很多人會發現AI在某些場合應用得很好,但在某些場合應用得並不是很理想。例如IBM公司應用在醫療上;從30年前的AI,當時是屬於Rule-based模型,就做了AI的醫療專家系統,也沒有成功。最近IBM的Watson團隊也裁員70%。所以很多人都在想這到底是怎麼一回事呢?
登山者-雪巴人(嚮導)模式
茲以聖母峰登山者為例,首先提出一個思考的問題:為什麼登山者需要雪巴人(嚮導)呢? 如果沒有響導,又會怎麼樣呢?我們可以從登山者與雪巴人來看他們的特性及組合;雪巴人在山上已經住了好幾十年以上,所以他的閱歷很多,對整個場域、環境很熟悉。而登山者有他的夢想、勇氣,到了一個陌生的環境中探索。所以雪巴人扮演一個角色,就是:降低風險。他會告訴登山者那裡有坑、那裡有洞;而登山者就去探索和想像,追逐他的夢想;彼此就是這樣的組合。
因此,我們做AI醫療時,可以想一想AI在醫療領域裡,到底該扮演雪巴人角色?還是登山者角色呢?當我們想用AI來處理商業、生活等各方面時,如果該場域的不確定性很高時,若是偏向於雪巴人的角色,使用AI會很成功,反之如果偏向於登山者的角色,就可能會失敗。
![圖一 : 當我們做AI醫療時,可以想一想AI在醫療領域裡,到底該扮演哪一種角色? (source:Open Access Government)](/art/2019/07/091406513660/p1S.JPG)
圖一 : 當我們做AI醫療時,可以想一想AI在醫療領域裡,到底該扮演哪一種角色? (source:Open Access Government) |
|
我們可以看到,在某些場域,這兩者的組合卻常常是最成功的。這就是不確定性高、變化度很大的場域,像政治、戰爭,而最典型的是戰爭,所以劉邦身旁需要張良,劉備身旁需要孔明等,都是這樣的搭配。至於現在的不確定性場域,就是股票、基金等金融交易,以及醫療手術等,其不確定性很高。所以我們常常可以發現,如果拿AI來選股,或拿AI來代替醫生,似乎都不太會成功。
茲舉一個例子(此為假設情境),有一位登山者,他準備(半年後)在冬季12月份登上最高峰,他就選擇聖母峰的南邊,經由南邊而爬上聖母峰的最頂端。這時,雪巴人(嚮導)很可能會告訴他說:那一條路不能走。登山者就問:為什麼不能走? 雪巴人反問登山者:請先說說看,您為什麼選擇那一條? 此時登山者回答說,因為到了十月份是秋天,南邊的陽光比較充足;而北邊黑暗,比較不好爬。
然後,雪巴人就說那一條路不能走的原因是:到十月份會刮東北風,所以南邊會有大規模的雪崩。這時候他就告訴登山者說:那裡有一個風險,非常高,不應該往那邊走。這是要降低風險,讓他不要失敗。所以像孫子兵法等都有講一句話:不打「沒有把握的仗」。就是由雪巴人來告訴他哪些部分是沒把握的仗。
AI精於<歸納性推理>
![圖二 : AI基於大數據,從歸納性推理的能力特別強,已經遠遠超越人類的能力了。(source:Gresham Smith)](/art/2019/07/091406513660/p2S.JPG)
圖二 : AI基於大數據,從歸納性推理的能力特別強,已經遠遠超越人類的能力了。(source:Gresham Smith) |
|
從認知學的角度來說,人類有三種邏輯推理,第一種是歸納性推理,第二種是演繹性推理,第三種推理則是溯因性推理。
以歸納性推理來說,例如我到深圳時,看到很多人做電子業都賺大錢,所以我得到一個結論:深圳的年輕人應該大多數人都在做電子業(但不一定正確),這叫做歸納性推理。
第二種是演繹性推理,其中數學是最典型的例子,例如兩條直線在同一平面上,又沒有交叉,則它們必然是平行線。這叫做演繹性推理。
