學術界應該如何看待人工智慧呢?

學術界應該如何看待人工智慧呢?如果機器學習模型做股價預測比受過嚴格理論訓練的金融專家還準,我們還需要研究金融市場的理論嗎?如果理論基礎的神經網路所做的醫療案例診斷,比起以往整合了最多、最好的醫學理論的專家系統,還要準確很多;那醫學理論值得我們投入多少資源去做研究呢?

Machine Learning has become Alchemy.
      –   Ali Rahimi, NIPS 2017 Long Beach, CA

在今年的 NIPS 2017 的開幕當天,受獎人 Ali Rahimi 有一場精彩的演講,Rahimi 認為最近深度學習發展的越來越像是『練金術』,他主要是批評:近年來研究人員過分熱衷於拚湊不同的網路架構和演算法、一味地追求效果,而不去研究這些演算法的(數學)理論基礎,這種「知其然、而不知其所以然」的態度。這個講法在深度學習的社群裡面引起了一些爭論,Yann LeCun 說:『能夠建立理論、讓人理解,固然是很好 … 不過我們(研究人員)另外還有一個重要的目標,那就是開發新的方法、新的技術 … 工程界的產品總是先於學術界的理論,望遠鏡先於光學理論,蒸汽機先於熱動力學,飛機先於空氣動力學,數據通訊先於信息理論,計算機先於電腦科學 … (不能)僅因爲我們目前理論基礎還沒有趕上工具實踐,就把整個研究族群貶抑爲一羣鍊金術士。』

表面上看,這好像只是在深度學習這一個學術領域裏面,理論派跟實務派之間的爭議。然而,這一番爭辯讓我聯想到Daniel Dennett (2017) 今年在皇家學會 (The Royal Institude, a.k.a. RI) 的這一場演講。從知識論的角度來看,深度學習裡面所使用的神經網絡模型和傳統的統計模型在本質上很不一樣;所以這個引發爭論的議題的重要性其實並不侷限在深度學習這一個學術領域裡面,所有會使用到深度學習技術的人文學門,像是行銷、傳播、財會、金融等等,都將需要面對這一個「知其然、而不知其所以然」的問題。

以往我們認為凡事背後都有某種道理,理解這些道理,才能做有效的判斷和決策;所以從前的理論模型,從簡單的線性迴歸、到各種複雜的計量模型,都是根據這種理性思維發展出來,幫助我們辨認「事物的道理」的研究工具。但是,神經網路模型的運作方式和傳統模型不同,AlphaGo Zero並不懂得「棋理」也能打敗棋王,Google和Amazon的神經網路不懂得任何行為理論,卻能準確預測消費者的各種行為。Daniel Dennett (2012)把這種現象稱做『Competence without Comprehension』,神經網路有一種「未理解的能力」;換句話說,這一類模型解決問題的能力並非來自於理論,它能預測未來,卻不需要理解事物背後的道理。

人類(和其它生物)的腦本身就是一個神經網絡,所以我們其實也有很多我們「未能理解的能力」;很少人真的「理解」人腦是如何執行影像處理或語言辨認這一類複雜的工作,但是絕大多數的人都有很好的影像辨認和語言溝通「能力」。Dennett認為,物競天擇之下,「能力」比「理解」重要,兔子要辨識鬣狗,鬣狗也需要辨識兔子,讓牠們可以存活的,是辨識物件的「能力」,而不是影像辨識的「道理」。當生態系裡面一部分的生物有了視覺之後,其他沒有發展出視覺的物種就會被淘汰。正是這種「未能理解的能力」讓人類存活下來,我們才有可能逐漸發展出像邏輯、數學、和科學這一些我們「可以理解的能力」。

從功能性來比較,神經網路模型比較擅長做短期間的預測,而傳統的商管理論模型則比較適合用在中長期的策略規劃。換句話說 ,效果導向的人工智慧模型其實是比較「戰術性」的,而傳統商業理論比較適合用在中長期的戰略規劃。人工智慧對企業來說好像是一種可以事先預測到顧客的行為與喜好的「新視覺」,在競爭激烈的商業界,當一部分的公司發展出這種能力,沒有這種能力的公司就不容易存活。當然,中長期的策略規劃也非常重要 ,戰術和戰略總是互補的,一方面,我們需要長期的戰略來指引短期的戰術,另一方面,只有在短兵相接的巷戰之中先能夠存活下來,中長期的策略才有機會發揮作用。

最後,我推薦大家來聽一下 RI 2017 這段 YouTube, Dennett 以哲學為基礎,整合了生物演化、認知科學、神經科學、和電腦科學等跨部門的理論,嘗試解答「沒有智慧的自然演化,如何能創造出有智慧的人?」這一個困難的問題。透過審視「從沒有生命的物質變成有生命的細胞,從沒有腦的植物變成有腦的動物,從不懂得思考的動物變成有智慧的人,」這一段智慧的演化過程,我們可以進一步思考,「人類是否可能創造出比人類更高層級的智慧?」或者換句話說,「人類創造的機器是否可能理解人類所不能理解的道理?」這一個問題似乎不像(上述的)人工智慧的戰術性功能那麼樣急迫, 但是,在機器的「智慧」逐漸超越人類的這個過程之中,它的答案或許會決定人類社會的未來的發展。

How could a slow, mindless process build a thing that could build a thing that a slow mindless process can not build on its own.    – Daniel Dennet, The Royal Institution, 2017

 

中山大學 管理學院 商業大數據分析

中山管院 商業大數據析

Leave A Reply

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *