Loading [MathJax]/extensions/tex2jax.js

0

4
1

文字

分享

0
4
1

犯錯讓你更強大:揭開錯誤驅動型學習的秘密——《記憶決定你是誰》

天下文化_96
・2024/08/01 ・3678字 ・閱讀時間約 7 分鐘

我們天生會從錯誤和挑戰中學習——這種現象稱為「錯誤驅動型學習」(error-driven learning)。我相信這個簡單的原則可以解釋很多現象,例如我們在哪些條件下學習成效最好、在哪些條件下容易忘記,甚至是我們睡覺時發生在記憶上的改變。

人生實難

滿五十歲那年,我下了兩個決心:第一是要寫一本書(也就是你正在讀的這本),第二則是要學衝浪。跟學衝浪比起來,我攻讀博士學位時遇到的所有挑戰都相形見絀。一部分問題是因為我不再年輕,而衝浪對核心肌群的要求非常高——我甚至不知道自己有那些肌肉。

再者,衝浪的學習曲線本來就陡峭,因為要學的東西非常多:划水技巧;判讀海浪以將自己調整到正確位置,並拿準開始划水的時機;弄清楚自己在何時真的追到浪;還有起身站立(如果我有幸進展到這個節骨眼),儘管隨即又會整個人掉進水裡。過程裡的任何差錯都會讓前面的努力報銷,而且既耗體力又打擊信心。

錯誤的過程往往讓人喪失信心。 圖/envato

不管你是學習新的運動如衝浪,或學習新的語言、新的樂器,犯錯時的痛苦是學習的一大障礙,況且在學習曲線的初期時特別容易令人沮喪。但即使是看似能表現自如的高手,以前也曾經是菜鳥,他們同樣得從犯錯開始。要從菜鳥進步為高手,必須先持續把自己推向能力的邊界。沒有付出,沒有收穫。但反過來說,某些痛苦的耕耘可以轉變為很大的收穫。

-----廣告,請繼續往下閱讀-----

這裡指的不是生理上的痛苦,而是犯錯時心理上甚至情緒上的痛苦。我也不建議利用痛苦來鍛鍊性格。這裡所說的收穫是指,把犯錯當作學習的機會。

在大腦的運動系統中,「錯誤驅動型學習」是一套公認的原則。許多神經科學家相信,我們學會進行有技巧的動作,是透過觀察我們想做和實際上做到的動作,並找出兩者之間的差異。例如,當音樂家練習某支他們已經很熟悉的樂曲時,某些段落相對簡單,但另一些段落則比較難找到正確的和弦。如果每次練習時都得為這支曲子的每個部分建立一個新的記憶,未免太沒有效率。比較好的解決方式是,稍微局部修改記憶,好應付樂曲裡困難的部分。

錯誤驅動型學習也可以解釋,為什麼我們透過主動的「從做中學」,會比被動的記憶學習得到更多好處。例如在一個陌生的地區,相較於搭計程車經過,你自己開車一定會對這裡的空間動線取得更清楚的概念。在新的環境裡主動搜尋有許多好處,其中之一是讓你依據自身決定和行動而得到的結果來學習,這是看地圖得不到的好處。

在其他活動中,類似的機制也發揮著作用。無論是進行彩排的演員、在分組練習比賽中的橄欖球員,或是為了在董事會面前做簡報而預先練習的企業主管,都是憑直覺就利用了錯誤驅動型學習的力量。

-----廣告,請繼續往下閱讀-----

記憶研究者從很久以前就知道,在充滿挑戰的情況下學習有不少好處。我們談談實際一點的問題,好比學生應該如何準備隨堂測驗?最簡單的方法,也是世界各地最多學生採用的方法,就是重複閱讀教科書,試圖記住內容。

測驗效應:從錯誤中學習的力量

認知心理學家羅迪格和卡皮克(Jeff Karpicke)則考慮另一種方式,他們想知道,如果不透過複習而用「測驗」來自我訓練,會有什麼效果?直覺上來說,一次又一次的複習或許看似比自我測驗更有用,我們可能會想:既然可以專注於記住正確的答案,為何要冒著答錯的風險?

羅迪格和卡皮克樂意違反一般見解,把賭注押在測驗那邊,因為他們已經看到一些研究,間接顯示了把測驗做為學習工具的力量。為了檢驗測驗的影響力,他們讓兩組學生記憶托福測驗參考書的節選材料。一組的做法是重複閱讀約十四次並試圖記下內容,另一組則是閱讀三到四次,接著進行三次測驗,在測驗裡必須盡可能回想剛才讀過的內容。

重複閱讀的學生對於掌握教材的能力顯出很高的自信,反覆接受測驗的學生則在一開始時信心受損。重複閱讀的人對教材的學習效果比起接受測驗的人好一點點,但是這並不令人意外,因為重複閱讀組接觸教材的機會是接受測驗組的四倍。

-----廣告,請繼續往下閱讀-----

然而羅迪格和卡皮克等待一週,看這些學生是否還保留著學過的內容,結果差異十分巨大。平均而言,重複閱讀組的學生只記得原先學得內容的一半,至於接受測驗組則超過。所以,雖然學生以為自己透過重複閱讀教材可以學得更多,但實際上自我測驗的投資報酬率卻高上不少。