第三種推理是溯因性推理,像醫生就是最典型的,當您去看醫生的時候,醫生看到您滿頭大汗、而且有一點發燒、流鼻水,他就看到這個「果」,然後倒過來追溯其「因」,他認為您可能是傷風感冒了,所以他就給藥。而下次再遇到您的時候,他馬上會問:身體有沒有比較好些了呢? 這叫做溯因性推理。其中,前兩者是從因推到果;而溯因推理是從果推到因。
這樣就很清楚了,雪巴人擔任的事情就是從過去的經驗,推論出來十月份南邊會有雪崩,因為是基於個人的經驗及事實,所以他的否證能力是超強的。於是現在就可以很瞭解了,AI因為基於大數據,所以它從歸納性推理(從因推到果)的能力特別強,而且已經遠遠超越人類的能力了。
這樣可以更瞭解到AI的本質,就是透過大數據的相關性,然後進一步作歸納性推理。這種歸納性推理的特質是,在愈窄的範圍,它的歸納精準度愈高。這樣就給了我們一個啟示,如果要以A I取代人類時,想要做得很棒、其窄度要夠,例如想下圍棋,就只做下圍棋的AI;想下象棋,就專做下象棋的AI。反之,如果做了一個會下圍棋又能下象棋的AI,其精準度會下降,同時效果也就下降了,這就是當今AI的特性。
AI神鷹與AI獵狗
剛才說明了,在一些不確定性高、變化度很大的場域,AI扮演雪巴人(響導)的角色,將會表現得很亮麗。同樣地,在商業上的高層決策方面,也一樣屬於不確定性高、變化度很大的場域。
茲舉一個例子來說明:成吉思汗與神鷹的故事。據說有一天成吉思汗一個人去打獵,卻迷路了,眼前一遍沙漠,又口乾舌燥,突然看到峭壁上滴落了水滴,成吉思汗就拿著水杯去裝水,正要拿來喝的時候,他常常攜帶的一隻神鷹在空中飛翔,突然飛下來,唰一下得把杯子踢翻了,還連續踢翻了四次。成吉思汗想要嚇牠,讓牠不要搗蛋,就拿起弓箭來嚇牠,而射出箭之後,神鷹慘叫一聲,掉落到峭壁上。當成吉思汗爬到峭壁上發現神鷹被他射死了。神鷹旁邊的水池(就是水滴的來源),裡面有一條毒蛇,而且是死的,因為蛇是死的,所以水是有毒的。成吉思汗發現是神鷹救了他的命。
於是我們可以思考一個問題:如果今天我們做出了兩個AI,一個叫AI神鷹,另一個叫AI獵狗。那麼我們就來想一想,成吉思汗會攜帶AI神鷹或是AI獵狗呢? 很容易推論,他會選擇AI神鷹。為什麼呢? 因為神鷹會看到危險,看到危機、看到風險。這意味著,決策性比較高的場域,AI很適合做神鷹這個角色。如果是這樣做,AI就會很成功。反之,如果AI做到成吉思汗的角色,效果可能不太好。
綜上所述,把 AI做在決策點與行動點之間最具價值性。從成吉思汗與神鷹的故事,可以領會到AI扮演神鷹的角色,既符合AI的特性,又非常具有價值。
當AI(神鷹)發現決策者思緒不夠完美時,可以給予畫龍點睛的效果。更具價值在於:當AI(神鷹)發現決策者的決定是錯的,而且行動是災難性的,AI立即提出嚴重的警告。
換句話說,AI必須在決策者的「決策時間點」與「行動時間點」之間的數秒鐘內,必須即時納入當下的決策,做出智慧的推論,採取保護主人的行動,而且刻不容緩。
結語
![圖四 : 如果AI只是依據過去和現在的大數據,來作歸納性推理,只憑過去的經驗來作決策,一般都不會成功。(source:Forbes)](/art/2019/07/091406513660/p4S.JPG)
圖四 : 如果AI只是依據過去和現在的大數據,來作歸納性推理,只憑過去的經驗來作決策,一般都不會成功。(source:Forbes) |
|
如果你做的AI只是依據過去和現在的大數據,來作歸納性推理,讓它只憑過去的經驗來作決策,一般都不會成功。所以微軟公司創始人Bill Gates說過一句話:過去的成功經驗常常是最糟糕的導師。
然而,讓這種AI來扮演雪巴人或是神鷹的角色,其在電光石火的瞬間洞察出哪些是「不打沒把握的仗」,就能有效降低高階商業決策的風險,立於不敗之地,並提高致勝率。