人工智能的未來

機器人的興起，它會繼承地球嗎？當機器人有了意識，不再只是生產、醫療、生活、交通的人類助手，一場人類與機器人的代理人之爭，將如何展開？在2030 年甚至2100 年人與機器將會決戰或互融？ 文／加來道雄（科學家）

神話中的諸神，可以用神力使沒有生命的東西活起來。依據《聖經．創世紀》中所言，上帝以塵土創造了男人，然後「將生氣吹在他鼻孔裡，他就成了有靈的活人」。依據希臘羅馬神話，女神維納斯（Venus ）讓雕像有了生命。藝術家畢馬龍（Pymalion ）因愛上自己的雕像作品而深感無助，維納斯很同情，特許他實現願望，將雕像變成美女加拉蒂雅（Galatea）。火神（Vulcan，天神的鐵匠）甚至可以創造一群金屬製造的機械僕人，並賦予生命。

今天，我們就像是火神，在實驗室中打造機器。我們並非對著泥土吹氣，而是對著鋼鐵和矽吹氣。但它會使人類獲得自由或使人類變成奴隸？如果有人閱讀現在的報紙大標題，彷彿已經有了答案：人類將要迅速地被我們的創造物超越。 人類的終結？

《紐約時報》曾有個大標題，表達了對人類終結的焦慮：「科學家擔憂機器會比人類聰明。」全世界頂尖的人工智能領袖們，2009 年曾於加州的阿西洛馬城（Asiloma ）集會，正式討論機 器人接管的後果。如同電影中的情節，與會代表追問許多問題，像是：如果機器人變得跟你的配偶一樣聰明，會發生什麼事？

作為此一機器人革命的有力證據，人們指向「掠食者」無人駕駛飛機（它正在阿富汗與巴基斯坦，以致命的正確性瞄準恐怖分子）、自動駕駛汽車、本田機器人阿西莫（ASIMO, Advanced Step Inovative Mobility，意即高級步行創新移動機器人） —世界最先進能走、跑、爬樓梯、跳舞甚至端咖啡的機器人。

會議發起人之一，微軟公司的艾瑞克．賀維茲（Eric Horvitz ），提到會議進行時的激情洋溢，他說：「科技正在提供近乎宗教的遠景，而他們的想法引起了如同狂喜（Rapture ）般的共鳴。」

同一個夏天，螢幕上最熱門的電影似乎擴大了這個啟示圖。在《魔鬼終結者：未來救贖》（Terminator Salvation ）中，一群人類的烏合之眾與占領地球的機器怪獸奮戰。在《變形金剛：復仇之戰》（Transformers: Revenge of the Fallen ）中，未來的外太空機器人，以人類為他們星際戰爭的士兵，並以地球為戰場。在《獵殺代理人》中，人們寧可變成完美、漂亮的超人機器去過生活，也不願面對他們老化、衰退的肉體。

由報紙的大標題和戲院的公布片名大招牌來判斷，似乎人類要吞下最後一口氣的時機已經迫在眉睫。人工智能的專家正在嚴肅的問：我們是否會有一天，必須像動物園裡的熊，當我們創造的機器人對著我們丟花生時，我們就要在欄柵後面跳舞？或者，會變成我們的創造物的寵物狗嗎？

但是，仔細檢驗，實情並非如此。沒錯，過去十年的確有很多重大的突破，但是我們應當從正確的角度來看。 二十七英尺長、能夠從空中對恐怖分子發射致命火箭的「掠食者」無人駕駛飛機，是由人類以搖桿控制。這個人類，很可能是年輕的電動遊戲老手，舒服地坐在電腦螢幕後面選擇他的目標。是這個人類，而非「掠食者」，發動射擊。而自動駕駛的汽車，在掃描地平線並轉動駕駛盤時，並非獨立做決定；它們是依據儲存在記憶體中的全球定位系統地圖前進。所以那個全自動、有意識而且兇殘的機器人，仍然還在遙遠的未來。

我們並不意外，雖然媒體聳動地報導，阿西洛馬城會議的某些較為聳人聽聞的預測，多數平日從事人工智能研究的科學家，則較為保守和小心。當他們被問及機器何時會比人類聰明時，科學家們提出的答案非常分歧，從二十年到一千年都有，實在令人訝異。

