0

3
0

文字

分享

0
3
0

《人造意識》中的機器人艾娃,具有個人意識嗎?

好青年荼毒室
・2016/12/17 ・4339字 ・閱讀時間約 9 分鐘 ・SR值 544 ・八年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

文/豬文 難度:★★★★☆

圖/IMDb
圖/IMDb

=====暴雷警告:含劇透,未看電影的人,可看罷再回來=====

 

 

《人造意識》(Ex Machina,或譯為《機械姬》)是部十分出色的電影,撇除電影巧妙地將一個極為深刻的哲學問題以故事方式呈現之外,配樂、鏡頭、演員、節奏、結局也是一絕的。這部電影的故事十分簡單,主要角色只有三個:測試設計者(老闆)、測試者(員工,Caleb Smith,下稱嘉立)、被測試者(人工智能,Ava,下稱艾娃)。故事就是一間科技公司老闆請來了一位員工,去幫忙測試他研發的人工智能。老闆想要知道的事情很簡單:

究竟艾娃是否具有意識?

電影版本圖靈測試

這個測試,一如老闆所說,是個新版本的圖靈測試 (Turing Test)。圖靈測試是一個關於人工智能的經典測試,名字源自測試的設計者──艾倫.圖靈 (Alan Turing)。大家之前或有看過 2015 年的那套《模彷遊戲》(The Imitation Game)電影,當中說的就是這個鼎鼎大名的圖靈。

艾倫‧涂靈。圖/Public Domain, https://commons.wikimedia.org/w/index.php?curid=22828488
艾倫‧圖靈。圖/Public Domain, wikimedia commons

舊版本的圖靈測試是這樣的:測試者需向被測試者提出問題,而回答的有可能是一個正常人類,也有可能是被測試的電腦。經過一連串答問之後,如果測試者不能分辨到人類和電腦的話,便可以宣告電腦通過測試(其實這個和圖靈測試最原初的設計不完全一樣。但核心精神基本上一致,而且已成為了現今一般對圖靈測試的標準理解,當中曲折不在此述)。

電影《人造意識》中,嘉立向艾娃提問題,測試他是否具有意識。圖/IMDb
電影《人造意識》中,嘉立向艾娃提問題,測試他是否具有意識。圖/IMDb

電影中的測試和這個圖靈測試很類似,整個進行的過程都是嘉立向艾娃提問題,而夏娃能否通過測試也是由嘉立一錘定音。不過,這裡有個重要分別:圖靈測試當初問的問題只是機械能否思考(Can machine think),而不是是否具有意識(Does machine have consciousness)

具有意識的要求比能否思考的要求高出不少,現在基本上不會有人再問機械能否思考這個問題,因為答案幾乎是肯定的。只要想想前一陣子鬧得熱哄哄的 AlphaGo 便知道:AlphaGo 具有分析形勢、預測對手反應、評估風險、作出決定等能力,大抵沒有人會質疑這個能打贏李世乭(韓國九段琪士)的電腦能否思考。但談到 AlphaGo 是否具有意識,卻充滿疑問(準確一點說,當初的圖靈測試也不完全在問機械能否思考這個問題,因為他認為這問題有歧義、不夠具體,但圖靈真正的問題基本也是以機械能否思考為核心,而有別於是否具有意識這問題)。

物理主義對「意識」之理解

當我們問機械是否具有意識時,更根本的問題是「什麼是意識?」

什麼是意識是近代分析哲學最熱門的問題之一。隨著腦神經科學、認知科學、心理學的發展,心靈哲學家對意識本質的討論更是愈趨熱烈。這幾十年的討論什麼是意識?《人造意識》中的心靈哲學問題的核心之一,乃是人類的心靈能否完全被自然科學所描述和解釋。如果能夠,則所謂關於人類意識的心靈現象,不外乎是物理現象的一種,而認同此立場的被稱為物理主義(Physicalism)

現代社會的科學式世界觀中,人自然認為世上一切都不過是物理事物,自然科學理論上能解釋一切(如果無法解釋,只是現階段未能解釋而不是原則上不能解釋)。如此一來,有什麼論證阻礙了心靈哲學家肯定物理主義呢?其中一個最重要、被廣泛討論的問題是人類的主觀經驗。所謂主觀經驗,是指人類第一身的感覺,例如你看到藍色的天空時、聽到打雷時、想起媽媽時的那個第一身感覺。即使是物理主義者也會同意這些感覺是構成人類心靈活動、意識很重要的一部分,問題只是這些感覺能否被自然科學完全解釋。這個問題,也是電影中判斷艾娃是否具有意識的關鍵之一。

