|
有人曾說(shuō)，機器人和人類(lèi)之差別是在于“難者不會(huì )，會(huì )者不難”，即人類(lèi)難如登天的事，機器人則不費吹灰之力。譬如，數次連續一直不停地計算如2508248*740232*834293*e23*ln256*sin32o之類(lèi)的乘法，人類(lèi)千辛萬(wàn)苦，機器人則一揮而就；但要辨認狗兒而把它抱起來(lái)，機器人就不知所措而無(wú)法啟動(dòng)，人類(lèi)則能輕而易舉。 差別的原因是傳統的機器的控制系統是以專(zhuān)門(mén)蝕刻的電路和程序的指令，就可迅速處理基于數學(xué)邏輯的任務(wù)，但面對程序指令之外的事就無(wú)法調整，也就是以前的機器人是沒(méi)有應變的能力，亦即感測環(huán)境、從狀況“發(fā)現和啟發(fā)式學(xué)習”（heuristics）、記在心，而經(jīng)由此經(jīng)驗，訓練自己能應變。 人類(lèi)的腦筋則是具有“適配”（adaptation）能力的神經(jīng)網(wǎng)組成，即接由五官的神經(jīng)元系統而“面對新的刺激則能自動(dòng)知覺(jué)和改變敏感度”。譬如，人從室外的光亮太陽(yáng)下忽然進(jìn)入屋內乍見(jiàn)一片烏黑，但眼睛和腦筋片刻就能知覺(jué)而自動(dòng)調整視覺(jué)；耳朵和腦筋的聽(tīng)覺(jué)部位神經(jīng)元能自然阻擋聲音，如窗外的例行晚班火車(chē)笛聲而讓人安眠；和初嗅的異味雖然強烈，“入芝蘭之室，久而不聞其香”，則此不只是鼻子的神經(jīng)元和腦筋的嗅覺(jué)部位神經(jīng)網(wǎng)合作之功能，且是意味著(zhù)人類(lèi)更為深刻之能被感化的“適配的人工神經(jīng)網(wǎng)”。 即人腦神經(jīng)網(wǎng)中的各部位神經(jīng)元，能接收從五官傳達的刺激訊號而適當地變更知覺(jué)；亦即人的視覺(jué)、聽(tīng)覺(jué)、嗅覺(jué)、味覺(jué)、和觸覺(jué)是具有天然的學(xué)習能力。 據羿戓設計所了解，簡(jiǎn)單的智能電子商品已經(jīng)裝有環(huán)境偵測器，譬如感應溫度、光線(xiàn)、煙霧、聲音等，但反應是限制于標示或發(fā)出警號。新的智能電子機器可搜集刺激的訊號，并依照經(jīng)驗的數據構成一套“訓練集”（Training Set），即可“發(fā)現和啟發(fā)式學(xué)習”而“教育”該機器應該如何反應。 訓練集的數據則是用來(lái)進(jìn)行所謂的機器學(xué)習，則憑恃一片人工智能核心微處理器，該機器會(huì )以其中的學(xué)習算法，能以簡(jiǎn)單的線(xiàn)性回歸或邏輯回歸分析出數據的趨勢，而如此就可判斷未來(lái)的發(fā)展而知道適當的反應。 更進(jìn)步的機器人可仿效人類(lèi)的腦筋，即機器學(xué)習的訓練集是以人工神經(jīng)網(wǎng)模仿人腦的神經(jīng)網(wǎng)，即其中之數值排列矩陣所構成的如人腦神經(jīng)網(wǎng)構造之數多隱藏層就可依靠所搜索的數據，而經(jīng)由繼續不斷的疊代迭代而依據訓練集的更新自我適配。 譬如，在使用分類(lèi)算法可從所搜集的偵測數據進(jìn)行形態(tài)辨識，而以對照儲存的辨識特征就能辨認不同的物體，且再聯(lián)接所累積的經(jīng)驗數據而更新訓練集來(lái)對配所觀(guān)察和所儲存的數據，繼而教示所辨認的辨識。經(jīng)由反應數據的疊代迭代，機器人亦可被教育到在辨認物體之后要如何因應，而與人類(lèi)一般，愈多的經(jīng)驗，愈強的應變能力。 亦即，嬰兒一生是什么都不會(huì )，但接受外來(lái)的刺激訊號之后，腦筋的神經(jīng)網(wǎng)就會(huì )搜集五官訊號的刺激數據而經(jīng)由自個(gè)兒的經(jīng)驗及家長(cháng)的指導，不斷的強化及懲罰疊代迭代，久而久之所累積的正向強化和負向懲罰就會(huì )構成小孩自己的訓練集，而他會(huì )被教育到依照不同的刺激應該如何適配而反應。 能如此學(xué)習的機器人，進(jìn)而不但能執行傳統計算器的快速計算和晝夜不懈的運轉，亦能感應環(huán)境的變化而自動(dòng)反應，譬如能分辨貓與狗，且在運轉時(shí)所感應而累積的數據和適當的反應調整，能學(xué)習的機器人則可一直更新原先的訓練集而終于認出而將狗兒抱起來(lái)。 