所以，我們必須區分將兩種不同類型的機器人。第一類型是由人或程式遙控，預先像錄音帶一般擬好劇本，依循精確的指令行動。這些機器人已經存在，也有過很多報導。它們慢慢地進入家庭以及戰場。但如無人類做決定，他們基本上只是一堆廢物。所以這些機器人不應與第二類型的機器人搞混。第二類型機器人真正自主，無須人類輸入的資訊就能自行思想。在過去的半個世紀，正是這種自主的機器人使科學家感到困惑。

阿西莫機器人

人工智能的研究人員往往會指著本田公司的阿西莫機器人圖片，來介紹機器人革命的進展。它身高四英尺三英吋，體重一百一十九磅，看起來像個男孩戴著黑面罩頭盔，並背著背包。阿西莫的確成就非凡：它真的會走路、會跑、會爬樓梯和說話。它可以在房間裡走來走去，拿起杯盤，回應一些簡單的指令，還記得一些面孔。它甚至記得很多字彙，可以說不同的語言。阿西莫是由數十個本田科學家辛勤工作二十年的成果。他們締造了工程的奇蹟。

在兩個不同的場合，我在主持 BBC 的特別科學節目時，有榮幸在會議中與阿西莫互動。當我與它握手時，它的反應完全與人類的方式一樣。我對它揮手，它也立刻對我揮手。當我對它說話，請它拿一點果汁給我時，它轉頭以怪異的人類步伐走向飲料桌。的確，阿西莫談話的時候，很像是個有生命的個體。我幾乎就想要請機器人取下頭盔，看看聰明地躲在裡面的孩子。它甚至比我還會跳舞。

乍看之下，阿西莫似乎很聰明，能夠對人類的指令做出反應、進行對話、並在房間內走動。但實情並非如此。當我在電視攝影機前與阿西莫互動時，每一個動作和細節，都要經過小心安排。事實上，僅僅和阿西莫拍攝五分鐘的簡單場景，就花了大約三小時。雖然如此，每拍完一個場景之後，仍然需要一個阿西莫的操控團隊拿著膝上型電腦，匆忙地為機器人重新編訂程序，它就像是一個錄音機在播放預先錄製的訊息，只是按照人類所寫的指令做出動作。雖然阿西莫每年都會變得更加精緻，它還是無法獨立思考。它的每一句話、每一個姿勢和每走一步，都必須由操控人員小心演練。

其後，我與阿西莫的發明人之一，有過一次坦誠的交談。他承認，阿西莫能像人類的行動雖然令人印象深刻，但它的智力只有昆蟲的水準。它的大多數動作，必須事前以程式設定。它可以活生生地走路，但它的行進路線卻須小心設定，否則它就會撞上傢具，因為它無法真正認得房間內的東西。

相較之下，連蟑螂都認得東西，匆匆繞過障礙，尋找食物和同伴，躲避捕食者，計畫複雜的逃亡路線，躲藏在陰影中，然後消失在裂縫裡。這些都發生在數秒間。

布朗大學人工智能研究人員湯馬士． 狄恩（Thomas Dean ）承認過，他所製造的行動緩慢的機器人，「還處在有力氣走過大廳，而不在水泥地上留下痕跡的階段」。如同我們以後會見到的，現在最強大的電腦只能模擬老鼠的神經，而且只有幾秒鐘。若要機器人跟老鼠、兔子、狗或貓（然後是猴子）一樣聰明，還需要數十年的努力。 人工智能的歷史

批評家有時候會指出一個固定模式：每三十年，就會有人工智能的從業人員聲稱，超級智慧機器人即將降臨，然後經過實際檢驗，招來反撲。

在1950 年代，電子計算機於第二次世界大戰後首次發表，科學家迷惑大眾說，機器人可以表現奇蹟似的技藝：拿起積木、下西洋棋，甚至解決幾何問題。彷彿真正的聰明機器馬上就要來了。群眾都大感驚奇。很快地，又有雜誌刊出文章，令人屏息以待地預測，機器人將要進入每一個人的廚房、做晚飯或清掃房間。在1965 年，人工智能先驅赫伯特．西蒙（Herbert Simon ）聲稱，「在二十年內，機器人將能做任何我們會做的工作。」但接下來的現實是，下棋機器贏不了人類專家，它們只是會下棋而已，別的都不會。這些早期的機器人，像是早期馬戲團中只會一招的小馬，玩不出新把戲。