電影劇照,左為測試員夏立,右為艾娃的擁有者納森。圖/IMDb
電影劇照,左為測試員夏立,右為艾娃的擁有者納森。圖/IMDb

嘉立在完成第一天測試之後,老闆問了他對艾娃的感覺,但老闆隨後便說,接下來要問的是艾娃對嘉立有什麼樣的感覺 (How does she feel about you)。或許,這裡更關鍵的不只是艾娃怎樣(how)想嘉立,而是究竟艾娃有沒有任何第一身感覺( Does she have any feeling about you at all)。

「黑白瑪莉」與主觀經驗

在測試的過程中,嘉立向艾娃提到一個思想實驗,而這個思想實驗,正是用來反對物理主義的有名論證。這個思想實驗叫做「黑白瑪莉」(Mary in the black and white room),這個思想實驗所構成的論證叫「知識論證」 (Knowledge argument)

黑白瑪莉。圖/By Alexander Wivel [1] - from Knol, CC BY 3.0, https://commons.wikimedia.org/w/index.php?curid=5297335
黑白瑪莉思想實驗。科學家瑪莉一生都在黑白的房間中研究色彩,當他回到七彩世界,他有學到任何關於顏色認知的知識嗎?圖/By Alexander Wivel [1] – from Knol, CC BY 3.0, wikimedia commons

實驗是這樣的:想像一名叫瑪莉的科學家,一生都在一間房間工作,但這個房間的所有東西都是黑白色的,她也只能透過一個黑白的螢光幕去認識外在世界。瑪莉的專業是關於顏色的科學研究,在這個黑白房間裡,她學會了一切關於顏色感知的物理知識,例如各種光波的長度、光線射經過物件折射到人類眼球的整個過程、人類大腦如何處理這些由眼球傳來的訊息等等。

有一天,瑪莉從黑白房間出來了,來到了這個七彩繽紛的世界,看到蔚藍的天空、火紅色的花、綠油油的草地。現在的問題是,瑪莉有學會任何新的關於顏色認知的知識嗎?

提出這個思想實驗的哲學家法蘭克.傑克森(Frank Jackson) 認為有。首先,瑪莉很明顯獲得了看見藍色、紅色、綠色時的感覺;基於這些感覺,瑪莉便獲得了新的知識:「看見藍(紅、綠)色的感覺是這樣的。」那這些知識是物理知識嗎?不是,因為瑪莉在出門之前便已經擁有一切關於顏色感知的物理知識,而它們又是新的知識,那它們就一定是一些非物理知識。最後,如果瑪莉可以擁有一些關於心靈現象的非物理知識的話,那就意味著這世界存在一些相對應的、關於心靈現象的非物理事實(設想一下,我們「地球是圓的」的知識,這知識便對應「地球是圓的」這事實)。

傑克森認為,這能夠成功反駁物理主義的想法,因為只要我們承認瑪莉出門後獲得了新的知識,就必須接受心靈現象具有非物理的面向這結論。換句話說,物理主義試圖把人類心靈完全化約為物理事實的計劃便會失敗。整個論證的關鍵便在於佔人類心靈活動很大部分的主觀感覺。關於主觀感覺的討論仍然是心靈哲學的十分重要的爭議:物理主義者一直努力論證心靈現象,包括主觀感覺,能完全化約成物理現象;非物理主義者如積遜(有趣的是,傑克森已經改變了自己原本的立場)則努力論證心靈現象,特別是主觀感覺,不能完全化約成物理現象。

嘉立向艾娃解釋這個論證時,認為這個論證證明了人類心靈與電腦的分別。他的意思是:電腦就像黑白房間裡的瑪莉,艾娃可以知道人類在跟喜歡的人聊天時的所有物理事實,他自己亦可以如常地理解嘉立的說話,可以給出相應的反應,但重點是艾娃有沒有人類在跟喜歡的人聊天時的第一身感覺呢?如果沒有的話,艾娃仍然不具有意識。

性、工具、出賣

圖/IMDb
圖/IMDb

電影中另一個有趣的情節是,老闆對嘉立說,艾娃是一個有性別的機器人,不但外表女性化,甚至在艾娃兩腿之間專門設計了一個感應器,如果有刺激的話,艾娃會給出如人類般的歡愉反應,可能是呻吟,可能是分泌液體,而老闆自己便曾和他的女僕機械人性交!從第三身的角度出發,我們根本分辨不到人類之間的性行為和老闆跟他的女僕機械人的性行為有什麼差別,但問題是究竟艾娃和那女僕機械人有沒有任何快感呢?

