新聞

微軟亞洲研究院院長洪小文:越複雜越不管用,AI最適合封閉型的高重複性任務

iThome 2017/07/17 00:00(5天前)

「其實AI最擅長的是硬記!」微軟亞洲研究院院長洪小文指出,目前AI表現比人好的領域,就是感知(Perception)類型的問題,像是電腦視覺、語音識別等,由於感知其中包括許多固定的形式,因此,AI能夠快速且準確地辨認,舉例來說,機場安檢或是辨認逃犯的工作,AI的表現就相當出色。

不過,洪小文表示,AI終究還是演算法,是人設計出算法,再交給電腦負責計算,AI能在封閉且不受外在因素影響的環境下,效果很好,但是遇到複雜且有外在因素影響的環境,AI就不管用。

AI系統的運作模式

他舉例,多數的工作運作流程都可以歸納成一個封閉迴圈模式,首先發行一個產品到真實世界(Physical World),由感測器(Sensor)收集數據,數據傳到分析端(Analysis),分析下一個產品哪些要改善,做完決策(Decision),最後再啟動執行器(Actuator)發行下一個產品到真實世界。

以往這樣的工作流程中,洪小文表示,感測器就是透過人工的方式收集數據,像是派人做問卷調查或是採集樣本,往往非常耗時,但是,由於現在IoT裝置興起,收集數據變得更容易,再加上AI負責分析和決策,就能快速地完成一次封閉的流程,不斷地重複執行就能達到優化的效果。

現在由於有大數據分析的能力、AI演算法和IoT裝置的配合,就能將此流程自動化,洪小文舉出一個有名的工業應用例子,以往電梯都是壞了才維修,但是透過在電梯中裝設感測器收集數據,執行上述的封閉迴圈模式,電腦就能歸納出模式,進而達到預測性維修,也就是在電梯某些條件出狀況時,電腦就能預測電梯即將壞掉,提前派人來維修。

AI應用適用於重複性高的工作

洪小文認為,這種封閉迴圈因為沒有外在因素影響,系統較為簡單且可執行,不僅能藉此收集到大量的數據,作為往後分析的參考依據,還因為重複性高,可以適用於一樣的工作,舉例來說,電梯的預測模型,可能只需要做些微的調整,就能套用到每一臺電梯,這也是他認為企業應用AI技術,可以創造最大商機的模式。

洪小文指出,所有的工作運作流程都可以歸納成一個封閉迴圈模式,首先,企業發行一個產品到真實世界,由感測器收集數據, 數據傳到分析端,分析下一個產品哪些要改善,做完決策,最後,再啟動執行器發行下一個產品到真實世界。

複雜且變化性高的工作要用AI加上HI協同合作

封閉式的迴圈模式是AI演算法能夠發揮所長的環境,洪小文指出,若是碰到外來因素的影響,這樣的模式就不管用,有些工作一輩子只做一次,下一次所有的條件都不同,這種變化性高的工作,需要AI加上HI(Human Intelligence)協同合作。

舉例來說,像是股票投資就不能只用AI,股市會因為外來一則新聞而有所波動,他認為,AI還是可以分析數據給予人建議,但最後還是得要由人經過多方評估來做決策,選舉也是如此。

AI技術像是深度神經網路(Deep Neural Networks, DNN)企圖模仿大腦思考的運作模式,不過,洪小文指出,其實人腦和電腦AI程式的運作方式還差的非常遠,因為目前人類對人腦的理解還太少,不足以將大腦神經元的運作模式歸納成一套演算法,交由電腦執行。

他更進一步說明,AI擅長的是大數據,人剛好相反,人類擅長的是小數據,也就是說,人類對於自己熟悉的人事物,不管外觀的改變,或是遮住了90%,人類都還是可以成功地識別,他舉例,視覺和語音都是如此,就像在吵雜的環境中,只要是自己熟悉的人,聽到幾個聲音,人類就能馬上知道說話者的身分、說話內容。

「人和AI剛好互補!」他指出,AI都是在優化流程,而人類則是透過理解來歸納、推論事實,他將人腦的運作層次由最底層開始分為記憶力、感知、認知、創造力,最高層次則是智慧,他認為目前AI只停留在感知層,認知層中AI可能只有達到一小部分。

他說明,人類的模式識別就是透過理解,而理解需要因果關係才可以推理,但是深度學習中每一層的輸入和輸出參數不同,就像個黑盒子,是不可能推理的,不過,他坦言,由於理解還包含各領域知識,因此,目前這方面還沒有顯著的進展,「理解是很複雜的,我們還不知道要怎麼建立模組。」他說。

洪小文補充,許多人希望賦予AI創造力,不過,AI連認知層都還沒辦法達到,要有創造力更是困難,讓AI擁有創造力不全然是正面的,還包含出錯的風險都是要考量的因素。

 100項 IT人不可不知的AI發展  

No. 014 AI比人更擅長感知類問題

No. 015 AI最適合重複性高的封閉流程工作

No. 016 複雜任務得靠AI與HI協力

FB留言

即時科技
媒體

降雨:

氣溫: