今年台北國際電腦展(Computex 2017)的重頭戲之一為人工智慧(AI),除了展示人工智慧的相關應用外,也舉辦了論壇強調人工智慧對於人們未來生活或是企業有何助益。這個不算新的技術為何在近期能夠獲得大廠的重視,可不是因為AlphaGo「痛宰」了許多赫赫有名的高段棋手,而是在物聯網(IoT)的時代下,沒有人工智慧的「一臂之力」,收集到的龐大資料量,就很可能變成一堆沒有用的「垃圾」。

人工智慧成顯學

根據維基百科的資料,「人工智慧亦稱機器智慧,是指由人工製造的系統所表現出來的智慧。」事實上,人工智慧若是要作為一個「實體」,其實可以視為一台有強大運算能力的電腦,英特爾(Intel)全球數據中心銷售部產品與技術總經理Pao-Li Chen表示,人工智慧可以稱得上是第三代的資料中心(Data Center),因為,人工智慧是仰賴運算能力而生,沒有強大的運算能力去模仿人類的思維,就很難用人工智慧這個詞來定義。且這個所謂的第三代資料中心,未來將會需要處理物聯網時代衍生而出的巨量甚至海量資料,這也是為什麼人工智慧會變得那麼受矚目,相關產業也相當重視人工智慧的發展。

因此,雖然人工智慧目前規模仍小,但英特爾預測,在2020年時,人工智慧的市場規模將成長12倍。Nvidia執行長黃仁勳在今年的Computex發表專題演說時也指出,在這一場人工智慧革命開始之際,對於人工智慧新創公司的投資在最近的4~5年內增加了近10倍,投資金額高達50億美元。他認為,這一成長動力來自於由人工智慧推動的深度學習(deep learning)技術與應用。

另外,IDC預估,2017年全球認知和人工智慧系統的營收將達到125億美元,比起2016年還要成長59.3%。預估到2020年,企業支出與投資在認知與人工智慧系統的費用將會超過460億美元,年平均複合成長率將達54.4%。

20170705_AI_NT31P1 2017年全球認知和人工智慧系統市場營收將達到125億美元 (來源:IDC)

根據IDC報告指出,基於認知運算,人工智慧和深度學習的智慧應用是下一波技術核心,將會改變消費者和企業如何工作、學習和玩耍。未來這些應用將能透過使用認知系統、機器學習和人工智慧,提供預測,以及建議與幫助。

早在1997年,IBM就打造了超級電腦深藍(Deep Blue),並打敗了西洋棋世界冠軍卡斯巴羅夫(Garry Kasparov),深藍也被視為人工智慧發展的開端;即使2011年IBM QA系統(Question Answering System)華生(Watson)戰勝二位益智冠軍Ken Jennings及Brad Rutter,證實人工智慧系統能解讀人類自然語言並進行精確回答,人工智慧這個技術也還是停留在「高運算能力的展現」,以及高成本、投資報成率低,並非一般企業或一般民眾能夠「觸及」的階段,因此消費者與企業對於人工智慧的興趣,一直沒有非常熱烈,人工智慧也持續存在於科幻電影或是高階運算中心裡。

何以人工智慧轉變成眾所矚目的焦點?Chen認為,數據洪水(data deluge)、演算法運算能力的突破和再提升,以及激增的創新應用,都是使得人工智慧變得更為可能,甚至唾手可得的原因。Appier創辦人暨執行長游直翰則認為,網際網路、行動網路的精進,讓更多資料變得更容易取得,人們的「溝通心態」也從對象只能是人變成機器或裝置,以及大廠的投入,在在都是促使人工智慧近期受到極大關注的因素。

產業與科技不斷的進展巧扮推手,人類逐步進入過去科幻電影才看得到的人工智慧的世界。黃仁勳在今年的Computex一開始就強調,人工智慧世代已經來臨。他認為科技產業正歷經一股結合深度學習、巨量資料與繪圖處理器(GPU)的強大動力,點燃著一場無處不在的人工智慧革命。

