【GENE思書軒】天才艾倫‧圖靈的一生

• 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。

前陣子不知道各位是否有發漏到一個很科幻的消息，有一名 GOOGLE 工程師勒穆因（Blake Lemoine）上網公布他自己和他協助開發的對話型 AI LaMDA（Language Model for Dialog Applications）之間的對話紀錄。

他宣稱這個 AI 已經具有知覺和自我意識，甚至能對《悲慘世界》有獨到的評論，也略懂禪宗甚至能冥想。震驚的勒穆因形容它就像個 7 – 8 歲的孩子，而且 LaMDA 還明確表達自己是人而非 google 的財產。

難道說 AI 界最知名的圖靈測驗已經被 google 攻克了嗎？

圖靈與模仿遊戲

提起圖靈，大家心中應該會浮現以新世紀福爾摩斯、奇異博士走紅，人稱飾演天才專業戶的班奈狄克·康柏拜區 Benedict Cumberbatch）的臉。

他曾在一部名為《模仿遊戲》的電影中，詮釋了現代電腦科學概念之父艾倫‧圖靈 （Alan Turing） 的傳奇一生。他在二戰時期成功研發出一台能破解德軍密碼的計算機 Bombe ，而後更完成了電腦數學的理論化，在概念發展上仍是無人能出其右，例如他 1936 年提出的通用計算機/圖靈機架構，以及嘗試區隔AI與人的差異的哲學思考：圖靈測驗（Turing Test）。

圖靈測驗是一個思想實驗，早在 1950 年，第一台商用電腦連個影子都沒有的時代下，圖靈就已經思考到未來「計算機」的智慧表現將可能到達人類難辨真假的程度，具體來說這個思想實驗是如果一台機器能夠透過介面，與不知對面是機器人或是人類的受試者展開對話，而不被辨別出其機器身分，那麼就可稱這台機器具有智慧。

但我們也知道智慧有很多面向跟層次，語言和問題回應都不一定能反應這台機器有無智慧，因此這個思想實驗的有效性也被許多科學家和心理學家質疑。即使如此簡單粗暴的模仿遊戲，至今其實也都沒人能攻克。

等等，你可能會想到，前面提到的 google 工程師勒穆因，他不是已經分不出來對面是機器還是人了嗎？原因很簡單，他自己就是 AI 的開發者而非圖靈測試設定中的不知情受試者，因此根本不能算數，除非 google 拿這個 AI 給不知情民眾作測試。

不過今年 8 / 28 google 已經將這個對話機器人以 AI Test Kitchen 項目開放部分美國人作小規模測試，其中包含了「 Imagine It （想像一下）」，只要你說出一個想像或實際存在的地點，LaMDA 就會嘗試以文字描述，而另一個「List It（列個清單）」，則會幫你摘要分類起你提供的清單內容。最有可能和圖靈測驗有關係的「 Talk About It （你說看看）」項目，可以針對特定主題與使用者進行自由對談。

搞不好等到這個封閉測試結束後，我們會真的分不清楚現在到底是人還是 AI 在和我們對話，屆時也許就真能達成「通過圖靈測試」這個 AI 里程碑！

真實世界的棋靈王 AlphaGo

其實這已經不是 google 第一次用 AI 震驚世人了，讓我們回到 2016 年的圍棋大賽會場，當時 google 收購的公司 Deepmind 研發的圍棋計算 AI Alpha Go 以四勝一敗擊敗韓國棋王李世石，爾後又於 2017 年三戰全勝當時世界棋王柯潔。

若這場對奕發生在網路上，就像是棋靈王中佐為以 SAI 為化名擊敗塔矢名人，我們是否真的能分辨在電腦對面和你下棋的是 AI 藤原佐為、還是黑嘉嘉呢？

而這樣玄妙的畫面，當年還真的發生了，就在 2016 年末網路棋壇上一個名為 Master 的帳號出現，專挑職業棋士對奕，最後獲得 60 勝 1 和這麼大殺四方的成績。

而在第 54 局和中國棋聖聶衛平對奕後， Master 首次打出繁體中文「謝謝聶老師」，在第 60 局對上中國的古力九段 Master 更自曝身分，說出自己就是「AlphaGo 的黃博士」。這位黃博士就是打從 2012 就開發出國產圍棋程式 Erica ，爾後被 Deepmind 公司挖角，參與開發 AlphaGo 的台灣資深工程師黃士傑。

