【GENE思書軒】天才艾倫‧圖靈的一生

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。

• 作者／ 布萊恩·柯尼罕（ Brian W. Kernighan）
• 譯者／ 李芳齡

人工智慧的開端

在電腦發展之初的二十世紀中期，人們開始思考可以如何用電腦來執行通常只有人類才能做到的事情，一個明顯的目標是玩西洋跳棋和西洋棋之類的棋盤遊戲，因為這領域有個優點，那就是有完全明確的規則，並有一大群感興趣且有資格稱為專家的人。

另一個目標是把一種語言翻譯成另一種語言，這顯然困難得多，但更為重要，例如，在冷戰時期，從俄文到英文的機器翻譯是很要緊的事。其他的應用包括語音辨識與生成，數學與邏輯推理，做決策，及學習過程。

這些主題的研究很容易取得資助，通常是來自美國國防部之類的政府機構。我們已經在前文中看到，美國國防部對早期網路研究的資助有多珍貴，它引領出網際網路的發展。人工智慧的研究也同樣受到激勵及慷慨資助。

我認為，把 1950 年代及 1960 年代的人工智慧研究形容為「天真的樂觀」，應該是公允的。當時的科學家覺得突破就快到來，再過個五或十年，電腦就能正確地翻譯語言，在西洋棋比賽中擊敗最優的人類棋手。

我當時只是個大學生，但我著迷於這個領域和潛在成果，大四時的畢業論文就以人工智慧為主題。可惜，那篇論文早已被我搞丟了，我也想不起當年的我是否也抱持相同於當時普遍的樂觀態度。

但是，事實證明，幾乎每個人工智慧的應用領域都遠比設想的要困難得多，「再過個五或十年」總是一次又一次被端出來。成果很貧乏，資金用罄了，這領域休耕了一、二十年，那段期間被稱為「人工智慧之冬」。

把專家的判斷規則，直接寫成一堆判斷式的「工人智慧」階段

到了 1980 年代和1990年代，這個領域開始用一種不同的方法復耕了，這方法名為專家系統（expert systems）或規則式系統（rule-based systems）。

專家系統是由領域專家寫出很多規則，程式設計師把這些規則轉化為程式，讓電腦應用它們來執行某個工作。醫療診斷系統就是一個著名的應用領域，醫生制定研判一名病患有何問題的規則，讓程式去執行診斷、支援、補充，或理論上甚至取代醫生。

MYCIN 系統是早期的一個例子，用於診斷血液感染，它使用約 600 條規則，成效至少跟一般醫生一樣好。這系統是由專家系統先驅愛德華．費根鮑姆（Edward Feigenbaum）發展出來的，他因為在人工智慧領域的貢獻，於 1994 年獲頒圖靈獎。

專家系統有一些實質性的成功，包括顧客支援系統、機械維修系統以及其他焦點領域，但最終看來也有重大限制。

實務上，難以彙集一套完整的規則，而且有太多例外情況。這種方法未順利擴大應用於大量主題或新問題領域，需要隨著情況變化或了解的改進，更新規則，舉例而言，想想看，在 2020 年遇上一名體溫升高、喉嚨痛、劇烈咳嗽的病患時，診斷規則該如何改變？這些原本是一般感冒的症狀，或許有輕微的併發症，但很可能是新冠肺炎，具有高傳染性，且對病患本身及醫療人員都非常危險。

擺脫「工人智慧」，讓電腦能自學——機器學習的基本概念

機器學習的基本概念是對一種演算法給予大量的例子，讓它自行學習，不給它一套規則，也不明確地編程讓它去解決特定問題。

最簡單的形式是，我們為程式提供一個標記了正確值的訓練集（training set），例如，我們不試圖建立如何辨識手寫數字的規則，而是用一個大樣本的手寫數字去訓練一套學習演算法，我們對每個訓練資料標記其數值，這演算法使用它在辨識訓練資料時的成功及失敗來學習如何結合這些訓練資料的特徵，得出最佳辨識結果。

當然，所謂的「最佳」，並不是確定的：機器學習演算法盡力去提高得出好結果的機率，但不保證完美。訓練之後，演算法根據它從訓練集學到的，對新的資料進行分類，或是預測它們的值。

