理解人類語言成為AI突破關鍵，下一步是小數據人工智慧

說到今年最火紅的技術名詞，一定會有AI一詞的身影，各家廠商和企業紛紛推出自家的AI解決方案，或是宣稱採用了AI技術，讓自家產品變得更加聰明，甚至將機器學習、深度學習、電腦視覺、自然語言處理等技術，通通混為一談，統稱為AI技術，不過，「現實是很多廠商提供的AI技術，並不是真的AI！」掌管IBM所有核心認知系統服務技術的全球副總裁暨Watson首席技術長Robert High提醒。

Robert High指出，他習慣將AI稱之為Augmented Intelligence（擴增智慧），而非人工智慧，AI技術依照功能性分為兩類，第一類是基本的認知技術（Foundational cognitive skills)，另一種則是較高階的推論技術 （Prior reasoning skills），基本的認知技術大部分都是辨識類的技術，包含語言、語音、視覺和Empathy辨識，而高階的推論技術涵蓋對話和知識探索 (Discovery)，以及對比式分析（Comparing analysis）。

依照他的判斷，許多廠商所謂的AI技術，其實是一些「簡單的」辨識型任務，像是語音、影像、文字，以及語意辨識等，並不算是真正的AI技術，Robert High認為，真正的AI技術，需要藉由基本的辨識，發展出推論（Reasoning）的能力，推論的運作是一種歸納（Inductive）過程，但是，並非只是簡單地將事物分類，而是要了解其他潛在的可能性，理解出未被發掘的相關的訊息。

因此，「實現複製人腦運作的AI，並不是永遠都有用。」Robert High指出，人類對事物的理解，並不是來自腦袋的運作，而是從生活中的經驗學習而來的，他以數學為例，人類理解數學原理，但針對醫療、金融等特定問題，需要什麼樣的數學方程式來解決問題，如何歸納出抽象規則，是需要經驗推理，而這個推論就像是AI推論的過程一樣。

AI技術一躍而起的關鍵是能真正理解人類語言

但是AI到底要怎麼理解人類的問題，進而衍生出推理的能力？Robert High表示，AI技術的概念已經存在數10個年頭了，卻一直沒有適當的用途，也無法符合人類期望的結果，不過，近來，AI之所以能夠突破，從實驗室走到業界，開始成為企業能採用的技術，「關鍵在於AI能夠真正理解人類的語言！」Robert High解釋，過去的AI依賴規則或是語義的知識本體（Semantic ontology）來了解人類語言，但是，現在科學家更專注於用語言學（Linguistics）來了解語義，於是，AI才開始能在不同的場景，發揮功用，「這是最根本的改變！」他說。

用語言學的概念來設計AI系統，Robert High指出，最大的不同在於，能夠真正了解人類說話的邏輯，AI並不是只有研究單詞，而是研究人類怎麼將這些單字組合在一起，變成一個語意模式（Pattern of meaning），包括哪些單詞常會組合在一起、單詞之間的距離、標點符號的用法等語言學的屬性。

他進一步解釋，人類了解對方的話語，並非在腦中默記一本厚重的字典，找尋每個單字的意思，再把每個字的意思拼湊在一起，來理解對方講話的意思，而是人類的腦已經被訓練成能夠了解語意模式和語言的特性，即使文法不正確，或是字句並非字面上的意思，對方都能夠理解。

另外，Robert High還表示，人類的語言還用了許多比喻法，只是就連人類自己都沒有察覺，舉例來說，英文中常用的「Back」一詞，最原始的意思是人體的背部，之後這個詞即是用了背部在人體後面的比喻，而衍生出許多不同的用法，不管是語意模式或是比喻的用法，這些語言學的特性，都讓AI有了很大的突破，尤其是對話式AI系統。

AI目前最成熟的2大應用領域

AI對語言理解的突破，讓對話型的AI系統能夠在企業的實際案例中，有不錯的成果，「對話系統是擴增智慧很好的展現！」Robert High認為，對話互動的過程中，不只可以辨識用戶的情緒、人格特質，還能用對話系統，來驅動對話變成對企業更有意義、更有價值的系統。人類會因為偏見或是既有的習慣，無法跳脫看待事物的慣性，有時藉由對話系統，或許能帶給企業不同的啟發。