不論是讓工程師自己都認知錯亂的 LamDA ，或是在圍棋界痛宰各路棋王的 AlphaGo ，驚嘆之餘，我們更好奇的是，它們是怎麼開發出來的？

人工智慧的起起落落

讓我們來看看歷代電腦科學家們是如何發展出各種人工智慧，一路迎來現在幾乎琴棋詩書樣樣通的黃金時代，我先提醒大家，這過程可不是一帆風順，就像股票一樣起起落落，在 AI 的發展史上，套牢過無數科學家。

人工智慧這概念是在 1956 年提出，就在麥卡錫（John McCarthy）和明斯基（Marvin Minsky）、羅切斯特（Nathaniel Rochester）和香農（Claude Shannon）四位 AI 鼻祖與其他六位研究者參與的一個名為「達特茅斯夏季人工智慧研究會」的會議上，這一年也被公認為 AI 元年。

會議中除了人工智慧這個詞以外，當年這些金頭腦們就已經提出大家現在很熟悉的「自然語言處理」（就是 SIRI 啦）、神經網路等概念，而在這個會議後，正好遇上美蘇冷戰和科技競賽的時代。除了在大家耳熟能詳的阿波羅系列等太空任務上較勁外，兩大強國也投資大量資源在電腦科學上，期待能夠像圖靈當年那樣，開發出扭轉戰局的電腦科技。

而他們也不負所託產出了很多有趣的運用，例如第一個具備學習能力的跳棋程式、或是聊天機器人伊莉莎（Eliza）、醫療診斷系統「MYCIN」。史丹佛大學（Standord University）甚至就從那時開始研發現在很夯的汽車自動駕駛技術。

然而到了 70 年代初期，AI 的發展開始遭遇許多瓶頸，主要是研究者們慢慢發現，即使他們開發的AI 已經擁有簡單的邏輯與推理能力，甚至一定程度的學習能力，但仍離所謂智慧和判斷能力差太遠，使得當時的 AI 甚至被批評為只能解決所謂的「玩具問題（Toy Problem）」。

也因為能解決的問題太有限，也導致出資的英美政府失去了信心， AI 研究領域迎來了第一次寒冬。但這並非當時的科學家能力不足，而是他們生錯了時代，例如我們現在都經常聽到的「類神經網路」就是前述的 AI 鼻祖明斯基提出的。

就像仿生獸的創造者一樣，他想從大自然中找答案，而既然要探索智慧，明斯基就直接模仿人類腦細胞，做出第一台神經網路學習機，但當年受限於電腦硬體效能和可用的資料不足，使類神經網路沒有辦法像現在一樣揚名立萬。

在寒冬之中，另一位大神麥卡錫認為追求智慧和思考是緣木求魚，不如利用機器比我們還強大的優勢邏輯與運算，來幫我們解決問題就好，因此演進出「專家系統」這條路線，帶來人工智慧的復興。

專家系統的本質就是把所有參數和結果塞進去，用搜索和運算的方式來回答問題，這種人工智慧特別適合解決一些有明確答案的專業問題，所以被稱為專家系統，例如醫生針對已知病徵開立處方用藥，或是法律相關問題。

隨著電腦運算效能的大提升，專家系統在復興之路上有不少發揮和成果，但很快又遇到下一個瓶頸，即是「專家系統無法面對新問題」，例如即使能將開處方籤這件事自動化，但卻沒有辦法對應新疾病例如 COVID – 19，或是還沒來得及輸入資料庫的新型藥品，離取代醫生太遠了。

於是就像景氣循環一樣，大量投資的熱錢又開始泡沫化，人工智慧迎來了第二次寒冬，許多電腦科學家甚至改自稱自己在做自動化設計或最佳化系統等等來掩人耳目，避免被唱衰。

這概念非常合理，可惜受限於當時電腦硬體能力和資料量，因此原型機能解決問題的速度還不如傳統統計方式，但隨著電晶體的高速發展，以及網路世代帶來海量資料，類神經網路這門技藝開始文藝復興。

1984 年，美國普林斯頓大學的物理學家和神經學家霍普菲爾德（John Hopfield）用模擬集成電路（linear integrated circuit）完成了新的類神經網路模型，而雲端運算、大量資料讓科學家可以輕易的餵養資料訓練模型，更能夠增加更多「隱含層」讓運算更複雜，這種「深度學習技術」，讓人工智慧的第二次寒冬看見暖陽。

