人工智慧憑什麼叫做人工智慧？AI的名稱政治學──《科學月刊》

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

在【齒輪時代】的最後一章提到，MIT 教授凡納爾．布希除了發明微分分析儀之外，也直接或間接地對電腦發展做出重要貢獻。其中一項間接貢獻就是來自他所指導的學生夏農 (Claude E. Shannon)。這位不世出的天才雖然大眾知名度不高，但事實上，現代電腦與通訊的發展，都始於他憑一己之力提出的理論基礎。

本文為系列文章，上一篇請見：電腦運算的基礎——布林代數，是麼搞出來的？│《電腦簡史》數位時代（三）

擔任布希助理，操作微分分析儀，奠定電路基本功

夏農自小就喜歡搞電子實驗，他還曾利用鐵圍籬和八百公尺外的鄰居互傳電報。1936 年，夏農以數學和電機雙學位自密西根大學畢業後，進入 MIT 電機研究所就讀，同時在布希的實驗室當研究助理。

當時微分分析儀是唯一能算高階微分的計算機，所以實驗室不時會接受教授或其它研究單位的委託，為他們計算微分方程式。夏農的工作便是針對他們的問題，調整微分分析儀的設定，包括大大小小的連桿、滑輪等機械零件，以及近百個控制電動馬達的繼電器。

夏農相當樂在其中，看著微分分析儀按照自己的設定運轉，最後自動畫出答案，總令他心情愉悅。而最令他著迷的，就是在背後控制所有動作的繼電器。繼電器就像閘門，掌控電流的進出，雖然只有開與關兩種狀態，但串成迴路後，就能以特定的順序開開關關，就能讓微分分析儀解出各種微分方程式。

於貝爾實驗室實習，悟出電子迴路與布林代數的關聯性

第二年暑假，夏農到美國電話電報公司 (AT&T) 的貝爾實驗室實習。當時貝爾實驗室正在開發縱橫式自動交換機，也是利用繼電器來控制電話線路的搭接。夏農操作了一學年的微分分析儀，對繼電器的運作已了然於胸，儘管電話交換機是截然不同的機器，其中的迴路也更密集複雜，他卻能看出兩者在運作上有共通之處。

無論迴路大小，都是由許多繼電器與電路所組成，不同的連接方式決定電流如何流動，進而讓機器做出不同動作。如果兩個繼電器在一條電路上前後串聯，就必須兩個繼電器都打開，電流才能通過。如果電路一分為二，各自經過一個繼電器再合而為一（這稱為並聯），就只要有一個是開的，電流就能繼續往前了。

這只是電路的基本常識，每個工程師都知道，但就是沒有人像夏農那樣，看出電子迴路與布林代數的關聯。

夏農是以數學和電機雙學位畢業，對布林代數自然不陌生，但要從實體的電路聯想到抽象的邏輯關係，真的要有超乎常人的洞見。在他眼中，繼電器只有開、關兩種狀態，恰可用布林代數中的 1 與 0 兩種數字表示。繼電器串聯相當於邏輯運算的「且」(AND)，並聯則是相當於「或」(OR)，不管是什麼迴路，都可以用布爾代數描述。

暑期實習結束後，夏農回到學校，立即向導師布希提及自己的想法。布希深感興趣，鼓勵他以此做為碩士論文的題目。

史上最重要的碩士論文，堪稱資訊時代的大憲章

沒幾個月，夏農就在 1937 這一年完成劃時代的論文，題為〈繼電器與交換電路的符號分析〉(A Symbol Analysis of Relay and Switching Circuits)，開宗明義即宣告：「任何電路都可以用一組方程式表示，……。事實證明，其計算方式完全等同於符號邏輯所用的命題運算。」

夏農先以簡單的雙開關電路為例，說明如何用布林代數標示串聯與並聯的接法，並列出基本公理與交換律、結合律、……等運算法則。接著他再進一步分析不同型式的複雜電路，證明也都可以用布林代數表示。最後夏農強調這套方法不只可以用於現有的機器，還可以解決各種問題。

他寫道：「事實上，任何運算只要是用『若』、『或』、『且』等字眼在有限的步驟內描述，都可以用繼電器自動算出來。」

為了佐證這項主張，他提出三種全新的應用，並附上自己設計的電路圖。第一個是電路的簡化；原本使用二十個元件的電路，經由邏輯演算找出等效的表達式後，可以將元件減少為十四個。第二個與第三個應用都是他的創新發明，分別是使用五個按鍵開關的電子密碼鎖，以及二進位的電子加法器（嚴格來說仍不算電子式，因為繼電器的開關仍是利用電磁鐵的機械動作）。

這篇論文於第二年公開發表後，立即引起巨大的迴響，甚至被譽為「應該是本世紀最重要、最值得注意的碩士論文」，後來《科學美國人》雜誌也稱它是「資訊時代的大憲章」。

電路設計化繁為簡，電腦從此邁向數位時代

的確，夏農這篇論文影響深遠。原本錯綜複雜的電路圖改用布林代數表示後，就可以在實際建造機器之前，清楚計算出執行的結果，大幅減少嘗試錯誤所耗費的時間與成本。除此之外，還能如夏農所示範的，找出更精簡的電路方案。科技產品因為設計效率提升、製造成本下降，才得以更加迅速地推陳出新。

