在電腦時代，學會當「人」更重要——《打開演算法黑箱》書評

2019/05/07 |

| 標籤：

文／張智皓

「在演算法的年代，人類從未如此刻這般的重要。」——弗萊（Hannah Fry）

圖靈（Alan Turing）在 1936 年提出圖靈機（Turing Machine）的基本構想，人類文明揭開了電腦時代的序幕，並在很短時間內為人類生活帶來了劇烈的變化。上一次有這樣的景況，大概是 17 世紀末蒸汽機的發明，帶領人類文明進入工業時代。

進入工業時代，給人帶來便利同時製造難題。圖／pixabay

這兩個時代有類似之處。蒸汽機讓人開始擔心自己被機械取代：生產模式改變，人力不再重要，生產機器和失業人口大量出現。然而，這種困境並沒有維持太久。新技術讓人失業，也拓展了人的想像力，讓各種新興行業與技術應運而生。這些行業和技術促進產業轉型，反而提高了人力需求，讓人類文明變得更加繁盛。此時，我們知道人類變得比以前更重要。

電腦，或者我們說，演算法，就像是現代的蒸氣機，同樣大幅地改變人類生活模式。在本書中，倫敦大學學院（UCL）先進空間分析中心（CASA）的數學家漢娜弗萊從權力、資料、司法、醫療、車輛、犯罪與藝術這七個面向出發，告訴我們演算法已經如何深入我們日常生活中，為我們帶來前所未見的巨大貢獻，並展現出取代人類的企圖心。

科技帶來便利，但人類始終更了解人類。圖／pixabay

更重要的是，弗萊也透過她細膩的觀察，提醒我們：就如同蒸汽機時代的人類沒有被取代一樣，在演算法時代，人類也只會比以前更重要。

人機合作，讓人類的棋藝再創高峰

讓我們從書中一個輕鬆的例子開始。弗萊告訴我們，在 1997 年，西洋棋世界冠軍卡斯帕洛夫（Gary Kasporov）被 IBM 設計的「深藍」擊敗後，他並沒有因此排斥電腦，反之，他創辦了人類與電腦合作的棋賽。卡斯帕洛夫相信，有了電腦的輔助，人類不再需要花時間在棋盤細節的計算上，而是將心思放在整體戰略上，人機合作，能讓人類的棋藝再創高峰。

這樣的劇情非常類似於 DeepMind 的圍棋軟體 AlphaGo 在 2016 年的創舉。在 AlphaGo 相繼打敗世界冠軍李世乭以及柯潔後，AlphaGo 以及其繼任 AlphaGo Zero 的棋譜變成職業選手們爭相學習的目標。DeepMind 甚至推出 AlphaGo 圍棋教學工具，讓大家學習它的佈局，並進而開發出新的佈局形式。AlphaGo 沒有取代人類棋手，反之，它為圍棋世界注入了新的生命。

兩方交流為圍棋注入新的氛圍。圖／pixabay

演算法無法回答的問題：隱私與安全該如何平衡

接著讓我們談談一個較嚴肅的例子。在本書「犯罪」這一章節中，弗萊提到「臉孔辨識系統」如何對人類產生顯而易見的貢獻。在 2015 年，紐約警察局透過臉孔辨識系統「成功指認了 1700 名嫌犯，並且發動了 900 次逮捕行動。」另外，她也提到從 2010 年以來，紐約州「僅僅針對詐欺和身分盜用就發動了超過四千次逮捕行動。」有了臉孔辨識系統，各大交通運輸管道也可藉恐怖份子資料庫來預防恐怖襲擊（而事實證明這很有用）。

你想要偏向安全，還是隱私？圖／pixabay

作為預防手段，臉孔辨識系統可以有效增進人們生命與財產之安全。但這些好處有其代價。弗萊指出，就連目前全世界最先進的臉孔辨識系統（來自於中國的「騰訊優圖實驗室」），在一百萬張臉孔資料庫的測試中，也只有 83.29% 的辨識率。這在技術上已經令人佩服，但在現實中卻可能釀成大禍。

比方說，2014 年，一位住在丹佛的居民被錯誤辨識為銀行搶匪，並在警察的逮捕過程中「遭受神經損傷、血栓及陰莖折斷。」或許有人會主張，只要技術更好，辨識率更高，問題就解決了。但情況可能沒這麼簡單，辨識率提高的代價是隱私度的下降。試問，我們願意讓「老大哥」看著大家嗎？

臉孔辨識系統有其好處，有其代價。我們願意讓此系統做到甚麼程度？為了安全，我們願意犧牲多大的隱私？而為了隱私，我們又願意犧牲多少安全？這些問題是演算法無法回答的，只有人類可以，因此，人類只會更重要。

演算法兩難：自駕車該拯救駕駛還是行人？

另外一個嚴肅例子，我想談談「車輛」這一章節中的自動駕駛技術。一旦自動駕駛技術普及，將可以大幅減少人為車禍的發生。而我們知道，現代大多數車禍都源於人為。然而，將駕駛工作交給演算法，也意味著將決策的任務交給演算法。當失控的自駕車面臨的選項是「拯救駕駛，還是拯救行人」時，演算法應該如何行動？

當自動駕駛遭遇電車難題，我們又希望它做出什麼選擇？圖／WIKI

弗萊提到，在 2016 年發表於《科學》期刊（Science）的一篇文章指出，多數人主張應該盡可能的拯救更多人命。然而，當詢問他們自身較願意購買哪一款自駕車時，我們可以從賓士汽車發言人胡苟（Christoph von Hugo）的回應（當被問到賓士車會如何設計時），理解他們的猶豫：「保護駕駛。」

這衝突看起來不可調和，我們一方面希望盡可能拯救人命，另一方面又希望可以保障駕駛的安全（否則我幹嘛買它呢？）。在這樣的衝突中，弗萊指出另外一個可能選項：放棄全自動駕駛，將演算法的目標放在輔佐駕駛人上（比方說，現在已有的「自動緊急煞車」或「自動與前車保持距離」等設計）。換言之，演算法不扮演「司機」，而是扮演「守護者」。我們該做的，是讓演算法配合人類，主動性依然在人類手上，因此，人類只會更重要。