Loading [MathJax]/extensions/tex2jax.js

0

1
0

文字

分享

0
1
0

學者抗議,期刊產業醞釀變天:英美的 Open Access 趨勢

洪朝貴
・2012/05/14 ・2298字 ・閱讀時間約 4 分鐘 ・SR值 553 ・八年級

-----廣告,請繼續往下閱讀-----

期刊出版商把學者當免費乳牛來壓榨; 學者抗議 (angry cows)

在奇妙的學術界裡, 學者的智慧, 變成了期刊的財產, 回過頭來還要再以高價賣給學校, 剝大學第二層皮。 看著自己的勞力無法嘉惠大眾, 卻變成了期刊出版社的 cash cow (搖錢樹是也), 國外的學者逐漸覺醒, 發出怒吼, 要求學術成果應以開放的授權釋出, 讓納稅人繳的錢所做的研究成果回歸納稅人身上。 本文報告最近幾個月學術界 Open Access (OA) 運動令人興奮的發展。

美國國立衛生研究院 (NIH) 從 2008 年開始實行 Public Access Policy, 確保 NIH 所出資贊助的研究, 在正式刊出之後十二個月內必須讓所有人 (而非只有期刊訂閱者) 都能閱讀, 以增進知識流通。 (讀者提醒: 高能物理領域 當中, 歐洲核子研究組織的 大型強子對撞機 也有 OA 政策)

由 Elsevier、 McGraw-Hill、 John Wiley & Sons 等等學術出版商所主導的 Association of American Publishers (AAP) 認為其利益受損。 2009 年曾遊說國會議員企圖修法阻止 NIH 的 OA 政策, 但沒有成功。 2012 年, AAP 捲土重來, 在國會推動 Research Works Act (RWA), 意圖將研究成果私有化。 該法案大玩文字遊戲, 讓公家、 私人企業出錢的研究都受到限制, 禁止學者採用 OA 釋放其研究成果。 加拿大約克大學圖書館員整理 網路上討論 RWA 的文章清單。 許多學者與圖書館抗議 AAP 吃相難看, 企圖 剝納稅人兩層皮, 等於是在對大眾要求: 「你買牛, 然後我再賣牛奶給你」

另一方面, 完全相反的 Federal Research Public Access Act (FRPAA) 則主張 「納稅人出錢的研究成果應釋放給所有人閱讀」。 哈佛大學法學院 有一頁 wiki 關注此議題。 2006 年的版本獲得一百多位大學校長支持; 2010 年的版本除了校長之外, 也獲得四十餘位諾貝爾學獎得主支持; 今年四月, 更有 五十二位諾貝爾學獎得主聯名撰寫公開信支持 FRPAA

-----廣告,請繼續往下閱讀-----

今年一月, 英國數學家 Tim Gowers 道德呼籲同儕一起抵制學術期刊出版大亨 Elsevier。 一個月後, 34 位數學家對 Elsevier 共同發表一篇公開聲明, Elsevier 股價也應聲下跌。 到今天, 已經有 超過一萬一千位學者聯署。 詳見 Singularity Hub英國衛報美國紐約時報 報導, 及 美國高等教育紀事報 的公開信。 這個連署對於 Elsevier 棄守 RWA、 FRPAA 提升動能, 應該都發揮了相當大的影響力

