人工智慧的未來:為什麼說炒作掩蓋了現實?

端上晚餐、操作自動駕駛汽車和無人駕駛計程車的機器人可能有趣並且非常有利可圖。但不要驚訝,這些機器人可能遠不如炒作所說的那麼神奇。

近日在香港舉行的2017年沃頓全球論壇上,一個專家小組就人工智慧(AI)、機器人,無人機、其他先進技術及其對未來就業的可能影響表達了他們的觀點。 這些分享擊破了一些炒作的說法,同時也指出某些工作的確面臨威脅。

這個名為“設計商業的未來” (Engineering the Future of Business)的專家分論壇由沃頓商學院院長傑佛瑞·蓋瑞特(Geoffrey Garrett)主持,出席專家包括香港科技大學電子及電腦工程學教授馮雁(Pascale Fung)、賓夕法尼亞大學工程系主任維傑·庫馬爾(Vijay Kumar)以及摩根大通(J.P.Morgan)亞太區董事長兼首席執行官尼古拉斯·阿古金(Nicolas Aguzin)。

蓋瑞特開門見山地問道:自動駕駛汽車帶來的變革有多大的顛覆性?

庫馬爾表示,其實主流媒體有關自駕汽車即將普及的許多報導言過其實。他認為完全自動駕駛的汽車要普及還需要很多年。

庫馬爾兼任賓夕法尼亞州機械工程教授,他的一個主要觀點是,高科技的發展通常包括兩個方面。計算能力和軟體等技術的進步是一方面,這方面受到媒體的極大關注。在這方面,新的應用程式、公司和產品每天破土而出,發展迅速。然而,另一個影響許多項目的方面則經常被忽視,這就是虛擬世界必須以新的方式與物理或機械世界相連接。這個層面的進展非常慢。

在某個時候,自駕汽車中的所有軟體都將在複雜的路面上接受實際檢驗。正如其他機器人應用一樣,在這個領域,進步是由“從資料到資訊再到知識”的轉變過程所產生的。一個根本的問題是,大多數AI的鼓吹人士並沒有意識到在物理世界中實際操作需要多大的資料,這是一個不斷增加的數量,按庫馬爾的話說是“指數級上升的資料量。雖然時下討論的“大資料”很重要,但許多物理操作所需的資料量遠遠超過“大資料”所指的數量。庫馬爾表示,而獲取這些大量資料的限制嚴重阻礙了許多機器人專案的進展速度。

換言之,許多對自駕汽車持樂觀態度的文章忽略了這樣一個事實:需要很多很多年,而不是區區幾年,才能獲得使完全自駕汽車大規模應用的足夠資料。

庫馬爾指出,獲取實現90%的準確度的資料“已經很困難了”。如今一些目標識別軟體“有90%的準確性,你上Facebook,有這麼多的人像,但識別的準確度能達到90%”。儘管如此,“你負責電腦視覺的同事會告訴你,“那不夠聰明”……但要將準確度從90%提升到99%需要更多的資料,那是指數級的增長。 “然後從99%上升到99.9%,你知道嗎?這需要比之前更多的資料。”他將指數級增加的資料需求比作呈現曲棍球棒的圖形,有一個突然急劇上升的坡度。正如其他分析師所指出的那樣,自駕汽車的問題在於,關乎人類性命的時候,90%或甚至99%的準確度根本不夠。 

指數級的資料增長

庫馬爾說:“要獲得使這些應用正常運轉所需的指數級數據非常困難。因此我認為自駕汽車因為涉及到根據資料採取行動而很難變得完美……確實,概念很好,我們也正在取得重大進展,但是……為了發展到使我們感到相當自然,將需要很長時間。”

那麼,為什麼主流媒體給人留下的印象是自駕汽車即將普及呢?

庫馬爾引用了前美聯儲主席格林斯潘(Alan Greenspan)的言論來解釋他對媒體報導的看法。在21世紀初巨大的科技股泡沫崩潰前,格林斯潘曾指出股市存在“非理性繁榮”(irrational exuberance),這一說法流傳至今。庫馬爾認為當下對自駕汽車的誇張說法也是類似。“這就是非理性繁榮的方面,技術看上去似乎要成型了,但需要很長時間才能最終運用。”

蓋瑞特指出,特斯拉首席執行官埃隆·穆斯克(Elon Musk)聲稱讓新車自動駕駛的所有技術已經存在(儘管可能需要有人在緊急情況下干涉),主要的問題只是“人類對技術的接受。”

庫馬爾強烈反對這個說法,“埃隆·穆斯克還會告訴你,電池在改善,變得越來越好。實際這是五年十年前就有的電池。”不同的是,電池越來越小,越來越便宜,“更多的人正在買電池。但這些電池的性能從根本上和以前是一樣的。”

其他領域的進展也緩慢。庫馬爾解釋說,在“物理世界”中,能源和電力方面沒有太大變化。“你看電動機,這是第二次世界大戰時期的技術。所以,我們在物理方面的進步取得的進展遠不及資訊技術。你知道嗎?在美國,資料中心所消耗的電力占2%。如果你真想要更多的資料,如果你想應對曲棍球棒曲線上升的坡度,你要花費很多能量讓資料中心工作。我覺得到某個點後這變得越來越難,越來越難……”

