現實中的人工智能

(轉載自CUP magazine 2012年9月號)

            一直以來，大部分人對電腦的誤解，始於傳媒喜愛用人腦比喻電腦，或反過來說電腦就像人腦；這打喻簡化得就如把飛機當作雀鳥一樣似是疑非。

            然而，無可否認，自從電腦面世，人類一直以發展電腦功能用以模擬、取代及至超越人腦為長期目標。早在1956年，John McCarthy更鑄出「人工智能」（Artificial Intelligence，AI）一詞，帶給我們無限想像。而現實中，回看人工智能五十多年的發展歷史，我們不難肯定人類無比貪婪的野心和對自己思維極度神往的好奇，更帶出一個令人無可奈何的迷思：Are we intelligent enough to understand our own intelligence？

 智能電話模糊邏輯

            稍為對人工智能有認識的讀者，一定熟知Marvin Minsky、Alan Turing和Claude Shannon等先驅為這領域作出過的貢獻，我在此不想詳述，這篇文章要談的只集中兩點：一是人工智能發展過程中帶給我們一些甚麼？二是現代AI最具商業用途是甚麼？

            人工智能發展可分兩大階段，可以用不同approach劃分。以前的所謂Classical AI，研究的取向是屬於Top Down approach，意思是為了解決一個問題，例如還原「扭計骰」或下棋等，模式是從輸入每步的償罰條件限制，然後搜索下N步的可能作分析，1997年IBM的Deep Blue電腦就是以每秒二億步極速搜索和分析力擊敗蘇聯棋王Gerry Kasparov。這種稱為Heuristic Search的模式，正好發揮出電腦高速運算功能。表面上，這是電腦勝人腦；但想深一層，這種模式實在和智能扯不上關係，稱之為「人工智能」是可圈可點，因為這可解作不是人類的「智能」，只是「人工」的。

            姑勿論如何解說，這種歸納為Classical AI的電腦軟件，配合愈來愈快的運算硬件和栩栩如生的圖象介面，發展下來的產品便是今天最常見，帶給我們無限歡樂，刺激感官的互動電腦遊戲。同時，當我們把這Heuristic Search的模式應用到一些累積得愈來愈大的數據庫中，很自然便開發出一些稱為Expert Systems的人工智能應用軟件例如「診症系統」、「追踪系統」和「指模識認系統」等。說穿了只不過是利用電腦的搜索速度比人類快這優勢，加上一些既定的「Rules」和既有的「Knowledge」，便變成林林種種的Rules-based Expert Systems和Knowledge-based Expert Systems。電腦就儼似專家一樣，用腦「智能」替我們先把問題打散，再抽絲剝繭，用邏輯解決。邏輯解決不了的，我們便進一步採用模糊邏輯（Fuzzy Logic），強化其可用性。這些所謂Fuzzy Expert Systems，雖然名稱是怪怪的，其實早已應用在各行各業，不斷提高社會整體生產力。無論你厭惡與否，你總逃不過電話傳來「請按1字……請按2字……重複請按#掣」這種濫用

低級Expert Systems帶來的翳悶和委屈！吸一口氣，好消息是，我們已踏入Modern AI的新紀元！

現代版科學怪人

            在這時代，我們把Top-Down的模式倒過來，用的Approach是Bottom-Up，把一些構成人類智能的基本元素加起來，激發它們長期自發學習和成長，看看它們變成甚麼。初聽起來有點天方夜譚，就像以前的科學怪人實驗，製造出一個人腦和人身！科學怪人的現實版，並不匪夷所思，亦不恐怖。

            首先，我們已知的是人腦藏有一千億腦細胞（neuron），每顆細胞外伸多條樹突（dendrite），但只有一條觸突（axon）用來聯結另一腦細胞的樹突，形成一個龐大複雜的神經網絡（Neural Network）。五十年前，腦科學家Hodgkin和Huxley已構思到動作電位（Action Potential）這概念，解釋腦細胞的運作是當樹突的電化能量積累到某一伏特門檻時便會發射訊號由觸突傳去另一腦細胞，之後便回復靜止狀態（現已證實，發射的一刻還可在微鏡頭下看到）。還我們正好可以用單一組軟件或電路代表一腦細胞，模擬all-or-nothing（發射或不發射，0或1）的模式，建構出一個人工神經網絡（Artificial Neural Network，ANN）。今天的ANN，我們只是用數十至數百個單元組成，和活人的一千億腦細胞當然無法可比，然而，我們已踏出了第一步，而且從中獲益良多。

         這種從衆多輸入訊號（Input）在網絡中互相影響後輸出（Output）0或1的模式，我們稱之為Perceptron。我們再運用大量數學理論包括最多用到的數學統計學、Hoeffding Inequality、Vapnik Chervonenkis Bound運算、Linear和Logistics Regression等推理引證，加上大量叠算（iteration）結果支持，現今已足夠證明在Modern AI領域中電腦是可以模倣腦細胞從經驗中學習，暫且不會理會這學習模式就是人類與生俱來的一樣，Machine Learning是可行的！而且這突破已開始應用在日常商業社會中。

            三年前美國租影碟公司Netflix用了這種技術，讓顧客租碟同時向推薦一些其他大可能也是他們的心頭好，令每年營業額增加一成多。阿馬遜和很多零售業亦早已採用這種總稱為Recommender的軟件促銷，效果非常理想。其他的例如在醫學上，從數百萬個心臟病人，數百個病發成因找出最高比率的；經濟上，全球各國信貸風險評估等等。總括來說，這新一類Model AI軟件，在今天大量從網絡中累積到的數據的所謂Big Data年代，隱藏著全球人類行為的模式，Machine Learning軟件就是在其中尋寶，Google和fb這類網上巨擘，定必不會漠視這龐大商機。

            在此，我得要強調Machine Learning絕非是一般的searching、matching、testing、information retrieval和Statistics Model模式，而是凡藏有Pattern的大量數據，電腦便可從中發掘。發掘甚麽？Learn到甚麽？卻不需要任何預設大前提，是屬於Data Mining範疇中最具威力的一種工具。

            這種在嚴格數學理論管轄下的「自由思想機器生命體」出現，除Perceptron外，還有最尖端的Genetic Algorithm 、Hardware & Software Agent的不斷演進，Modern AI說是賦予人類作重大決定時提供一道通往未知的大門，和接近預測未來的能力，絕非天方夜譚！（完）