電機資訊領域的 ACM 及 IEEE 收費比較低; 但奪走學者智財權的行為一樣引發抗議。 研究電子投票的 Dan Wallach 教授 去年報導: 在 IEEE 的資安與隱私會議當中, 與會者以壓倒性的多數決議 IEEE 應採取開放的授權, 讓學者的文章產生 impact, 而不是只有空泛的 factor。 不料今年的 IEEE 卻仍舊背離眾望, 在授權書上玩弄文字, 意欲繼續貪婪封鎖學者研究成果。 Dan Wallach 也因而呼籲同儕抵制 IEEE。 電腦學者 Andrew Appel 對投稿的學者們提出兩個建議。 你可以 在商言商, 出版論文時請向 ACM 及 IEEE 索取版權稅。 或者你可以修改授權合約, 再簽名寄回。 「畢竟那是一份必須得到雙方同意的合約, 不是嗎?」 有人會說: 「這不可行, 我們勢單力薄, 哪有力量對抗龐大的組織? 他們大不了就拒刊我的論文, 到最後我只會變成炮灰而已。」 那可不盡然。 Appel 提醒大家: 在電機資訊界, 會議的重要性不亞於期刊, 而且會議論文也要同儕審閱, 但會議的時程很緊湊, 要在幾個月內從數百篇論文當中挑出數十篇。 如果被接受的數十篇論文作者多數都採用相同版本的修改版授權合約, 那麼 ACM 與 IEEE 敢不敢拒刊所有人的論文呢?

在英國, 科學與大學部長 David Willetts 明白宣示: 「(英國) 政府的態度是: 公眾出資贊助的研究, 其成果應該由公眾共享。 而且這個原則不侷限於學術領域。」 生物學家 Stephen Curry 分析 David Willetts 的演講, 認為 Willetts 朝開放方向走的意向堅定。 他一方面對期刊出版社的處境表達同情與善意, 另一方面也強勢提示: 政府是研究經費的重要金主, 並提醒期刊出版商: 「如果想要繼續用舊的模式經營期刊, 那就是選錯戰場了。」 「大家可不會想步上音樂產業的後塵吧。」 Willetts 並不是一廂情願的理想主義者 — 他也考慮到邁向 OA 時必須面對的很現實的挑戰, 例如: 從國際觀點來看, 英國是學術論文重要輸出國, 這麼做會不會吃虧? Willetts 甚至已經準備好要在歐盟相關會議內提起 OA 議題, 並且也注意到美國的發展。 顯然他是玩真的。 當然, 剛剛成為政府無給職顧問 的維基百科創辦人 Jimmy Wales 也力挺這項政策。 稍後, 許多期刊出版社 — 包含 Elsevier — 發新聞稿表示支持

物理學家 Michael Nielsen 整理了一頁 wiki: Journal publishing reform 當中有更多關於 「期刊出版改革」 的連結。

-----廣告,請繼續往下閱讀-----

雖然 OA 有益於社會整體, 但經營期刊還是需要一些基本費用, 那麼誰來出這個錢呢? 應該採用 Green 與 Gold 兩種模式 之一, 或是 圖書館集資 的模式, 以免對經濟弱勢作者造成門檻 呢? 這些都還是有待討論的問題。

年年快速提高的訂閱期刊經費, 讓哈佛大學受不了。 如果連這個 全世界最有錢的大學 都公開 呼籲教授們支持 OA 期刊, 那麼臺灣的學術界是不是也該覺醒, 有所作為了呢? 我們正處在一個 智者利仁的網路時代。 大學/校長/教授/工會/… 可以從現在開始就用具體行動與政策高調地支持這個議題。 這也許無助於提升 factor, 但卻是一個提升 impact 的大好機會。 學者促成學術高牆倒下、 讓知識普及, 這不也正是在對社會大眾展現其目光、 遠見、 與智慧嗎? (哦, 對了, 本文當中提到的人名, 多數都有出現在維基百科上。)

(本文原發表於 資訊人權貴ㄓ疑

-----廣告,請繼續往下閱讀-----
文章難易度
洪朝貴
47 篇文章 ・ 1 位粉絲

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

1

2
2

文字

分享

1
2
2
讓 AI 取代真人執法可行嗎?將判斷全交給 AI 可能隱藏什麼危險?——專訪中研院歐美研究所陳弘儒助研究員
研之有物│中央研究院_96
・2024/03/18 ・6292字 ・閱讀時間約 13 分鐘

本文轉載自中央研究院「研之有物」,為「中研院廣告」

  • 採訪撰文|劉韋佐
  • 責任編輯|田偲妤
  • 美術設計|蔡宛潔

人工智慧將改變以人為主的法治領域?

