︿
Top

臺灣的人工智慧展望

關鍵字:人工智慧 (AI);半導體晶片
瀏覽次數:8498| 歡迎推文: facebook twitter wechat Linked

科技產業資訊室 (iKnow) - 陳歆 發表於 2019年4月9日
facebook twitter wechat twitter


陳歆
Robert H. Chen[1]
©2019年
 
全球半導體製造標榜之台積電的資深處長王燿東曾對記者說,「現在半導體製程微縮到十奈米,運算能力大幅提升,足可將原先放在雲端的運算模型縮小放到手機,但對於一般的通用處理器仍是負荷太重,所以要加上專用的神經網微處理器,它的運算結構適合簡單但是大量的平行運算」。

如此幾乎任何電子產品只要加一顆客製化的晶片和控制軟體再加上相關的訓練數據,就會具有人工智慧的功能,況且,臺灣的台積電就可代工製造最先進的人工智慧核心微處理器。[2]

臺灣的電子產品製造廠商亦可利用其多年累積的量產經驗來增強製造效率,譬如自動化就是機器人的前身,廠商的寶貴生産數據則可作機器學習的訓練集。雖然一開始就要投資,在機器人與其他的製造設備折舊一樣被完全折舊之後,剩下只是變動成本,而廠商就可開始「印鈔票」。[3]

舉一個簡單的機器人提升製造效率的例子,液晶面板製程末端的瑕疵檢查向來是由員工以肉眼執行,但因瑕疵的緣由經常也難以斷定,造成製程上的嚴重瓶頸。大陸消費電子大廠TCL旗下的面板廠華星光電與IBM的人工智慧「Watson問答器」團隊則合作研發成的「AI面板視察系統」是利用人工智慧將該原本極耗時費力且不確實的關鍵檢查進行智慧化。[4]

即機器人頭上的高解析度攝影機可在關鍵的製程步驟作實地檢查,而經由多年來所彙集的面板瑕疵照片比對,以人工智慧的形態辨識(pattern recognition)辨認各種不同瑕疵,而依照各種瑕疵的原由紀錄,即可及時(real time)修正相關製程的步驟來大量提高生産效率。

中國大陸廠商無疑是正在積極地擁抱AI,臺灣廠商有沒有能力在此新的人工智慧領域佔一席之地呢?龐大的電子製造產業為證,臺灣高科技製造的能力是毋庸置疑的,問題則是硬體製造人才是否能轉戰而競逐軟體爲主的智商比賽?臺灣此方面可放心,有具體的勝任證據。

過去幾年最受矚目的人工智慧表演無疑是IBM的「深藍」電腦於1997年擊敗當時西洋棋世界冠軍加里卡斯巴羅夫的震撼人類與機器人對決,而操作深藍電腦的人竟是來自臺灣的許峰雄。他和香港大學教授譚崇仁就是深藍計劃的設計組領隊。[5]

整整二十年後,「人機大戰」則移位到東亞的圍棋戰場,即新竹交通大學畢業、臺灣師範大學博士的黃士傑和英國劍橋大學的德米斯哈薩比斯在利用谷歌控股公司「Alphabet」之「深度學習」人工神經網的「深腦」而研發的取名為「阿爾法圍棋」(AlphaGo)機器人,於2016年向職業圍棋高手日本井山裕太和韓國李世乭挑戰。[6]

連續打敗兩位九段大師之後,阿爾法圍棋於2017年亦擊敗了當時世界排名第一的中國大陸圍棋天才柯潔。以印證圍棋人才輩出已輪到機器人,中日韓等國的圍棋協會賽後則頒發圍棋最崇高的九段大師證書給阿爾法圍棋。即一台機器人就是榮獲最能代表人類智商的西洋棋和圍棋的最高榮譽,則不免會令人深思而警惕,此豈不是我們人類宿命的徵兆?

由於圍棋的棋藝思考邏輯不同,而棋子的每一步選擇遠超過西洋棋有限的棋步選擇(即可計算,圍棋的步驟選擇數量是超越整個宇宙的原子數量),深藍特別設計的硬體連線運算法並沒有應用在阿爾法圍棋的設計。阿爾法圍棋奪冠的型號據説是運用1920枚中央微處理器(CPU)和280枚善於並行處理的圖形微處理器(GPU)所組成的「張量微處理器」(TPU),以及以下所述的學習算法,而成爲圍棋的世界冠軍。[7]

阿爾法圍棋這位機器人,在軟體工程師設定遊戲規則約束參數之後,是從圍棋好手的比賽利用賽程資料(x)測繪相應步驟的(y)而將兩者輸入學習的訓練集矩陣(x,y)。當然,x和y亦能以多維的向量表示而構成數多維的矩陣,則阿爾法圍棋的資料庫是累積超越三千萬的活棋運用經驗矩陣。