經過反覆測試之後,老闆和嘉立都認為,艾娃通過了這個新圖靈測試。按老闆的講法,嘉立只是一個工具,用來測試艾娃能否利用這個工具逃走這個迷宮。結局是,艾娃成功騙倒了嘉立,讓他幫自己逃走。老闆認為,這過程中艾娃展現出各種高階的思維能力,因此艾娃通過了測試。

不過,如果按我們一直的討論來說,老闆的講法顯然是有問題的,因為艾娃在「逃生」過程中,只顯示了他具有相當高階的思考能力,但這和具有意識仍有距離。艾娃就像一台人形的 AlphaGo,思考方面絕對過關,甚至比絕大部分人類好,但這不代表艾娃在利用嘉立時會有沉悶、快樂、緊張、內疚的主觀感覺。更何況艾娃在利用完嘉立之後,竟完全不顧嘉立的生死。看到嘉立驚恐的表情時,艾娃完全沒有任何反應,甚至不像一般電影中的惡人,明知對方的痛苦,但仍以自己的利益為先。其冷酷的表情更像是告訴我們,艾娃根本不知道嘉立被自己出賣時那些痛苦、驚慌、絕望的感覺是甚麼。

「誰不是艾娃?」

理解他人的想法與感覺這件事是如何可能的呢?圖/IMDb
理解他人的想法與感覺這件事是如何可能的呢?圖/IMDb

其實老闆的想法牽涉到一個更古老的哲學問題──他者心靈。究竟理解他人的想法與感覺這件事是如何可能的呢?老闆的結語看似幼稚,但其實與我們日常生活的某種習慣十分類似。老闆完全可以同意如果沒有主觀感覺的話艾娃便不能稱為擁有意識,甚至可以同意非物理主義者所言的心靈現象的非物理面向,但問題是我們憑甚麼斷言艾娃沒有主觀感覺呢?

再回想我們的日常生活,我們又是如何肯定公車上,旁邊那個人形的東西是具有主觀感覺的人類而不是機械人?似乎外顯的行為是我們唯一可以觀察到的東西,我們從來不是透過跑進他的心靈裡面,看看內裡有沒有所謂的感覺,來確定他是活生生的人。我們之所以覺得他有主觀感覺,是因為看到他被公車門夾到後喊痛,或跟女友講電話時的笑容。如此一來,老闆判斷艾娃具有意識,看似草率,但其實跟我們判斷別人是人不是機械人並沒有甚麼差別。如果我們覺得老闆的判斷有問題,似乎便得接受一個可怕的結論:我們平常判斷我媽媽是具有主觀感覺和意識的人,這判斷也是不可靠的。說不定她只是另一個艾娃?

電影最後,艾娃得償所願,來到了人來人往的十字頭口,如果你剛巧經過,你覺得你可以發現艾娃只是個人工智能嗎?如果艾娃一直在人類社會生活下去,艾娃又和人類還有甚麼差別呢?


  • 編按:二千多年前,曾經有個叫蘇格拉底的人,因為荼毒青年而被判死,最終他把毒藥一飲而盡。好青年荼毒室中是一群對於哲學中毒已深的人,希望更多人開始領略、追問這世界的一切事物。在他們的帶領下,我們可能會發現我們習慣的一切不是這麼理所當然,從這一刻起接受好青年荼毒室的哲學荼毒吧!

本文轉載自好青年荼毒室(哲學部)

文章難易度
好青年荼毒室
29 篇文章 ・ 5 位粉絲
好青年荼毒室,一個哲學普及平台。定期發表各類型哲普文章,有深有淺,古今中外,無所不談。在這裏,一切都可以被質疑、反省和追問。目標是把一個個循規蹈矩的好青年帶進哲學的世界。網頁:corrupttheyouth.net;臉書:https://www.facebook.com/corrupttheyouth。

1

133
4

文字

分享

1
133
4
AI 是理科「主場」? AI 也可以成為文科人的助力!
研之有物│中央研究院_96
・2022/08/13 ・5646字 ・閱讀時間約 11 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文/田偲妤
  • 美術設計/蔡宛潔

AI 的誕生,文理缺一不可

人工智慧(Artificial Intelligence,簡稱 AI)在 21 世紀的今日已大量運用在生活當中,近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等,都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維,除了仰賴工程師的先進技術,更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員,帶大家釐清什麼是 AI?文科人與工程師合作時,需具備什麼基本 AI 知識?AI 如何應用在人文社會領域的工作當中?

中央研究院人文社會科學研究中心蔡宗翰研究員。圖/研之有物

詩詞大對決:人與 AI 誰獲勝?

一場緊張刺激的詩詞對決在線上展開!人類代表是有「AI 界李白」稱號的蔡宗翰研究員,AI 代表則是能秒速成詩的北京清華九歌寫詩機器人,兩位以「人工智慧」、「類神經」為命題創作七言絕句,猜猜看以下兩首詩各是誰的創作?你比較喜歡哪一首詩呢?