他說,類似的限制也存在于無人機技術中。“我說一個簡單的事實。無人機飛行需要每公斤大約200瓦特的電量。所以如果把一個75公斤的人放在空中,那需要很大的功率。怎麼得到這樣的電池呢?”唯一有足夠“功率密度”來托住這一重量的電源是化石燃料。“你可以用小型噴氣渦輪來驅動無人機。但是要有電力、馬達和電池來驅動可以在空中載人的無人機,我認為這是一個空想。”

這並不是說“不能用無人機來做有趣的事情,但無論你做什麼,你必須考慮與你的目標相稱的有效載荷(payloads)。”

在電動汽車等其他領域,進步正在智慧化,庫馬爾認為這些方面的潛力巨大。 “中國人已經展現了他們在世界上的領先。中國每年生產的電動汽車數量是美國的三倍。我真的認為電動汽車會繼續普及,但我對使用電力的無人機沒有把握。”

同時協助香港科技大學人類語言技術中心運作的馮雁博士繼續庫馬爾的話題,簡述了在可預見的未來中人工智慧(AI)的一些限制,她也表示炒作常常超出現實。 雖然人工智慧可能會執行許多重要和有價值的任務,但物理限制幾乎無法突破。

馮博士指出:“一個僅用於語音辨識並即時翻譯的深入學習的演算法,都必須接受數百萬小時的資料訓練,並使用巨大的資料庫。”而一個深入學習的網路可能有成千上萬的神經元,人類的大腦有數萬億。目前來說人類更節能,她開玩笑說人可以“只吃一小片披薩而工作上一整天”。

人腦難題

論壇專家們繼續討論的是第二個不太被關注的話題:AI目前可以掌握的專案範圍。庫馬爾指出,像翻譯這樣的任務比較單一。我們已經“在某種程度上弄清楚了如何根據資料獲取資訊,儘管如此……通過深入學習,做到這樣也是非常困難的。根據資訊形成知識?我們毫無頭緒。我們不知道人類的大腦是如何運轉的……要發明有人類特有智慧的機器將需要很長時間。”

不久前IBM的超級電腦沃森(Watson)甚至不能和五歲的小孩一起玩井字棋,現在沃森卻能在《危險邊緣》遊戲裡打敗人類。但是,庫馬爾指出,這種快速進步可能使我們忽視一個事實,即今天的電腦最擅長處理的是單一任務或“點解決方案”(point solutions)。當你想籠統處理人類在做的許多事情時,電腦很難做到。”

儘管如此,現在正在為未來的創舉做好鋪墊。馮博士指出,到目前為止,讓機器漸漸學會這些單一任務要求人們“學習如何與機器溝通”,雖然這種溝通時有失敗,比如打給呼叫中心或者與蘋果的Siri溝通時會出現困難。

如今的重點是放在扭轉老師與學生的關係,從而使機器能開始學習與人交流。 馮博士表示:“為人類服務的AI演算法和機器人研發正在進行。它們將理解我們人類的目的、情感、個性、感受等等。”這種研發的目標是讓AI學會處理人與人交流的“不同層次”。

馮博士是全球人機交互領域前沿的科學家,她說:“我們注視對方,瞭解彼此的感情和意圖。我們用肢體語言。人類的溝通並不僅靠言語。這就是為什麼我們更喜歡面對面的會議,我們甚至更喜歡用Skype視頻,而不是打電話。”

馮博士提到她為《科學美國人》撰寫的一篇文章,文章討論了需要教機器人理解和模仿人類的情感。“總體而言,就是讓機器瞭解我們的感受和意圖,而不僅僅是我們的話語,並以更人性化的方式回應我們。”

這種“情感計算”意味著機器將最終從我們的聲音、文字、面部表情和身體語言中進行“感受識別”。馮博士補充說,未來的“人機交互必須具有這種溝通層面”,但捕捉意圖和情感是非常困難的。“文字語言之外的意圖很難被機器所理解,甚至人類也不一定理解到位。我們經常會對彼此產生誤會。”

那麼所有這些將如何影響未來的工作呢?

機器仍然很

“不需要擔心不久的將來,因為機器很笨(dumb)……”庫馬爾說。馮博士舉了一個例子,現在她可以讓一個機器人做一些簡單的家務,但是,“我自己來做或者我教我的孩子或丈夫去做還是更便宜。所以在不久的將來,大量的工作如果用機器代替將成本太高。這可能會在50到100年後改變,就像今天的世界與50年前不同一樣。

但即使新技術開始應用,最終的效果並不清楚。例如,阿古金指出,銀行業推出自動取款機後,出現了更多的櫃員,而不是更少。因為自動取款機使“開分行的成本更低,所以我們就有更多的分行,最終有了更多的櫃員”。

