0

0
0

文字

分享

0
0
0

人工智慧能力步步進逼人類?談「人工智慧」與「人類智慧」──《LIFE 3.0》

天下文化_96
・2018/07/31 ・3480字 ・閱讀時間約 7 分鐘 ・SR值 511 ・六年級

-----廣告,請繼續往下閱讀-----

  • 在人工智慧崛起的現在,你希望看見甚麼樣的未來?當人工智慧超越人類時,人類該何去何從?人工智慧對犯罪、戰爭、司法、工作、社會將造成甚麼影響?又會帶給生而為人的我們甚麼感受?《LIFE 3.0》將毫不隱諱呈現這個最具爭議性話題的全方位觀點,舉凡超人工智慧所代表的意義,意識究竟是怎麼一回事,甚至是宇宙生命發展最終的物理法則定律極限,包羅萬象的豐富內容,盡皆收錄在《LIFE 3.0》中。
  • 迎接人工智慧時代,你我都該上的 30堂必修課

什麼是智慧?「智慧」是「達成複雜目標的能力」

我太太和我前不久有幸出席一場關於人工智慧的研討會,其中一場專題演講中,頂尖的人工智慧專家被問到要怎樣定義智慧時,花了很長的時間交換意見,結果沒有取得共識。

這讓我們倆覺得滿有趣的:就連研究智慧的聰明專家也都沒辦法定義什麼叫做智慧!這就表示智慧的定義並沒有「標準答案」,而是有各種不同的說法,其中包括邏輯的強度、理解能力、規劃能力、情緒控管、自我意識、創造力、解決問題的能力、學習力等等,不一而足。

就連研究智慧的聰明專家也都沒辦法定義什麼叫做智慧,這就表示智慧的定義並沒有「標準答案」!圖/DariuszSankowski @pixabay

在進入探討智慧之前,我希望先提出一個最廣義、最籠統的定義,而且不要被現有的智慧形式定型了。

智慧 = 達成複雜目標的能力

這樣就可以滿足種種不同的定義,因為不論是理解能力、自我意識、解決問題的能力和學習力,都可以算是複雜目標。這個定義也與《牛津字典》的講法:取得與運用知識和技能的能力,並行不悖,只要把運用知識和技能設定成複雜的目標就行了。

-----廣告,請繼續往下閱讀-----

由於複雜目標多到族繁不及備載,所以就會有各種可能的智慧。依照我們的定義,用智商這樣單一的數字量化人類、動物或是機器的智慧高低,就會變成沒有意義。只會下西洋棋的電腦跟只會下圍棋的電腦,哪一台比較聰明?這個問題的答案不會有意義,因為這兩者擅長的項目不同,無法直接比較,不過如果有第三台電腦,能以同樣的水準達成所有目標,而且會有一項表現得比其中一部電腦更好(像是能下贏西洋棋),那麼說第三台電腦比較聰明,就沒有多大爭議了。

Alphago 是只會下圍棋的電腦,跟 IBM 只會下西洋棋的深藍相比,哪一台比較聰明?這個問題的答案不會有意義,因為這兩者擅長的項目不同,無法直接比較。圖/Buster Benson @flickr

電腦特定能力超專精 vs 人類的廣泛智慧──邁向「通用人工智慧」

IBM 深藍電腦專門用來下西洋棋,在 1997 年還擊敗過世界棋王卡斯帕洛夫(Garry Kasparov),不過它只能達成下西洋棋這麼有限的目標——別看深藍電腦的軟硬體設施有多麼厲害,事實上它就連跟四歲的小朋友玩井字棋都會輸。

人類的智慧與之相比就廣泛得太多了,熟練幾十種令人嘆為觀止的技巧都不是問題。只要給頭好壯壯的小孩子夠多的訓練,別說任何遊戲都能來上一手,還有能力開口說任何語言、從事任何運動跟職業。

以現階段人類和機器的智慧相互比較,如下圖所示:

-----廣告,請繼續往下閱讀-----
圖中每個箭頭分別表示,現階段最優秀的人工智慧系統可以達成的目標,也呈現出現階段人工智慧有限的屬性:每個系統都只能達成非常特定的目標。相較之下,人類的智慧可就廣泛許多:一個頭好壯壯的小孩子透過學習,就幾乎可以在每一個目標中,表現得更好。

