高煥堂? （臺灣VR產業(yè)聯(lián)盟主席，廈門VR/AR協(xié)會榮譽會長兼顧問）
　　摘? 要：AI擅長尋找大數(shù)據(jù)中的規(guī)律，其亮麗的表現(xiàn)已經令人類嘆為觀止。在學習AI時，如果您能深刻掌握AI的黑盒子（Black box）和不確定性（Uncertainty），將更能發(fā)揮AI的專長來幫助人類。
　　關鍵詞：AI；黑盒子；不確定性

　　1 AI的長處

　　當今基于深度學習的AI（人工智能）非常擅長于：從大數(shù)據(jù)的復雜關系中尋找出人類難以得知的規(guī)則（規(guī)律性或法則）。人們對周遭大環(huán)境的隱藏規(guī)律太多未知，AI可以協(xié)助人們去探索未知，補足人類的短處。
　　那么，人們?yōu)槭裁葱枰狝I的助力呢? 因為人們常常只能觀察到小數(shù)據(jù)，只能歸納出局部性的規(guī)律，然后從各個局部性規(guī)律中，抽象出原則（Principle），然后掌握原則，并相信它（原則）就代表全體規(guī)律，乃是恒久不變之“道”。
　　如今，AI逐漸打破了這項數(shù)千年來的迷思。AI迅速掌握全體大數(shù)據(jù)，迅速找出全體新規(guī)律，顛覆人類所相信的原則。于是，擅于借助于AI者就可得到新規(guī)律來引領大潮流。反之，不擅于借助AI者，堅守舊原則，就很可能成為沒落貴族了。
　　雖然AI擅長從“小范圍大數(shù)據(jù)”中找規(guī)律；但是人類則擅長在“小數(shù)據(jù)”中找規(guī)律，又能舉一反三，應用于“大范圍”上。兩者互補且相輔相成。
　　例如，在商業(yè)競爭環(huán)境中，AI可以幫企業(yè)取得相關產業(yè)的全域最佳解（Global optima），輕易地打敗傳統(tǒng)（無AI）的企業(yè)競爭者，因為這些傳統(tǒng)企業(yè)只能憑借人的視野和經驗，只能取得局部最佳解（Localoptima）。

　　2 AI的兩項特征：黑盒子&不確定性

　　AI有兩項特性：①黑箱式推理；②不確定行為。當 今AI技術是基于算法和大數(shù)據(jù)相關性（Correlation）而進行歸納推理，屬于低階因果關系的推理（如圖1）。

　　基于底層的算法，搭配歸納推理能力，AI能夠從大數(shù)據(jù)的復雜關系中找出規(guī)則（規(guī)律性或法則），并進行預測（如圖2）。

　　依循AI自己找出的規(guī)則，就能針對應用資料來進行預測或判斷，并且輸出結果（如圖3）。

　　由于AI尋覓出來的規(guī)則，只能以成千上億個數(shù)字表示，成為無（文）字天書。讓人們對其判斷理由無從理解（Incomprehensibility），且對其推理過程無法解釋（Inexplainability），所以稱之為：黑盒子（如圖4）。

　　同時，常常因為訓練數(shù)據(jù)的偏差或算法參數(shù)設定等，都會讓AI產生意外的結果，讓人們捉摸不定其行為，通稱為：AI不確定性（Uncertainty of AI）。
　　3 AI的兩層規(guī)則（Rules）
　　關于AI與規(guī)則的關系，首先從AI的算法說起，什么是AI的算法呢？

　　 “算法”是人們給予AI機器的規(guī)則（Rules）。這種規(guī)則是媽媽層級的規(guī)則（Meta-rules），成為AI的底層框架，此框架支撐AI的歸納性能力，能夠從大數(shù)據(jù)中找出規(guī)則（規(guī)律性或法則），就生出兒女層級的規(guī)則（如圖5）。

　　因為是歸納法，所以媽媽如何生出兒女，其過程是黑盒子。當AI訓練完畢，投入實際應用時，是依循兒女層級的規(guī)則而執(zhí)行。所以，人們常常無法充分掌控AI的行為。
　　也許您會認為算法能充分掌控AI的行為。其實不然，掌控得了媽媽，并不一定能掌控其兒女，因此人們常常無法充分理解和解釋AI行為的背后理由。
　　當今的AI神經網絡（NN）受人腦的啟發(fā)，一個神經網絡類似于大腦中神經元的連接系統(tǒng)，由成千上萬個微小的神經元連接，經由一系列數(shù)學計算，形成數(shù)百萬個復雜而微小變化的連結，人類無法精準地確定正在發(fā)生的連接結果，只會得到1個輸出的結果。
　　這種“輸入數(shù)據(jù)和答案之間的不可觀察的空間”，通稱為黑盒子。在AI領域常拿這個名詞來描述神經網絡的內心深處如何在“暗處”運作的神秘景象。對于人類來說，至今仍然太難理解了。
　　4 舉例說明：從傳統(tǒng)IT邁向AI