事實上，在1950 年代，人工智能的確有所突破，但因它的進展被過度誇張和宣揚，於是引來反撲。1974 年，在批評者的聯合反對下，美國和英國政府切斷經費補助。人工智能的第一個寒冬降臨。

現在，人工智能研究人員保羅．阿布拉罕（ Paul Abraham ）搖著頭回顧1950 年代那令人心醉的時代，當時他還是麻省理工學院的研究生，似乎任何事情都辦得到。他回憶說：「那就如同有一群人計畫建造一座高塔通往月球，他們都會驕傲地指著藍圖說，今年的塔比去年的高了多少。唯一的困難是，月球並未變得更接近些。」

在1980 年代，人工智能的熱情又登上高峰。這次五角大廈投入數以百萬計的經費，支持諸如可以深入敵後、偵查敵情、解救美軍然後自行返回總部的智慧卡車計畫。日本政府國際貿易與工業部甚至全力支持一個雄心勃勃的「第五代電腦系統計畫」（Fifth Generation Computer Systems Project ）。這個計畫的目標之一是：造出可以會話、有完全的推理能力，並且猜透我們心裡願望的機器人。所有的目標都要在1990 年代達成。

不幸地，智慧卡車唯一辦到的事情就是走丟了。而第五代電腦在許多誇耀之後，沒有任何解釋就悄悄地放棄了。美好的空言又再度超越了現實。事實上，1980 年代的人工智能的確有真正的進展，但因進步被過度宣揚，所以二度反撲又來了，造成了第二個人工智能寒冬。這期間，補助款用盡了，理想幻滅的科技人成群地離開了。人們痛苦地明白，這其中還缺少了某種東西。

1992 年，人工智能研究人員為電影《2001太空漫遊》（ 2001: A Space Odyssey ）舉辦特 別慶祝會時，他們的心情很複雜。在電影中，一台命名為「HAL 9000」 的電腦發狂了，也屠殺了 太空船的航員。這支1968 年拍攝的電影也預測，到了1992年，將會有能就任何主題與任何人進行流利對話的機器人，而且它還能指揮太空船。不幸地，最先進的機器人的聰明程度，連一隻昆蟲都沒得比，事實顯然讓人深感挫折。

1997 年 IBM 的機器人「深藍」（Deep Blue ）在關鍵性的比賽中擊敗了世界棋王蓋瑞． 卡斯帕洛夫（ Garry Kasparov ），達成了歷史性的突破。「深藍」是一個工程奇蹟，每秒運算 一百一十億次。不過，它並沒有打開人工智能研究的大水閘，啟動一個新時代，結果恰恰相反。它只是凸顯出人工智能原始狀態。很多人反思的結果，都認為「深藍」無法思考。它的棋藝的確高超，但在 IQ 測驗中卻可能抱鴨蛋。在這個勝利之後，出面對媒體發表所有的談話的，卻是輸家卡斯帕洛夫，因為「深藍」完全無法談話。人工智能研究人員，很不情願地開始領會一個事實：強大的電腦的運算力並不等同於智能。人工智能學者理查．黑克勒（Richard Heckler ）說：「今天，你 可以花四十九美元買到可以打敗世界冠軍的西洋棋程式，但沒有人會說它們有智能。」

隨著摩爾定律每十八個月推出新一代電腦，過去悲觀的一代，遲早會被漸漸地遺忘，聰明又熱情的新一代將取而代之，在一度冬眠的領域重新創造新生的樂觀和活力。在最後一期人工智能寒冬降臨三十年後的今天，電腦已經夠進步，足以讓新一代的人工智能研究人員，再對未來提出充滿希望的預測。它的支持者說，人工智能的時代終於來臨了。這次，是真的。事不過三，第三次嘗試應是一個幸運符。但如果他們說對了，那麼人類會很快地被淘汰嗎？

大腦是數位電腦嗎？

如同數學家現在所認識到的，根本的問題在於，他們在五十年前造成一個關鍵性的錯誤，以為大腦可與大型數位電腦做類比。但令人懊喪的是，大腦顯然並非如此。大腦沒有典型電腦所含有的奔騰（Pentium）晶片、視窗作業系統、應用軟體、中央處理器（CPU ）、程式以及子程式。事實 上，數位電腦的結構與大腦的構造完全不同。大腦有點像是學習機器，一個神經元的集合體，每學習一件作業，它就立刻重新連結。（個人電腦則完全無法學習。你的電腦，今天只會跟昨天一樣笨。）