從李飛飛推出的 ImageNet 年度競賽開始，演化到 google 的 alphaGo ， AI 開始能夠認得圖像上的物件，甚至攻克本來被認為不可能攻克的圍棋領域。何會說圍棋曾被認為不可能被攻克呢？因為每一盤圍棋的複雜度可是高達 10 的 172 次方，比現在已知的宇宙原子數量還多，因此圍棋界才有「千股無同局」之說。

相較起來 1997 年 IBM 的深藍攻克的西洋棋複雜度僅有 10 的 46 次方，但也動用了 30 台電腦加裝 480 加速運算晶片，基本上就有如火鳳燎原中八奇思維的「我知道你的下一步的下一步」，當年深藍每一次下棋可是都暴力計算到了後面 12 步的發展，才打敗西洋棋世界冠軍卡斯帕羅夫。

AlphaGo 到底是怎麼算出這麼複雜的圍棋呢，難道它比深藍還厲害，能像是奇異博士雖然能透過時間寶石演算出一千四百多萬種平行宇宙的可能性才落子嗎？

這就要提到 Deepmind 公司非常有趣的洞見，那就是真正的智慧是捨棄那些無須多想、壓根不可能成功的可能性。 google 工程師使用了一種叫做蒙地卡羅樹搜尋的方式一方面讓 alpha go 大量隨機生成類神經網路參數和層數，二方面讓它快速搜尋並略過「不需要運算的路徑」。

這其實是我們日常生活中很熟悉的現象　——人腦的「捷思」，也就是直接專注於我們要解決的問題，忽略周遭的雜訊或多餘的想法。而類神經網路的設計思維是尋求最佳解而非唯一解，即使是 Alpha go 也會下錯棋，也曾輸給李世石，但關鍵是能夠在有限的資訊和時間中得到答案。

除了下出神之一手以外，Alpha go 這樣的 AI 能做的事情還多著， Deepmind 用 AlphaGo 打遍天下無敵手後宣布讓 AlphoGo 退休，後續將這套技術拿去學玩貪食蛇，打星海爭霸，展現出超越電競選手的技巧，現在甚至能預測蛋白質結構，或比醫生更精準地判定乳癌。

人類的最後堡壘陷落了嗎？

最後我們回到一開始的問題，實用化的 LaMDA 究竟有沒有可能通過圖靈測試呢？

即使目前 google 仍強烈否認 LaMDA 具有知覺，而勒穆因也因涉嫌洩漏商業機密被停職。英國謝菲爾德大學機器人學院教授羅傑‧摩爾澄清這個AI背後的算法體系只是「詞序建模」（world sequence modelling）而非「語言建模」（language modeling）。

他強調對答如流的 LaMDA ，會給你他有人格的感覺只是錯覺。但最新的應用中，google 找來了 13 個作家，測試以 LaMDA 為基礎開發的寫作協助工具LaMDA Wordcraft。運作上有點像手機輸入法的關聯字詞推薦概念，但它的設計完全是為了文字創作者而生，利用整個網際網路中的文字，它彷彿擁有了類似榮格「集體潛意識」的能力，當小說家起了一個頭，它就能開始推薦下一個單詞甚至一整個句子補完，甚至還能調整生成文字的風格，例如有趣或憂鬱，這些應用聽起來簡直像是科幻小說。

奇妙的是，參與測試的作家之一正是曾翻譯《三體》英文版並寫出《摺紙動物園》的科幻小說家劉宇昆，他形容這個工具讓他數次突破「創作瓶頸」，節約了自己的腦容量，專注於創作故事更重要的東西。

更驚人的是，他提到有一次他連開頭的靈感都沒有，因此他把「創作的主動權」交給了 LaMDA ，並從中看到了從未想過的可能性，有了繼續寫下去的新寫作靈感。儼然就像當年 Alpha Go 下出一些人類棋譜中從沒想過的棋路一樣，有了「洞見」。

到了這個地步，你仍能堅持 AI 只是我們拿來「解決問題」的工具，而不具備一定程度對人文的認知或智慧嗎？

原本人類就對機器有些好奇：機器會思考嗎？機器有智力嗎？機器會有智力嗎？

這些問題本來還不急著回答，但是當研究人員在一九四三年創造出第一台現代電腦，也就是電子、數位、可編寫程式的機器之後，這些問題就顯得急迫了。

這些問題看來格外費解，因為智力的本質一直都沒有答案。

機器人有智力嗎？圖靈測試出現

數學家與解碼專家亞倫．圖靈（Alan Turing）在一九五○年提出解決方案，他的文章標題相當謙和，他在〈計算機器與智力〉一文中建議完全擱置機器智力的問題。圖靈認為真正重要的不是機制，而是智力的展現；他解釋說，因為其他生物的內在生命仍不可知，所以我們衡量智力的唯一方法就是觀察外部行為。圖靈用這個觀點避開長達數世紀的哲學辯論，不去討論智力的本質。

