微軟亞洲研究院院長洪小文：越複雜越不管用，AI最適合封閉型的高重複性任務

「其實AI最擅長的是硬記！」微軟亞洲研究院院長洪小文指出，目前AI表現比人好的領域，就是感知（Perception）類型的問題，像是電腦視覺、語音識別等，由於感知其中包括許多固定的形式，因此，AI能夠快速且準確地辨認，舉例來說，機場安檢或是辨認逃犯的工作，AI的表現就相當出色。

不過，洪小文表示，AI終究還是演算法，是人設計出算法，再交給電腦負責計算，AI能在封閉且不受外在因素影響的環境下，效果很好，但是遇到複雜且有外在因素影響的環境，AI就不管用。

AI系統的運作模式

他舉例，多數的工作運作流程都可以歸納成一個封閉迴圈模式，首先發行一個產品到真實世界（Physical World），由感測器（Sensor）收集數據，數據傳到分析端（Analysis），分析下一個產品哪些要改善，做完決策（Decision），最後再啟動執行器（Actuator）發行下一個產品到真實世界。

以往這樣的工作流程中，洪小文表示，感測器就是透過人工的方式收集數據，像是派人做問卷調查或是採集樣本，往往非常耗時，但是，由於現在IoT裝置興起，收集數據變得更容易，再加上AI負責分析和決策，就能快速地完成一次封閉的流程，不斷地重複執行就能達到優化的效果。

現在由於有大數據分析的能力、AI演算法和IoT裝置的配合，就能將此流程自動化，洪小文舉出一個有名的工業應用例子，以往電梯都是壞了才維修，但是透過在電梯中裝設感測器收集數據，執行上述的封閉迴圈模式，電腦就能歸納出模式，進而達到預測性維修，也就是在電梯某些條件出狀況時，電腦就能預測電梯即將壞掉，提前派人來維修。

AI應用適用於重複性高的工作

洪小文認為，這種封閉迴圈因為沒有外在因素影響，系統較為簡單且可執行，不僅能藉此收集到大量的數據，作為往後分析的參考依據，還因為重複性高，可以適用於一樣的工作，舉例來說，電梯的預測模型，可能只需要做些微的調整，就能套用到每一臺電梯，這也是他認為企業應用AI技術，可以創造最大商機的模式。

洪小文指出，所有的工作運作流程都可以歸納成一個封閉迴圈模式，首先，企業發行一個產品到真實世界，由感測器收集數據， 數據傳到分析端，分析下一個產品哪些要改善，做完決策，最後，再啟動執行器發行下一個產品到真實世界。

複雜且變化性高的工作要用AI加上HI協同合作

封閉式的迴圈模式是AI演算法能夠發揮所長的環境，洪小文指出，若是碰到外來因素的影響，這樣的模式就不管用，有些工作一輩子只做一次，下一次所有的條件都不同，這種變化性高的工作，需要AI加上HI（Human Intelligence）協同合作。

舉例來說，像是股票投資就不能只用AI，股市會因為外來一則新聞而有所波動，他認為，AI還是可以分析數據給予人建議，但最後還是得要由人經過多方評估來做決策，選舉也是如此。

AI技術像是深度神經網路（Deep Neural Networks, DNN）企圖模仿大腦思考的運作模式，不過，洪小文指出，其實人腦和電腦AI程式的運作方式還差的非常遠，因為目前人類對人腦的理解還太少，不足以將大腦神經元的運作模式歸納成一套演算法，交由電腦執行。

他更進一步說明，AI擅長的是大數據，人剛好相反，人類擅長的是小數據，也就是說，人類對於自己熟悉的人事物，不管外觀的改變，或是遮住了90%，人類都還是可以成功地識別，他舉例，視覺和語音都是如此，就像在吵雜的環境中，只要是自己熟悉的人，聽到幾個聲音，人類就能馬上知道說話者的身分、說話內容。

「人和AI剛好互補！」他指出，AI都是在優化流程，而人類則是透過理解來歸納、推論事實，他將人腦的運作層次由最底層開始分為記憶力、感知、認知、創造力，最高層次則是智慧，他認為目前AI只停留在感知層，認知層中AI可能只有達到一小部分。

他說明，人類的模式識別就是透過理解，而理解需要因果關係才可以推理，但是深度學習中每一層的輸入和輸出參數不同，就像個黑盒子，是不可能推理的，不過，他坦言，由於理解還包含各領域知識，因此，目前這方面還沒有顯著的進展，「理解是很複雜的，我們還不知道要怎麼建立模組。」他說。

洪小文補充，許多人希望賦予AI創造力，不過，AI連認知層都還沒辦法達到，要有創造力更是困難，讓AI擁有創造力不全然是正面的，還包含出錯的風險都是要考量的因素。

 100項 IT人不可不知的AI發展  

No. 014 AI比人更擅長感知類問題

No. 015 AI最適合重複性高的封閉流程工作

No. 016 複雜任務得靠AI與HI協力

 相關報導  AI 100（上）  AI 100 （下）