【專家解讀AI趨勢:臺灣大學資訊工程學系教授林守德】深度學習不是最終答案,第三波AI浪潮有5大挑戰

【專家解讀AI趨勢:臺灣大學資訊工程學系教授林守德】深度學習不是最終答案,第三波AI浪潮有5大挑戰

在GPU運算資源協助下,大幅提高了訓練模型的效率,深度學習掀起第二波人工智慧的浪潮,但深度學習不是最終答案,下一波AI浪潮將有5大挑戰,這也是AI突破的5大方向(攝影/何維涓)。

人工智慧在今年開始發光發熱,以往不被重視的類神經網路演算法,因為硬體資源的提升加上大量數據的輔助,得以增加深度學習模型的準確率,讓AI踏出在學術界的實驗室,來到產業界產生各式各樣的真實應用。

「AI早在80年代前就已經有第一波的浪潮,」臺灣大學資訊工程學系教授林守德指出,當時許多企業投入開發的專家系統,就是AI最早期實現的應用,將專家的知識變成規則,藉由規則來判斷,從技術來看,專家系統是成功的,但因聘僱各領域專家的成本太高,導致專家系統難以普及化,因此,AI在80年代末期沒有成功興起。

接著, 90年代,更多的演算法出現,加上軟硬體的配合,包含電腦運算速度增加、記憶空間變大,以及網路的崛起讓資料收集變得更方便且廣泛,帶動了AI第二波的崛起。

林守德表示,第二波AI浪潮是將機器學習應用於統計、資料探勘,眾所皆知的AlphaGo,AI電腦圍棋打敗人類圍棋冠軍的事蹟,掀起了這一波AI技術的浪潮。也因AlphaGo的世紀戰役,也讓眾人對AI有更多的了解,過去,機器學習就是指用監督式學習來分類,像是支持向量機(Support Vector Machine,SVM),但因這一波AI的崛起,大家開始意識到機器學習還有許多各式各樣的演算法,非監督式學習、增強式學習、生成對抗網路(Generative Adversarial Network,GAN)等。

尤其是增強式學習,更因AlphaGo Zero的成功而開始受到注目,增強式學習讓程式能夠跟外在環境互動,並從互動中學習如何優化得到的獎勵的機制。

林守德認為,支撐第二波人工智慧浪潮的是深度學習,深度學習是從類神經網路衍生而來,將神經網路疊合成更多層,進而產生複雜的非線性模型,在GPU運算資源的協助下,增加了訓練模型的效率,而帶動這一波AI發展。

但是,他認為:「深度學習並非AI最終的萬靈丹」許多人可能覺得深度學習將認知和辨識的技術,推到了下一個境界,但林守德指出,深度學習還是有一些問題有待解決,目前AI的發展上,大部分成熟的應用都是與知覺相關,也就是說在辨識和認知方面的應用,但是深度學習並沒有解決電腦缺乏推論能力的問題,還是無法解決非搜尋類的相關問題。

未來,第三波人工智慧的浪潮,林守德提出5大即將面臨的問題,第一,他認為,AI將會從弱AI進入到強AI,弱AI即是只能聚焦在單一特定的任務上,從第二波浪潮之後,都算是弱AI極致的表現,但是,將來可能會走向強AI,也就是能夠解決廣泛問題的AI(General AI)。