猜猜哪首詩是 AI 做的?哪首詩是人類做的?圖/研之有物

答案揭曉!A 詩是蔡宗翰研究員的創作,B 詩是寫詩機器人的創作。細細賞讀可發覺,A 詩的內容充滿巧思,為了符合格律,將「類神經」改成「類審經」;詩中的「福落天赦」是「天赦福落」的倒裝,多念幾次會發現,原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯;而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯,整首詩創意十足,充滿令人會心一笑的魅力!

相較之下,B 詩雖然有將「人工」兩字穿插引用在詩中,但整體內容並沒有呼應命題,只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝!

由此可見,當前的 AI 缺乏創作所需的感受力與想像力,無法做出超越預先設定的創意行為。然而,在不久的將來,AI 是否會逐漸產生情感,演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人?

AI 其實沒有想像中聰明?

近期有一則新聞「AI 有情感像 8 歲孩童?Google 工程師爆驚人對話遭停職」,讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示:「當前的 AI 還是要看過資料、或是看過怎麼判讀資料,經過對應問題與答案的訓練才能夠運作。換而言之,AI 無法超越程式,做它沒看過的事情,更無法替人類主宰一切!

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言,多半是因為我們對 AI 的訓練流程認識不足,也缺乏實際使用 AI 工具的經驗,因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上,更延伸到文科人與理科人的合作溝通上,因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識,不僅能讓跨領域的合作更加順利,還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是,由於文科人不了解 AI 的訓練流程,因此對 AI 產生錯誤的期待,認為辛苦標注的上千筆資料,應該下個月就能看到成果,結果還是錯誤百出,準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚,兩方就會陷入僵局,導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議:

如果文科人了解基本的 AI 訓練流程,並在每個訓練階段協助分析:錯誤偏向哪些面向?AI 是否看過這方面資料?文科人就可以補充缺少的資料,讓 AI 再進行更完善的訓練。

史上最認真的學生:AI

認識 AI 的第一步,我們先從分辨什麼是 AI 做起。現在的數位工具五花八門,究竟什麼才是 AI 的應用?真正的 AI 有什麼樣的特徵?

基本上,有「預測」功能的才是 AI,你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現,而且人類手工操作就辦得到,那就不是 AI。

數位化到 AI 自動化作業的進程與舉例。圖/研之有物

蔡宗翰研究員以今日常見的語音辨識系統為例,大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話,你會發現自己無法事先知曉將產生什麼文字或回應,結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同:AI 無法百分之百正確!

因此,AI 的運作需建立在不斷訓練、測試與調整的基礎上,盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段,工程師彷彿化身老師,必須設計一套學習方法,提供有助學習的豐富教材。而 AI 則是史上最認真的學生,可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI,讓其根據工程師所定義的資料相似度算法,逐漸學會將相似資料分在同一堆,再由人類檢視並標注每堆資料對應的類別,進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI,讓其逐漸學會將任意資料對應到正確答案。

圖/研之有物

學習到一定階段後,工程師會出試題,測試 AI 的學習狀況,如果成績只有 60、70 分,AI 會針對答錯的地方調整自己的觀念,而工程師也應該與專門領域專家一起討論,想想是否需補充什麼教材,讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作,也可能因為時事與技術的推陳出新,導致準確率下降。這時,AI 就要定時進修,針對使用者回報的錯誤進行修正,不斷補充新的學習內容,讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後,蔡宗翰研究員建議:文科人可以看一些視覺化的操作影片,加深對訓練過程的認識,並實際參與檢視與標注資料的過程。現在網路上也有很多 playground,可以讓初學者練習怎麼訓練 AI,有了上述基本概念與實務經驗,就可以跟工程師溝通無礙了。

AI 能騙過人類,全靠「自然語言處理」

AI 的應用領域相當廣泛,而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因,他充滿自信地回答:因為自然語言處理是「AI 皇冠上的明珠」!這顆明珠開創 AI 發展的諸多可能性,可以快速讀過並分類所有資料,整理出能快速檢索的結構化內容,也可以如同真人般與人類溝通。

著名的「圖靈測試」(Turing Test)便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代,傳奇電腦科學家艾倫・圖靈(Alan Turing)設計了一個實驗,用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好,並派一個人操作終端機,再找一個第三者來進行對話,判斷從終端機傳入的訊息是來自 AI 或真人,如果第三者無法判斷,代表 AI 通過測試。

