其實更早之前當地人就常在此地揀尋骨頭賣給中藥店,他們不知是化石,以為是龍骨,所以地名才叫龍骨山。八國聯軍打到北京時,有人帶了一批回歐洲,被德國一位古生物學家辨認出一顆像是人猿的牙齒,引起學界的注意。1918年,在中國擔任顧問的瑞典地質學家安特生(Johan Gunnar Andersson)耳聞此事,前來周口店進行考察,經過幾年的發掘,終於在1926年宣布發現了兩顆原始人類的牙齒。
你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?
馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。
如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?
-----廣告,請繼續往下閱讀-----
黑盒子模型背後的隱藏秘密
無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。
AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。
此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。
其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。
深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。
首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。
以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。
LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。
-----廣告,請繼續往下閱讀-----
第三是反事實解釋:如果改變一點點,會怎麼樣?
如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。
一些短語之所以膾炙人口、廣為人知,就是因為聽起來簡單、說起來順口、想想又覺得合理,「適者生存」(survival of the fittest)就是其中之一。不過,若只使用適者生存描述演化論,或許並不完整。
誰最先提出「適者生存」?
英國博物學家達爾文(Charles Darwin)的《物種起源》(On the Origin of Species)自 1859 年發行第一版以來,第四章的標題一直是〈自然選擇〉(Natural Selection),但到了 1869 年的第五版時,他卻將這一章的標題改為〈自然選擇;或適者生存〉(Natural Selection; or The Survival of the Fittest),並一直沿用到 1872 年的最後一版(第六版)。人們都以為「適者生存」是達爾文說的,但其實不是!
適者生存其實是由達爾文當代最具影響力的英國學者史賓賽(Herbert Spencer,圖一)所創。史賓賽也支持生物演化理論,還曾抨擊當時盛行的生物創造論,可是他崇尚的卻是半個世紀前的拉馬克主義(Lamarckism),也就是以「用進廢退」原則(principle of use and disuse)搭上後天形質遺傳(inheritance of acquired characteristics)的演化理論。
因此史賓賽心目中的演化會帶來進步,而且演化不只在生物上,也可以發生在地質、心理等範疇,他甚至把心目中的進步式演化應用到社會和政治層面,催生出社會達爾文主義(social Darwinism)和優生學(eugenics)。但史賓賽的想法跟達爾文所主張——以後代漸變(descent with modification)為軸心的自然選擇(常譯作天擇)不同,甚至是兩回事。
-----廣告,請繼續往下閱讀-----
史賓賽在 1864 年出版的《生物學原理》(Principles of Biology)中用「survival of the fittest」定義達爾文演化論的自然選擇,這完美地反映出他心目中的進步式演化觀,當中「fittest」是英文「fit」(適合)的形容詞比較級裡的最高級,是「最適合」的意思(survival of the fittest 應當譯為「最適者生存」)。由於史賓賽的影響力,再加上「survival of the fittest」一詞簡潔有力、琅琅上口,立刻像個口號一樣在英語世界裡「夯」起來。
達爾文看到適者生存那麼流行,於是接受華萊士的勸說,也就在 1868 年出版的《育種變異》(Variation Under Domestication,又譯《人工培育》)裡首次引用史賓賽的說法表達自然選擇的意涵,並在次年出版的《物種起源》第五版時修改第四章的標題。但達爾文萬萬沒料到,他可能已親手種下一個對演化論的謬誤。
二、有些性狀並不是因為適應而留下,可能只是另一項適應性狀的副產物,其中也不能否認幸運與機遇也有微妙的作用,即是「幸者生存」(survival of the luckiest)。美國科普雜誌《科學美國人》(Scientific American)在2008年就有一篇以「幸者生存」為題的文章討論恐龍的滅絕。
三、很多導致生理疾病的基因也會在世代中被保留下去,也就是「病者生存」(survival of the sickest)。2007年就有一本以「病者生存」為書名的科普書籍,以演化醫學(evolutionary medicine)的角度討論各種人類疾病的演化意義,該書繁體中文版為《最衰者生存》(Survival of the Sickest)。
英文的最高級形容詞 fittest 跟名詞 fitness(適應度)發音相似,而偏偏 fitness 的另一個字義跟身體健壯有關,例如 fitness center(健身中心)、fitness equipment(健身器材),那麼就有人將 survival of the fittest(最適者生存)揶揄成 survival of the fitness(健壯者生存)。人們也潛意識地認同強者理當會生存下來,這就給演化論蒙上難以洗脫的不白之冤。