我們輕而易舉就能大獲全勝,機器只能在少數有限的範圍內贏過人類,只是項目正持續增加。研究人工智慧的終極目標是打造「通用人工智慧」,盡可能擴大廣泛的範圍:幾乎可以達成任何目標的能力,包括學習在內

假定你將來擁有做為個人助理的全新機器人,這個機器人沒有自己的目標,完全依照你的吩咐行事,而你要求它準備一頓豐富的義大利佳餚。收到指令的機器人開始上網搜尋義大利食譜、找出最近的超市去採買、學習怎樣做義大利麵,如此這般。最後它順利買回食材弄出大餐,酒足飯飽的你想必會認為它聰明得可以。

收到指令的機器人開始上網搜尋義大利食譜、找出最近的超市去採買、學習怎樣做義大利麵,最後順利買回食材弄出大餐。其實機器人只是井然有序替自己設定了好幾個子目標,再一一完成。圖/Pexels @pixabay

實際上,這頓飯原本就是你設定的目標,機器人則是在你提出要求後,接收了你的目標,然後井然有序替自己設定了好幾個子目標,包括超市結帳和磨碎帕馬森起司都算在內。在這個案例中,能否使命必達是判定智慧行為與否的必要條件。

對我們人類而言,工作的困難度理所當然會跟我們要付出多大代價去完成有關。但是將這種標準套用到電腦上就不適當了。要我們算出 314,159 乘以 271,828 可比認出照片中的朋友難多了,但是電腦早在我出生以前,就展現出遠遠超出人類的算術能力,但直到最近才開始有辦法像人類一樣辨識圖像。莫拉維克悖論(Moravec paradox)指的就是這種看似簡單的感受能力背後其實卻需要耗費龐大運算資源的現象,也說明了為什麼人類的大腦能輕鬆完成辨識工作,因為我們投注了龐大的客製化硬體設施在這個領域—確切的規模超過我們腦容量的四分之一。

-----廣告,請繼續往下閱讀-----

莫拉維克的「人類能力地貌圖」,電腦潛力已抵達山腳

莫拉維克「人類能力地貌圖」的概念呈現。海拔高度象徵電腦從事該領域的難度,海平面淹沒的部分則是電腦現在可以完成的任務。

電腦是萬用的機器,擁有完成任一種工作項目的潛力,人類的潛力相較之下,會在需要長期維持重要性的領域表現得比較強,小事當然沒打算放在心上。想像一張「人類能力地貌圖」,我們可以在低窪地區標上「算術」和「死記硬背」,在山腳處標上「定理證明」和「西洋棋」,在高山頂標上「劇烈運動」、「手眼協調」和「社交互動」,那麼電腦的進展就會像是慢慢淹過地表的洪水。

自從他留下這段文字後不過幾十年,如他所預期,海平面加速上升,彷彿遇到強力的全球暖化,當年他筆下的山腳處,有些(好比說是西洋棋)早就已沉到海水裡一段時間了。隨著海平面持續上升,或許有一天會淹過某個引爆點,引發翻天覆地的變化。對機器而言,這個關鍵海平面,就是學會自行設計人工智慧之時。在海水漫過這個標高位置之前,海平面的上升都是人類改善機器的緣故,超過這個高度以後,海平面的上升就會是機器改善機器的結果,而且極有可能以破紀錄的方式,超越過去人類改善機器的速度,在短時間內吞沒所有地表。這個神奇又眾說紛紜的概念叫做「人工智慧爆炸奇點」。

隨著海平面持續上升,或許有一天會淹過某個引爆點,這個關鍵海平面就是機器學會自行設計人工智慧之時,也就是「人工智慧爆炸奇點」。圖/geralt @pixabay

半世紀以前,電腦從低窪處開始,淹過了徒手計算和記帳的工作,不過那時我們大多數人都還是站在陸地上,現在洪水已經抵達山腳,我們得認真看待此地失守的問題。站在山頂上看似安全,不過,如果洪水氾濫的速度維持不變,這些陣地大概再過半世紀以後,也會無一例外的淪陷。我想,在那天到來之前,我們要先準備好諾亞方舟,早點習慣在海上的生活才行!