未來,人們生活會越來越智慧化,舉凡食衣住行育樂都會融入「智慧」這關鍵技術,將促使人工智慧的發展更加蓬勃。

CPU vs. GPU硬體戰開打

人工智慧仰賴超強的運算能力。例如,微軟(Microsoft)的深度網路ResNet在2015年就達到超越人類影像辨識的等級;它支援6,000萬個參數,需要7ExaFLOPS的運算能力;而在2016年,Baidu Deep Speech 2的3億個參數需耗用20ExaFLOPS的運算能力;最近,Google的神經機器翻譯(Neural Machine Translation,NMT)擁有高達87億個參數,需要105ExaFLOPS的運算能力,極致的高效能運算每年都在突破。

因此,處理器的處理能力開始被檢視,也掀起一場處理器的爭戰。Chen認為,為因應人工智慧時代的來臨與強大的運算需求,新一代中央處理器(CPU)應運而生,其中,XEON PHI系列更具備很強的深度學習能力。不過,人工智慧不是僅以深度學習技術即可涵蓋,還需要許多技術的輔助,並與更多相關業者進一步合作,才能打造端對端的人工智慧架構與完整的生態體系。

除了CPU外,具備強大運算力的GPU,自然也加入了人工智慧晶片大戰。Nvidia解決方案架構工程部門副總裁Marc Hamilton表示,的確,跟隨摩爾定律(Moore’s Law),CPU運算能力持續的再提升,但是摩爾定律卻也逐漸走到盡頭,不過GPU卻不會受到限制,因此在人工智慧的世界,GPU將扮演重要角色。

不僅如此,人工智慧的應用並不會單單侷限於消費性市場,各行各業都可運用人工智慧,再加上持續會有新的技術注入人工智慧,未來人工智慧將變得越來越複雜,如此就需要更多的處理器來支撐所需的運算能力。Hamilton指出,市場已開始驗證GPU的運算能力,隨著新一代Tesla V100 GPU的推出,產業將有更強大的GPU可因應日益複雜的人工智慧。

值得注意的是,FPGA似乎也受到CPU與GPU大戰的波及。Chen解釋,FPGA在人工智慧的發展中有其「定位」,是不可或缺的一個元件,但無法擔任處理器這樣的重責大任。

AI就從「深度學習」開始

無論CPU或是GPU,處理器的確不可或缺,但要能將龐大的資料轉化為可用的資訊,則需要許多軟體演算法的輔助,特別是以深度學習為基礎的演算法。

在當今的人工智慧世代,深度學習是指神經網路與隨機梯度下降(Stochastic Gradient,SGD)演算法,結合所有可取得的資料量,以及GPU的能力而實現的結果。深度學習是機器學習領域的一個分支,而機器學習更隸屬於人工智慧的範圍。

人工智慧有趣之處在於我們幾乎可以教它去做任何事,至今也已經看到了各種突破。IBM大中華區總經理Jeffrey A. Rhoda表示,20年前Deep Blue誕生,並在完成「任務」之後退役,而6年前問世的Watson,已經不再專任「棋手」。現在的Watson,也跟著人工智慧演算法、雲端等科技的進展而能做到下棋以外的事,靠的就是收集更多的資訊,並轉為對人類或人工智慧自身更有用的訊息。

「機器在第一波工業革命時實現了人力自動化;而今,人工智慧也在使人類的智慧自動化,為所有的產業帶來革新。」黃仁勳指出,其中最強大的動力與技術就是近來由深度學習實現的突破,例如自動駕駛車、OK Google與AlphaGo等應用。