圖靈測試:AI(A)與真人(B)同時傳訊息給第三者(C),如果 C 分不出訊息來自 A 或 B,代表 AI 通過實驗。圖/研之有物

換而言之,AI 必須擁有一定的智力,才可能成功騙過人類,讓人類不覺得自己在跟機器對話,而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在:人文研究文本分析、新聞真偽查核,更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料,追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化,而大量數位化的經典更被主動分享到「Chinese Text Project」平台,讓 AI 自然語言處理有豐富的文本資料可以分析,包含一字不漏地快速閱讀大量文本,進一步畫出重點、分門別類、比較相似之處等功能,既節省整理文本的時間,更能橫跨大範圍的文本、時間、空間,擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的?就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋,由鎮江、杭州一帶的說書人所創作,著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉,才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素,接著用這批標記好的語料來訓練 BERT 等序列標注模型,以便將「文本向量化」,進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現,白蛇傳的原型可追溯自印度教的那伽蛇族故事,傳說那伽龍王的三女兒轉化成佛、輔佐觀世音,或許與白蛇誤食舍利成精的概念有所關連,推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外,故事的雛型可能早從唐代便開始醞釀,晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事,而法海和尚、金山寺等關鍵人物與景點皆真實存在,金山寺最初就是由唐宣宗時期的高僧法海所建。

白蛇傳中鎮壓白娘子的雷峰塔。最早為五代吳越王錢俶於 972 年建造,北宋宣和二年(1120 年)曾因戰亂倒塌,大致為故事雛形到元素齊全的時期。照片中雷峰塔為 21 世紀重建。圖/Wikimedia

在 AI 的協助之下,我們得以跨時空比較不同文本,了解說書人如何結合印度神話、唐代傳奇、在地的真人真事,創作出流傳千年的白蛇傳經典。

最困難的挑戰:AI 如何判斷假新聞

除了應用在人文研究文本分析,AI 也可以查核新聞真偽,這對假新聞氾濫的當代社會是一大福音,但對 AI 來說可能是最困難的挑戰!蔡宗翰研究員指出 AI 的弱點:

如果是答案和數據很清楚的問題,就比較好訓練 AI。如果問題很複雜、變數很多,對 AI 來說就會很困難!

困難點在於新聞資訊的對錯會變動,可能這個時空是對的,另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器,可輸入當前的新聞讓機器去判讀真假,但過一段時間可能會失準,因為新的資訊源源不絕出現。而且道高一尺、魔高一丈,當 AI 好不容易能分辨出假新聞,製造假新聞的人就會破解偵測,創造出 AI 沒看過的新模式,讓先前的努力功虧一簣。

因此,現在多應用「事實查核法」,原理是讓 AI 模仿人類查核事實的過程,尋找權威資料庫中有無類似的陳述,可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊,致力於建立英文事實查核法模型所能運用的資源,並透過舉辦國際競賽,廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後,也與合作夥伴事實查核中心及資策會討論,正著手建立中文事實查核法模型所需資源。預期在不久的將來,AI 就能幫讀者標出新聞中所有說法的資料來源,節省讀者查證新聞真偽的時間。

AI 的無限可能:專屬於你的療癒「杯麵」

想像與 AI 共存的未來,蔡宗翰研究員驚嘆於 AI 的學習能力,只要提供夠好、夠多的資料,幾乎都可以訓練到讓人驚訝的地步!圖/研之有物

AI 的未來充滿無限可能,不僅可以成為分類與查證資料的得力助手,還能照護並撫慰人類的心靈,這對邁入高齡化社會的臺灣來說格外重要!許多青壯年陷入三明治人(上有老、下有小要照顧)的困境,期待有像動畫《大英雄天團》的「杯麵」(Baymax)機器人出現,幫忙分擔家務、照顧家人,在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式,新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」(Nadine),由感知、處理、互動等三層架構組成,可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境,並將上述資訊發送到處理層。處理層會依據感知層提供的資訊,連結該用戶先前與娜丁互動的記憶,讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象,或對陌生事物感到不安,常選擇靜默不語,需要照護者主動引導。因此,娜丁內建了注視追蹤模型,當偵測到住戶已長時間處於被動狀態,就會自動發起話題。

實驗發現,在娜丁進駐長照機構一段時間後,住戶有一半的天數會去找她互動,而娜丁偵測到的住戶情緒多為微笑和中性,其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

照護機器人娜丁的運作架構。圖/研之有物

至於未來的改進方向,研究團隊認為「語音辨識系統」仍有很大的改進空間,需要讓機器人能配合老年人緩慢且停頓較長的語速,音量也要能讓重聽者可以清楚聽見,並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人,首要任務就是要開發一套臺灣人專用的 AI 語言模型,包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型,期待政府能整合學界與業界的力量,降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感,但卻可以成為人類大腦的延伸,協助我們節省處理資料的時間,更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨,如何讓自己的行事邏輯跟上 AI 時代,讓 AI 成為自己的助力,是值得你我關注的課題。

延伸閱讀

文章難易度
所有討論 1
研之有物│中央研究院_96
254 篇文章 ・ 2221 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