 

 

本文摘自《LIFE 3.0:人工智慧時代,人類的蛻變與重生》,天下文化出版。

延伸閱讀:

-----廣告,請繼續往下閱讀-----

 

-----廣告,請繼續往下閱讀-----
文章難易度
天下文化_96
142 篇文章 ・ 623 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

0

2
0

文字

分享

0
2
0
從「衛生紙」開始的環保行動:一起愛地球,從 i 開始
鳥苷三磷酸 (PanSci Promo)_96
・2024/12/03 ・1592字 ・閱讀時間約 3 分鐘

-----廣告,請繼續往下閱讀-----

你是否也曾在抽衛生紙的瞬間,心頭閃過「這會不會讓更多森林消失」的擔憂?當最後一張衛生紙用完,內心的愧疚感也油然而生……但先別急著責怪自己,事實上,使用木製品和紙張也能很永續!只要我們選對來源、支持永續木材,你的每一個購物決策,都能將對地球的影響降到最低。

二氧化碳是「植物的食物」:碳的循環旅程

樹木的主食是水與二氧化碳,它們從空氣中吸收二氧化碳,並利用這些碳元素形成枝葉與樹幹。最終這些樹木會被砍伐,切成木材或搗成紙漿,用於各種紙張與木製品的製造。

木製品在到達其使用年限後,無論是被燃燒還是自然分解,都會重新釋放出二氧化碳。不過在碳循環中,這些釋出的二氧化碳,來自於原本被樹木「吸收」的那些二氧化碳,因此並不會增加大氣中的碳總量。

只要我們持續種植新樹,碳循環就能不斷延續,二氧化碳在不同型態間流轉,而不會大量增加溫室氣體在大氣中的總量。因為具備循環再生的特性,讓木材成為相對環保的資源。

但,為了木製品而砍伐森林,真的沒問題嗎?當然會有問題!

-----廣告,請繼續往下閱讀-----
從吸碳到固碳的循環

砍對樹,很重要

實際上,有不少木材來自於樹木豐富的熱帶雨林。然而,熱帶雨林是無數動植物的棲息地,它們承載著地球豐富的生物多樣性。當這些森林被非法砍伐,不僅生態系統遭到破壞,還有一個嚴重的問題–黃碳,也就是那些大量儲存在落葉與土壤有機質中的碳,會因為上方森林的消失重新將碳釋放進大氣之中。這些原本是森林的土地,將從固碳變成排碳大戶。

不論是黃碳問題,還是要確保雨林珍貴的生物多樣性不被影響,經營得當的人工永續林,能將對環境的影響降到最低,是紙漿和木材的理想來源。永續林的經營者通常需要注重環境保護與生態管理,確保砍下每顆樹木後,都有新的樹木接續成長。木材反覆在同一片土地上生成,因此不用再砍伐更多的原始林。在這樣的循環經營下,我們才能不必冒著破壞原始林的風險,繼續享用木製品。

人工永續林的經營者需要注重環境保護與生態管理,確保砍下每顆樹木後,都有新的樹木接續成長。

如何確保你手中的紙張來自永續林?

如果你擔心自己無意中購買了對環境不友善的商品,而不敢下手,只要認明FSC(森林管理委員會)認證與 PEFC(森林認證制度)認證標章,就能確保紙漿來源不是來自原始林。並且從森林到工廠、再到產品,流程都能被追蹤,為你把關每一張紙的生產過程合乎永續。

只要認明 FSC(森林管理委員會)認證與 PEFC(森林認證制度)認證標章,就能確保紙漿來源不是來自原始林。

家樂福「從 i 開始」:環境友善購物新選擇

不僅是紙張,家樂福自有品牌的產品都已經通過了環保認證,幫助消費者在日常生活中輕鬆實踐環保。選擇 FSC 與 PEFC 標章只是第一步,你還可以在購物時認明家樂福的「從 i 開始」價格牌,這代表商品在生產過程中已經符合多項國際認證永續發展標準。

-----廣告,請繼續往下閱讀-----

「從 i 開始」涵蓋十大環保行動,從營養飲食、無添加物、有機產品,到生態農業、動物福利、永續漁業、減少塑料與森林保育,讓你每一項購物選擇都能與環境保護密切相關。無論是買菜、買肉,還是日常生活用品,都能透過簡單的選擇,為地球盡一份力。

選擇 FSC 與 PEFC 標章只是第一步,你還可以在購物時認明家樂福的「從 i 開始」價格牌
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
212 篇文章 ・ 312 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

1
0

文字

分享

0
1
0
AI 能像人類一樣思考?諾貝爾物理學獎研究助力人工智慧模擬人類大腦
PanSci_96
・2024/11/14 ・2117字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

即使再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?

