機器的智慧將得到指數級增長，遠遠地將人類甩在身後

1942年，艾薩克·阿西莫夫首次在作品中提出了適用於智能機器人的「機器人三定律」，時至今日它們早已淡出了眾人視線。儘管美國國防部在發佈於2012年11月的3000.09號指令中規定：所有武器系統的扳機或發射按鈕始終應該由人類控制；但人類研發的「密集陣」近程武器系統（Phalanx CIWS）與「宙斯盾」防禦系統（儘管二者都是防禦性武器）還是違背了這一規定。如今許多資本家與學者聲稱，「通用人工智慧」（Artificial General Intelligence）將於2020年至2040年間帶領人類到達「奇點」。屆時，機器的智慧將得到指數級增長，遠遠地將人類甩在身後。 最終機器人會消滅全人類，統治整個地球。

　　機器人三定律　　本篇文章將為您揭秘人工智慧這個複雜又神秘的話題。　　首先，目前的輿論中關於人工智慧存在著許多迥然不同的說法，這引起了人們或多或少的誤會以及困惑。某些失業的英國文學專業學生也許是這一惱人現象的罪魁禍首——在半導體廠商與軟體公司的營銷部門，他們為自己的才能找到了用武之地。他們種種誇張的說辭為大眾認識人工智慧平添了許多困難。因此，我們首先得拋棄那些夸夸其談，理清蘊含在其中的簡單工程原理、定義和實例。　　我們將AI看作一個樹狀圖的起點，在此基礎上伸展出了許多分支。左側第一個分支叫做凍結式 AI （Frozen AI），這是上世紀80年代人們對「專家系統」（the expert systems）的另一種說法。凍結式AI是一種軟體，其中濃縮了人類專家對於某種工作流程的經驗與知識。凍結式AI系統沒有學習能力，無論對同一流程重複多少次，它也不會加快執行速度或是提高執行效率。以報稅軟體為例：將數字輸入軟體中，軟體就會在相應表格的對應位置中顯示出運算後的結果。這便是凍結式AI。　　樹狀圖右側的下一個分支是機器學習 （ML，machine learning）。其中又有兩個子分支：分別是淺人工智慧，又被稱為弱人工智慧（ANI, artificial narrow intelligence)；與深度學習（DL, deep learning）。

　　讓我們用工業中生產花生醬的例子來說明弱人工智慧是如何工作的：假設我們有一台需要進行教育的人工智慧機器，我們轉動轉盤，扳動開關，將一噸花生磨成粉末；隨後在大桶中加入一定數量的防腐劑、糖和油。然後進行加熱並且攪拌。機器會觀察操作員的動作（記錄下他的行動），並學會如何去操作。 在我們重複幾輪操作之後，機器就能完全明白如何生產花生醬。在處理變數較少的簡單任務時，弱人工智慧只需要對樣本進行數次學習就可以完全掌握。　　而深度學習的過程則包含了成千上萬個，甚至數百萬個變數。深度學習AI掌握一項任務也需要同樣多的樣本數量。讓我們把上文中的凍結式 AI 報稅軟體換成一台深度學習機器。在填寫完你的報稅表格後，它告訴你在30天之內會遇到現金周轉問題。因為你的妻子一直在從她的個人支票賬戶里給一位離婚律師開支票——她就要把你甩了。深度學習機器可以通過互聯網查看你的賬戶詳情，收集有關你完整財務狀況的所有數據並進行評估，然後根據你的報稅表對未來情況做出準確預測。這便是深度學習 AI。　　語言翻譯中的語音識別是深度學習的另一個實例。谷歌公司近日發布了新產品 Pixel Buds，能夠通過藍牙功能與谷歌 Pixel 智能手機相連接，使手機可以接入到「谷歌翻譯」軟體。這套 Pixel 設備可以識別接收到的語言，並實時地翻譯成對方的母語。這樣即使雙方同時在用兩種不同的語言進行進行，他們也能夠理解對方的意思。語音的識別與翻譯中都包含了成千上萬個變數，系統需要對成千上萬個樣本進行學習才能精通其中奧妙。　　人工智慧的精髓是神經網路 (neural network, NN），也被稱為人工神經網路（artificial neural network, ANN)。物理神經網路（physical neural network，PNN）由許多單元相互連接組成，就像我們大腦中的神經元一樣。這些單元不像電腦一樣只存在0與1兩種狀態，還存在著介於0與1之間的「偏置項」（bias）（指某個神經單元向另一個單元產生偏移）。目前，公認的神經網路拓撲結構共有27種，其中包括預測型神經網路、深度前饋網路、快速前饋網路、卷積神經網路、變分神經網路等等。篇幅所限本文無法一一進行列舉，建議您前往以查看樹狀圖的詳情。但是，當前人工智慧的基本平台由運行在多核處理器和圖形處理器（GPU）上的軟體演算法與並行執行路徑共同構成。這些演算法用0和1組成的數據取代了物理單元，並最終得出運算結果。