所以，我們至少可用兩種模式來研究大腦。第一種，傳統的由上而下的模式，將機器人視同數位電腦，從一開始就將所有的智能規則寫入程式。至於數位電腦，則可以切割成某種被稱為「圖靈機」（Turing machine ）的裝置—那是偉大的英國數學家艾倫．圖靈（Alan Turing ）介紹的一種假 設性的裝置。圖靈機包含三個基本部分：輸入、消化資料的中央處理器以及輸出。所有的數位電腦都以這個簡單模式為基礎。這種方式的目標是將所有的智能規則編碼裝進一片光碟中。將這個光碟片塞進電腦，它就突然活了過來，變得有智能。所以，這個神祕的光碟包含創造智能機器所需的所有軟體。

不過，我們的大腦完全沒有作業程式或軟體。它比較像是一個「神經網絡」，一堆雜亂的、不斷重新互相連結的神經元的複合體。神經網絡遵循「海柏學習法則」（Hebb’s rule ）：每作一次正確決定，那些神經通路就獲得增強。只要在每次它成功地執行一個工作後，改變某些神經元之間的連結強度，此一增強就已完成。（海柏學習法則能用這個老掉牙的問題來表達：音樂家要如何取得前往卡內基音樂廳演奏的邀請？答案：練習、練習、再練習。對神經網絡來說，練習可以達到完美。海柏學習法則也可以解釋，壞習慣之所以難以打破，因為這個壞習慣的神經通路已經根深蒂固。）

神經網絡植基於「由下而上」的模式。它不是被所有的智能規則填滿的，而是以嬰兒學習的方法得到，跌跌撞撞，遇到很多事物，在經驗中學習。神經網絡並未被灌滿程式，而是用老舊的方法，通過艱苦的生活磨練來學習。

神經網絡的結構與數位電腦完全不同。如果你把數位電腦中央處理器中的一個電晶體取出，電腦就會失靈。不過，如果你取出大腦中的某一部分，它仍然可以用其他部分取代失去的部分，繼續運作。還有，要具體指出數位電腦「思考」的正確位置是有可能的：就是中央處理器。但是，人類大腦的掃描明確顯示，思想活動遍及大腦的大部分。不同部門以精確的次序亮起，思想彷彿乒乓球在到處跳動。

數位電腦能夠以接近光速運算。相對的，人類大腦速度之慢，令人難以置信。神經衝動以極為緩慢的速度移動（約每小時二百英里）。但是大腦的彌補作用遠遠超過需要，因為它進行大量平行處理。也就是說，它有一千億個神經元同時在運作，每一個只執行一小部分的運算，每一個神經元又與其他一萬個神經元相連。在某一比賽中，單一超快的處理器，被超慢的平行處理器遠遠拋在後面。（這使我們想起一個古老的趣味謎語：如果一隻貓一分鐘可以吃一隻老鼠，那麼一百萬隻貓要吃一百萬隻老鼠需要多久？答案：一分鐘。）

還有，大腦並非數位。晶體是以閘門的開關代表零與一。神經元也是數位化（可以工作或不工作），但它們也可以類比化，既傳送連續訊號，也傳送斷續訊號。

機器人的兩個問題

僅僅舉出電腦的兩個較引人注目的限制（相較於人類大腦），我們就可以領會到，為什麼電腦無法達成人腦不費吹灰之力就能達成的兩項關鍵性工作：模式辨識（pattern recognition ）和常識判斷力。這兩個問題使過去半世紀的努力無解。這是為什麼我們沒有機器女僕、男管家和祕書的主要理由。

第一個問題是模式辨識。機器人的視力遠遠超過人類，但他們無法了解看到的是什麼。當一個機器人走進室內，它將影像轉換成一堆小點。透過處理這些小點，它可以辨認出線、圓圈、方塊和三角形的集合。然後機器人嘗試去為這堆小點與儲存在記憶體中的物體一對一配對—這種工作也稱得上冗長乏味，連電腦也不例外。經過數小時計算之後，機器人也許能將這些線條和椅子、桌子及人配對。相對的，當我們走進一個房間，不到一秒鐘，我們就能認識椅子、桌子、書桌和人。事實上，我們的大腦主要就是一個模式辨識的機器。

