︿
Top

機器人的精神

瀏覽次數:1017| 歡迎推文: facebook twitter wechat Linked

科技產業資訊室 (iKnow) - 陳歆 發表於 2019年6月17日
facebook twitter wechat twitter

圖、機器人的精神​
陳歆
Robert H. Chen[1]

機器人的精神

有人曾說,機器人和人類之差別是在於「難者不會,會者不難」,即人類難如登天的事,機器人則不費吹灰之力。譬如,數次連續一直不停地計算如2508248*740232*834293*e23*ln256*sin32o之類的乘法,人類千辛萬苦,機器人則一揮而就;但要辨認狗兒而把牠抱起來,機器人就不知所措而無法啓動,人類則能輕而易舉。

差別的原因是傳統的機器的控制系統是以專門蝕刻的電路和程式的指令,就可迅速處理基於數學邏輯的任務,但面對程式指令之外的事就無法調整,也就是以前的機器人是沒有應變的能力,亦即感測環境、從狀況「發現和啓發式學習」(heuristics)、記在心,而經由此經驗,訓練自己能應變。

人類的腦筋則是具有「適配」(adaptation)能力的神經網組成,即接由五官的神經元系統而「面對新的刺激則能自動知覺和改變敏感度」。譬如,人從室外的光亮太陽下忽然進入屋内乍見一片烏黑,但眼睛和腦筋片刻就能知覺而自動調整視覺;耳朵和腦筋的聽覺部位神經元能自然阻擋聲音,如窗外的例行晚班火車笛聲而讓人安眠;和初嗅的異味雖然強烈「入芝蘭之室,久而不聞其香」,則此不只是鼻子的神經元和腦筋的嗅覺部位神經網合作之功能,且是意味著人類更爲深刻之能被感化的「適配的人工神經網」。[2]

即人腦神經網中的各部位神經元,能接收從五官傳達的刺激訊號而適當地變更知覺;亦即人的視覺、聽覺、嗅覺、味覺、和觸覺是具有天然的學習能力。

簡單的智慧型電子商品已經裝有環境偵測器,譬如感應溫度、光線、煙霧、聲音等,但反應是限制於標示或發出警號。新的智慧型電子機器可搜集刺激的訊號,並依照經驗的數據構成一套「訓練集」(Training Set),即可「發現和啓發式學習」而「教育」該機器應該如何反應。

訓練集的數據則是用來進行所謂的「機器學習」,則憑恃一片「人工智慧核心微處理器」,該機器會以其中的「學習算法」,能以簡單的「線性回歸」或「邏輯回歸」分析出數據的趨勢,而如此就可判斷未來的發展而知道適當的反應。[3]

更進步的機器人可仿效人類的腦筋,即機器學習的訓練集是以「人工神經網」模仿人腦的神經網,即其中之數值排列矩陣所構成的如人腦神經網構造之數多「隱藏層」就可依靠所搜索的數據,而經由繼續不斷的「叠代迭代」而依據訓練集的更新自我適配。[4]

譬如,在使用「分類算法」可從所搜集的偵測數據進行「形態辨識」,而以對照儲存的辨識特徵就能辨認不同的物體,且再聯接所累積的經驗數據而更新訓練集來對配所觀察和所儲存的數據,繼而教示所辨認的辨識。經由反應數據的叠代迭代,機器人亦可被教育到在辨認物體之後要如何因應,而與人類一般,愈多的經驗,愈強的應變能力。[5]

亦即,嬰兒一生是什麽都不會,但接受外來的刺激訊號之後,腦筋的神經網就會搜集五官訊號的刺激數據而經由自個兒的經驗及家長的指導,不斷的強化及懲罰叠代迭代,久而久之所累積的正向強化和負向懲罰就會構成小孩自己的訓練集,而他會被教育到依照不同的刺激應該如何適配而反應。

