除了神經網路 人工智慧還有什麼可能？

未來人工智慧還有什麼可能？它會如何發展？廣達電腦技術長暨副總經理、廣達研究院院長張嘉淵認為，需要了解問題的本質，以及找到AI所需要的第三種人才。

對於大腦的認知粗淺 類神經網路僅是其中一支

回歸本質來看，神經網路分析是促使這波人工智慧竄起飛升的關鍵之一，然而這也不是新名詞，早在三十多年前就已提出，包含類神經網路、平行運算等都早已存在。張嘉淵觀察，現在跟以前最大的不同，在於社會數位化的程度愈高，所需的資料量愈大，GPU、伺服器的出現與升級，使得電腦的運算能力大幅提升。

「在這種大量運算變成可能的狀況下，以資料跟神經網路為主的人工智慧，整個爆炸開來，」張嘉淵提到，這就是現在大家熟悉的人工智慧：追求充足且完整的資料，解讀資料中透露的「智慧」，並透過機器學習或深度學習的方式，選擇合適的神經網路模型將其實現。因為這符合產業的需求與現況，加上工具相對比較完備，所以發展較為迅速；而整個教育系統也圍繞這個形式訓練人才，成為顯學。但是對他來說，僅是其中一個分支。

人工智慧是不是只有神經網路而已？「遠遠不只！」張嘉淵坦言，人類對於大腦的了解其實還很粗淺，對大腦的運作模型還有很多未知；再加上對非線性系統裡的數學模式了解也不夠深入，因此就技術發展而言，還有一段很長遠的路要走。

回到基本思考，人工智慧究竟是什麼？張嘉淵認為，人工智慧現在某種程度還是仿生學，人工的神經網路就是人腦的皮膚神經層形態，然而我們的思考、情緒不是只有神經而已，大腦也不只有神經網路，還有腦細胞，「腦細胞如何轉換成人類能懂的數學模式？」再進一步想，發展出腦細胞的數學模式後，若再加上量子運算的發展，是不是有機會創造下一波量子位元的人工智慧？目前已經有很多生物學家、認知科學家投入相關研究，而這跟台灣追求AI迅速商業化應用是相當不同的研究方向。

陽春卻堅守太空崗位45年的航海家

科學家們普遍的共識是人類對於大腦認識完備的程度，以及人工智慧數學模式的了解，是AI下一步發展關鍵，而這牽涉到AI是否可以被解釋的關鍵議題。擁有航太博士學位的張嘉淵提到，例如30年前曾經有關於「人工智慧神經網路是否可以應用在飛機或太空上」的論戰，如果真的要想應用在這些領域，就需要證明神經網路是有能力穩定飛機的飛行安全。當然，在數學上並沒有辦法證明，所以飛機還是用傳統牛頓力學導出來的公式來控制。

那麼當時人工智慧應用在哪裡？可以發現當時大部份是進入家庭 、車用的模糊語言（Fuzzy）等場域，張嘉源解釋，因為這些只是「Nice to Have」，可以優化使用者體驗，也做得相當成功；可是一旦讓碰觸到攸關人命的議題，還是令人卻步。

這樣看起來，AI也不一定是萬用解。張嘉淵舉例，1977年美國發射的探索衛星「航海家一、二號」是唯二飛到太陽系以外的人造物，它們的運算能力遠比現在我們每個人的手機還要低，也沒有所謂的人工智慧，但神奇的是，過了45年，它們依然精準地拍攝所觀測到的事物，並且回傳到地球。「它不夠聰明，但是非常靠得住。」因此他認為，究竟要用什麼方法解題，還是需要回歸問題本質，找到最合適的方法，就是一個聰明的解決方案。「不管是深度學習或是Shallow AI，各自有它們可以解的地方，」張嘉淵指出，不需要任何問題都套入龐大的運算，只是為了得到一個很簡單的結果，還需要考慮成本、時間等因素，甚至也需要與企業長遠的規劃相符。

除了造工具、使用工具的人，還需要第三種AI人才

因此，要如何判斷該用什麼方法解題，是現今AI人才需要具備的特質之一。究竟我們需要什麼樣的AI人才？張嘉淵認為，AI其實就像一個用來探索未來世界的工具，隨著no code／low code的AI應用程式出現，未來可能連小學生都會使用，所以AI人才的定義會跟我們現在所認知的不太相同。

從商業的角度來看，AI的人才可以分成「造工具的人」以及「使用工具的人」，造工具的人就是大家所熟知的AI工程師、軟體工程師；使用工具的人則是各領域擁有領域知識的專家，例如醫生與農夫。「問題來了，假如農夫要開始導入智慧農業，跟他說請你開始寫程式，大概就沒人要做，」張嘉淵笑著說，同樣地，讓軟體工程師去種田，也是無稽之談。所以，現在需要的人，是可以統合兩邊想法和意見，有辦法翻譯某部分語言到另外一個領域的第三種人才。

在張嘉淵來看，第三種AI人才可以用「觸媒轉換器」來比喻，它會加速反應，但是不見得要參與反應。如果這樣的人才可以整合兩邊的專業，並設定共同目標，就很有潛力解決問題，並且強化人工智慧的應用效果。他也提到，不是做人工智慧就一定要會寫程式，會寫程式的人也不見得百分之百理解資料科學的知識。重要的是，要有能力把現實問題轉譯成人工智慧可以解的問題，並且把它變成一個不需要再學軟體工程也能使用的工具。