文｜Janelle Shane

 

　　未來的智能演算法是否像個無所不能的機器人，既能下廚煮菜還能陪你聊天和導航指路？或者，這些數位助手更像裝滿各類擁有特殊功能的專業工具包？

 

　　嘗試讓演算法包山包海什麼都做，反而使它陷入麻煩。例如工程師用「人工神經網路」對包含湯品、餡餅和燒烤食物等三萬份食譜進行學習，然後產生自己的原創食譜，但結果卻有點「另類」。像是這樣：

 

傳播雞肉飯（←？為什麼菜名開頭是動詞？）
起司/蛋們、沙拉們、起司（←沙拉為什麼是複數？起司為什麼出現兩次？）
兩磅的心臟、去核（←好的，無力吐槽了）
1杯磨碎的新鮮薄荷，或覆盆子派
1/2杯卡翠瑪們，磨碎的（←卡翠瑪不是任何原料的名字，幫你查過了）
1湯匙植物油
1個鹽
1個胡椒
2又1/2 tb的糖，還有糖

 

將沒有的葉子們混合，攪拌直至混合物變稠。然後加入雞蛋、糖、蜂蜜（原料裡沒有耶）和葛縷子籽（也沒有耶），小火烹煮。 加入玉米糖漿（原料裡沒有）、牛至（原料裡沒有）、迷迭香（原料裡沒有）和白胡椒。 藉由加熱放入奶油。煮加入剩餘的1茶匙焙粉和鹽。用華氏350度烘烤2至1小時。趁熱吃。

 

份量：6人份

 

　　等等，文法不對的事情先不管，所以我說那個雞肉跟飯呢！？

 

　　原因不難理解，當人工智能被允許專門處理某件事情，需要納入計算的東西就少得多，它不必考慮什麼時候要加巧克力、什麼時候要加馬鈴薯、什麼時候該用烤的、什麼時候該用燉煮。與其將它做成什麼都會但樣樣做不好的萬能機器人，不如讓它成為專精於某項任務的機器，就像吐司機那樣。

 

 

　　負責訓練機器學習演算法的開發人員已經發現，做出吐司機而非樣樣精通的機器人更說得通也更可行，這個結論似乎與我們的想像不同，因為西方科幻小說裡的人工智能通常被描繪成「通用人工智能」（artificial general intelligence），它可以像人類一樣跟世界互動，並且處理各種不同的任務，就像《星際大戰》（Star Wars）裡的C-3PO或《瓦力》（WALL-E）裡的同名主角那樣。

 

　　然而，許多企業正無形地（而且成功地）利用機器學習來執行更有限的目標。這些演算法可能是聊天機器人，負責處理限定範圍內的任務，例如回應客戶電話帳單的常見問題。它們預測人們打電話進來的目的，並將預測結果顯示給接聽電話的客服人員。這些都是「狹義人工智能」（artificial narrow intelligence）的例子，它們只能有限度地執行特定任務。相比之下，Facebook棄用了聊天機器人「M」，就是因為這個機器人從來沒有成功處理過飯店預約、電影票預訂或安排行程等目標。

 

 

　　我們使用一次做好一件事的吐司機（狹義人工智能），而不是科幻小說機器人（通用人工智能）的原因在於任何試圖通用化的演算法，都會在遭遇越來越多新任務時使結果變得更糟。舉例來說，經過訓練的演算法能依據標題產生圖片，當它被放在完全由鳥類組成的數據庫裡訓練時，它可以做得很好；但是，當它的任務變成產生所有圖片時（例如停車標誌、船、動物到人）就會開始出錯。

 

　　這種巨大差距跟我們習慣的認知不同。現有演算法與人類大腦的能力相比仍然非常受限，而且每項新任務都會將它們的能力分散得更弱。試想一個吐司機大小的設備：要讓它能夠烤吐司很容易，只要裝幾個插槽和加熱線圈。但這樣幾乎沒有為其他任務留空間。如果你還想要它能煮飯和做冰淇淋的功能，那麼勢必要放棄至少一個插槽的空間，而且可能變得兩種事情都做不好。

 

 

　　工程師利用一些技巧讓狹義人工智能演算法做更多事情。其中一種方法是轉移學習：訓練演算法執行一個特定任務，然後經過簡單的重新訓練後，它就能做一個不同但密切相關的任務。例如用轉移學習訓練演算法進行圖形辨識，一個學會辨識動物的演算法已經習得不少探測圖形邊緣和材質的方法，而這些東西可以被轉移到辨識水果的任務上。但是，如果重新訓練演算法辨識水果，很容易會出現一種叫做「災難性遺忘」（catastrophic forgetting）的現象，使演算法變得再也不知道該如何辨識動物。

 

　　另外一個現代演算法常用的技巧是模組化。未來的人工智能很可能是由一系列高度專業化的工具集合而成，而不是以單一演算法來處理所有問題。例如，學習玩電動遊戲《毀滅戰士》（Doom）的演算法擁有幾個獨立模組，分別專門處理視覺、操作手把和記憶體等任務。這些相互連結的模組具有提供冗餘防止出錯的機制，或者針對問題提出最佳解決方案並在模組之間進行投票。

 

　　當我們展望未來的人工智能時，WALL-E和C-3PO並不是我們應該追尋的型態。相反地，我們應該把它想成一種擁有很多App功能的智慧型手機。

 

 

原文出處：Aeon （本文為部分節譯）

 

圖片出處：Robbie Sproule@flickr