自主的智能車(chē) 各大汽車(chē)公司和幾乎每一家網(wǎng)絡(luò )技術(shù)公司，目前都在研發(fā)無(wú)人駕駛車(chē)，而最為明顯的新裝備是安裝在車(chē)頂上的光成像檢測和測距（LIDAR）塔，即其所發(fā)射的激光脈沖光雷達遭到物體時(shí)，布置在車(chē)上的偵測器中的“互補式金屬氧化物半導體影像傳感器”（CMOS Sensor）會(huì )接受物體的反射光而依照時(shí)間及波長(cháng)差，經(jīng)由微處理器的演算，就可測繪一個(gè)瞬間高分辨率立體地形和障礙物動(dòng)態(tài)影像。亦即，所發(fā)出與所反射的雷射光之時(shí)間差是表明距離，而波長(cháng)差是以多普勒效應測量動(dòng)態(tài)，所構成的動(dòng)態(tài)影像則可仿效人類(lèi)的視覺(jué)環(huán)境。 車(chē)上的控制軟件是依據該動(dòng)態(tài)立體影像而以執行器和伺服馬達操控汽車(chē)的方向盤(pán)、加速器、和剎車(chē)，即經(jīng)由所偵測的影像與所儲存的各種形態(tài)影像對比，先辨認形態(tài)，爾后依照所儲存的適當反應，就適當地反應而自主地安全行駛。 亦即，車(chē)子的安全行駛是經(jīng)由該立體影像所辨識的馬路形式、信號燈、障礙物、車(chē)潮、人、狗等等一直在變之各種不同狀況，而適當的操控是基于真人駕駛在試驗自主車(chē)時(shí)所搜集合儲存的應變動(dòng)作。即立體影像的數據以及試驗駕駛的反應數據，在遵守交通規則的約束參數之下，就是構成一個(gè)綜合行駛的訓練集和操控機制，而各種反應亦可儲存而用來(lái)疊代迭代而調整訓練集的數據。能學(xué)習的自主車(chē)則可與人一樣累積駕駛經(jīng)驗而不但學(xué)會(huì )開(kāi)車(chē)，開(kāi)車(chē)的技巧且會(huì )經(jīng)由“適配的人工神經(jīng)網(wǎng)”而一直在進(jìn)步。 由此可見(jiàn)，愈多的開(kāi)車(chē)實(shí)驗，自主車(chē)的駕駛技巧就愈發(fā)達，而車(chē)上的自主系統甚至可連接到一臺中央服務(wù)器所儲存的大量且多元的行駛狀況和駕駛反應，而駕駛數據若是傳送到自主車(chē)，由于形態(tài)辨識和操控訊號傳達可比真人的認知和反應快，自主車(chē)的虛擬駕駛員之適當及快速反應會(huì )優(yōu)于真人駕駛的反應。 所以，或者全車(chē)上的自主系統，或者連接中央服務(wù)器的互動(dòng)系統，由于更為廣泛的經(jīng)驗數據和電子的反應和操控超快速度，自主車(chē)的駕駛技巧其實(shí)都會(huì )比真人駕駛佳，而若是累積中央服務(wù)器所有的正確駕駛反應數據而使用在所有的自主車(chē)上，所搜集的一直在更新的數據和適當的反應會(huì )使得無(wú)人駕駛為主的車(chē)潮更為規律化，則整體交通會(huì )更安全。 在研發(fā)實(shí)驗的過(guò)程中，意外的事件必定會(huì )發(fā)生，但因為歷來(lái)高達九成的車(chē)禍是由人為因素所致，而連自主車(chē)試驗的交通意外幾乎全也都是由應該緊急介入的車(chē)上人過(guò)失而發(fā)。其實(shí)，自主車(chē)的專(zhuān)業(yè)系統，由于所累積的龐大而一直更新的駕駛數據會(huì )遠超越真人所能累積的駕駛經(jīng)驗，自主車(chē)之普遍和長(cháng)期使用會(huì )極度降低汽車(chē)意外的發(fā)生，即日益劇增來(lái)自各方的駕駛數據會(huì )使得自主車(chē)的虛擬駕駛員愈來(lái)愈聰明，且絕不會(huì )發(fā)生輕舉妄動(dòng)或者自暴自棄的駕駛行為。 自主駕駛系統最難辨識的是示意的小動(dòng)作，譬如警察的眼珠動(dòng)向所指的要求，以及不常遇見(jiàn)的障礙物所引導的不尋常駕駛動(dòng)作，譬如修馬路要求的違反交通規則的反方向改道行駛。自主車(chē)必定會(huì )發(fā)生意外車(chē)禍，但其件數會(huì )遠少于人為的車(chē)禍，但因為是攸關(guān)計算機和機器，一般人會(huì )有不理性而偏于感性的反應，即埋怨機器總是比自己承認錯誤好過(guò)。 愈進(jìn)步的激光脈沖光測繪技術(shù)和愈多且愈敏感的偵測器會(huì )產(chǎn)生愈多愈準確的動(dòng)態(tài)影像數據，而愈多的自主車(chē)行駛經(jīng)會(huì )產(chǎn)生愈多安全的操控數據，則社會(huì )大眾一旦能放心而信任自主車(chē)的操控，愈來(lái)愈多的人即將使用，而跟隨就會(huì )有更多數據。如此的良性循環(huán)則會(huì )造成愈發(fā)達且愈有價(jià)值的專(zhuān)業(yè)系統，即系統的聰明度是依賴(lài)數據的多寡，而這就是大數據中之“大”的義涵。 
|
