人工智慧（AI）學習筆記（一） — 淺談人工智慧的歷史演進
人工智慧（AI）這個名詞，對很多人來說最早聽過的地方多存在於科幻小說及電影，像是史蒂芬・史匹柏的A.I.人工智慧（2001）、取材科幻小說家艾薩克．艾西摩夫1950年出版的小說，威爾．史密斯主演的機械公敵（2004），到之後的英國科幻影集黑鏡（2011），這些對未來世界的想像讓人心生嚮往，除了小說家、導演有興趣，各領域的學者專家也躍躍欲試。而隨著科技的進步，自動駕駛汽車、智慧家電、圍棋機器人等這些利用AI的產品讓我們發現，我們正逐步實現搭載著人工智慧的各種形式機器人的夢想。
不過，什麼是人工智慧？
人工智慧 (AI) 是電腦科學的一個領域，致力於解決與人類智慧相關的常見認知問題，例如學習、解決問題和模式辨識。
好的，光看定義，似乎與我們聽到的人工智慧、機器人還是有點距離，因此，我們還是從人工智慧的歷史來談起吧。
人工智慧歷史的萌芽
圖靈測試(Turing Test)
一直以來，科學家致力於找尋讓機器跟人一樣擁有智能的方式，然而，對於何謂智能的定義卻莫一是衷。直到了1950年，一篇劃時代的論文橫空出世，預言了創造出具有真正智能的機器的可能性，一統了分別人類與機器眾說紛紜的定義之爭。論文指出，當機器人的回應讓人類無法辨識其是否是機器，我們就稱這台機器擁有智能。這就是有名的圖靈測試(Turing Test)(1950)，由人稱電腦之父與人工智能之父，英國的數學家、邏輯學家艾倫·圖靈(Alan Turing)提出。圖靈測試首次為人工智慧提出了純粹操作型定義，也是人工智慧哲學方面第一個嚴肅的提案，而人工智慧(Intelligence)這個名詞也於此首次問世。
If tester cannot distinguish a machine and a man, this machine can be considered to have “intelligence”. (First time to use)
圖靈測試其實很簡單：提問者事先寫好問題，然後對不同房間的人與機器提問，再根據他們的回答辨認哪個房間裡的答題者是人，不是機器。換句話說，就是在對話互動中表現「人性」，而讓裁判以為「鍵盤聊天」的是一個真人。嚴格來說，目前仍然沒有計算機(computer)能夠運過圖靈測試。（其中2014年模仿13歲男孩的機器，其實只是具有人工智慧的聊天機器人軟體。）
然而，這個圖靈測試的操作型定義，只能說是當時的圖靈對於「人工智慧」的想像，未必符合當今科技的發展。隨著科技的進步，人工智慧的定義也不斷在演進。
達特矛斯夏季人工智慧研究計劃(Dartmouth Summer Research Project on Artificial Intelligence)(1956)
在1950年之前，各領域在AI皆有少部分的研究，但各自發展不一，生物學、神經科學、邏輯學學、統計學、心理學…對AI有不同的解釋與研究發展，也未曾有實質的交流。於是於1956年8月31日由約翰·麥卡錫(John McCarthy)等人發起這個計畫，召集志同道合的人共同討論人工智慧，人工智慧(Intelligence)這個定義於此時正式被提出。會議持續了兩個月，提出了幾個研究問題，大範圍的集思廣益。奠定了人工智慧未來發展方向的基礎，此後人工智慧在各領域遍地開花。
當時會議訂定方向如下，現今來看仍是非常睿智有前瞻性的：
- Automatic Computers 自動化電腦。
這裡提到了那個時代電腦內存的限制，但並不是主要發展人工智慧的問題。 - How Can a Computer be Programmed to Use a Language 如何使用語言讓電腦寫程式。
這條結論直接刺激了NLP的誕生。 - Neuron Nets 神經網絡。
看來當時已經有了神經網絡的概念。 - Theory of the Size of a Calculation 計算大小的理論。
可能由於當時電腦運算速度慢，因此他們提出了這個問題來討論，雖然在現今一筆一筆運算非常正常，然而這應該成了我們在機器學習中訓練資料的基礎。 - Self-lmprovement 自我完善。
後來的非監控自我學習應該也來自於這個概念。 - Abstractions 抽象。
在現今來說應是分類的概念。 - Randomness and Creativity 隨機性和創造力。
他們認為為創造力是不確定性造成的，有創造力思維過程和沒有創造力的思維過程區別是裡面的隨機性。這在今天仍沒有定論。
會議提案原文在此:
總結來說，當時的討論方向有些奠定了現今機器學習發展的基礎。然而由於當時硬體設備限制了運算能力，同時資料科學發展也尚未完備，例如，並未有處理大量數據的分析方法、儲存及運算設備，因此當時有些討論至今已然不是問題了。
人工智慧的三波革命
經過了人工智慧發展最主要的兩個事件節點，人工智慧的方向更加明確，近期學者歸納了由1950代迄今，人工智慧的三波革命。
第一波是 1950~1960，研究方向是以「邏輯符號推導」為出發點。集合了語言學家、神經心理學家、電腦科學家等，想要把人的思考邏輯放進電腦，面對的問題包括走迷宮、下棋或河內塔（Hanoi）等動頭腦的遊戲。主要由該領域專家寫下決策邏輯，基本上很多都是利用樹狀搜尋（Search Tree）來求解，用窮盡的方式來思考問題。然而，當時的電腦計算能力有限，造成有些遊戲反應時間也須很久。另外，人類還沒辦法清楚理解自己 的思考過程，如何告訴電腦?由於投入了大筆的經費而沒有太大突破性的發展，1970年代便開始式微。