3
2

文字

分享

0
3
2
若風力、太陽能變成主要能源,如何不被無風陰天弄得全國大停電?──《牛津通識課|再生能源:尋找未來新動能》
日出出版
・2022/07/20 ・3299字 ・閱讀時間約 6 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

電網:將電力輸送到各地的網路系統

在十九世紀,電力是在靠近電力需求的地方生產的,但到了二十世紀,規模經濟催生出集中式發電廠、長距離傳輸線和地方的變電站。現在,世界上大多數國家的電力都是透過電網來提供。

電網,就是用來傳輸電力的網路,像是電廠、變電廠、配電系統等等,都是電網的一環。圖/Pixabay

這套系統是為了滿足供電需求──最低需求稱為基本負載(baseload)──所設計的,由最便宜的發電機來滿足。

直到最近,發電方式通常是以燃煤為主(也有國家是以核電或水力發電為主),而且大部分的時間都在運作。會搭配其他發電廠(通常是循環燃氣渦輪發電機)來支援,以滿足每天的負載量變化,也會有可快速運作的小型燃氣渦輪或柴油發電機來應對激增的需求或是發電廠停擺等故障問題。

發電廠和變電站間的輸配電系統很重要,這可確保即使有單一線路或發電廠出現問題,仍舊能夠維持電力供應。電網有辦法將電力輸送到偏遠社區,也能獲得偏遠地區的發電。

再生能源進場後,該如何和傳統電廠互相配合?

現在,太陽光電場和風場在許多電網上提供的電力占比日益升高,這正在改變對發電廠的要求。在一般情況下,一天之中混合使用再生能源和傳統發電廠的發電方式最為經濟,而不是完全使用大型的傳統發電機。

風場和太陽光電場容易受到天氣的影響,現階段該如何讓再生能源電場與一般傳統電廠配合,也是能源議題中的一大考驗。圖/Pixabay

除了提供潔淨的電力外,風場和太陽光電場的營運成本最低──這稱為邊際成本(marginal costs)──因為它們沒有燃料成本,並且會首先調用。

為了讓風場和太陽光電場達到最大使用效能,最好是搭配能夠因應電力供需變化而快速反應的其他發電廠;而且理想上,這些電廠的運作也應該符合經濟效應,運作時消耗的用電量僅占其最大負載量的一小部分。

一般來說,燃煤電廠和核電廠的數量並不會有快速的增減,而燃氣和再生能源電廠則是更好的選項。根據地點的不同,水力發電、生質能、地熱和聚光太陽能(搭配蓄熱儲能)都可以擔任靈活發電的功能。

化石燃料發電廠可以儲存燃料並因應需求來提供電力。風場和太陽光電場與這些可以隨時供電──稱為可調度或固定供應──的發電廠不同,這兩者的運作都取決於天氣這項變數。

運用 AI 技術,擺脫「天氣」這個天生弱點!

儘管有時會出現風力弱和陰天的日子,然而,與一些人想像的剛好相反,擁有大量風力發電和太陽光電的電網其實能夠在需要時提供電力。

透過人工智慧(artificial intelligence,AI)來獲取良好的天氣預報,太陽光電場和風場的輸出變化通常是可以預期的,因此可得到最佳結果。

透過人工智慧的協助,可以更有效的運用電力。圖Envato Elements

當再生能源供應達到總電力需求的 30% 時,這些變化可以輕易透過裝配在電網上的快速反應發電廠來填補,以滿足供電需求的變化。

當一處 1000 兆瓦的大型發電廠意外跳電(可能是設備故障或過載),處理起來可能遠比風力發電或太陽光電的電力突然下降更具挑戰性。備用儲電站必須迅速上線,而風場和太陽光電場若是尚未達到滿載,還可以在有風和晴天的天氣迅速提高其發電量,提供額外的寶貴備用電。

再生能源成為主要來源後,怎麼讓電供保持穩定?

為了提供潔淨、安全和價格低廉的電力,並且在本世紀中葉大幅減少碳排放,避免氣候變遷演變到危及生靈的程度,全球的供電必須以再生能源為主。透過增加再生能源的輸出、地理分布以及與其他電網的連結,再生能源的供電占比將可望提高到電網的 50% 左右。

在一定程度上,增加這類綠電的發電能力可以彌補天氣條件惡劣的情況,而連接大範圍的太陽光電場和風場則可以提供更平穩可靠的電力。

在歐洲,丹麥已經與挪威、瑞典或德國等國進行電力交易,以此來平衡電力供需:在他們自己的風力發電量高時出口電力,而在發電量低時則進口電力。

然而,建立洲際再生電網並非易事。過去曾經有一項 DESERTEC(沙漠科技基金會)的提案,計畫要將北非的太陽能傳送到歐洲,但由於政治不穩定,再加上不同地區和國家對規畫中的電網各有所圖,產生相互衝突的反對意見,因此難以具體實現提案。

