自從「阿法狗」(AlphaGo)公開打敗棋皇柯潔之後,人工智能技術頓時間在全球變得炙手可熱。「機器能否代人」、「機智是否過人」、「人工還是人類智能較強」等問題成為世界各地的城中熱話。究竟人工智能對工商業發展有多大的影響呢?
人工智能並非一切
人工智能是利用機器學習而產生的。最近世界權威《科學》雜誌刊登了一篇與機器學習相關的經濟政策文章。聯名作者美國麻省理工(Massachusetts Institute of Technology, MIT)拜仁沃夫臣(Erik Brynjolfsson)及卡内基美隆大學(Carnegie Mellon University, CMU)湯美曹(Tom Mitchell)共同發表〈機器學習能做甚麽?它對市場勞動力的意義〉一文(註1),在業界廣泛流傳。文章提出了數個適合採用機器學習的任務之標準:
- 機器學習所產生的功能必須擁有明確定義的輸入和輸出。滿足這條件的商業任務比比皆是,例如客戶關係管理系統中設有專責把顧客分門别類的自動分類子系統。
- 任務必須擁有自然存在或利用人工製造的輸入與輸出組合(input and output pairs)而編成的大規模數據集。機器學習算法建基於統計學,理論上訓練數據的量愈大,學習所産生的功能愈可靠。反之,數據不足會導致學習的結果以偏概全。
- 任務必須擁有明確目的及量度指標的回饋途徑。基於這特質學習中的數據分析才有意義地收歛,達至穏定結果的狀態。不然的話,學習過程便會沒完沒了,不懂何時停下來。
- 學習過程中並不依賴多種類背景知識及常識的長綫邏輯或推理鏈。機器學習對於需要快速反應及即時回饋的任務(例如電子遊戲)非常合適,但對於一些要求廣泛背景知識或用戶久遠記憶的任務,就較為遜色了。例如寫詩方面,人工智能系統能夠理解如已故詩人余光中教授所寫的《鄉愁》的深層意義嗎?
- 學習所產生的智能系統在應用時作出的決定,並不需要提供仔細解釋。學習算法主要從輸入模式的樣本,發掘出對應的輸出結果,而忽略如何去理解過程中的理據。因此,儘管人工智能系統在應用時能很快而且準確地找出答案,但對筒中原因卻一竅不通。例如,在醫療應用中,「機器醫生」只善於斷症,而解釋病理及安慰病人的工作就要依靠大夫了。
- 學習所產生的智能系統在應用期間對錯誤包容性高,並不要求證實或最好方案。由於機器學習是建基於統計學,通過學習而産生的結果並非百分百準確,因此不適用於要求精準度高的工作,例如核能或導彈控制等任務。
- 學習中所獲取的現象和功能並不輕易隨時間改變。學習結果會隨着訓練數據集的變化而失效。換句話説,今天製造的人工智能系統之功能會隨着時間減弱,甚至徹底失效。
上述的標準帶出了機器學習是一門非常實際的學科,基於它而製造出來的人工智能系統,只能充當輔助工商業界人士排難及作策略性決定的工具。人工智能絶非「神仙棒」,不能點石成金,商界人士不應對它存有不設實際的期望。
參考文章:
註1,Erik Brynjolfsson,Tom Mitchell,“What can machine learning do? Workforce implications”,Science, 2017;358 (6370): 1530 DOI:10.1126/science.aap8062
!doctype>