第二，機器人沒有常識判斷力。雖然它們的聽力比人類好太多，但他們不了解聽到的是什麼。舉例來說，想想下列陳述：

＊孩子喜歡獎賞，而非處罰。

＊線能拉不能推。

＊手杖能推不能拉。

＊動物不能說英語，也無法理解英語。

＊旋轉使人感覺頭暈。

對我們而言，這些陳述只是普通常識，但機器人則不然。沒有任何一條邏輯或程式證明線能拉不能推。我們已經在經驗中學到這些「顯然的」陳述的真相，不是因為它們被程式置入記憶。

由上而下的模式的問題在於，若要模仿人類的思考，光是普通常識就需要太多行的編碼。例如，如果要描寫六歲孩子所知的常識規則，需要花費數億的編碼。卡內基梅隆大學人工智能實驗室前主任漢斯．莫拉維克（Hans Moravec ）嘆口氣說：「到今天，人工智能程式仍無法展示少量的常識—例如，當一個醫療診斷程式去處理一台壞掉的自行車時，可能會開出抗生素的處方，因為這個程式裡沒有辦法分辨人、疾病或自行車的概念。」

不過，某些科學家堅信，只要靠蠻力，就能掌握常識。他們覺得，一個新的曼哈頓計畫（與製造原子彈的計畫同名），一定可以解決常識問題。這個打算創造「思想百科全書」的蠻幹計畫，被稱為CYC，從1984 年開始。這個計畫打算將常識的祕密編成代碼寫進單一程式，它將是人工智能成就的冠冕。不過，經過數十年的辛勤工作，這個 CYC 計畫無法實現目標。

CYC 計畫的目標很簡單：「在2007年以前，掌握一億件事物，約等於一個典型的人在2007年對世界所知的全部。」但那個截止期限，以及在此之前設定的好幾個期限，都已經跳票。 每一個 CYC 工程師所設下的里程碑，都已成過去式，但是沒有一個科學家曾對掌控智能的本質有所進展。

人與機器對決

我曾有機會在一個機智競賽中，與麻省理工學院托馬叟．波吉歐（Tomaso Poggio ）製造的機器 人對決。雖然機器人無法像我們一樣辨識簡單的模式，波吉歐卻能創造出一個程式，可以在某一特殊領域運算得跟人一樣快。這個領域是所謂的「即時辨識」，就算事先並沒有察覺某一物體，依然能即刻辨認它，這是人類擁有的神奇能力。（即時辨識對我們的進化很重要，因為我們的祖先必須在一瞬間，斷定是否有老虎潛伏於灌木中，甚至在牠們還沒完全看清楚以前。）這是第一次，機器人在一個特定視覺辨識測驗中，得分持續地高於人類。

我與機器人之間的比賽很簡單。首先，我坐在椅子上，目視一個普通的電腦螢幕。然後，一個圖片在螢幕中閃現不到一秒鐘，而我必須儘快按下兩個按鍵之一，表示我有沒有在途中發現一個動物。我必須儘快做決定，甚至在我有機會完全消化這張圖之前。電腦也會針對相同的圖片做出決定。

結果實在夠糗，經過許多快速測驗之後，機器和我的表現幾乎一樣好。但有好幾次機器得分明顯比我高，把我遠遠拋在後面。我被機器打敗了。（當我被告知，電腦答對的次數占82%，人類平均分數只有80%時，我內心略感安慰。）

波吉歐的機器的關鍵是它複製了大自然的經驗。許多科學家都知道這個陳述為真：「輪子既然已經發明，為何不複製它？」例如，通常當一個機器人在看圖畫時，會試圖將它分解為許多系列的線、圓圈、方塊和其他幾何圖形。但波吉歐的程式不同。

當我們看到一個圖畫時，我們先看到不同物體的輪廓，然後看到每一個物體裡面的特徵，然後才是內部的差異等等。所以，我們將影像拆解成許多層。當電腦處理了圖像的一層以後，就將它與下一層整合，以下各層也一樣。用這種方法，一步步，一層層，它模仿了我們的大腦劃分等級處理影像的方法（波吉歐的程式沒有我們認為是理所當然的辨識所有模式的本事，例如物體的 3D 影像、由不同角度辨識千萬種物體等等，但它確實代表模式辨識的主要里程碑。）