由人工智慧擔任警察,再也不是科幻電影的情節,交通管制常見的科技執法就是應用 AI 辨識闖紅燈、未依規定轉彎、車輛不停讓行人等違規行為。 AI 的客觀、高效率正在挑戰以人為審判主體的法治領域,這樣的轉變會對我們產生什麼影響呢?中央研究院「研之有物」專訪院內歐美研究所陳弘儒助研究員,他將帶我們思考:當 AI 取代人類執法時,將如何改變人們對守法的認知?

交通尖峰時段,後方出現一台救護車,你願意闖紅燈讓道嗎?
圖|iStock

想像有一天你正在尖峰時段開車,車子停在十字路口等紅燈時,後方出現一輛急駛而來的救護車,你為了讓道必須開過停止線。這時你是否願意冒著違規被開罰的風險?還是承擔風險以換取他人盡速就醫?

在上述情境中,針對「要不要闖紅燈」我們經歷了一段價值判斷過程。如果剛好十字路口有真人警察,他的判斷可能是:這是情急之下不得不的行為,並非蓄意違規。

然而,如果負責執法的是「法律人工智慧系統」(Artificially legal intelligent,簡稱 ALI)情況可能截然不同。

-----廣告,請繼續往下閱讀-----

ALI 這個詞源自 Mireille Hildebrandt 的研究,在概念上可區分為兩類:採取傳統程式碼的 IFTTT(if this then that)、運用機器學習的資料驅動。前者是注重法律推理或論證的計算機模型,將法律規範轉為程式碼,藉由程式編寫來執行法律任務。後者則透過大量資料的學習,來預測行為範式,用於再犯率、判決結果預測上有較好的成果。

一般情況下,應用在交通管制的 ALI 會辨識車輛是否超速、闖紅燈等違規行為,不過交通情境千變萬化,ALI 能否做出包含「道德價值的判斷」將是一大挑戰!

中研院歐美研究所陳弘儒助研究員察覺,人工智慧(AI)正在左右人們對守法的價值判斷及背後的因果結構,進而反思當我們將原本由人來判斷的事項,全權交由 AI 來執行時,可能產生哪些潛移默化的影響?

讓我們與陳弘儒展開一場從法哲學出發的對話,探索 AI 與法治價值之間的緊張關係。

-----廣告,請繼續往下閱讀-----
中研院歐美研究所陳弘儒助研究員,從法哲學出發,探索 AI 與法治價值之間的緊張關係。
圖|之有物

問

怎麼會對「人工智慧」(AI)與「法律人工智慧系統」(ALI)產生研究興趣?

會對 AI 感興趣是因為我很早就對電腦有興趣,我原本大學想唸資訊工程,因為高中有些科目沒辦法唸,於是去唸文組,大學進入法律系就讀,研究所考入「基礎法學組」研讀法哲學。

後來我到美國讀書,當時 AlphaGo 的新聞造成很大的轟動,啟發我思考 AI 的應用應該有些法律課題值得探討,於是開始爬梳 AI 與法律的發展脈絡。

AI 這個詞大概在 1950 年代被提出,而 AI 與法律相關的討論則在 1970、80 年代就有學者開始思考:我們能否將法律推理過程電腦程式化,讓電腦做出跟法律人一樣的判斷?

事實上,AI 沒有在做推理,它做的是機率的演算,但法律是一種規範性的判斷,所有判斷必須奠基在法律條文的認識與解釋上,給予受審對象合理的判決理由。

這讓我好奇:如果未來廣泛應用 AI 執法,法律或受法律規範的民眾會怎麼轉變?