能如此學習的機器人,進而不但能執行傳統計算機的快速計算和晝夜不懈的運轉,亦能感應環境的變化而自動反應,譬如能分辨貓與狗,且在運轉時所感應而累積的數據和適當的反應調整,能學習的機器人則可一直更新原先的訓練集而終於認出而將狗兒抱起來。
 
自主的智慧車
 
各大汽車公司和幾乎每一家網路技術公司,目前都在研發無人駕駛車,而最爲明顯的新裝備是安裝在車頂上的「光成像檢測和測距」(LIDAR)塔,即其所發射的激光脈衝光雷達遭到物體時,佈置在車上的偵測器中的「互補式金屬氧化物半導體影像感測器」(CMOS Sensor)會接受物體的反射光而依照時間及波長差,經由微處理器的演算,就可測繪一個瞬間高解析度立體地形和障礙物動態影像。亦即,所發出與所反射的雷射光之時間差是表明距離,而波長差是以多普勒效應測量動態,所構成的動態影像則可仿效人類的視覺環境。[6]

車上的控制軟體是依據該動態立體影像而以執行器和伺服馬達操控汽車的方向盤、加速器、和刹車,即經由所偵測的影像與所儲存的各種形態影像對比,先辨認形態,爾後依照所儲存的適當反應,就適當地反應而自主地安全行駛。[7]

亦即,車子的安全行駛是經由該立體影像所辨識的馬路形式、號誌燈、障礙物、車潮、人、狗等等一直在變之各種不同狀況,而適當的操控是基於真人駕駛在試驗自主車時所蒐集合儲存的應變動作。即立體影像的數據以及試驗駕駛的反應數據,在遵守交通規則的約束參數之下,就是構成一個綜合行駛的訓練集和操控機制,而各種反應亦可儲存而用來叠代迭代而調整訓練集的數據。能學習的自主車則可與人一樣累積駕駛經驗而不但「學會」開車,開車的技巧且會經由「適配的人工神經網」而一直在進步。[8]

由此可見,愈多的開車實驗,自主車的駕駛技巧就愈發達,而車上的自主系統甚至可連接到一台中央伺服器所儲存的大量且多元的行駛狀況和駕駛反應,而駕駛資料若是傳送到自主車,由於形態辨識和操控訊號傳達可比真人的認知和反應快,自主車的虛擬駕駛員之適當及快速反應會優於真人駕駛的反應。[9]

所以,或者全車上的自主系統,或者連接中央伺服器的互動系統,由於更爲廣泛的經驗資料和電子的反應和操控超快速度,自主車的駕駛技巧其實都會比真人駕駛佳,而若是累積中央伺服器所有的正確駕駛反應數據而使用在所有的自主車上,所搜集的一直在更新的數據和適當的反應會使得無人駕駛爲主的車潮更爲規律化,則整體交通會更安全。

在研發實驗的過程中,意外的事件必定會發生,但因爲歷來高達九成的車禍是由人爲因素所致,而連自主車試驗的交通意外幾乎全也都是由應該緊急介入的車上人過失而發。其實,自主車的專業系統,由於所累積的龐大而一直更新的駕駛數據會遠超越真人所能累積的駕駛經驗,自主車之普遍和長期使用會極度降低汽車意外的發生,即日益劇增來自各方的駕駛數據會使得自主車的虛擬駕駛員愈來愈聰明,且絕不會發生輕舉妄動或者自暴自棄的駕駛行爲。[10]

自主駕駛系統最難辨識的是示意的小動作,譬如警察的眼珠動向所指的要求,以及不常遇見的障礙物所引導的不尋常駕駛動作,譬如修馬路要求的違反交通規則的反方向改道行駛。自主車必定會發生意外車禍,但其件數會遠少於人爲的車禍,但因爲是攸關電腦和機器,一般人會有不理性而偏於感性的反應,即埋怨機器總是比自己承認錯誤好過。