計算機的發展也受惠於夏農的創見，才開啟了數位時代（他革命性的通訊理論會在第三部另外介紹）。

夏農所提出的邏輯電路雖然以繼電器為範例，但其實這套抽象法則具有普遍性，任何有開關兩種狀態的元件皆可套用。因此即使後來繼電器被真空管取代，然後真空管又被電晶體淘汰，無論電腦的硬體零件怎麼換、電路圖多複雜，都還是基於夏農所提出的邏輯閘。

夏農已經指出一條通往未來之路，很快地，這條路上就將出現打造現代電腦的各路好漢……。

三種運算（and、or、not），兩種數值（0、1）。就這樣，沒別的了，這就是英國數學家布爾所建立之全新數學體系的全部，可以將邏輯轉化成可作運算的代數。啥？這不過是種無聊的數學遊戲吧！是的，這就是當時數學界的普遍看法；沒有人預見這看似無用的布爾代數（或稱布林代數）竟會徹底改變人類的生活。

布爾家境清寒，國小畢業後就沒再受多少正式教育，他的數學知識幾乎都是靠自學而得。或許因為如此，他能見人所不能見，以獨特的角度重新思索亞里斯多德兩千年前就已建立並流傳至今的邏輯法則。他打算將依賴文字的邏輯陳述改為可以用數學符號運算的代數，這個看似充滿野心的龐大計畫，料想應該要用到一大堆的數學符號與運算規則，結果在他1854年發表的解決方案竟然如此簡潔俐落！

布爾將邏輯陳述句的真假分別用1與0代替，然後最基本的運算規則只有八種：

• 1 and 1 = 1 1 or 1 = 1 not 1 = 0
• 1 and 0 = 0
• 0 and 0 = 0
• 1 or 0 = 1
• 0 or 0 = 0
• not 0 = 1

只是對一般人而言，實際應用上總還是以文字敘述，布爾代數這樣的轉換似乎沒有帶來任何用處，因此也就被冷落一旁。而他自己也未因為具有這些數學創見而免於無知迷信的危害。1864年，布爾淋著大雨到學校教課而感冒發燒，回家後他那迷信順勢療法老婆竟繼續往他身上澆了好幾桶水，以致病情加重，最後死於肺炎。

布爾過世七十三年後，布爾代數才終於在當時還是研究生的夏農（Claude Elwood Shannon）招喚之下重生。夏農發現布爾代數恰可用來描述電子迴路與繼電器開關狀態，才促成電子計算機的發明，也才有現今的電腦、手機與各種電器設備。當然，就連軟體與網際網路也都是建立在布爾代數的二進位運算上。

即使布爾本人也絕對料想不到他發明的簡單規則竟在近一世紀後幻化出大千世界，完全改變人類文明。當人們還在懷疑純數學或理論物理有何用處時，或許可以回頭想想這個故事。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。

• 李國偉／中央研究院數學所兼任研究員。

汽車跑得快，不叫「人工馬」；飛機飛得高，不叫「人工鳥」。怎麼計算機本領大了，就要稱作「人工智慧（Artificial Intelligence, AI）」？（延伸閱讀：迎接人工智慧時代，你我都該上的 30堂必修課）

人工智慧一詞的創造

故事要由麥卡錫（John McCarthy）講起。麥卡錫早年就顯露很高的數學天賦，24 歲從普林斯頓大學拿到數學博士，並在萊夫謝茨（Solomon Lefschetz）指導下寫出學位論文〈射影算子與偏微分方程〉（Projection Operators and Partial Differential Equations）。

1955年， 麥卡錫獲聘為達特茅斯學院（Dartmouth College）的助理教授，9月向洛克菲勒基金會提出一份申請書，希望獲得「達特茅斯人工智慧夏季研究計畫（Dartmouth Summer Research Project on Artificial Intelligence）」的經費補助。計畫書裡出現的「人工智慧」名稱，是公認麥卡錫首創的新詞。

麥卡錫放棄微分方程轉往全新領域，其實有端倪可循。1952年夏季，他到貝爾實驗室擔任大名鼎鼎夏農（Claude Shannon）的助理，協助夏農編輯有關「自動機（automata）」的論文集。也正是夏農後來幫他跟洛克菲勒基金會牽線，在申請經費補助時當共同提案人（雖然此事多被後人淡忘）。

根據麥卡錫在紀念研討會50 周年時回憶，舉辦這項活動的主要目的就是要「豎立鮮明旗幟（nail the idea to the mast）」。

研究計畫的主題沒有採用自動機，因為他嫌夏農太偏抽象數學理論。他也迴避使用另外一個火紅的名詞，就是維納（Norbert Wiener）發明的「控制論（cybernetics）」，一方面是嫌控制論研究對象還牽扯到類比機制，另一方面則是不願與好辯的大老交手。