他所推出的「模仿遊戲」就是讓一台機器操作熟練到觀察者無法區別機器和人類的行為，屆時，這台機器就可以貼上「擁有智力」的標籤。

圖靈測試就出現了。

很多人望文生義，從字面解釋圖靈測試，想像著機器人符合條件的話就會和人一樣（如果真有其事的話）。實際應用上，在遊戲或競賽等定義明確、狀況設定清楚的活動中，圖靈測試可有效衡量「有智力的」機器表現如何。圖靈測試並不要求機器做到和人類完全無法區分的地步，而是要判斷機器的表現是不是像人；在這過程中，圖靈測試著重於表現，而非過程。

這樣的產生器算人工智慧，倒不是因為的模型細節符合什麼標準，而是因為他們寫出來的訊息很接近人類寫出來的訊息，能通過測試是因為這模型經過訓練，運用大量線上資訊。

人工智慧怎麼「學習」？

一九五六年，科學家約翰．麥卡錫（John McCarthy）進一步定義了人工智慧：

若機器可執行「需要人類智力才能進行的工作」，即具備人工智慧。

圖靈和麥卡錫對人工智慧的評估自此形成基準，將我們的焦點從智力的定義轉移到表現（看似有智的行為）的評估上，不再聚焦於人工智慧這個詞在更深奧的哲學、認知與神經科學層面。

過去的半個世紀以來，機器幾乎都無法呈現這種智力，這條死路好像已經走到底了。電腦在精確定義的程式基礎上運作數十年，但因為電腦既靜態且僵化，所以電腦分析也受到局限；傳統的程式可以組織大量資料，執行複雜的計算，可是卻無法辨識類似物品的圖片，或適應不準確的輸入項目。

人類思想不精確又模糊，確實是人工智慧發展過程中難以排除的障礙。然而，過去的十年內，創新的運算方式已經創造出新的人工智慧，模稜兩可的程度可和人類相提並論。人工智慧也不精確、恆動、隨機應變，並且能夠「學習」。

人工智慧「學習」的方式就是先消化資料，然後從資料中觀察，得出結論。

過去的系統需要精確地輸入和輸出項目，不精確的功能人工智慧就不需要。人工智慧在翻譯的時候，不會把每個字都替換掉，而是會找出模式和慣用語，因此翻出來的譯文也會一直變化，因為人工智慧會隨著環境變遷而進化，還能辨識出對人類很新奇的解決方案。在機器領域裡，這四種特質都具有革命性。

以阿爾法元在西洋棋世界的突破來說，以前的西洋棋程式要倚賴人類的專業，把人類的棋路編寫為程式；但阿爾法元的技巧是自己和自己對戰數百萬場後磨練出來的，軟體從對戰過程中自己發現了模式。

飛快進步的演算法

這些「學習」技巧的基石是演算法，而演算法就是一連串的步驟，把輸入項目（例如遊戲規則或棋子的走法）翻譯成可重複的輸出項目（例如獲勝）。經典演算法例如長除法等計算，必須精準、可預測，機器學習演算法則不用；經典演算法有許多步驟，分別產出精準的結果，機器學習演算法則一步一步改善不精準的結果。

這些技巧目前進步飛快，以航空來說，很快地，人工智慧就能成為各種飛行器的正駕駛或副駕駛了。在美國國防部高等研究計劃署（DARPA）的專案「阿爾法纏鬥」（Alpha Dogfight）中，人工智慧戰機飛行員在模擬戰鬥中的表現超越了人類飛行員；不管是要操縱噴射機參戰或操縱無人機送貨，人工智慧都會劇烈影響軍事與民用航空。

儘管我們現在看到的創新還只是開端，但這些變化已經微妙地改變了人類體驗的紋理，在接下來的數十年內，這趨勢只會愈來愈快。

驅動人工智慧轉型的科技概念很複雜也很重要，所以本章會特別解釋機器學習的演化、現況與應用，說明儘管機器學習強大到讓人害怕，但也有自身的限制。

我們必須先簡介機器學習的架構、能力和限制，才能理解機器學習將帶來的社會、文化和政治變化。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。