編按：本文選自《離開太陽系》第七章：機器人上太空。今日的機器其實是過度美化的機器——它們能執行特定且反覆的有限任務，卻無法勝任涉及基本知識的複雜工作。過去數十年來，電腦運算能力每 18 個月就翻倍成長，我們能懷抱怎樣的期待？
來到某個階段，我們應該會不得不指望由機器接手控制。
──英國計算機科學家亞倫．圖靈（Alan Turing）
倘若如此遙不可及的事會在接下來一兩百年內發生，我大概會非常驚訝。
──美國跨學科研究者道格拉斯．侯世達（Douglas Hofstadter）
DARPA 挑戰賽：製作可以清理核災高輻射現場的機器人
二○一三年，隸屬美國國防部、負責網路基礎建置工作的「高級研究計畫局」（Defense Advanced Research Projects Agency，DARPA）向全球科學家下戰帖：為二○一一年發生三座核電廠爐心熔毀的日本福島縣設計機器人，清理輻射外洩造成的嚴重混亂。電廠殘骸的輻射殘留極強烈，工作人員在致命輻射區待個幾分鐘就得離開，導致清理作業嚴重落後。據官方估計，該輻射汙染區至少得花三十至四十年才能清理完畢，作業成本高達一千八百億美元。
如果科學家有辦法做出毋須人類介入、能自動清理垃圾與廢棄物的機器人，無疑也可視為打造外星用自動機（協助打造月球基地或火星移居地）的第一步，即使在高輻射環境工作也不怕。
DARPA 意識到，日本福島縣會是應用最新 AI 技術的理想場所，於是決定推出獎金三百五十萬美元的「 DARPA 機器人挑戰」，徵選可執行基礎清理任務的機器人。（事實證明上一屆的 DARPA 挑戰賽極為成功，順利為開發「無人駕駛車輛」做好暖身工作。）這場競賽無疑也是完美的公共論壇，得以宣揚 AI 領域的相關進展。經過多年過度讚譽和誇大宣傳，此刻該是秀出真本事的時候了。世人將親眼目睹，機器人有能力執行較不適合人類處理的重要工作。
DARPA 訂下的規則不多，但意義明確：若想贏得大獎，機器人必須執行八項簡單任務，包括駕車、移除廢棄物、開門、關閉滲漏閥門、組接消防水喉及水帶、旋開或關閉閥門等。來自世界各地的文章條目湧入論壇，競相爭取榮耀和優渥獎酬。然而競賽結果並未順利開啟 AI 新紀元，倒是留下略嫌難堪的局面：
參賽者多數無法完成任務，有些甚至直接在鏡頭前失敗出糗。
經過這次挑戰賽，顯示 AI 的複雜程度可能比「由上往下」的設計概念還要複雜許多。
機器不像人腦具有神經網路，所以無法學習
某些 AI 研究人員已徹底揚棄由上往下法，改為「由下往上」（bottom-up），選擇模仿大自然。這套替代策略或能另闢蹊徑，有希望造出能在外太空作業的機器人。出了 AI 實驗室，這類精細複雜的全能自動機其實處處可見，遠勝過人類目前設計過功能最強大的作品。這種全能自動機叫「動物」。小不嚨咚的蟑螂在森林裡熟門熟路、動作靈巧地鑽來竄去，尋找食物和交配對象。相較之下，咱們身形龐大、動作笨拙的機器人在行進期間，有時不小心還會刮破壁紙呢。
六十年前，達特茅斯研討會在理論推定上的潛在瑕疵，至今仍是 AI 領域揮之不去的陰影。人腦不是數位電腦。人腦不跑主程式、不跑子程式，沒有中央處理器也沒有晶片組，更不需要程式碼。若移除電腦的某顆電晶體，電腦大概就掛了，然而人類就算切掉半顆大腦，大腦還是能設法運作。
大自然實現運算奇蹟的方式是將大腦設計成一套神經網絡，一部學習機器。各位的筆記型電腦永遠不可能學習，今天的它跟昨天、跟去年一樣，沒有長進。但人腦不同。人腦在學習任何事物之後，理論上都會「重組」一遍，這也就是娃娃在還沒學習任何語言之前只會咿咿呀呀、我們在學會騎單車之前只能歪歪倒倒或急轉急煞之故。
神經網絡依循「赫布定律」（Hebb’s rule），藉由「持續重複」來改善功能。赫布定律言明：
你執行某項工作的次數越多，與這項工作有關的神經傳導路徑就會使用得越頻繁，達到加強效果。