為了想凸顯自己研究發展路徑的特色，他也拒絕重複別人用過的名稱，像「複雜訊息處理」、「機器智能」等。他豎立的人工智慧這面鮮明旗幟，非常能激發人的想像，從而抓住人的眼球。命名要「性感」，可謂「名稱政治學」巧妙的第一步！

名稱雖性感，但是如何替內容畫界呢？麥卡錫在經費申請書裡開宗明義說：

「從事本研究的基礎立足於以下的臆測：關於學習的每個方面，或者智慧的任何其他特徵，只要原則上能精確地給予描述，那麼就能使機器做出模擬。」

所以麥卡錫勾勒出的範圍幾乎是沒有範圍，因為一切都仰仗預設「只要原則上能精確地給予描述」須成立。似有還無的界線使得攻守兩宜，這是「名稱政治學」巧妙的第二步。

名稱漂亮又如何

在著重商業行銷的美國，即使是學術領域的興衰，也經常與帶頭人的行銷技巧密切相關，由前兩步可看出麥卡錫顯然深得其中三眛。但是，不管1956年夏季的研究活動多麼新穎，如果沒有研究基地、經費與人員的持續投入，新的學科也很難健康茁壯，這當兒麥卡錫剛好得到天時眷顧。

在美國毫無預警的狀況下，1957年10月蘇聯成功地把史普特尼克人造衛星放上太空。因為警覺到國家安全遭受嚴重威脅，美國把大量經費投入高校，積極推動強化國防的研究工作。

在達特茅斯經費申請書上排名第二的是閔斯基（Marvin Minsky），1958年他與麥卡錫都到了麻省理工學院。有一天他們倆在走廊上碰到部門主管，麥卡錫伺機向主管表示想成立人工智慧實驗室。當主管問他們需要什麼的時候，麥卡錫提出實驗室空間、一位秘書、一台打卡機、兩位寫程式的技術員。主管不僅馬上答應，還同時奉送他們六位研究生。

原來新增經費多養了六位數學系研究生，主管不知該怎麼安排，索性叫他們去搞新花樣吧！人工智慧號稱能產生機器自動翻譯，幫美國軍方閱讀蘇聯的各種文件，從而得到國防經費的長年挹注。其實自從冷戰時期開始，很多重要科技進展的研發經費，都直接或間接受到軍方的支持。而這有效引起國防軍工當局的青睞，也是「名稱政治學」的重要撇步。

將新學科命名「人工智慧」是非常成功的策略，甚至可能有點過於成功，導致對於人工智慧產出的期望過高。當大量金錢投進研發，而成效往往達不到原先宣傳的願景時，熱潮就不可避免會衰減。人工智慧的發展有過幾回戲劇性的起伏，還歷經兩次所謂的「人工智慧的冬天」，到1980年代末幾十億美金的相關產業逐漸蕭條。人工智慧烏托邦的泡沫化，留下了「名稱政治學」辯證發展的軌跡。

「人工智慧」將成歷史名詞？

自從2016 年AlphaGo 打敗圍棋高手李世乭之後，新一波人工智慧的浪頭簡直勢不可擋。2005年數位時代預言家庫茲威爾（Raymond Kurzweil）在《奇點臨近》（The Singularity Is Near: When Humans Transcend Biology）書中曾說：

「許多觀察家仍然認為人工智慧的冬天就是故事的終結，自此之後人工智慧就毫無創建了。其實今天成千上萬的人工智慧應用程式，已經深入包含在每種工業的基礎建設裡。」

為什麼這種類似「隱姓埋名」的策略會發生呢？道理就在於這些發展本來就是計算機該做的事，人工智慧標籤好用的時候就拿出來用，不好用的時候就打出其他招牌，像什麼「機器學習」、「以知識為基礎的系統」、「認知系統」、「智能系統」、「深度學習」，不一而足。

這一波人工智慧的振興，主因之一是克服大量增加類神經網路層次的難關。模擬神經網路的研究早已有之，但是閔斯基與派普特（Seymour Papert）在1969年出版了影響力極大的《感知器》（Perceptron）一書，暴露了類神經網路處理非線性問題本質上的不足。所以今日人工智慧的核心方法，曾經被人工智慧領袖幾乎掃地出門。今昔對比，可說是「名稱政治學」裡借殼上市鹹魚翻身的一章。

現在飽受矚目的人工智慧應用，其實都是在特定範圍裡增廣人的能力，因此顯現超越人力的結果本應在預期之內。像涂林測試（Turing test）所瞄準的不限範圍的機器智能，目前距離最終目標還相當遙遠。我們預期當人們對各個領域五花八門的人工智慧產品習慣後，「人工智慧」在「名稱政治學」的場域裡，終將完成其階段性任務，從而退隱為歷史名詞。

想知道更多人工智慧發展史嗎？迎接人工智慧時代，你我都該上的 30堂必修課

〈本文選自《科學月刊》2018年4月號〉

什麼？！你還不知道《科學月刊》，我們48歲囉！

入不惑之年還是可以當個科青