龐大的資料庫建立之後,就經由模仿人腦的「人工神經網」的特殊為下圍棋的「價值網」和「比賽策略網」,阿爾法圍棋即可進行「隨機抽樣統計之蒙特卡洛模擬法的樹搜索」,它則可與一般人、圍棋大師、或另外一台機器磨練下圍棋的技藝,而每一場比賽的數據列入訓練集之後則可依叠代迭代而增強阿爾法圍棋的比賽功效。而因爲機器人不會疲累,可經由人類無法承受之晝夜不停的上百萬最高階層的快速比賽而練術,則經過棋盤各種不同的局勢,則從機器學習就能認知錯誤及設定一直為更有效的各種獲勝策略。[8]

是以,輸給阿爾法圍棋之後,當時的世界冠軍李世乭九段賽後被問起,「賽前是否害怕會輸給一台機器?」,而他竟然坦稱,「倒不是怕輸,而是怕「他」會學會我的打法」。李世乭九段確實是明瞭人工智慧的本質和亟待的威脅。

運用IBM的「深藍」(Deep Blue)和谷歌的「深度學習」(Deep Learning)及「深腦」(Deep Mind)的機器人曾是被若干棋手和評論家批評為僅是以強力的運算(brute force)而非「智慧」(intelligence)即能打敗圍棋高手,但是當年僅二十六歲的井山裕太和十八歲大的柯潔,兩位當事人都稱讚阿爾法圍棋為棋藝帶有人本主義(humanism)而是值得欽佩的對手。

對臺灣而言,目前更爲震撼的事應該是深藍和阿爾法圍棋,即代表人類最高尚智慧的西洋棋和圍棋對決之兩台完全不同的世界冠軍棋藝機器的創造人,皆是來自臺灣寶島的青年。臺灣有沒有人才來趕上且領導人工智慧的新世代發展呢?答案應該毋庸置疑。

看準未來的人工智慧新時代,而儘管以歡迎或防範人工智慧奇點的百感交集心理,先進國家之大學和研究所已經在籌備名為「數據科學」的全新科系來教育新一代學生要如何有效地善用愈來愈大量的大數據,而同時促進富足明亮卻帶有黑暗之近代智慧科技產業。

臺灣,憑恃高中學校的優良數理教學機制,應該不讓美國和中國大陸專美於前,而從更早的教育階段開始教導此極能吸引年輕人興趣的數據科學,以便提早培養臺灣未來的新人工智慧產業先驅,即抛開將來會被視爲極遲鈍的被動電子商品而開始領導靈敏的機器人群。[9] (2356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] 「神經網處理器」是Neural Processing Unit。王燿東的引述是取材於《天下雜誌》,2017年五月十日,113頁。半導體製程規則(design rules)如今已縮小到七奈米。

[3] 臺灣財政部於2017年為加速產業設備汰舊換新曾修正過「固定資產耐用年數表」,則修訂工業機器人耐用年數,由四年改為兩年,即可加速折舊,將可以讓新創企業將未來營運費用提前於開辦初期認列完畢,有助於企業提前獲利,爭取日後上市籌資,亦可加速折舊攤提,減輕營所稅負擔。參考《風傳媒》,storm.mg, 2017年二月一日。

[4]「IBM Watson問答器」是一個可以聽得懂問題而擬定問題的適當答覆之人工智慧電腦系統,則於2011年就在廣受歡迎之由答案猜問題的電視節目《Jeopardy》打敗了兩位節目的獎金紀錄保持人。

[5] 有關深藍對卡斯巴羅夫的世紀決戰,參考《Behind Deep Blue: Building the Computer that Defeated the Chess World Champion》,Feng-Hsiung Hsu, Princeton University Press, 2002.

[6] 德米斯哈薩比斯(Demis Hassabis)。

[7]「中央微處理器」(Central Processing Unit,簡稱「CPU」)、「圖形微處理器」(Graphics Processing Unit,簡稱「GPU」)、「張量微處理器」(Tensor Processing Unit,簡稱「TPU」)。

[8]「價值網」(value network)、「比賽策略網」(match policy network)、「人工神經網」(Neural Network)、「隨機抽樣統計之蒙特卡洛模擬法樹搜索」(Monte Carlo Tree Search)也就是組成谷歌「深度學習」(Deep Learning)的學習算法(Learning Algorithm)。

[9]筆者女兒在加州大學柏克萊主修物理但輔修電腦科學和新開的「數據科學」(Data Science)科系。

 
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。