愈進步的雷射脈衝光測繪技術和愈多且愈敏感的偵測器會產生愈多愈準確的動態影像數據,而愈多的自主車行駛經會產生愈多安全的操控數據,則社會大衆一旦能放心而信任自主車的操控,愈來愈多的人即將使用,而跟隨就會有更多數據。如此的良性循環則會造成愈發達且愈有價值的專業系統,即系統的聰明度是依賴數據的多寡,而這就是「大數據」中之「大」的義涵。(3300字;圖1)
 
 
[1] 筆者(robgaoxiong@gmail.com)曾在美國矽谷做科學研究及任職舊金山律師事務所科技顧問,在台灣曾在宏碁電腦、國際通商法律事務所(Baker & McKenzie)、台積電、奇美電子、日月光,財團法人資策會和工業技術研究院的專案顧問、以及國立台灣、清華、和交通大學兼任教授。學歷是密歇根大學空間物理學博士、史丹佛大學電機系後博士、加州大學柏克萊法學院法學博士,美國加州執業律師、美國專利暨商標局註冊律師。著作包括Einstein’s Relativity, the Special and General Theories, McGraw-Hill (2016)、Liquid Crystal Displays, Fundamental Physics & Technology, Wiley (2011)、Made in Taiwan, the Story of Acer Computers, McGraw-Hill (1997)、《英美契約法》元照出版公司2015年、《美國專利訴訟關鍵案例解讀》元照出版公司2012年、《晶理法,液晶、理工、法律》元照出版公司2010年,以及數件相關物理的學術文獻和智慧財產權法的文獻。
[2] 參考Webster, M.A., “Visual Adaptation”, Annu Rev Vis Sci. 2015 Nov 1, ucbi.nlm.nih.org、「適配的人工神經網」(adaptive neural network)。
[3]「機器學習」(Machine Learning)、「人工智慧核心微處理器」(Artificial Intelligence Core Processor)、「學習算法」(Learning Algorithm)、「線性回歸」(Linear Regression)、「邏輯回歸」(Logistic Regression)、。線性回歸和邏輯回歸是各理工學所使用來分析試驗數據。
[4]「人工神經網」(Neural Network)、「隱藏層」(hidden layers)、「叠代迭代」(cumulative iterations)。
[5]「分類算法」(classification algorithm)、「形態辨識」(pattern recognition)。人工神經網的理念是早於1943年起發,但只有近幾年所能搜集的大量數據加上能處理數據的高效率並行微處理器才能進行有效率的機器學習。
[6]「LIDAR」(Light Imaging Detection and Ranging)所發射的光波長是長到不會傷及眼睛,但短到解析度足以能準確地辨認一般交通物體。「測繪」(mapping)是指數學之一點對一點投射。「CMOS sensor」(Complementary Metal-Oxide Semiconductor Sensor)是能接受光訊號而測繪相關的影像。「多普勒效應」(Doppler Effect)則是譬如火車在面向觀察人行駛而吹笛,聲音的波長會被壓縮而車笛的音調會拉高,往外行駛時,車笛的聲波會拉長而音調會降低,而如此從車笛的聲調變化(波長的變化)就知道火車的動向;光線的波長依然會變,而如此天文學是使用所謂的「紅移」(redshift)就知道星星都在往外移,即宇宙是正在擴展中。
[7] 「執行器」(actuator)、「伺服馬達」(servo-motor)。
[8] 近幾年最多的自主車意外事件是因爲遇上緊急狀況而車子必須違規交通規則,自主系統就猶豫不決則不知所措。
[9] 先進的超跑和名貴的新車如今都是使用比人爲的離合器和換檔干更快的電動換檔撥片,即電動總是比即使賽車高手快。
[10] 有興趣多瞭解機器學習者可免費上吳恩達博士(Andrew Ng)在史丹佛大學主持的Coursera「機器學習」(Machine Learning)網路課程。「專業系統」(expert system)。有關自主車試驗的意外分析,參見“Humans—not technology—are the cause of self-driving cars accidents in California”, Fortune.com/2018/08/29。

 
歡迎來粉絲團按讚!
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述,僅為提供更多訊息,也不構成任何投資建議。
2.著作權所有,非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載,本中心保留一切法律追訴權利。