錯,可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡,頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德(John Hopfield)和傑佛瑞·辛頓(Geoffrey Hinton)。他們以「人工」的方法打造了類神經網路,最終模擬出生物的「智慧」,奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的,竟然會是物理學?物理要怎麼讓 AI 更像人類?

-----廣告,請繼續往下閱讀-----
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

從巴甫洛夫的狗到赫布理論:理解學習的基礎

為了解答這個疑問,我們需要一些背景知識。

20 世紀初,俄羅斯心理學家巴甫洛夫發現,狗在食物還沒入口前,就會開始分泌唾液。他進行了一系列實驗,改變食物出現前的環境,比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之,狗只要聽到鈴聲,就會開始分泌唾液。

大約 50 年後,神經科學家赫布(Donald Hebb)提出了一個假說:大腦中相近的神經元,因為經常同時放電,會產生更強的連結。這種解釋稱為「赫布理論」,不僅奠定了神經心理學的發展,更成為現代深度學習的基礎。

然而,赫布理論雖然描述了鄰近神經元的關係,卻無法解釋大腦如何建構出如此複雜的聯想網路。

-----廣告,請繼續往下閱讀-----

霍普菲爾德網路:物理學家對神經網路的貢獻

然而,赫布理論雖能描述神經元之間的關係,卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威(John Conway)的「生命遊戲」(Game of Life)中獲得靈感,試圖建立一個可以在電腦上運行的記憶系統。

霍普菲爾德受「生命遊戲」啟發,嘗試建立電腦記憶系統。圖/envato

「生命遊戲」由數學家康威(John Conway)發明,玩家開始時有一個棋盤,每個格子代表一個細胞,細胞可以是「活」或「死」的狀態。根據特定規則,細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現,這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元,在出生時處於初始狀態,經過刺激後,神經元間的連結會產生或斷裂,形成強大的記憶系統。他希望利用這些理論,創造一個能在電腦上運行的記憶系統。

然而,他面臨一個難題:赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行,必須要有明確的數學規則。

-----廣告,請繼續往下閱讀-----

物理學的啟發:易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型:易辛模型(Ising Model)。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中,電子具有「自旋」,自旋產生磁矩。電子的自旋方向只有「向上」或「向下」,這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向,類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響,並通過計算系統能量,得出自旋狀態的分佈。霍普菲爾德借用了這個概念,將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算,以及赫布理論的動態連結,創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

-----廣告,請繼續往下閱讀-----

突破瓶頸:辛頓與波茲曼機

約翰·霍普菲爾德於1982年發明聯想神經網路,即「霍普菲爾網路」。圖/wikimedia

然而,霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題,無法找到系統的全局最優解。為了解決這個問題,加拿大計算機科學家傑佛瑞·辛頓(Geoffrey Hinton)提出了「波茲曼機」(Boltzmann Machine)。

辛頓將「模擬退火」的概念引入神經網路,允許系統以一定的機率跳出局部最小值,尋找全局最優解。他還引入了「隱藏層」的概念,將神經元分為「可見層」和「隱藏層」,提高了網路的學習能力。

受限波茲曼機(Restricted Boltzmann Machine)進一步簡化了模型,成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來:跨學科的融合

霍普菲爾德和辛頓的工作,將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸,還奠定了深度學習的基礎,對現代 AI 技術產生了深遠的影響。因此,2024 年諾貝爾物理學獎頒給他們,並非意外,而是對他們在跨學科領域的重大貢獻的肯定。

-----廣告,請繼續往下閱讀-----

AI 的發展,離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作,正是這種融合的典範。未來,隨著科學技術的進步,我們有理由相信,AI 將越來越接近人類的思維方式,甚至可能超越我們的想像。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

PanSci_96
1259 篇文章 ・ 2385 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

3
0

文字

分享

0
3
0
AI 破解生命密碼!AlphaFold 3 揭開蛋白質折疊的終極謎團
PanSci_96
・2024/10/07 ・1619字 ・閱讀時間約 3 分鐘