黃仁勳以Nvidia BB8 AI自動駕駛車為例表示,自動駕駛車採用的是卷積神經網路(Convolutional Neural Network,CNN),透過資料自行學習辨識周圍的車輛、車距、車道以及如何安全地行駛。自動駕駛車得以實現,「完全是以AI網路學習辨識這個世界、瞭解目標與原因而駕駛。你只需為其提供一個通用演算法以及大量的訓練,車輛就能自行探索。」黃仁勳預計在未來十年,業界將經歷一場前所未見的交通運輸革命。

此外,OK Google透過循環神經網路(Recurrent Neural Network,RNN)技術提供的資料以及短期記憶(STM)與長期記憶(LTM),從聲音中學會了語音指令,在人類提問許多類似的問題後學會了問題的意思。最近,第二代的AlphaGo以三戰三勝打敗了世界第一的人類棋王——柯潔,其驚人之處就在於採用了與自駕車系統一樣的CNN,再加上強化學習(Rreinforce learning,RL)。基本上,AlphaGo也不斷地在與自己對弈中學習,從數百萬場棋戰中累積經驗,直到最終成為強勁的棋手。

透過CNN、RNN以及強化學習技術,這每一種架構都是基於相同的深度學習演算法,實現了以往人們一直認為在科幻中才可能出現的夢想。

20170705_AI_NT31P2 人工智慧已經發生在我們的日常生活中 (來源:NVIDIA)

此外,Rhoda補充,人工智慧與雲端及資料是密不可分的元素,現階段只有20%的資料量被蒐集到,有80%還在各處等待被尋獲。透過人工智慧將能「看到」並真正讀取到這些資訊,而這些資訊透過演算法、雲端的傳遞,也會回饋成為人工智慧學習與判斷的「依據」。

就如同Watson所擁有的應用程式介面(API),可以讓使用者根據這些數量眾多的API開發想要的應用與功能。這些API的基礎,除了硬體處理器與軟體演算法,還有龐大的資料量作為後盾。「Computex可以說是個人電腦演算法的大秀,不會只有硬體成為焦點,軟體更是重要,而人工智慧也是如此。」Hamilton強調。

機器人——終極的AI?

黃仁勳說,「機器人就是終極的人工智慧」。機器人必須智慧化地與世界互動,透過視覺、聽覺、嗅覺和觸覺來感知世界,學習並理解所採取的行動,而且能以不至於造成傷害的方式做出肢體複雜的動作。

20170705_AI_NT31P3 機器人極其複雜,它必須能透過視覺、聽覺和觸覺來感知環境 (來源:NVIDIA)

但關鍵在於如何教會機器人?「人類很容易透過直覺知識和運動技巧所做的事情,對於機器人而言卻是極其複雜而不可能的程式運作,這也就是為什麼至今在我們之間尚未出現直接與我們互動的機器人。」黃仁勳表示。

而今,經由深度學習,或許就是讓機器人學習和自我編程的關鍵。例如,透過CNN,機器人能感知環境,RNN與模仿學習則讓機器人學會我們的行為,並透過強化學習掌握其他差異化的方式。

另一方面,隨著複雜度的增加,這些基於深度學習演算法的神經網路透過人腦啟發,需要越來越大量的處理程序,黃仁勳強調,透過基於Nvidia CUDA的GPU可望讓一切成為可能。

「目前人工智慧就在身邊,並可開始協助我們解決許多問題。」游直翰總結。現在,人工智慧已經開始改變企業各方面;未來將是人工智慧加上數據驅動智慧化的時代,且人們的生活也將隨之發生變化。

最後,從2018年人工智慧的三大發展趨勢觀察——人工智慧將如同使用者介面、人工智慧將躍升產業核心技術,以及人工智慧將搖身變為商業顧問。台灣業者在這一波人工智慧的風潮下,能扮演何種關鍵地位?游直翰認為,除了硬體開發的實力,軟體研發的能力也不能忽視,更重要的是,要與更多「有志之士」共同合作,並能深入了解人工智慧能為使用者或應用帶來何種助益,才能真正具備市場競爭力。