　　4.1 傳統(tǒng)IT：人們把規(guī)則寫入電腦

　　人們最常見的迷思是：延續(xù)傳統(tǒng)IT思維，想把自己心中的規(guī)則輸入給AI。例如，當您想讓AI來進行二進位的加法運算——如（011）和（011）兩數(shù)相加。在傳統(tǒng)IT里，您會利用程序（如Python）的“編程邏輯”來把心中的規(guī)則表達于Python程序碼里，經過編譯（Compile）、連結（Link）之后，載入到電腦里。例如，計算二進位的 （011）和（011）相加時，您會運用二進位加法的基本規(guī)則是：個位數(shù)1和1相加，得到0，且進位 1。下一位則是：1和1和進位1相加，得到1，且進位 1。再下一位則是：0和0和進位1相加，得 到1。于是，得到結果是：二進位的110。然后，寫成Python程序碼來表達之：

　　此時您需要編程技能和嚴密的程序邏輯。所以，在傳統(tǒng)小數(shù)據(jù)時代的IT邏輯編程，是讓人類表達其心中的規(guī)則，以程序碼敘述出來，植入到電腦中，讓電腦替人類快速執(zhí)行（規(guī)則）。所以，您需要努力學習編程；然而那是傳統(tǒng)IT邏輯思維，不是當今AI的邏輯思維。
　　4.2 AI：自己找出規(guī)則（規(guī)律性或法則）
　　基于大數(shù)據(jù)的AI邏輯思維是：人類只需要給它（電腦）答案，由它自己歸納出規(guī)則。例如二進位加法：

　　基于大數(shù)據(jù)的AI邏輯思維是：人類只需要給它（電腦）答案，由它自己歸納出規(guī)則。例如二進位加法如圖6。

　　人們只要給電腦考卷（即輸入值011和011），并且給予答案（即輸出值110）就可以了。AI能自己歸納出規(guī)則，并計算出非常接近正確的答案（如圖7）。

　　AI計算出來的答案：[0.98, 0.93, 0.09]，只是非常接近正確答案：[1,1,0]。AI自己以權重（數(shù)字）來表達它自己歸納出來的規(guī)則（如圖8）。

　　在傳統(tǒng)小數(shù)據(jù)時代的IT邏輯編程，是讓人類表達其心中的規(guī)則，以程序碼敘述出來。如今的AI，并不需要人類去表達心中的規(guī)則，反而AI基于大數(shù)據(jù)而能歸納出比人類更優(yōu)質、可信的規(guī)則。
　　5 細說AI的“不確定性”
　　5.1 AI的特質：“不確定”行為

　　如前文所述，AI的特質是非常清晰的：它依賴大數(shù)據(jù)表層（淺層）的相關性，作為歸納法推理的基礎。而歸納性推理是一種“黑盒子”思維，只有結論而沒有推理過程的。 

　　當AI訓練完畢，投入實際應用時，是依循AI自己歸納出來的規(guī)則而執(zhí)行。所以，人們常常無法充分理解和解釋AI行為的理由。AI自己講不清楚，甚至AI專家也講不清楚。這是人們對于AI行為的不確定感。

　　于此也推薦您聽聽Janelle Shane于2019年4月在Ted上演講，主題是：AI的危險比你想象的更怪異（The dangerof AI is weirder than you think）^[1]。

　　為了有效提升人們對A I的信賴度（即降低不確定感），許多專家聯(lián)合起來籌組了聯(lián)盟：A I不確定性聯(lián)盟（The Association for Uncertainty in ArtificialIntelligence，簡稱AUAI）^[2]。并且定期召開大型會議，研討各種可能的解決途徑。
　　5.2 AI不擅長“不確定性”的事物

　　俗語說，優(yōu)點的另一面往往是缺點。AI擅長于歸納性推理（考古），迅速找出事物幕后蘊藏的規(guī)律性。對于沒有經歷過的未知事物通常是無法理解和判斷的。此外，因為AI沒有擬定（對未來的）假設或假說（Hypothesis）的能力，而且它又沒有關于未來可變事物的數(shù)據(jù)。所以，AI對中長期的未來事物變遷的預測能力卻非常薄弱。這些未知的、未來變遷的不確定的部分，都是AI不擅長的。 

　　在AI時代里，AI負責考古和探索眼前事實；人類觀想未來和擬定假設性方案。AI的能力與人類能力，形成互補，相輔相成，共同邁向人機共舞的社會。
　　參考文獻

　　[1] AI報道.從冰激凌實驗看懂AI(2019-12-10)[R/OL].https://baijiahao.baidu.com/s?id=1652513012407958900&wfr=spider&for=pc.
　　[2] AUAI[R/OL].http://www.auai.org/.

　　本文來源于科技期刊《電子產品世界》2020年第02期第88頁，歡迎您寫論文時引用，并注明出處。