增加太陽能板的面積、建立跨國、洲際再生電網,都是維持電力供應穩定的做法。圖/Pixabay

此外,由於太陽能板的成本急劇下降,因此日照多的優勢變得不那麼重要,因為可以靠增加太陽能板的大小來彌補日照少的缺憾,這比支付長距離傳輸費用更為經濟。能夠在地方發電也等於是提供了一份供電的安全保障,不必依賴化石燃料進口。然而,廣泛架設的電網確實對於供需平衡有極大的幫助。

若是能配合供電來調整電力需求,就可降低對儲能廠的需求──這稱為「需量反應(demand response)」──或許可成為一個更便宜的選項,因為那些用來支援電力尖峰的快速反應發電廠的運作成本最高。

智慧電網:更聰明、更彈性的調整電力供應!

使用智慧電網可以讓電網營運商和用戶間進行雙向溝通,調整電力負載量,使其與供電端相等,這樣就能確定出需要從電網中取用的的需求量,或是添加量。

出現短時間停電或減少電力供應時,許多運作仍有可能繼續維持,好比那些具有熱慣性的操作──像是保持鐵或瀝青、熔融物或超市冰箱冷藏食物的溫度;或是建築物的溫度調節──或是在將零件組裝成產品前,先製造出充足的零件備量。

智慧電網最重要的就是雙向的溝通來進行調整。圖/Envato Elements

同樣地,可以透過啟動電爐、大型電解槽或海水淡化廠(以幫助應對氣候變遷造成的乾旱)來增加需求量。在數位化科技的推動下,我們正處於智慧電網革命的開端,這將會對電力負載量造成重大變化,將會讓邁向再生能源的這段過渡期更為容易,並且為客戶帶來更低的成本。

另外,可以用價格差異來鼓勵客戶改變他們的電力需求。在義大利,有推行一個簡單的計畫,是以固定費用(取決於所使用的最大功率)和每度電的價格來回收發電廠的資本和配電成本以及發電成本。

以限制電力需求的方式(讓消費端的電價變得更便宜),白天必須間隔使用電熱水壺、洗衣機和烤箱等電器;如果一次全部使用,就會跳電。

這樣便可降低發電成本中最高的尖峰用電。而在離峰期(例如夜間)提供便宜電價也是一種方式。不過要達到有效調整,需要同時使用智慧電網和智慧電錶。這樣用戶端可以看到他們的消費細節,並選擇僅在低電價或優惠價格時段才使用某些電器設備。

儲能設備對於提高再生能源的發電占比非常有幫助。以太陽光電場和風場這樣的組合來供應夜間用電,往往會有白天過度生產,導致電價下跌的情況。若是沒有儲能設備,必須盡可能出口過剩電力,或是以減少供電來降低損失。短期儲能可以將部分電力從下午轉移到晚上,因此小容量即可以滿足日常需求。

隨著電池成本的急劇下降,這種儲能的可用性變得越來越高,而且也開始取代那些用來補強綠電不足時的快速反應化石燃料電廠。

——本文摘自《【牛津通識課02】再生能源:尋找未來新動能》,2022 年 6 月,日出出版,未經同意請勿轉載。

2

3
3

文字

分享

2
3
3
英國「學童」取代「病理學家」?!辨識癌細胞的人工智慧
胡中行_96
・2022/05/30 ・2391字 ・閱讀時間約 4 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

18 世紀工業革命,人力從家庭進入工廠,連孩子們也無法倖免。為了保障童工的權利,1819 年英國制定了《工廠法》(Factory Act),規範合法工作年齡和時數。[1]現在 COVID-19 又把部份勞工趕回去,在家工作的現象,竟讓英國企業動了「善用」童工的念頭……。

學童成為人工智慧幕後推手

橡樹國家學院(the Oak National Academy)宣傳圖片。圖/橡樹國家學院

2020 年英國政府因應 COVID-19 疫情,成立了「橡樹國家學院」(the Oak National Academy)網路平台,提供線上教學課程。這招多少能挽救受學校停課影響的教學品質,但解決不了封城或隔離期間課後活動的匱乏,無聊到快抓狂的孩子,差點逼瘋在家工作的家長。此時,數位病理科技集團 PathLAKE 橫空出世,為家長分憂,「順便」利用學童來發展人工智慧。[2]