後來，我有機會看到「由上而下」和「由下而上」兩種模式的運作。我先飛到史丹佛大學人工智能中心，在那裡我遇見了史丹佛人工智能機器人（Stanford artificial intelligence robot, STAIR ）。STAIR 用的是「由上而下」模式，它有四英尺高，有一個巨大的機械手臂，可以旋轉，可以從桌子上抓走東西。STAIR 也可在辦公室或家中移動。這個機器人有一個 3D 的照相機，可以先指定一個物體，將該物體的 3D 影像存進電腦，然後電腦再指引機械手臂去抓物體。自從1960 年代以來，機器人就能像這樣抓住物體，我們在底特律的汽車工廠可以看到他們。

但外表會欺騙人。 STAIR 可以做更多的事。它不像底特律的機器人，不僅僅按照事先寫好的劇本演出。它可以自行運作。如果你要求它撿起一個橘子，它能分析桌上所有的物體，將它們與已經儲存在記憶體中的數千張影像做比對，然後認出橘子，將它拿起來。它也可以透過抓住物體，轉動它們使得指認更正確。

為了測試它的能力，我隨意堆放一些東西在桌上。我說出一個特定物體的名稱，然後觀看結果。我看到 STAIR 正確地分析剛放上去的東西，然後伸手去抓取正確的東西。最終目標，是要讓STAIR巡遊於家中和辦公室環境，拿起不同的東西和工具並與其互動，甚至能以簡單的言語與人對話。如此，它將可做辦公室中任何工友能做的事。STAIR 是「由上而下」模式的一個例子：所有的東西都在開始的時候就以程式存入。（雖然STAIR 能從不同角度辨識物體，但它能辨識的物體數量仍然有限。如果讓它走出室外，讓它隨機辨識物體，它就會癱瘓。）

不久，我有機會訪問紐約大學，數學研究所的電腦學家嚴恩．樂庫（Yann LeCun ）在那兒實驗一個截然不同的設計：地面學習機器人（learning applied to ground robots, LAGR ）。LAGR 是「由下而上」模式的一個例子：任何事物它都必須嘗試錯誤，從頭學起。它大小與高爾夫球車相當，有兩個立體相機可以掃描地面景物，在前進的路上辨識物體。然後它繞過這些物體，小心不碰到它們，每次通過時都學習到一些。它裝有全球定位系統，也有兩個紅外線感應器，可以偵測到前面的物體。它有三個強力的奔騰晶片，並與一個十億位元的乙太（Ethernet ）網路相連。我們到附近的 公園，在那兒 LAGR 可以繞過放在小徑上的障礙物，進行漫遊。每次它通過同樣的路，它都能更快地避開障礙。

LAGR 與 STAIR 的一個重要的不同，在於 LAGR 是特別為學習而設計。每一次碰到東西，它就繞過它，並學習在下一次避開它。STAIR 有成千上萬個影像儲存於記憶體中，而LAGR 的記憶體中幾乎沒有任何影像，取而代之的是創立了一個它所遇到的障礙的心理地圖，並且在每次通過時不斷地修正它。 LAGR 與無人汽車的設計不同，無人汽車事先做了程式設定，並循著預先由 GPS 設好的路線前進；而 LAGR 則是走自己的路，沒有任何來自人類的指令。你只要告訴它去哪裡，它就出發了。最後，像這樣的機器人將會出現在火星、戰場和我們的家中。

一方面，我對這些研究者的熱情和精力印象深刻。在他們心中，他們相信他們正在為人工智能奠定基礎，而他們的工作，有一天會對社會產生我們還沒完全了解的影響。但如眼光放遠，我也可以察覺，他們還有多遠的路要走。即使是蟑螂也能辨識物體，並學習繞過它們。我們仍處於一個連自然所孕育的低階生物，都比我們的多數智能機器人聰明的階段。 不同類型的機器人：LAGR（右上），STAIR（右下），阿西莫機器人（左）。儘管大量增強電腦運算力，這些機器 人的智力只與蟑螂同級。

閱讀完整內容