-----廣告,請繼續往下閱讀-----

至於真正開始研究「法律人工智慧系統」(ALI)是受到我父親的啟發。有一陣子我經常開車南北往返,有一天我跟父親聊到用區間測速執法的議題。交通部曾在萬里隧道使用區間測速,計算你在隧道裡的平均速率,如果超速就開罰。

父親就問我:「政府有什麼理由用區間測速罰我?如果要開罰就必須解釋是哪一個時間點超速。」依照一般的數學邏輯,你一定有在某個時間點超速,所以平均起來的速率才會超過速限,可是法律判斷涉及規範性,我們必須思考背後的正當性課題,不能只用邏輯解釋,這啟發我逐漸把問題勾勒出來,試圖分析執法背後的規範性意涵。

問

如果將執行法律任務的權限賦予 AI,可能暗藏什麼風險?

我們先來談人類和 AI 在做判斷時的差別。人類無時無刻都在做判斷,判斷的過程通常會先做「區分」,例如在你面前有 A 和 B 兩個選項,在做判斷前必須先把 A 和 B 區分開來,讓選項有「可區別性」。

在資料龐大的情況下,AI 的優勢在於能協助人類快速做好區分,可是做判斷還需經歷一段 AI 難以觸及的複雜過程。人類在成長過程中會發展出一套顧及社會與文化認知的世界觀,做判斷時通常會將要區分的選項放進這個世界觀中,最終做出符合社會或自身考量的抉擇。

-----廣告,請繼續往下閱讀-----

當我們將判斷程序交由 AI 執行,就會涉及「判斷權限移轉」的問題,這經常在日常生活中發生,你只要發現原本自己可以執行的事情,有另外一個對象做的比你好或差不多好,你就會漸漸把判斷的工作交給它,久而久之,你大概會覺得這是很好的做法,因為可以節省大量時間。

自駕車導航系統就是判斷權限移轉的例子,由於導航通常可以找出最佳行車路線,駕駛人幾乎會跟著走,但仍有可能誤入路況不佳或無法通行的地方。
圖|Vladimir Srajber, Pexels

我擔心這種判斷權限移轉會快速且廣泛的發生,因為 AI 的工作效率極高,可以大幅節省人力成本,但是哪一些權限可以放給 AI?哪一些權限人類一定要守住?我們經常沒有充足的討論,等到發生問題再亡羊補牢可能為時已晚。

以讓道給救護車而闖紅燈的情境為例,如果讓 AI 來做交管,可以節省警察人力,又可以快速精準地開罰,卻迫使民眾需額外花時間,證明闖紅燈有正當理由。如果是真人警察來判斷,警察通常會認為你的行為有正當理由而不開罰。這對於受法律規範的民眾來說,會產生兩種全然不同的規範作用。

AI 產生的規範作用會讓民眾擔心事後銷單的麻煩程序,如果無法順利解決,可能會訴諸民意代表或上爆料公社,並漸漸改變民眾對守法的態度。而真人警察產生的規範作用,將使民眾自主展現對法律的高度重視,雖然當下的行為牴觸法律,卻是行為人經過多方權衡後做的判斷,相信法律會支持自己出於同理心的行為。

-----廣告,請繼續往下閱讀-----

問

使用 AI 執法除了看上它的高效率,也是因為和真人相比 AI 不會受私情影響,比較可以做出公正的判斷。如果從法治觀念來看,為何決策權不能全權交由 AI 執行?

我認為法治的核心價值在臺灣並沒有很好的發展,我們常想的是怎麼用處罰促成民眾守法,長久下來可能會得到反效果。當人們養成凡事規避處罰的習慣,一旦哪天不再受法律約束,可能會失去守法的動機。

事實上,法治最根深柢固的價值為:

法律作為一種人類行為規範的展現,促使民眾守法的方式有很多種,關鍵在於尊重人的道德自主性,並向民眾陳述判決理由。

給理由非常重要,可以讓民眾不斷透過理由來跟自己和法律體系溝通。如此也可以形成一種互惠關係,使民眾相信,國家公權力能用適當的理由來制定法律,而制定出的法律是以尊重公民自主性為主。當民眾理解法律對我所處的社會有利,會比較願意自動產生守法的動機。