除了對話系統之外，另外一個比較成熟的應用則是知識探索（Discovery），Robert High指出，大多數的企業內部都有許多檔案庫存放著企業的知識資產，但是，往往遇到問題時，人類沒有足夠的時間從眾多資訊中，翻找出該問題的解決答案，知識探索型AI則可以根據當下的問題，從知識庫中尋找最合適的答案，有時或許還會給予未預期的回覆，讓使用者從不同的角度來看待問題。

企業該如何選擇AI技術？又該怎麼開始開發AI應用？

Robert High認為，對話型AI和知識探索型AI在企業中是比較成熟的兩大應用，但是還沒開始導入AI應用的企業，又要如何開始？「我認為企業要解決的問題，和技術之間是有很強烈的關聯，」首先，對企業的IT團隊來說，要先快速地研究一下目前AI相關可用的技術，市面上有許多廠商提供的解決方案，甚至是已經有些針對不同產業需求訂製的解決方案，還有一些第三方服務，或是企業也可以自行建立AI演算法打造應用。

依照Robert High觀察，目前企業比較常見的場景是客服中心和知識管理，企業如果是要解決基礎的客服中心支援或是銷售等問題，就能夠用對話式AI的技術，如果想要更進一步，在企業既有的文件檔案中，找到解決問題的答案，則可以加入知識探索AI，只要依照企業需要的場景，選擇適合自家的AI技術並不難，如果企業適用的場景非前兩者，企業則可以從比較底層的認知系統技術開始，像是一些辨識的系統，來組合出企業需要的功能。

企業選定好需要解決問題的場景與技術之後，才可以開始部署AI技術的工作，以對話式系統為例，Robert High提倡簡單又快速地開始，第一階段，企業可以先從辨識10個對話的意圖開始，通常在幾周內就能部署好對話式系統，接著企業可以再多加入更多新意圖。

接下來，企業就需要花點時間來整合後端的服務，了解企業內部有什麼樣的交易系統可以與對話式系統介接，並且思考在什麼樣的情況下，需要由AI客服轉真人客服，除此之外，企業還能更進階，設計與客戶社交互動的頻率，保持與客戶的交流。最後，對話系統經由每一次與客戶的互動，不斷重複改進，設計出更好的對話系統，維繫客戶與企業的關係。

AI能理解人類語言才真正崛起，未來AI系統所需的訓練資料將會變得更少。

── IBM全球副總裁暨Watson首席技術長Robert High

攝影／洪政偉

Watson面臨的挑戰

他也以自家Watson為例，來談AI在企業應用上的挑戰，即便現階段Watson已有企業真實應用場景，Robert High也坦言，Watson還是面臨技術和業務上的挑戰，他指出，IBM並沒有聚焦在發展特定一個AI的技術上，而是將整體的目標放在擴增人類的認知，最重要的原則就是要能夠幫助業務，尤其是商業的決策，或是企業和客戶、員工、合作夥伴互動的過程，都能夠因為AI有所幫助，協助企業處理業務上的問題，就連隱藏的問題，也能讓企業藉由AI更了解企業的資訊，找到解決問題的方法。

以技術上來說，目前Watson面臨的挑戰就是訓練所需的資料量，這也是目前IBM持續努力的方向，希望可以找到一個方法，將所需的訊訓練的資料量減到最少，目前Watson能用5個例句訓練出1個意圖，「但是我們希望還可以更少！」若能用更少資料量完成訓練，將能夠擴大AI系統運用的範圍，企業也不需要在採用時，花費太多時間來訓練。

從業務面來看，對話AI系統的挑戰是如何真正幫助人類理解，什麼樣的意圖和例句才是最具有代表性的，也就是說，企業在訓練AI對話系統時，應該要給予系統什麼樣的例句才是理想的，因為使用者和該領域的專家表達的方式截然不同，企業要如何了解這些差距，也是挑戰之一，並且還要建立出一套人類真正對話的流程，是非常具有挑戰性的，Robert High也表示，這方面的困難，Watson也尚未解決。

