不取代人,人工智慧讓工人長智慧

人工智慧科技基金會董事長、鴻海研究院執行長李維斌從AlphaGo和李世乭對弈的過程提出了不同的思考點。他指出,若我們不只專注於勝負結果,其實可以發現,當AlphaGo出了一個不被人類看好的「move 37」,而李世乭回以被稱為「神之一手」的"move 78",這樣的互動過程,或許正暗示了人類與AI未來的關係,意即,AI可以賦能人類,強化我們的能力。

李維斌強調,AI其實可以是人工智慧,也可以是擴增智慧(Augmented Intelligence)。現在許多人都擔心AI會取代人工,因此很多的員工可能對於AI相關的計畫很反彈,但若我們可以重新思考自己和AI的關係,在新技術發展潮流中,隨時以新的心態去面對,就能讓我們有更多機會去探索或發現新的未來,也讓人類的智慧被增強。

AI有哪些特性?將會帶來哪些挑戰?

大家都知道,必須先有數據才能發展出AI模型,但在使用AI的過程中,數據同樣會持續累積,因此AI也會產生數據。不過,重點並不在於「數據」能夠累積到多少,而是「思維」。如果一個人的思維是固著的,那麼他所累績的經驗與數據,只會強化既有的「固著性」。

許多人對於AI的認知都是「提升效率」,但是「效率」仍屬於「肌肉」的力量,如何將AI升級到取代思想的力量,對於此刻的人類來說仍有許多空間與機會。面向未來,我們可以期待「人機互動」(human–machine interaction)能夠啟跳脫既有框架與束縛,帶我們發現過去沒有的事物。

最後,即使我們掌握了AI的各種可能性,還要特別注意,AI帶來的挑戰是否會造成更大的落差?

以「數據」來說,許多像Google、Amazon和臉書等平台皆已掌握了大量數據,在數據為王的趨勢下,已擁有數據者只會愈來愈大,而缺乏數據者則會更缺乏數據蒐集的能力;以「模型」來說,「模型」最需要的就是人才,但是AI人才卻相當匱乏,培養也不易;以AI最消耗的「算力」來說,足夠「算力」是發展AI的基本條件。

從以上數據、模型與算力這三個AI的關鍵來看,往「雲端」運算發展顯然是必然的趨勢,因為雲端就能解決許多問題。在雲端上,我們可以使用Amazon、Google和微軟這些平台的「數據」,且他們同時提供了很好的「模型」與「算力」,我們只要租用即可。

不過,這些提供服務者相對地也會愈來愈強大。大者愈大、小者愈小,會造成哪些問題?是否能夠在使用便利與大環境的公平之間取得平衡,這是對於整體商業世界的挑戰。

AI將對未來的商業模式造成哪些影響?

在未來商業的應用上,AI又將帶來哪些影響呢?

第一,AI能夠提供firefighting(防火機制),去識別某些即將發生的特定情況之驅動因素,比如預測現在是不是溫度變高了?或是某些特定設備內的溫度與頻率是否改變了?是否會發生某些問題?這能幫助我們針對可能發生的問題提早預警。

第二,AI能refinement(細化)目前的工作效率與流程,不斷改進現有的生產解決方案。舉例來說,因為電腦的許多程式都是固定的,難以快速迭代與優化,在處理當前工作時,效率還是不夠好;但AI卻能不斷改善與優化,解決此前生產線上的問題。

第三,AI能透過prototyping(原型設計)挑戰現狀,以全新的想法與技術去解決既有的問題,並非只是強化(enhance)或改善。當新技術出現,管理與營運模式也會改變,需要有新的系統、作業流程與組織文化,因此也需要prototyping。

第四exploration(探索)與第五innovation(創新)是相對理想的狀態,前者是去探索數據中未知的轉換模式;後者是基於AI培育新的思想和business disruptions,屬最高級的創新模式。

目前我們在談AI的時候,大多都是在談第一到第三項目,它們是相對有績效的,也是發展AI很好的開始。不過也建議必須往第四與第五項前進,才是AI最有價值的功用。

現在AI模型的功能大多仍為歸納,較缺乏演繹或推論。雖然歸納可以找到關聯性,但不容易找到因果關係,也會比較難下判斷或決定。不過,透過Hype Cycle(技術成熟度曲線),我們也可以觀察到未來的科技發展趨勢。

面對典範轉移的未來,AI如何賦能人類?

AI的成功其實需要依靠與「人一起運作」,因此雖然技術很重要,但是單靠技術是不夠的,「好的技術」不是成功的關鍵。

圖說:人工智慧功能的成功不僅取決於技術能力, 還依靠AI系統如何與人一起運作,「太好的技術」其實並非成功的關鍵。

那麼我們應該如何幫助同仁和AI成為合作夥伴呢?

首先,企業可以讓同仁從處理「所有事情」到只處理例外事務,不再陷入例行公事之中。因為「例外」仍在AI的能力範圍之外,這也正是「人」的價值之所在,當人們投注在例外之中,可以從中學到新事物。

其次,企業還讓同仁成為訓練者(trainers)與驗證者(validators)。因為所有的AI都需要訓練(training),訓練者本身除了必須擁有關鍵的技能之外,也要有相應的知識;而驗證者則是要能確認AI的結果是否為我們所認可的。

圖說:組織導入AI的系統化流程與步驟。


在AI專案中,我們需要針對不同的問題去組合不同專長的人,這其實就是一個"teaming"(組隊)的過程,需要培養默契,才能取得成功。

「組隊」並非易事,需要許多的學習與磨練,尤其AI專案通常很複雜,會牽扯到很不一樣的專業人士,包括數據科學家、工程師,以及擁有領域知識的專家。因為不同專長的人都使用自己的角度去看事情,使得「組隊」難度很高,但這卻是使AI專案得以成功的關鍵。

李維斌提醒,"teaming"是一種充滿挑戰的過程,絕非只是單純的建立一個"team",或整理出一份名單,只是每個星期來開會,這些都不能確保合作成功。總之,當"team"加上了動詞"ing",才是成功的關鍵,先要理解AI複雜性,才能知道如何組隊。

啟動AI之前的必要認知

所有的新技術都是為了解決舊問題,並從這裡為基礎帶來新價值。不過,除了新價值之外,當我們在引用AI時也要特別注意,比如「AI系統的內在偏見」與「對AI感到困惑和不信任」。

首先,因為現在我們擁有的許多數據都是舊系統蒐集來的,它們可能本身就已經帶著既有偏見與過去的社會價值觀,即便不符合現實,但卻可能已被AI學起來了,當AI把這些舊的價值帶到新世代,這就會造成系統的內在偏見。

其次,因為AI仍在研究中持續發展,許多炒作、術語和抽象性的討論,都會給AI貼上看似美好的標籤,但往往脫離了具體的商業價值,反而使得部分企業經營者對於AI產生質疑或不信任。當組織領導者對於AI充滿太多想像,就容易低估其複雜性;同時,AI最終仍必須整合到現有系統中才能發揮效用,而這就涉及系統整合與資安隱私等問題了。

最後,在啟動AI之前,李維斌也提出了幾個必須先思考清楚的問題,包含:是否擁有正確的數據來實現AI專案目的?是否擁有足夠的數據?如果沒有,要如何取得?該建置新的資料收集方式還是利用第三方提供的數據?該如何用新的策略方式來開始獲取數據?

最重要的是,在推動AI的過程中,我們必須避免落入只是為了收集儲存更多數據的迷思,並且專注在「相關性」、「正確性」和「即時性」,畢竟沒有深刻的社會分析能力為基礎,再強的資訊應用能力也是枉然。