AI 執法看似比人類「公正無私」,但它的執法方式以處罰為主、缺乏理由陳述,也沒有對具體情境的「敏感性」。人跟人之間的互動經常需要敏感性,這樣才能理解他人到底在想什麼。這種敏感性是要鍛鍊的,真人警察可在執法過程中,透過拿捏不同情境的處理方式來累積經驗。

-----廣告,請繼續往下閱讀-----

例如在交通尖峰時段應該以維持交通順暢為原則,這時警察是否具備判斷的敏感性就很重要,例如看到輕微的違規不一定要大動作開罰,可以吹個警笛給駕駛警示一下就好。

我越來越覺得人類這種互動上的敏感性很重要,我們會在跟他人相處的過程中思考:跟我溝通的對象是什麼樣的人?我在他心中是什麼模樣?然後慢慢微調表現方式,這是人類和 AI 最根本的不同。

行動者受各種法律變項影響的因果圖。上圖是由真人警察執法,對於處罰之可能性有影響力,可依不同情境判斷是否開罰。下圖是由全自動法律人工智慧執法,由 AI 直接將處罰之可能性加諸在行動者身上,缺乏真人警察二次確認,很可能影響行動者對守法與否的衡量。
圖|之有物(資料來源|陳弘儒)

問

相較於法律人工智慧,ChatGPT 等生成式 AI 強大的語言功能似乎更接近理想中的 AI,其發展可能對我們產生哪些影響?

我認為會有更複雜的影響。ChatGPT 是基於大型語言模型的聊天機器人,使用大量自然語言文本進行深度學習,在文本生成、問答對話等任務上都有很好的表現。因此,在與 ChatGPT 互動的過程中,我們容易產生一種錯覺,覺得螢幕後好像有一名很有耐心的真人在跟你對話。

事實上,對於生成式 AI 來說,人類只是刺激它運作的外在環境,人機之間的互動並沒有想像中的對等。

仔細回想一下整個互動過程,每當外在環境(人類)給 ChatGPT 下指令,系統才會開始運作並生成內容,如果我們不滿意,可以再調整指令,系統又會生成更多成果,這跟平常的人際互動方式不太一樣。

-----廣告,請繼續往下閱讀-----
ChatGPT 能讓使用者分辨不出訊息來自 AI 或真人,但事實上 AI 只是接受外在環境(人類)刺激,依指令生成最佳內容,並以獲得正向回饋、提升準確率為目標。
圖|iStock

資工人員可能會用這個理由說明,生成式 AI 只是一種工具,透過學習大量資料的模式和結構,從而生成與原始資料有相似特徵的新資料。

上述想法可能會降低人們對「資料」(Data)的敏感性。由於在做 AI 訓練、測試與調整的過程中,都必須餵給 AI 大量資料,如果不知道資料的生產過程和內部結構,後續可能會產生爭議。

另一個關於資料的疑慮是,生成式 AI 的研發與使用涉及很多權力不對等問題。例如現在主流的人工智慧系統都是由私人公司推出,並往商業或使用者付費的方向發展,代表許多資料都掌握在這些私人公司手中。

資料有一種特性,它可以萃取出「資訊」(Information),誰有管道可以從一大群資料中分析出有價值的資訊,誰就有權力影響資源分配。換句話說,多數人透過輸入資料換取生成式 AI 的服務,可是從資料萃取出的資訊可能在我們不知情的狀況下對我們造成影響。

問

面對勢不可擋的生成式 AI 浪潮,人文社會學者可以做些什麼?

國外對於 AI 的運用開始提出很多法律規範,雖然國外關於價值課題的討論比臺灣多,但並不代表那些討論都很細緻深入,因為目前人類跟 AI 的相遇還沒有很久,大家還在探索哪些議題應該被提出,或賦予這些議題重新認識的架構。

這當中有一個重要課題值得思考:

我們需不需要訓練 AI 學會人類的價值判斷?

