閱讀時間 7 分鐘
是人工智慧還是機器學習
我不時會寫一些標題為「如何理解 XXX」的文章，試圖釐清一些大家耳熟能詳，但又模模糊糊的東西。例如「如何閱讀 IMD 世界競爭力排名」、「如何保守的投資比特幣」等。今天討論人工智慧。
每一本商業雜誌都拿人工智慧作封面。但大部分人還是模模糊糊，不太確定人工智慧厲害在哪。同時又有許多人言之鑿鑿，恐嚇人工智慧勝負已定。例如李開復說中國掌握資料，因此將掌握人工智慧（阿里巴巴技術委員會主席王堅反駁）。還有如 Elon Musk 宣稱人工智慧可能滅絕人類，搞得大家更是人心惶惶。
人工智慧究竟會帶來什麼影響？首先要理解今天技術上的突破，並不是創造了像電影《雲端情人》（Her）中的通用人工智慧（General Purpose Artificial Intelligence）。業界在討論的人工智慧，指的是機器學習（Machine Learning）的成熟。
機器學習的重要應用之一是圖像辨識（image recognition）。例如以下這張照片：
一般人可以分辨出藍莓馬芬與吉娃娃，現在機器學習讓電腦也可以分辨了。這包含兩層創新。
第一層創新是人類不用為電腦寫規則。過去要教導電腦挑出吉娃哇，必須由人類寫出規則再交由電腦執行。這是「規則主導」模式（rule-based model），或稱專家模式。這種規則容易建立、不需要大量資料；缺點是很僵硬，不容易更新或應用到其他問題。例如把問題改成「辨別巧克力馬芬與吉娃娃」，就需要重寫規則，缺乏規模性（scalability）與彈性（optionality）。
而今天的機器學習採用由下而上的作法。人類先餵給電腦數千張藍莓馬芬與吉娃娃的照片，讓電腦自己找出圖片的相關性。接著混合藍莓馬芬與吉娃娃的照片，測試電腦。每當電腦判斷錯誤就「釘」它，讓它自行從錯誤中學習（所以叫機器「學習」）。今天電腦的辨識率已經可以勝過人類。
第二層創新在於人類可以交付電腦執行一些過去難以描述的任務。例如「分辨藍莓馬芬與吉娃哇」其實是複雜的指令，必須先定義「藍莓馬芬」與「吉娃娃」。現在可以用餵圖片與「釘」電腦取代。這有點像養育小孩。「捷運月台很危險」是抽象的概念，不容易教導。但每次小孩一靠近月台就打他屁股，他就會理解「那種空空的地方不能靠近」。
當然，你會問：「圖像辨識有什麼用？」
這是矽谷創投 Andreessen Horowitz 合夥人 Benedict Evans 最近討論的問題。他寫了一篇文章，舉出三個討論機器學習的切入點，我覺得很有啟發。分別是：
- 關聯式資料庫（relational database）
- 賦權的技術層（enabling technological layer）
- 自動化（automation）
關聯式資料庫與賦權的技術層
他認為機器學習的價值將會類似關聯式資料庫（relational database）的影響力。
關聯式資料庫是今天所有企業軟體的底層架構之一。其於 1970 年由 IBM 的科學家提出。在此之前，企業使用「階級式資料庫」（hierarchical database）。有點類似醫院的紙本病歷庫。病歷一張張的放在檔案夾中，檔案夾放在一排一排的架子上，依年份或科別存放。資訊的階層位置是固定的；若有人需要「跨」病例的資訊，只能沿著原有的階層去上下搜尋。
一旦有人問一個新的問題，與原來的階層架構不符，就會產生問題。例如「2017 年台灣男性前三大死因為何？」要回答這問題，必須調出所有男性病歷，移除還活著的病歷，再分析所有死因。
而在關聯式資料庫中，資料庫是以資料之間的關係來架構，而不是資料本身。換言之每一個病歷報表包含不同欄位，欄位又與其他報表上的欄位連結。因此只要變動資料的結構關係 — 例如改以「年齡」、「性別」及「死因」為分類 — 就可以回答上述問題。
關聯式資料庫的問世，創造了一個新的技術層（technological layer），引發許多後續重要的應用。根據 Benedict Evans：
