事實上不是金錢,而是 IBM 的官僚及各部門之明爭暗鬥扼殺了其個人電腦的發展。因此洛比爾挑選了一位謙虛、穿牛仔靴、完全不符合 IBM 形象、幾乎被 IBM 踢出大門的 43 歲中階管理「菁英」伊斯基(Philip Donald Estridge)。既然有太上皇令箭,伊斯基就大膽地、毫無顧忌地違反所有 IBM 的規則去推進洛比爾的項目。基於過去失敗的經驗,為了避免內部不停的干擾,及像他人在個人電腦市場上花費兩三年的時間,伊斯基決定選擇開放式架構和現成元件,在 IBM 外部購買操作系统軟體和幾乎所有的硬體零件。當 IBM 個人電腦於 1981 年問世,1982 年和 1983 年真正開始流行時,IBM的收入開始起飛:從 1981 年的 290 億美元增加到 1984 年的 460 億美元;股票市值在 1984 年底達到約 720 億美元,為當時全球最值錢及最賺錢的公司。在《財星》雜誌的美國企業年度調查中,IBM 成為最受敬佩的公司。
-----廣告,請繼續往下閱讀-----
IBM 個人電腦。
當初領導一個只有 14 人的「臭鼬工廠」團隊,竟然開發出了 IBM PC 產業,伊斯基「瞬間」成為個人電腦界名人,被稱為「IBM PC 之父」,出現在各主流雜誌和報紙上,好像他就是 IBM;儘管外界不停地挖角,他都以「在 IBM 工作」為榮拒絕(註三)。但在 IBM 內部,伊斯基則成為高階主管既羨慕、又嫉妒、又恨的對象,於 1985 年年初表面上將他「提升」為製造副總,負責監督全球所有製造業務,但實際上是沒大權責的貶職;伊斯基私下向親友表示不懂為什麼會被打下來,也因此曾經想離開 IBM(註四)。正方興未艾的個人電腦事業則不再獨立、被歸入稱為「入門級系統」的公司部門編制,由伊斯基以前的老闆、IBM 官僚體系內的洛比爾接管。
英特爾的興起
相信大部分讀者都已經知道,伊斯基決定在 IBM 外部購買操作系统軟體和幾乎所有的硬體零件的最大幸運受惠者是:前者是微軟公司(Microsoft Corp.),後者就是本文的主角英特爾。但如果僅此,英特爾可能將永遠只是活在 IBM 陰影下的零件供應商而已。
(註二)英特爾的微處理器事實上是一「中央處理器」(Central Processor Unit,CPU)。微處理器和 CPU 的相似之處多於不同之處。事實上,所有 CPU 都是微處理器,但並非所有微處理器都是 CPU。兩者之間的主要區別在於它們在電腦系統中的功能和用途。CPU 是一種具有多種角色的處理器;而微處理器通常僅負責一項特定任務,能夠非常出色地完成該任務。CPU 向微處理器發出指令,微處理器依令將資料傳送到 CPU 或 CPU 指定的其它元件。微處理器的任務是執行特定且可重複的操作,而 CPU 的任務則是執行廣泛且多樣化的任務。如果將 CPU 比喻成電腦中的大腦,那麼身體的腿和手將成為微處理器的區域。
你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?
馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。
如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?
-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels
黑盒子模型背後的隱藏秘密
無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。
AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。
此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。
其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。
深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。
首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。
以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。
LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。
-----廣告,請繼續往下閱讀-----
第三是反事實解釋:如果改變一點點,會怎麼樣?
如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。