我認為訓練 AI 理解人類的價值判斷很可能是未來趨勢,因為 AI 的發展會朝人機互動模式邁進,唯有讓 AI 逐漸理解人類的價值為何,以及人類價值在 AI 運作中的局限,我們才有辦法呈現 AI 所涉及的價值課題。

當前的討論多數還停留在把 AI 當成一項技術,我認為這種觀點將來會出問題,強大的技術如果沒有明確的價值目標,是一件非常危險的事情。實際上,AI 的發展必定有很多價值課題涉入其中,或者在設計上有一些價值導向會隱而不顯,這將影響 AI 的運作與輸出成果。

思考怎麼讓 AI 理解人類價值判斷的同時,也等於在問我們人類:對我們來說哪一些價值是重要的?而這些重要價值的基本內容與歧異為何?

我目前的研究有幾個方向,一個是研究法律推理的計算機模型(Computational models of legal reasoning);另一個是從規範性的層面去探討,怎麼把價值理論、政治道德(Political morality)、政治哲學等想法跟科技界交流。未來也會透過新的視野省視公民不服從議題。

這將有助科技界得知,有很多價值課題需要事先想清楚,影響將擴及工程師怎麼設計人工智慧系統?設計過程面臨哪些局限?哪些局限不應該碰,或怎麼把某些局限展現出來?我覺得這些認識都非常重要!

鐵面無私的 ALI ?人類與人工智慧執法最大的分野是什麼?

陳弘儒的研究室有許多公仔,包括多尊金斯伯格(Ginsburg)公仔,她是美國首位猶太裔女性大法官,畢生為女權進步與性別平權奮鬥。
圖|之有物

陳弘儒是臺灣少數以法哲學理論研究法律人工智慧系統(ALI)的學者,他結合各種現實情境,與我們談論 ALI、生成式 AI 與當代法治價值的緊張關係。

由於 ALI 擅長的資料分類與演算,與人類判斷過程中涉及的世界觀與敏感性思辨,有著根本上的差異;以處罰為主、缺乏理由陳述的判斷方式,也容易影響民眾對公權力的信任。因此陳弘儒認為,目前 ALI 應該以「輔助人類執法」為發展目標,讓人類保有最終的判斷權限

至於現正快速發展的生成式 AI ,根據陳弘儒的觀察,目前仍有待各方專家探索其中的價值課題,包括資料提供與使用的權力不對等、哪些人類價值在訓練 AI 的過程中值得關注等。

在過去多是由人文社會學者提出警告,現在連 AI 領域的權威專家也簽署公開信並呼籲:AI 具有與人類競爭的智慧,這可能給社會和人類帶來巨大風險,應該以相應的關注和資源進行規劃和管理

在訪談過程中,有一件令人印象深刻的小插曲,陳弘儒希望我們不要稱呼他「老師」,因為他從小就畏懼老師、警察等有權威身分的人,希望以更平等的方式進行對話。

假如今天以 AI 進行採訪,整個談話過程或許能不受倫理輩分影響,但這也讓我們意識到,在 AI 的世界裡,許多人際互動特有的敏感性、同理反思都可能不復存在。

陳弘儒的研究讓我們體會,AI 在法治領域的應用不僅是法律問題,背後更包含深刻的哲學、道德與權力課題,也讓我們更了解法治的核心價值:

法律要做的不只是規範人們的行為,而是透過理由陳述與溝通展現對每個人道德自主性的尊重。

-----廣告,請繼續往下閱讀-----
所有討論 1
研之有物│中央研究院_96
296 篇文章 ・ 3654 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