　　AI演算法是如何工作的呢？不妨將其想像成電腦中的表格（AI術語稱之為「矩陣」），將數據填入表格的第1列中，該列中的每個數據都被賦予了一個稱為「權重」的數值，這些權重值位於表格的第2列中。　　每個數值的權重會與它周圍其它四至五個數據的權重進行比較（其中涉及大量數學運算），綜合得出的權重值位於表格的第3列。綜合過後的權重值又會與周圍的權重值進行比較，得出的結果位於表格的第4列，以此類推。最終得出的結果位於表格第10列的中間位置。整個過程完成後會呈現為一副收斂的樹狀圖（多對一）形狀。　　在軍事領域，AI最為迫切的使用需求是什麼呢？我們先從圖像處理和面部識別說起。我們通過無人機（UAV）、偵察機和人造衛星等途徑獲取了時長超過數千小時的監控視頻和靜態圖像。但是我們卻沒有足夠多的圖像分析人員來檢視處理這些數據。Movidius 於2017年4月推出了一款名為神經計算棒（Neural Compute Stick）的產品。該產品能夠通過USB介面連接電腦，具有圖像處理與人臉識別功能。2017年8月，英特爾推出了新款視覺處理單元（Vision Processing Unit，VPU）晶元，可應用於無人機與地面車輛的電路中。它能在每秒進行四萬億次運算的基礎上保持極低的功耗。我們可以通過這些晶元在極短的時間內進行圖像處理工作，而不再需要人為操作。如今，類似晶元與演算法在市面上日新月異，層出不窮。　　語音識別和語言翻譯是人工智慧在軍事領域中的另一個重要應用。從敵人那裡我們截獲了數千個小時的通話數據，但我們卻沒有足夠多的與語言學家來處理這些數據。我們可以將Pixel Buds、Pixel智能手機和谷歌翻譯服務與某種搜索演算法相結合，檢索對話中出現的諸如坦克、炸彈、簡易爆炸裝置（IED）、高速公路等關鍵詞。in the conversation. 這樣，我們可以在極短的時間內過濾掉所有的閑聊，只留下最重要的情報數據，而其中並不需要語言學家的參與。　　雷達空時自適應處理（space-time adaptive processing，STAP） 與認知電子戰（cognitive electronic warfare， CEW）是人工智慧的又一應用範例。如今我們的敵人非常擅長在戰場上干擾我們的雷達信號。基於人工智慧的STAP技術可以抵禦其干擾，幫助我們找到目標。基於人工智慧的CEW也是同樣道理：它能幫助我們更好地干擾或欺騙敵方雷達。　　除此之外，人工智慧還滲透到許多其他軍事領域中，包括自主武器，網路戰，更好的無人駕駛車輛，多領域作戰，跨領域作戰，導彈防禦等等。這些作戰平台會為所有人工智慧機器的母系統——「戰爭主演算法」提供數據。美國國防部副部長鮑勃·沃克（Bob Work）在2017年4月的備忘錄中提到，將著手建立一個「演算法戰跨職能小組」。戰鬥中所有來自於作戰平台與士兵的數據都將被輸入「戰爭演算法」（the War Algorithm）機器。接著這部機器會告訴將軍，擊敗敵軍應該做何行動。這便是計劃的詳情。　　現在，讓我們談談所謂的「人工智障」（artificial stupidity，AS）。日常的應用程序以及雲端服務會使用到數以億計的AI晶元與演算法。舉例來說，假設你擁有一個蘋果或谷歌或亞馬遜公司的個人數字助理（Digital Assistant，包括Siri，Google Assistant，Alexa等等）。臨近退休，你想知道如何才能保持身體的健康與活躍。於是你向數字助理提問。數字助理連接到雲端，查詢來源於全世界的上萬億條數據，並且通過AI機器進行處理。數字助理最後回答你：不要打高爾夫球！為什麼呢？因為數字助理髮現死亡和高爾夫球之間有很高的相關性，有相當多的高爾夫球手在60至70歲時去世。然而實際上二者之間並沒有因果關係，是年齡的增長，而不是高爾夫球本身導致了球手的死亡。讀一讀查爾斯·惠倫（Charles Wheelan）的《赤裸裸的統計學》（Naked Statistics）可以更深入地了解此類人工智慧隱患。愛因斯坦曾經說過：「天才和愚蠢之間的區別就是天才是有極限的。」（當然這句話的主人也有可能是大仲馬或阿爾伯特·哈伯德。）

　　因此我們該明白，我們正處於人工智慧發展的初期階段，接下來的一段時間內我們還將遇到更多「人工智障」的情況。有相反的觀點認為，數據越多越有利於人工智慧進行學習。人工智慧機器可以在幾秒鐘內瀏覽數十億條數據（或其它內容），根據統計學，這意味著人工智慧機器將來會變得又好又快。然而，人工智慧的發展最終取決於使用者對AI如何要求，以及在該領域中擁有多少有效的數據。　　現在，你已對人工智慧有所了解，關於人工智慧的軍事用途及其發展現狀也略知一二。而你真正需要考慮的是AI在殺傷鏈（kill chain）中的運用（殺傷鏈由發現、鎖定、開火、終結、反饋等階段組成）。圖像分析與語言翻譯適用於發現與鎖定階段。一旦軟硬體的穩定性與可靠性得到提高，人工智慧將在開火，終結與反饋階段得到運用。事實上，所有的作戰平台，測試、研發、分析、審查工作，武器、預算、作戰計劃和戰略都在殺傷鏈中佔有一席之地。一旦從殺傷鏈的角度閱讀所有軍事新聞與軍事聲明，你定會感到豁然開朗。
推薦閱讀：