這深深的改變了使用資料庫的方式，也帶來新的使用情境與獨角獸。關聯式資料庫帶來了甲骨文（Oracle），也帶來 SAP，而 SAP 與其同業帶來了全球即時供應鏈，因此有了蘋果與星巴克。到了 1990 年代，幾乎所有企業軟體都是用關聯式資料庫 . . . 這個技術成為所有東西的賦權層（enabling layer）。
這是今天討論機器學習比較實在的角度 — 是我們用電腦的方式的飛躍式進步，將來機器學習會嵌入不同公司的不同產品之內。最終，所有東西裡面都會有機器學習，大家再也不會特別留意。
機器學習將為電腦帶來新的能力，解決新的問題。但不要太快跳到《雲端情人》或是《魔鬼終結者》裡的機器人。更實際的例子是洗衣機。
洗衣機也是一種機器人。它分擔了人的工作。未來的洗衣機可以做得更好，例如可以辨識衣物的質料，人們就不必先行分類衣服。或是能夠辨識污漬的成分，自動調整水量、旋轉力道與溫度。過去洗衣機的使用規則很僵硬，仰賴人類預先做許多判斷，就像階層式資料庫受到僵硬的結構限制。未來卻可以更彈性、更靈活。
自動化
機器的最大價值之一是自動化。例如洗衣機自動化了洗衣服。而機器學習能讓自動化一些過去只有人類會做的工作。例如上述「馬芬與吉娃娃」的例子，就可以看作是自動化一個 10 歲小孩能做到的事情。換言之，今天人類可以無限地複製很多位 10 歲兒童，幫忙看照片、聽聲音。你每天有多少待辦事項希望能外包出去，而且其實只要兒童就能完成？（我第一個想到的是洗碗）
同樣來自 Benedict Evans：
機器學習不需要打敗專家或是數十年的經驗。我們不是要自動化專家。我們要的是能「聽這些來電然後辨識出憤怒的人」、「讀這些 email 找出焦慮的人」、「看上千張照片然後找出酷（或是奇怪）的人」。
從某方面來說，這就是自動化一直以來的貢獻。Excel 沒有製造出機器人會計師，Photoshop 與 Indesign 也沒有帶來機器人平面設計師，而蒸汽引擎也沒有做出機器馬（ . . . 西洋棋電腦也沒有創造出裝在盒子裡的愛發脾氣的中年俄羅斯人」。我們只是自動化特定任務，但能空前的規模化。
例如 Facebook 能自動辨識照片中的朋友、Siri 能把話語轉變成文字、商湯科技能從機場監視器中辨識形跡可疑的人士。這些都是 10 歲兒童受過訓練後能做到的事情，現在電腦可以瞬間、大規模的完成。
由此推展，Benedict Evans 認為機器學習的用處可整理為三大項：
- 優化既有能力：如果你原本就用電腦分析資料，例如優化銷售轉化率、工廠生產效率，甚至顧客滿意度，那麼機器學習能強化既有的能力。例如代買跑腿平台 Instacart 用機器學習重新規劃跑腿的移動路線，省下 50% 時間。
- 從既有資料找到新洞見：例如過去檢察官必須分析成千上萬的 email，工程浩大。現在可以先叫電腦找出所有「憤怒」、「焦慮」、「說謊」的 email，再從中找出蛛絲馬跡。工廠可以為產品照相，叫電腦找出人類看不見的瑕疵。
- 開啟新的資料類型：如前述，過去電腦無法直接處理影像、聲音甚至文字 — 必須先轉換成指令。現在可以了。電腦甚至可以輸入影片，再輸出影片，例如我寫過的 deepfake。
創造狹隘的專家
最後機器學習還有一種應用，不是複製成千上萬個一般兒童，而是創造狹隘領域內的頂尖高手。這以圍棋機器人 AlphaGo 為代表。
人類給 AlphaGo 一套圍棋規則，再叫它不斷的自我對弈，從中發展出最佳策略。這相當於培養一個專注單一領域，但思考速度非常非常快的兒童。如果你的領域有一套明確規則，那麼機器學習就大有可為。
今天我們不清楚「機器學習能做什麼」就像 1980 年代大家都在問「關聯式資料庫很酷，但有什麼用？」當時關聯式資料庫相對耗能、耗算力，也缺乏支援的環境。但隨著摩爾定律發威，關聯式資料庫成為標準。資料不再是困在檔案庫中的紀錄，而是可以據以判斷、預測的智能（intelligence）。未來人們會將機器學習嵌入各式各樣的產品中，提供各式各樣的能力，並且又再次的習以為常。