1
1

文字

分享

0
1
1
曾經邊陲落後的英國,為何能建立史上最強的日不落帝國?——《人類的旅程》
商業周刊
・2022/10/23 ・3134字 ・閱讀時間約 6 分鐘

英國在工業革命期間前所未有的飛躍邁進,得以掌控地表一片又一片的領土,建立史上最強大的帝國之一。然而在人類歷史上大多數時候,不列顛群島的居民在財富和教育上遠不及在法國、荷蘭、義大利北部的鄰居;英國只是位於西歐邊陲的落後地方。英國是農業封建社會;政經權力由少數菁英把持;十七世紀初,許多經濟部門經皇家敕令由貴族壟斷。英國因為缺乏競爭和自由企業,被壟斷產業在開發新技術上成果極為貧乏。

英王也像許多其他統治者一樣敵視技術變革,阻撓國家技術進步。有個很著名、也很諷刺的例子,與英國紡織業起步被延誤有關。

一五八九年女王伊莉莎白一世(Elizabeth I)拒絕給予牧師兼發明家威廉.李(William Lee)的新編織機專利。她擔心這個發明會傷害各地手織工行會,造成工人失業,以致引起動盪。威廉.李遭英國女王拒絕後遷居至法國,法王亨利四世(Henry IV)很樂於給予他想要的專利。直到幾十年後其弟回到英國銷售這種尖端技術,它才成為英國紡織業的基石。

英國經濟體制的大改革—光榮革命!

不過到十七世紀末,英國的統治體制經過徹底改造。英王詹姆士二世(James II)力求鞏固君主專制,又信奉羅馬天主教,引發強烈反彈。反對派找到的救星是奧蘭治親王威廉(William of Orange),他是荷蘭共和國(Dutch Republic)多個新教郡的執政官(stadtholder)(也是詹姆士二世長女瑪莉〔Mary〕公主的夫婿)。反對派力促威廉奪取英國王權,威廉響應其號召,罷黜岳父,登上王位,成為英格蘭、愛爾蘭、蘇格蘭國王威廉三世。

-----廣告,請繼續往下閱讀-----
光榮革命後登上王位的威廉三世(左)與妻子瑪麗二世(右)/wikipedia

這次政變被稱為光榮革命(Glorious Revolution),理由是被誤認為相對少的流血事件,卻改變了英國的政治權力平衡:威廉三世是外來的,在英國國內缺乏支持勢力,威廉三世高度依賴國會,詹姆士二世則非如此。

編按「廢除英國皇室獨大的權力後,錢錢終於不會都被國王沒收(享受)了!」

一六八九年威廉三世批准權利法案(Bill of Rights),廢除國王終止國會立法的權力,國王未獲國會同意也不得徵稅和動員軍隊。從此英國成為君主立憲國家。國會開始代表較廣泛的利益,包括逐漸興起的商人階級。英國也建立各種包容式體制,以保護私人財產權,鼓勵私人企業,推廣機會均等和經濟成長。

英國在光榮革命之後積極廢除壟斷。英王查理二世(Charles II)曾授予皇家非洲公司(Royal African Company)獨占非洲奴隸買賣,當時它和許多公司頓失獨占權。國會也通過新立法,促進成長中產業的競爭,瓦解貴族的經濟利益。尤其國會降低工業熔爐稅,提高土地稅,而地主大都是貴族。

這些改革在當時獨見於英國,形成歐洲其他地方所沒有的誘因。以西班牙為例,國王積極維護對跨大西洋貿易利益的掌控,經常用來資助作戰和奢侈享受。相形之下在英國,跨大西洋原料、商品、非洲奴隸等貿易的收益是由廣大的商人階級共享,所以收益大半投入資本累積和經濟發展。這些投資為工業革命空前的技術創新奠下基礎。

-----廣告,請繼續往下閱讀-----

當時英國的金融制度也改頭換面,為經濟發展更添助力。威廉三世採用其祖國荷蘭的先進金融體制,包括證券交易所、政府公債和中央銀行。有些改革是擴大授信範圍,非貴族企業家也能借到款,並鼓勵英國政府在平衡支出與稅收上更加自律。國會取得對公債發行的更強大監督權,而公債持有者,即借錢給政府的人,得以派代表參與財政和貨幣政策決策過程。於是英國在國際信用市場的公信力提高,相對於其他歐洲王國,借貸的費用也降低。事實上,工業革命最早發生於英國,或許更早前的體制改革曾助其一臂之力。