第二波是 1980~1990，這一波主要是把大量專家的知識放入電腦中，由該領域寫下經驗規則形成專家系統。
依據文獻，專家系統廣泛運用於醫療、軍事、地質勘探、教學、化工等領域，節省了人力，物力，但產生的效益也很有限。專家系統需要由專家定義知識及規則，但專家往往無法涵蓋所有的知識及定義所有的規則。舉例來說，若專家系統應用在疾病診斷，連續的問題有一個判斷錯誤則可能得到錯誤的結果。並且，專家系統不能自我學習，而因知識庫的內容有所限制，能回答的問題有限。另一個角度而言，電腦程序是由人類撰寫出來的，當人類不知道問題的解答時，電腦同樣不能解決人類無法回答的問題。最後，太多難題人類無法解答，並且無法寫成規則、亦無法以程式碼表示，導致人工智慧遇到瓶頸，最後變得不實用，因此到了1980年代末期又冷卻了下來。
博藍尼悖論(Polanyi’s Paradox)(1964)
過去，我們依賴程式(Coding)，希望把人類所有的邏輯、知識透過程式語言實現，然而博藍尼悖論(Polanyi’s Paradox)(1964)卻指出了人類能表達的，遠比人類所知道的少，因為知識有顯性與隱性 (Tacit)，看見一件東西是明顯的事，但學習語言、下廚做菜、演奏樂器、使用複雜工具，都有內含的隱性知識，這些知識不但本人說不完全，也不容易、甚至不可能傳授給別人。像是圍棋。由於無法傳授，更無法用程式的方式寫入電腦。
We can know more than we can tell
當時博藍尼甚至指出機器不可能學會開車、辨識人臉。博藍尼悖論不只限制我們能告訴另一個人的事情，一直以來，也為我們賦予機器智慧的能力，設下根本的限制。
基於上述原因，第三波的人工智慧革命，轉換思維，藉由輸入人類經驗資料，讓機器自我學習，使用不依靠過多程式語言的方式，克服這些限制。
第三波是2010到最近，觸發這一波的變革，主要由於半導體技術的進步（台積電快買起來）提升了運算能力，而且硬碟儲存變得便宜。世界各地的「大數據（big data）」如雨後春筍，甚至直上在雲端。資料科學，包括收集資料、了解資料、分析資料、預測資料，也精進到一個程度，遇上了這樣一個黃金交叉，給AI極佳的發展際遇。此時做的是把人的經驗放到電腦裡，提供龐大的歷史數據，讓電腦自己歸納規則。應用1980年代後期發展出來的機器學習(Machine Learning)（機器學習的發展可分為四類，後續再於筆記中介紹。）以及結合人工神經網絡運算的深度學習(Deep Learning)。這一波最有代表性的例子便是2016年贏得圍棋大賽由英國倫敦Google DeepMind開發的人工智慧圍棋軟體AlphaGo，科學家結合機器學習(使用了蒙地卡羅樹搜尋)及兩個神經網絡(Value Networks, Policy Networks)的深度學習的方法，讓機器學習贏棋。
前兩波的人工智慧革命發展的算是傳統的AI系統，他或許可以提供讓人類可以理解的資訊，藉由餵入人類制定的規則；而第三波最大的改變便是讓機器開始可以自我學習，從資料中歸納出人類從沒想過的新準則。
莫拉維克悖論(Moravec’s paradox)
然而，還有一個問題待解決，那就是由漢斯·莫拉維克、羅德尼·布魯克斯（Rodney Brooks）、馬文·閔斯基等人於1980年代提出的莫拉維克悖論(Moravec’s paradox)，指出對於機器而言，人類的直覺，遠比人類的推理來的複雜。
要讓電腦如成人般地下棋是相對容易的，但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當困難甚至是不可能的。
根據早期人工智慧研究，智慧最重要的特徵是那些困難到連高學歷的人都會覺得有挑戰性的任務，例如西洋棋，抽象符號的統合，數學定理證明和解決複雜的代數問題。至於四五歲的小孩就可以解決的事情，例如用眼睛區分咖啡杯和一張椅子，或者用腿自由行走，又或是發現一條可以從臥室走到客廳的路徑，這些都被認為是不需要智慧的。語言學家和認知科學家史迪芬·平克認為進一步指出，過35年人工智慧的研究，發現到最重要的課題是「困難的問題是易解的，簡單的問題是難解的」。因此，當新一代的智慧裝置出現，股票分析師、石化工程師都要小心他們的位置被取代，但是園丁、接待員和廚師至少十年內都不用擔心被人工智慧所取代。
而這個悖論另一個影響是，新人工智慧(Nouvelle AI)方向被布魯克斯提出。他決定建造一種沒有辨識能力而只有感知和行動能力的機器。這個新方向，也影響到後來的機器人技術和人工智慧的研究。
最後來個總結，綜合而言，我們的人工智慧演進，像是股市一樣，有漲有跌，但都是向上發展的趨勢，隨著技術突破性的發展，對於既有問題的修正以及新方向的提出，人工智慧可發展的領域越來越廣，充滿著希望呢。
註：電影模仿遊戲（2014）改編自圖靈(Turing)的故事，描述圖靈助英國破譯德軍通訊密碼，讓第二次世界大戰至少縮短了2年，雖然因為劇情為求張力而與史實及圖靈個人傳記描述偏離，但確實是不錯的電影。
參考鏈接：