另一方面,將區塊鏈技術(blockchain technology)運用於銀行分類帳系統可能會消除對協力廠商檢查帳目的需要。阿古金補充說,任何需要對賬的工作都可以立即進行而無需確認。最終交易的成本將“像發送電子郵件一樣,幾乎為零……沒有任何混淆的可能性,沒有成本。想像一下把這一技術應用於貿易融資等方面。”

阿古金任職的摩根大通銀行目前正計畫在今年將170萬個工作流程自動化。“這些不是最低級別的人工工作,而是中等級別的。”該銀行也率先進入情感計算領域(affective computing),正在開發一種在客戶打客服電話時能感知客戶感覺和目的的軟體。“還沒有做到完美,但是你可以大體上理解他們的感受,他們是想抱怨還是只是查餘額?他們要做這事還是那事,所以節省了很多時間。”

儘管如此,阿古金表示他相信就像ATM技術的發展一樣,新技術會創造新的工作。他並不像一些分析師那樣認為工作和自動化的未來是“災難性”的。“我有點擔心變化的速度,可能會讓我們很小心,但會有新事物出現。我對未來有更樂觀的看法。”

馮博士提醒觀眾,即使金融科技領域的進步也將受到現有資料量的限制。“在某些方面有很多的資料,另一些方面則不然。”金融業高管告訴馮博士,他們擁有龐大的資料庫,但根據她的經驗,資料量往往不足以實現他們的許多目標。

庫馬爾承認,今天我們為機器人而不是人類創造了更多工作,這是人類未來工作的一個擔憂。但他也稱自己在就業問題上是“偏執的樂觀主義者”。 AI和機器人將在“與人類合作的應用程式”中發揮最大的作用。馮博士同意這一看法,並補充說,“要發明有人類特有智慧的機器將需要很長時間。” 

頂端和低端的工作最穩定

庫馬爾回應馮博士認為許多低技能工作可能保留的觀點,補充道最可能被淘汰的工作可能會讓人想不到。“電腦很擅長做的一件事是什麼?考試。所以,認為我從這所著名大學得到4.0的分數,將來會有一份工作,這是不現實的。”同時,讓機器人“跟在三歲小孩後面清理房間非常非常困難。端上晚餐非常非常辛苦。 飯後把餐桌搞乾淨更困難。我認為這些工作是有保障的。”

專家小組的共識:最難被機器人替代的工作將是頂端和低端的工作,而不是中間的工作。

那麼如果很多年後當機器人足夠先進足夠便宜,能承擔越來越多的人類活動時,人類的工作會變成什麼樣?

馮博士認為,一方面會有更多的AI工程師,以及“管理、維護機器的人,以及以某種方式設計機器直到機器能自我複製的人員”。

而且,許多工作也將開始適應新的世界。例如,馮博士說,假設在遙遠未來的某個時候,許多餐館都有機器人服務。到那時候人們會“花更多的錢去有人類當廚師和服務員的餐館,所以人力在那時候將變得非常有價值。”

她補充說,許多人可能會“變成藝術家和廚師,以及表演家,因為你仍然想聽人唱的演唱會,不是機器人為你演奏協奏曲。你將還是想讀一本人寫的小說,儘管有一天機器也能寫出同樣的小說。你還是會重視人性的色彩。

馮博士指出,創意已經正在變得越來越重要了。未來主導世界的不是AI工程師或商界人士。“那將是創意人才與非創意人才的競爭,如今對創意人士的需求越來越大。”工程學生已經“比以前更難與頂尖人才相競爭。”

過去對於工程師來說,良好的學術成績就能保證一份好工作。馮博士補充說,今天科技公司的應聘者來自“相當多的不同領域”。這些公司尋找的不只是技術技能,而是創意。“我認為工程師必須學習更多的非工程技能,非工程師將學習更多的工程技能,包括科學思維,程式設計……”

庫馬爾同意這一點。今天所有賓大工程學院的所有學生都會選修商學課程。 “我認為今天一個全面發展的畢業生和人文教育的理念包括工程學和商業,對嗎? 我擔心的是人類學家、英語專業、歷史專業學生的未來……我認為這些學科將面臨很大的壓力。”

如何引用沃顿知识在线文章

Close


用于个人/用於個人:

请使用以下引文

MLA

"人工智慧的未來:為什麼說炒作掩蓋了現實?." China Knowledge@Wharton. The Wharton School, University of Pennsylvania, [02 八月, 2017]. Web. [29 March, 2024] <https://www.knowledgeatwharton.com.cn/zh-hant/article/9218/>

APA

人工智慧的未來:為什麼說炒作掩蓋了現實?. China Knowledge@Wharton (2017, 八月 02). Retrieved from https://www.knowledgeatwharton.com.cn/zh-hant/article/9218/

Chicago

"人工智慧的未來:為什麼說炒作掩蓋了現實?" China Knowledge@Wharton, [八月 02, 2017].
Accessed [March 29, 2024]. [https://www.knowledgeatwharton.com.cn/zh-hant/article/9218/]


教育/商业用途 教育:

如果您需要重复利用我们的文章、播客或是视频,请填写内容授权申请表.

 

Join The Discussion

No Comments So Far