人工智能早於上世紀五十年代於美國面世。1956年一班權威科學家在美國「達特茅斯會議」（Dartmouth Workshop）聚首，會議中首次制定人工智能研究計劃。計劃的目標是鼓勵電腦科學界着力研發能夠擁有人類智能的機器（軟硬件）。
可是經過60多年的努力，機器代人的目標離開現實還是有點距離。今天人工智能的通用性仍然偏低，只可以在特定領域及重複性極高的任務上派其用場，實際上應用範圍頗為局限。
「機器學習」的優勢與風險
《三字經》云：「玉不琢，不成器 ；人不學，不知義」，不論怎樣，機器要模仿人類必須首先懂得學習。因此，「機器學習」是人工智能的核心技術，而且電腦科學界一直精益求精，努力不懈地把這技術強化。上世紀由於軟硬件設施的限制，「機器學習」技術的進展緩慢，影響了人工智能的發展。
不過，近10年隨着軟件（例如深度學習，Deep Learning, DL）及硬件（例如圖形處理器，Graphic Processing Unit, GPU）科技的突飛猛進，人工智能的功能得以大大提升，其應用亦日益普及，圖像處理、語音識別、自然語言處理等商業應用像雨後春荀般湧現，全球無處不在。
然而在商言商，企業家往往為了盡快把產品及服務推出市場會不惜一切，罔顧「機器學習」中的一些技術盲點。此舉會影響產品及服務的質量，增加用戶在使用時的安全風險。
孔子《論語．為政》道：「學而不思則罔，思而不學則殆。」從軟件工程角度而言，一套高效的人工智能系統設計是不能單憑既定規則（Rule-based）的，不然的話所造出來的系統的覆蓋率便會很低，影響系統的可靠性。
因此，先進的人工智能系統都是建於「機器學習」，這結論與上述觀點不謀而合。然而，過程中機器不能只顧「硬學習」，對所學的知識不求甚解，面對錯誤的知識仍「照單全收」。這陋習正是今天大行其道之「深度學習」技術的通病。
「深度學習」的原理與局限
簡單而言，「深度學習」是以「黑盒」（即不透明）方式作業，為輸入和輸出進行配對，做法只計效果而並沒有探究配對成功的原因。可惜商人一般都急功近利，只顧盡快把產品推出市場而忽略這技術上的漏洞，導致產品的功能大受影響（「罔」），可靠性受損。
晉朝哲學家傅玄在《太子少傅箴》中指出：「近朱者赤，近墨者黑」，因此有效學習需要學與思並重，可是現時的「深度學習」卻未能做到。在現實應用中工程師一旦發現人工智能系統失效，他才會重新進行學習，把系統效能更新，但新舊系統交替需時，往往數以月計，效果大受影響，不設實際。
俗語說：「熟讀唐詩三百首，不會作詩也會吟。」不論採用什麼算法，「機器學習」背後的操作模型主要是基於這概念。例如，人工智能可以學習巴赫的音樂，然後用它的風格來編新曲，而一般人都難以分辨出巴赫的真偽。概括而言，要模仿一些重複性較高的應用「機器學習」綽綽有餘，不過如此這般的「機器化」學習（learning mechanically）卻無法表達人類的情感和創意，但這正是人類「智能」的重要特質。
最後，《論語．學而》曰：「學而時習之，不亦悦乎。」仿效人類，人工智能系統一經開發後要盡快付諸應用，並以滿足用戶需求為首要任務。但「學無止境」，所以人工智能系統亦應持續學習，就此上述「機器學習」、「深度學習」所面對的學習問題非常迫切，必須盡早解決，不然的話全球人工智能發展便難免會受阻。
原刊於《信報》，本社獲作者授權轉載。
