人工智能在港具發展潛力 (洪文正)
由Google Deepmind研發的人工智能圍棋程式「AlphaGo」,在2016年以四勝一負的佳績擊敗當時人類圍棋世界冠軍韓國棋士李世乭,成為首個毋須讓子勝過圍棋職業九段棋士的電腦程式,成為上年一時熱話。日前,在人類世界圍棋領域排名第一的中國棋士柯潔,不敵升級版的「AlphaGo」──AlphaGo Master,連輸三局。Deepmind創始人Demis Hassabis隨後宣布,AlphaGo自此從棋壇退役,將在其他領域展現人工智能的可能性。
由於圍棋是一個取決於棋士臨場判斷和對策的遊戲,就連頂尖的人類棋士也很難解釋某一步棋下得好不好,並不存在一套萬用的致勝法則,所以工程師也就無法研究出一套讓人工智能圍棋程式絕對可以獲勝的編程。
其實,在AlphaGo與李世乭交鋒前,大多數的人工智能研究者都認為至少還要10年的研發時間,才會出現一套可以與人類專業棋士匹敵的人工智能圍棋程式。當然,在今年累計兩度打敗人類圍棋世界冠軍後,AlphaGo向世人證明了人工智能的發展早已超越了大多數人的想象。AlphaGo的成功關鍵是非傳統的編程方式──加強式學習(Reinforcement Learning)。
加強式學習
一般所認識的編程方式就是讓程式對已知的條件(輸入)作出編程定好的反應(輸出),但加強式學習則讓人工智能程式擁有理解和分析每一次發生相似的情況時,不同的回應帶來的不同結果的能力,並從中判斷和記住能帶來最好結果的對策。這一種通過實踐學習如何應對各種情形的能力,模仿了一個自然界普遍存在的原理──效果率(Law of Effect)。提出效果率的心理學家Edward Thorndike曾經做過一個實驗,一群被放在密封的箱子裏的貓,當踩到某個特定方格的時候,就可以逃出去,觀察到數次誤踩逃出的貓後,剩下的貓將踩特定格子和逃出結果聯繫在一起,結果,剩餘的貓逃出的速度隨着逃出的貓咪數量的增加而逐步加快。
這種與自然界的動物相通的學習能力,除了被工程師運用在研發人工智能圍棋程式之外,無人駕駛汽車技術也可見到他們的蹤影。現實生活中的交通情況並不是像理想中的暢通無阻,路上可能出現的情形有千百種,比如說當隔壁車道的汽車不停穿插進無人駕駛汽車前面,又或者面對複雜的四向停車路口時,無人駕駛汽車可能無法應對。
若是要把馬路上可能發生的所有路況,和每個相應的對策逐一編程進無人駕駛程序,工序將變得非常繁瑣。
再者,一旦出現編程沒有提及的情形,即使只是與編程所制定的情形有細微的不同,程序都可能無法良好運作,對交通帶來不確定性和負擔。
而加強式學習的出現,免除了編程人員繁重的工作,讓無人駕駛程序通過千萬次模擬實驗,自己逐步完善和學會應對各種實際情況。不過,目前加強式學習仍然有其局限。
首先,要對不同的情況進行模擬,需要極大量的數據支援;其次,研發人員正研究如何能使加強式學習同時應對兩種情況。比方說,如何在擁擠的車道上閃避穿插而不對其他的車輛造成壓力。雖然無人駕駛技術有限制,但是許多企業已經逐步把無人駕駛技術系統路面測試提上日程。
其中,開發駕駛輔助系統的Mobileye公司計劃和BMW及Intel合作,在今年讓軟件接受實際路面的考驗;另一方面,Google和Uber也表達了進行路測的意願。在不久的將來,我們或將與人工智能司機共同出行。
本港有優勢
執教人工智能(Artficial Intelligence)10年,筆者一直深信人工智能是科技產業的未來,亦是香港科技業發展應該注重的領域,近日人工智能在棋類競技和無人駕駛技術方面的發展均令人驚嘆。而在這兩個領域以外,人工智能技術也被廣泛運用到其他領域,如醫療、股票交易、機械人監控和玩具設計等。由此可見,各行各業都不應該忽視運用人工智能提升自身行業的工作效能的可能性。
事實上,與金融科技(Financial Technology)或者機械人學(robotics)相比,人工智能可以說是最適合香港科技產業的發展項目。受到現行法律條款的限制,香港想要發展金融科技是有一定的難度的。另外,土地資源短缺和缺少工廠,都對發展機械人學帶來負面的影響;相反,人工智能注重的是軟體研發,不受物理空間的限制,而且香港法規給了人工智能發展充分的自由度。
鑑於人工智能的可能性,和香港發展人工智能的優勢,科技業者和政府應該大力推動香港成為人工智能發展方面的先驅。
更多洪文正文章:
支持EJ Tech
如欲投稿、報料,發布新聞稿或採訪通知,按這裏聯絡我們。