-----廣告,請繼續往下閱讀-----

AlphaFold的誕生:人工智慧的奇蹟

2018 年,Google 旗下的 DeepMind 團隊推出了第一代 AlphaFold,這是一款基於深度學習的 AI 模型,專門用於預測蛋白質的三維結構。AlphaFold 的命名取自「fold」一詞,意為折疊,指的是蛋白質在胺基酸鏈構成後迅速摺疊成其功能所需的三維結構。

AlphaFold 的突破在於其能夠預測出蛋白質折疊的可能性,這是一個傳統計算方法無法達到的領域。第一代 AlphaFold 在國際 CASP 比賽中取得了一定的成功,雖然其預測準確度尚未達到實驗室標準,但其潛力讓科學家們充滿期待。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

為什麼蛋白質結構預測如此重要?

蛋白質是生命的基石,它們的功能取決於其複雜的三維結構。然而,僅靠實驗技術來解析蛋白質的結構既昂貴又耗時。過去科學家依賴於如 X 光晶體繞射等技術來解析蛋白質的結構,然而這種方法雖然精確,但往往需要數年時間來得出一個結論。

到目前為止,人類已知的蛋白質數據庫中,全球僅解析了大約 22 萬種蛋白質的結構,這遠遠不足以滿足生物學和醫學研究的需求。尤其是人類的許多蛋白質結構仍然未知,這成為阻礙醫學進步的一個主要瓶頸,特別是在藥物開發和疾病治療上,因此如何加速對蛋白質的結構的解析至關重要。

-----廣告,請繼續往下閱讀-----

AlphaFold 2:技術飛躍

2020 年,AlphaFold 2 橫空出世,改進了多項技術,預測準確度大幅,幾乎達到了與實驗結果相媲美的程度。這一成就震驚了全球生物學界,許多科學家開始將 AlphaFold 2 應用於實際研究中。

AlphaFold 2 的成功源自於其三大技術革新:

  • 注意力機制:模仿人類的思維模式,從大局出發,關注蛋白質結構中的每一個細節,進而提高預測的準確性。
  • 多序列比對功能:通過搜尋類似的胺基酸序列,推斷新的蛋白質結構。
  • 端到端預測模式:利用深度學習神經網路,不斷反饋預測結果,持續優化模型。
AlphaFold 2 預測準確度大幅提升。 圖/envato

AlphaFold 3:下一代 AI 的力量

隨著 AlphaFold 2 的成功,DeepMind 並未停止其腳步。2024 年 5 月,AlphaFold 3 正式推出,這標誌著 AI 技術在生物學領域的又一個里程碑。AlphaFold 3 的改進再次吸引了科學界的目光,它強化了注意力機制,並引入了擴散模型,這使其能夠更快且更準確地預測複合蛋白質的結構。

擴散模型是一項關鍵技術,它能夠生成大量的可能蛋白質結構,並快速篩選出最可能的解答。與此同時,AlphaFold 3 還內建了「減幻覺」功能,這讓其在產生結果時能夠避免過多不切實際的預測,提升了結果的可信度。

-----廣告,請繼續往下閱讀-----

AlphaFold 的實際應用:醫學與藥物開發

AlphaFold 3 的誕生,不僅是一個技術突破,還為醫學和藥物開發帶來了巨大的希望。過去,癌症治療中的標靶藥物需要經過漫長的實驗才能確定其作用原理,然而現在,通過 AlphaFold 的預測,科學家可以更加精確地針對癌細胞中的錯誤蛋白質,設計出更有效的藥物。

除此之外,AlphaFold 3 還在抗病毒藥物、抗生素以及阿茲海默症等領域展現了潛力。其能夠預測蛋白質與其他分子(如DNA、RNA)的交互作用,這使得研發新藥的過程大大加速。

AlphaFold 3 的挑戰與未來

儘管 AlphaFold 3 取得了驚人的進展,但其仍然面臨一些挑戰。首先,目前 AlphaFold 3 的模型尚未完全開源,這限制了研究人員對其內部運作的了解。為此,一些科學家已聯名要求 DeepMind 開放其程式碼,以便進行更深入的研究和應用。

不過,隨著 AlphaFold 3的逐步推廣,生物學家相信它將繼續改變生物學研究的方式。未來,這項技術有望在解決更多未解難題中發揮關鍵作用,並為醫學領域帶來更大的突破。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

PanSci_96
1259 篇文章 ・ 2385 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。