IT界Help desk與網路安全影響最大，AI將顛覆所有產業

身處在IT界長達36年的Robert High觀察，AI近來的崛起， Help desk與網路安全受到的影響最大，企業可以用AI技術，來處理Help desk的工作，Help desk的工作其實跟客服類似，使用者的資訊系統有問題，就會打電話請相關的IT人員處理，排除問題的過程也有一套可循的規則，因此，多數的Help desk工作都能用AI來解決。

另一方面，Robert High認為，網路安全的偵測AI已經開始產生巨大的轉變，像是威脅的偵測、威脅回應（Threat response）都能夠透過AI來處理，由於現在網路威脅層出不窮，AI系統可以幫助辨識惡意軟體，並且找到最好的防禦方式，且大多數的威脅與人的行為有關，會有一些固定的攻擊的來源、路徑，以及手法，駭客可能在社群媒體上有溝通和交流的記錄，AI系統可以協助偵測惡意軟體的攻擊跡象。

「每一個只有有人的產業都會被AI顛覆！」Robert High解釋，每個需要人來從事的任務，都能夠透過AI有更好的表現，舉例來說，AI提供相關的知識，可以讓人類了解到事情更多的面向，甚至是一些以前可能不了解的面向，從比較大的面向來看，像是企業應該要做什麼樣的投資，到非常小的面向，像是每天執行的活動該如何進行，都可以受到AI的輔助。

AI下一個突破是用更少資料來訓練

未來，Robert High認為，AI的下一步是小數據人工智慧，也就是用更少的資料就能完成AI系統的訓練，前陣子DeepMind 釋出不需要學習人類下棋，擁有自學能力的AlphaGo Zero，讓許多人認為AI是否已經具備自學能力，只需要少量的資料就能完成訓練，「答案是不行！」Robert High解釋，AlphaGo Zero採用的增強式學習（Reinforcement learning）只適用於解決的問題，結果是非常精確且絕對的。

因此，遊戲就是強化式學習非常理想的應用案例，因為遊戲並沒有任何輸贏的不確定性，規則也非常的精準，強化式學習就可以讓系統與自己練習上百次、上千次，來理解出一套模式，最後贏得比賽。

不過，「人類現實的生活中，有明確結果的場景卻非常少，」許多情況的結果也都是不確定的，必須取決於該情境的結果而定，同一個問題，不同的時空背景下結果也都不一樣，也就是說強化式學習在人類的生活中並不管用，因此，解決現實中問題的AI系統需要採取監督式的學習，必須替資料標上標籤（Label），被標示的資料即是讓AI系統理解真實數值（Ground Truth），在不斷重複訓練的過程中，在不同的場景下，理解出語意。

現階段，AI系統準確性還得仰賴被標示的資料，並重複訓練提高準確性，他預測，「未來AI重大突破可能是有些領域的演算法，能用更少的資料來訓練，」學術界許多學者試圖在訓練資料的數量上有所突破，目前一些方法像是遷移式學習（Transfer learning）或是LSPM（Linear Spatial Pyramid Matching），來減少訓練所需資料量，但又能有保有高準確度。

 CTO小檔案 

Robert High

IBM全球副總裁暨Watson首席技術長

學歷：加州大學聖克魯茲分校資料科學學士

經歷：曾於1998年加入IBM擔任SOA首席架構師長達11年，其中在2008年獲得IBM院士的殊榮，2012年起擔任全球副總裁暨Watson首席技術長迄今，帶領IBM團隊推廣認知科技的應用，專注於深度協語言發展以及語音、語言、視覺和理解的開發

 公司檔案 

IBM

● 總部：美國紐約州阿蒙克市

● 成立時間：1911年

● 主要業務：認知解決方案、雲端平臺服務等

● 年營收：大約799億美元

 公司大事紀 

● 2013年：宣布運用資料和雲端推動產業和業務轉型

● 2014年：加速高價值服務項目轉型，重組了大部分硬體業務

● 2015年：以Watson技術為基礎，正式提出認知商務

● 2016年：成為認知解決方案與雲端平臺服務公司