在神經科學領域中，有句話是這麼說的：「同時受激發的神經元亦彼此相連。」（Neurons that fire together wire together.）各位或許聽過一則老笑話，「『卡內基廳』怎麼去？」神經網絡解讀後回答：「練習、練習、再練習。」
舉例來說，常登山健行的人都曉得，假如某條山徑被踩得亂七八糟，就表示一定有很多人走過這條路，那麼這條路很可能就是最好的選擇。正確的途徑每使用一次就會強化一次。同樣的，你越常從事某項行為，和這項行為有關的神經路徑也會越頻繁受到強化。
這套概念非常重要，因為具學習能力的機器無疑是太空探索的關鍵要素。機器人將會在外太空持續遭遇全新、不斷變化的危險挑戰，被迫跟當今科學家設想不到的意外場景短兵相接。若只為機器人安裝應付固定緊急事件的處理程式，機器人將毫無用處，因為命運會扔給它一堆無法預料的難題。比方說，老鼠身上不可能預載能應付所有局面的基因密碼，因為牠一輩子要面對的狀況無法勝數，但牠的基因卻是有限的。
假設火星某基地遭到流星雨襲擊，造成許多建物損毀。這時，配備神經網絡的機器人就能一邊處理這類意外狀況、一邊學習，並且越做越好。反觀傳統的「由上往下設計」型機器人，屆時大概只會癱在原地，無力應付意料之外的緊急狀況。
目標是打造具有學習能力的機器人
羅尼．布魯克斯（Rodney Brooks）將許多這類新概念導入研究。羅尼是麻省理工學院著名的「人工智慧實驗室」前實驗室主任。在訪談期間，他曾讚嘆像蚊子這麼簡單的小東西（那顆顯微等級的小腦袋少說也有上萬神經元），都能毫不費力在三維空間飛行，但我們卻得用無數複雜的電腦程式控制一具只會走路的機器人，而且還可能走得跌跌撞撞、蹣跚踉蹌。羅尼用他研發的「機器蟲」（bugbots）和「類昆蟲」（insectoids）率先開闢一條新路徑。透過學習，這兩種自動機都能像六腳昆蟲般移動。起初牠們總是摔個四腳朝天，不過每次嘗試都有進步、越走越好，漸漸能像真的昆蟲一樣順暢調控六隻腳。
這套將神經網路置入電腦的過程稱為「深度學習」（deep learning）。隨著這項科技逐漸發展，極可能在許多產業引發重大革新。在不久的將來，若您想看醫生、找律師，只消對著智慧牆或智慧腕錶下達「找（機器）醫師」或「找（機器）律師」的指令，程式軟體會立刻上網搜尋，提供語音醫療或語音法律服務。這類程式會透過重複的問題持續磨練學習，回答得越來越好──或甚至先發制人，滿足你的特殊需求。
深度學習也可能主導太空全能自動機的發展方向。未來數十年內，人類可能結合「由上往下」及「由下往上」兩套方式，初期先為機器人植入部分基本知識，但機器人也能利用神經網絡運作學習。它們將與人類一樣能透過經驗學習，直至精通「模式識別」和「運用常識」，終而能在三維空間內移動工具、掌控新情勢。不論在火星或整個太陽系、或甚至其他系外星球上，這群機器人都將成為建造、維持外星移居地不可或缺的重要角色。
未來，科學家也會針對各種特殊任務而設計不同的機器人。機器人可以像蛇一樣，學習在下水道系統內游泳，尋找滲漏或破損處。超級強壯的機器人則學習在建築工地負責所有重物搬運工作。飛行機器人的外型可能像鳥，它們要學的是調查與分析外星地貌。學會探勘地下熔岩通道的機器人可能外型像蜘蛛，因為這種多足生物能十分平穩地越過起伏不平的地面。還有，負責在火星冰帽提供遊歷探險服務的機器人，造型大概會像智慧型雪橇機車。至於必須潛入歐羅巴海洋採集樣本的機器人，說不定會設計成章魚的模樣。
為了探索外太空，機器人必須要能從兩方面學習：一是向隨時、隨機接觸的環境學習，二是吸收直接取得的資訊。
不過，倘若我們希望機器人能靠自己獨力建構整座城市，那麼 AI 領域就算發展到前述這種進階等級，可能還是不夠用。看來，打造「有複製能力」、並且具有「自我意識」的全能自動機，或許才是機器人這門科學的終極挑戰吧。
本文摘自《離開太陽系：移民火星、超人類誕生到星際旅行，探索物理學家眼中的未來世界》，2018 年 12 月，時報出版
狐禪