編按:體制的不同使英國在黑死病後與東歐國家逐漸分歧

如第二章曾提到,十四世紀的黑死病使不列顛群島失去近四○%居民。因此造成的農工不足,增加了農奴討價還價的力量,迫使貴族地主提高佃農的工資,以防止他們由鄉下遷居都市。

如今看來,黑死病給了封建制度致命一擊,英國的政治體制因而變得更包容,少壓榨。那些體制促成政經分權化,鼓勵社會流動,讓社會上更多人能夠創新並參與創造財富。反之,東歐在黑死病過後,由於封建體系更嚴酷,都市化程度較低,加以西歐對農業產量需求增加,反而強化控制土地的貴族階級及其榨取式體制。換句話說,在黑死病爆發前,東西歐原本或許不重要的體制差別,在疫情後卻是分道揚鑣,使西歐走在與東歐大不相同的成長軌道上。

黑死病幾乎摧毀了中世紀的歐洲。圖/wikipedia

衰微的行會促進了英國的工業革命

英國的手工業行會相對較弱勢,這也有助於英國在工業革命之前的某些體制變革。歐洲各地都有的行會,是由某種行業的技術工匠組成的組織,目的在保護會員利益。行會經常運用本身獨占的力量壓制企業家精神和技術進步。

-----廣告,請繼續往下閱讀-----

例如十五世紀晚期巴黎的抄寫員行會(Scribes Guild),成功阻止第一台印刷機進入巴黎達將近二十年之久。

一五六一年紐倫堡的冰銅車工行會(Red-Metal Turners Guild)向市議會施壓,阻止當地銅匠漢斯.史白希(Hans Spaichi)散布他發明的強大車床,後來更揚言,誰敢用這種新生產技術就要坐牢。

一五七九年但澤(Danzig)市議會下令,把發明新織帶機而威脅到傳統織帶工的人偷偷淹死。

十九世紀初,法國織布工行會一群憤怒的暴民,向約瑟夫-瑪麗.雅卡爾(Joseph-Marie Jacquard,一七五二年至一八三四)抗議。雅卡爾發明了創新的織布機,靠一系列打洞的卡片運轉,後來最早的電腦受這種技術所啟發,以此方式輸入程式。

-----廣告,請繼續往下閱讀-----

但在英國,行會的勢力沒有歐洲那麼強,部分原因在於一六六六年倫敦大火後,重建迅速且大致未受管制,加上其他地方的市場快速擴張,以致對工匠的需求超出行會所能提供。行會弱勢,國會便易於保護和助益發明者,英國實業家能夠更快速、更有效率地採用新技術。

工業革命後的英國紡織廠。圖/wikipedia

多虧這些體制改革,十八世紀末的英國受到商人和企業家的各種利益所影響,而非以土地菁英的利益為主,菁英決意阻擋技術進步以延續個人權力。就此而言,英國當時已成為世上第一個現代經濟體,而其他西歐國家迅速跟進。於是根深柢固的力量將整體的人類帶往馬爾薩斯世的終點,來到成長時代的邊緣,就在人類物態變化的時機已成熟之際,這些制度的發展,配合以下即將探討的其他因素,英國成為特別適合技術快速發展的沃土。

英國率先開始工業革命,以及朝鮮半島兩個經濟體的分歧,顯示出體制對發展與繁榮的影響有多麼深遠。然而這些特別戲劇化的例子是例外還是常態?在歷史過程中,當體制逐步演進時,是體制變革影響經濟繁榮,還是經濟繁榮導致體制變革?又或者是某些其他因素,造成這兩者間明顯的關係?

———本書摘自《人類的旅程》,2022 年 10 月,商業周刊,未經同意請勿轉載

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