学家开始研究并模拟生物神经系统的运作模式，也提 出多种类神经网路模型。具体而言，一个类神经网路包含了许多同样的计算单元，计算单 元间由一些线路连结，在这些连结上附有一个权重系数代表连结强度，这些系数决定了这 神经网路的行为。 值得注意的是，权重系数是一数值，而非符号式学习的符号。适当权重系数的给定是非常 重要的，不当的给定会造成整个神经网路的正确性大幅下降。为了求出适当的权重系数， 陆续提出了许多系数自动学习的方法，在不同的神经网路模式下就有不同的方法。 其中最古老且最简单的是感知器类神经网路模型，只有输入层和输出层，不含中介层。而 最着名的是倒递回（back-propagation）学习策略，通常用来做为分类器使用。最近也有 一些类神经网路的延伸研究，如非常热门的支持向量机（support vector machine）的研 究。 总之，类神经网路是目前相当热门的研究课题，期望以平行处理、有学习能力的类神经网 路，达到人类视觉、听觉、辨识等的表现。 差不多电脑 大家都读过胡适的〈差不多先生传〉，虽然差不多先生是在讽刺处事敷衍苟且的态度，但 是传统电脑不是对（1）就是错（0）的处理程序，似乎是少了一点点「差不多」的弹性。 例如 25 岁以下是青年，26岁就是中年吗？170 公分以上算高，169 公分就是矮罗？这些 问题若由人类来判断，可能会有不一样的答案吧。 人类的思维其实是很模糊的，像是经常使用「稍微小声一点」、「大概是吧」这些词语， 但是电脑有办法了解这些灰色地带吗？为了让电脑能做这些不明确的判断，在智慧型系统 的开发研究中常会加入模糊（fuzzy）理论。模糊理论是在原本对（1）与错（0）之间， 再多加几个等级：几乎对（0.8）、可能对（0.6）、可能错（0.4）、几乎错（0.2），让 电脑判断的弹性变大，也就能辨别一些语意模糊的情况。 模糊理论是在 1965 年由 Zadeh 教授所提出的，是透过定义隶属函数（membership function）来界定成员是否隶属於某个集合。不同於传统集合只是简单地把成员做二值化 分类，模糊集合利用渐进的方式来模仿人类的想法，也就是根据程度的差别来描述一个集 合，代表它对某些暧昧文字的模糊关系，如漂亮、昂贵、大、小等语意字词。 例如判断身高是高、中、矮的隶属函数，每个语意词分别有一隶属函数，若现有一学生身 高是 168 公分，则根据这隶属函数可发现属於高的程度是 0，属於中等的程度是 0.8， 属於矮的程度是 0.2。当界定模糊集合後，同样地也能藉由运算及推论方法来做决策，且 结果更能反映出事实。目前模糊理论已广泛地和各个领域相结合。 听音观色 近年来，人工智慧最热门的应用就属「图形辨识」及「语音辨识」，也因为从事这方面研 究的人非常多，因此形成了自己的研究子领域。由於听与看是人类两个相当重要的感官， 若电脑能具备这两种功能，不仅能帮助人类做一些侦测、追踪的工作，也能让电脑更有能 力与人类沟通，让人类使用话语、表情、动作、手势就能与电脑互动。 图形辨识一般是利用图形的特徵（如颜色、形状、位置等）来辨认，另外也常使用一些公 式计算出能够代表图形的转换特徵数据，这个数据可以说是图形的指纹，因此能透过数据 间的比对来辨识图形。而语音辨识是利用语言的特性（如波形、声调、快慢等）来辨别不 同人的声音、词语，或把语音转换成文字。 最佳好帮手 随着网际网路的兴起，利用网路搜寻资料的需求性越来越高。虽然大部分的搜寻引擎都能 够透过关键字的比对，得到我们想要的资料，但是如果使用者所给的关键字不够明确，或 有特殊的需求限制，就没有办法立即得到所期望的结果，仍然必须由人工来蒐集与整理。 为了让这些繁琐的工作自动化，近年来发展出智慧型代理人的概念，以电脑程式做为人类 和外界服务的仲介，只要告诉代理人你的需求与喜好，智慧型代理人就能利用各种智慧型 技术自动撷取及汇整资料、资讯和知识，并做出最妥善的安排。 智慧型代理人应用的范围相当广泛，除了前面提到的网际网路外，未来电子商务、教育学 习等都是其发挥的舞台，甚至如电影〈猎杀代理人〉（Surrogates）中的「仿生代理人」 都可能出现，人类不但可以自己选择代理人的长相，而且不需出门就能利用代理人上山下 海挑战极限。 了解人工智慧的想法与方法之後，人们相信创造出智慧的可能性是存在的，我们可以乐观 期待藉由人工智慧来改善人类生活。但是如果人工智慧不断地进步，假以时日是否会像科 幻电影或小说所描述的一样，出现机器人反抗，甚至是统治人类的剧情？ 所谓「有一好没两好」，人们期待机器人带来方便，就必须勇敢面对人工智慧所衍生的伦 理道德问题。科技与伦理的冲突并不容易解决，但就目前人工智慧发展的现况来看，人们 还不需要太过忧心，只要继续积极地去探索人工智慧的极限与未来，让人工智慧与人类智 慧相辅相成，必能创造人类无穷的福祉。 相关附件：《科学发展》2011年5月，461期，6 ~ 15页 -- 网址： http://web1.nsc.gov.tw/ct.aspx?xItem=12982&ctNode=40&mp=1 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.112.33.136