羅迪格曾寫到,記憶科學跟物理學不同,記憶科學沒有「定律」,但跟複習相對照,測驗的好處(也就是測驗效應)幾乎像重力定律一樣可靠。在各種不同條件下的大量研究中,也都呈現出測驗效應。測驗的效用一直以來沒有爭議,不過測驗究竟為什麼對記憶有如此強大的效果,科學家還未得到共識。

最簡單的一種解釋是,測驗能暴露你的弱點。一般來說,我們覺得自己能記住剛學過的東西,甚至偏向過度自信。羅格斯和卡皮克實驗裡的學生認為,自己反覆研讀那麼多次,一定可以學得更多,那是因為他們尚未受到挑戰。至於接受測驗的學生,則在回想自認為應該學得不錯的資訊時,經歷困難、甚至失敗,因而消磨傲氣。因此,測驗組的學生在明白自己學得沒有想像中徹底時,可能會更加努力。

假設你想學非洲的斯瓦希里語(Swahili),但在你還沒有機會學到之前,就被人問到:「usingizi 是什麼意思?」如果你的母語不是斯瓦希里語,恐怕不會知道正確答案,所以只好在得到正確答案「睡覺」前盡力去猜。

-----廣告,請繼續往下閱讀-----

這種運用測驗的方法看起來很糟,也與一般人對教育的看法背道而馳,畢竟你努力回答的東西根本還沒有學過。令人驚訝的是,這種「事前測驗」居然對學習非常有效。為什麼在還沒有機會學到正確答案之前,先讓你的大腦費力製造很可能是錯誤的答案,會是件好事呢?

一般的見解會認為,產生錯誤的資訊應該沒有效率,甚至適得其反,因為錯誤的資訊將導致競爭與干擾,而大多數的神經科學理論會預測,先給大腦正確的資訊無論如何都比較好。然而,給大腦機會主動掙扎,似乎能幫助我們學得更多,也讓資訊保留得更久。

記憶的科學:錯誤驅動型學習的突破

1992 年時,認知心理學家卡里爾(Mark Carrier)和帕什勒(Hal Pashler)提出一個吸引人的理論,解釋記憶的這類原則。在電腦科學領域裡,大家都知道機器遇到困難時能學到很多。現代人工智慧系統的骨幹是神經網路模型,這種模型透過嘗試錯誤來學習,方法是修改人工神經元之間的連結,藉此愈來愈善於得出正確答案。卡里爾和帕什勒認為,人類或許也是從這類錯誤驅動型學習中獲益。

為了探究人腦中如何發生測驗效應,我實驗室裡的科學家劉瀟楠(現為香港中文大學教授),研究生鄭奕聰、歐萊利還有我,使用我們的神經網路模型「盒子裡的海馬迴」來模擬測驗效應。

-----廣告,請繼續往下閱讀-----

當我們遵從記憶的標準理論,假定海馬迴會記錄所有進入的事情時,這個神經網路模型可以記憶新資訊,卻不善於保存已經學過的東西;模擬的結果與羅迪格和卡皮克的發現差不多(如同重複閱讀卻忘得多的學生)。當我們改變設定,納入錯誤驅動型學習時,海馬迴模型得到有效的提升。在干擾之下,它能學到更多資訊並加以保存。

當我們探究海馬迴模型的運作,可以發現測驗的好處並非來自犯錯本身,而在於強迫大腦去取出已經學過的東西。為了理解為什麼會這樣,先讓我們回到細胞群組的比喻。自我測驗時,大腦會嘗試給出正確答案,但結果不盡然完美。大腦會稍微掙扎,給出一個與學過的東西大致相符的答案。不過這個掙扎提供了很大的學習機會。

對記憶進行這種類型的壓力測試,可以暴露出細胞群組中較弱的地方,所以記憶可以據此進行更新,加強有用的連結,修剪掉沒有幫助的連結。與其一次又一次重複學習同樣的東西,不如採用更有效率的方式,也就是只修改我們感到困難的部分,再稍微鞏固正確的神經連結。關鍵在於記憶更新,因為讓大腦節省空間、快速學習最有效率的方法,是專注於我們不知道的部分。

雖然錯誤驅動型學習通常能為我們帶來好處,但是它有一個重要的邊界條件。如果你最後可以更接近正確答案,或至少可以排除錯誤答案,因而讓你有機會從錯誤中學習,錯誤驅動型學習才能奏效。如果你根本不知道自己哪裡弄錯,就無法從錯誤中學習。你想要的是努力挑戰,而不是漫無目標的失敗。所以學習衝浪

-----廣告,請繼續往下閱讀-----

這類複雜的技術才會如此困難,畢竟有太多事情同時進行,連在成功時知道自己哪裡做對、失敗時哪裡做錯都很困難。在這類情況中,專家的指引就非常有幫助,可以讓你知道該做什麼,也能針對你做對與做錯的地方給予回饋。

——本文摘自《記憶決定你是誰:探索心智基礎,學習如何記憶》,2024 年 7 月,天下文化,未經同意請勿轉載

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

天下文化_96
142 篇文章 ・ 624 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

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

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。