監督式學習——人類教電腦看見特徵，由演算法來算出規則

使用有標記的資料（labeled data／tagged data）來學習，此稱為監督式學習（supervised learning）。大多數監督式學習演算法有一個共通的架構，它們處理大量標記了正確類別（正確值）的例子，例如，這文本是不是垃圾郵件，或者，這照片中的動物是哪種動物，或者，一棟房子的可能價格。演算法根據這個訓練集，研判能讓它得出最佳分類或做出最佳預測的參數值；其實就是讓它學習如何從例子做出推斷。

我們仍然得告訴演算法，哪些「特徵」能幫助做出正確研判，但我們不對這些特徵給予權值或把它們結合起來。舉例而言，若我們試圖訓練演算法去過濾郵件，我們需要與垃圾郵件內容有關的特徵，例如類似郵件用詞（「免費！」）、已知的垃圾郵件主題、怪異字符、拼字錯誤、不正確的文法等等。

這些特徵單獨來看，並不能研判一份郵件就是垃圾郵件，但給予足夠的標記資料，演算法就能開始區別垃圾郵件與非垃圾郵件——至少，在濫發垃圾郵件者做出進一步調整之前，這演算法具有此過濾成效。

手寫數字辨識是一個眾所周知的問題，美國國家標準與技術研究院（National Institute of Standards and Technology，NIST）提供一公開測試組，有 60,000 個訓練圖像集和 10,000 個測試圖像集，＜圖表＞是其中一個小樣本。機器學習系統對此資料的辨識成效很好，在公開競賽中，錯誤率低於 0.25%，亦即平均 400 個字符中只有一個錯誤。

機器學習演算法可能因種種因素而失敗，例如，「過度擬合」（over-fitting），演算法對其訓練資料的表現很好，但對新資料的表現遠遠較差。或者，我們可能沒有足夠的訓練資料，或是我們提供了錯誤的特徵集，或者，演算法產生的結果可能確證了訓練集內含偏誤。

這在刑事司法應用系統（例如判刑或預測再犯）中是特別敏感的問題，但在使用演算法來對人們做出研判的任何情況，也會造成問題，例如信用評等、房貸申請、履歷表篩選。

垃圾郵件偵測及數位辨識系統是分類型演算法（classification algorithms）的例子：對資料項做出正確分類。

預測型演算法（prediction algorithms）則是試圖預測一數值，例如房子價格、運動比賽得分、股市趨勢。

舉例而言，我們可能試圖根據位置、年齡、客廳面積與房間數等主要特徵來預測房子價格，更複雜的模型——例如 Zillow 使用的模型——會加入其他特徵，例如相似房屋之前的售價、社區特色、房地產稅、當地學校素質。

非監督式學習——讓電腦自己找出特徵與規則

不同於監視式學習，非監督式學習（unsupervised learning）使用未加入標記的訓練資料，亦即沒有對資料加上任何標記或標籤。非監督式學習演算法試圖在資料中找出型態或結構，根據資料項的特徵，把它們分組。有一種盛行的演算法名為「k 群集分析」（k-means clustering），演算法盡力把資料分成 k 群，讓每一群中的資料項相似性最大化，並且各群之間的相似性最小化。

舉例而言，為研判文件的作者，我們可能假設有兩名作者，我們選擇可能的關聯性特徵，例如句子的長度、詞彙量、標點符號風格等等，然後讓分群演算法（clustering algorithm）盡它所能地把文件區分成兩群。

非監督式學習也適用於在一群資料項中辨識離群項（outliers），若大多數資料項以某種明顯方式群集，但有一些資料項不能如此群集，可能代表必須進一步檢視這些資料項。

舉例而言，設若＜圖表＞中的人工資料代表信用卡使用情形的某個層面，多數資料點分別群集於兩大群之一，但有一些資料點無法群集於這兩群中的任何一群，或許，這些資料點沒什麼問題——群集分析不需要做到完美，但它們也可能是詐欺或錯誤的情況。

非監督式學習的優點是不需要做可能滿花錢的訓練資料標記工作，但它不能應用於所有情況。使用非監督式學習，必須思考出與各群集相關的一些可用的特徵，當然，對於可能有多少個分群，也需有一個起碼的概念。

我曾經做過一個實驗，使用一個標準的 k 群集分析演算法來把約 5,000 個臉孔影像區分為兩群，我天真地期望這演算法或許能區分出性別。結果是，它的正確率約 90%，我不知道它是根據什麼來下結論的，我也無法從那些錯誤的情況中看出什麼明顯型態。

——摘自《普林斯頓最熱門的電腦通識課》，2022 年 2 月，商業周刊。