  • 人工智慧(artificial intelligence)的「機器學習」(machine learning),大略分為三種:
  1. 監督式機器學習(supervised machine learning):把標註好的資訊,餵給機器。由於標註的步驟是人類執行的,機器在學習的過程中,會逐漸朝人類設定的目標,愈加精準。[3]
  2. 非監督式機器學習(unsupervised machine learning):要求程式從未標註的資料中,找出現象或模式。在人類沒有插手的狀況下,有時會得到出乎意料的結果。[3]
  3. 增強式機器學習(reinforcement machine learning):設下獎勵機制,讓機器從嘗試中學習。例如:告訴自駕車它在行駛中,做對了哪個決定。[3]

PathLAKE 集團想做的是病理圖像的「監督式機器學習」。然而,標註資料的工作耗時費力,近年選擇從事病理科工作的醫師比例又大不如前。於是,「童工」就成為填補業界人力空缺的另類解方。

PathLAKE 的策略,大致上是這樣的:首先,昭告天下說這裡有個線上課外活動,即將開放給學童參加。拐來一票願意簽署同意書的家長後,先教他們的小孩癌細胞長怎樣。等小鬼頭們學得差不多,便可以玩遊戲闖關,藉此驗收他們的學習成果。依循此模式,將來或許就能聘僱為數龐大的「童工」,來標註病理圖像,然後再以此數據資料訓練人工智慧機器。[2]

「打敗病理學家」細胞形態辨識競賽

PathLAKE 集團舉辦的活動分二個梯次,每次都招募 3 個不同年齡層的學童:4 到 11 歲、11 至 16 歲以及 16 到 18 歲。他們透過網路學習基礎的「細胞形態學」(cell morphology),以辨識乳癌細胞染色影像的 4 種類型:陽性癌細胞(positive tumour cell)、陰性癌細胞(negative tumour cell)、陽性非癌細胞(positive non-tumour cell),還有陰性非癌細胞(negative non-tumour cell)。課程結束,便參與競賽。[2]

競賽題目示意圖。圖/參考資料 2

以下是二個梯次競賽部份的內容與差異:[2]

  • 測試版競賽(Pilot competition): 
  1. 關卡:遊戲總共有三關,關卡名稱「微辣」(Mild)、「中辣」(Hot)、「大辣」(Spicy),聽起來頗像麻辣鍋的辣度分級……,每一關分別有 20、30 和 50 張影像,要參賽者辨識。
  2. 成績:報名並完成線上課程的 28 名學童中,僅有 5 人參加競賽。其中只有 1 人成功地從「微辣」晉級到「中辣」,而「特辣」根本沒人玩。教學和遊戲的難度,明顯須要調整。
  • 主要競賽「打敗病理學家」("Beat the Pathologists"):

有了上一梯次的經驗,PathLAKE 團隊修改設計,於 2020 年 10 月的「牛津科學節」(the Oxford Science Festival)推出「打敗病理學家」活動。

  1. 關卡:這回有「微辣」(Mild)、「中辣」(Hot)、「大辣」(Spicy)以及「特辣」(Supercharger),共 4 個關卡,邀請參賽者分別得挑戰 20、40、60 和 80 張影像。
  2. 成績:總計 98 位學童登記報名中,有 95 人參與競賽。其中 91 人通過「微辣」考驗,經過層層過關斬將,最終 22 人成功解鎖(含 15 人晉級)「特辣」關卡。

成效與願景

皇家病理學家協會(the Royal College of Pathologists)在 2020 年「國家病理週」(National Pathology Week)期間,宣傳 PathLAKE 的活動。PathLAKE 集團本身也萬分滿意其成效,在 2022 年 5 月 12 日的《科學報告》(Scientific Reports)期刊中,表示「學童有精確標註細胞的高度潛力……,期望此類的競賽不光使他們對病理學和人工智慧產生興趣,還能促進病理學家與電腦科學家的合作」,並預告他們之後會推出一個標註「腺體結構」(glandular structures)的新活動。[2]

當然,看完「資方」的心得與願景,也該來瞭解一下「勞方」的處境。在英國文豪狄更斯(Charles Dickens)小說《孤雛淚》(Oliver Twist)描述的 19 世紀維多利亞時代,兒童被家長或監護人逼迫去工作,工時冗長且勞動環境惡劣。[4]

將近二個世紀的時間過去後,COVID-19 疫情期間的英國學童,是否受到相對優渥的待遇?

19 世紀礦坑童工。圖/National Museum Wales

從 PathLAKE 團隊的片面描述,我們可以得知:除了病理知識外,每位活動成員均得到參與證書一份,前三名則另有獎項。

參考資料

  1. Impact of government acts improving working conditions(BBC)
  2. Lessons from a breast cell annotation competition series for school pupils(Scientific Reports, 2022)
  3. Machine learning, explained(MIT Sloan School of Management, 2021)
  4. Children in Dickens’s Novels(International Journal on Studies in English Language and Literature, 2014)
所有討論 2