現在是西元2024年8月10日
距離人工智慧的第一篇文章也過了19年又8個月左右
看了版上那麼多優質文章
我懷著忐忑不安的心情寫下了這一篇
在談論人工智慧前
我們先聊聊天氣
在20幾年前,台北的夏天印象中大概最高溫頂多到攝氏34度
而20幾年後的今天,夏天隨便都可以達到攝氏37度以上
冷氣使用建議也從以前的盡量別吹冷氣救地球
轉變成
盡量待在冷氣房裡面,別讓自己中暑了
雖然在冷氣房裡面也是有可能中暑就是了
(這麼說其實不太公允
因為20幾年前我是學生,接受到的價值觀是比較弘揚道統的
而20幾年後的今天,社會上不太討喜的言論
會自動被廣播、新聞一類的過濾掉
也可能會報出來給大眾聲討撻伐,像水價二十幾年沒調整過)
那冷氣,是怎麼知道溫度的?
雖然一般討論人工智慧,我們很少討論冷氣
但這有助於了解些基本概念
冷氣它們會有個溫度感測器
感測器比較洋氣的說法是 sensor
溫度感測器有很多種
像是 一般人比較有機會接觸到的 Pt-100 鉑熱電阻感測器
(Pt就是鉑的化學元素名)
但不管哪種感測器
大致上都是把外在的溫度 轉成 不同的電壓
我們再根據電壓值換算
在感測器沒壞掉或者是正常校正過也正常運作的狀況下
換算之後可以大致上得到現在的溫度
那如果哪天臺灣發生劇變
我們不但要知道溫度,還要知道放射性活度
那我們可以繼續只用Pt-100或其它溫度感測器
進而直接得知放射性活度嗎?
很遺憾,正常狀況下是沒辦法的
我們需要專門為了放射性活度
去買、去學習 關於放射性活度感測器中我們所要用到的部份
(像是該元件電壓是多少時,代表放射性活度多少這樣)
(唔,其實以常用感測器來舉例的話
大宗是熱敏電阻 和 光敏電阻
但其實感測器有很多種類
也不停的有人在開發新種類的感測器
像是有些研發的感測器是像布料那樣能穿在身上的
但它感測的內容是什麼我不太清楚
知乎 上現在應該還查得到相關內容)
現行(2024年8月)的 人工智慧 就像是感測器這樣的
下圍棋的人工智慧就是用來下圍棋的
沒辦法在不改的狀況下,直接用來下西洋棋
因為對於盤面的評分手法不一樣
人工智慧的終極目標
可能也不是終極目標
而是一般影視界給大眾刻板印象的人工智慧是這樣的
或者說是嚴格意義上的人工智慧
也就是中文的"強人工智慧"
追求的是 一通百通、舉一反十
各種狀況下都能適用的人工智慧
"強人工智慧"就有如人類思考一樣
我們不需要碰上不同的問題就重新投胎一次
而現在的人工智慧大多是設計用來處理專門的問題
這被稱為 弱(weak)人工智慧
英文 維基百科上的 Artificial intelligence 也有寫到窄(narrow) 人工智慧
但我還沒仔細看,還沒用Chat-GPT對照翻譯過
不太清楚指的是不是同個東西
但 弱人工智慧 與 弱人工智慧 之間彼此亦是有差距的
今天如果我們讓一個不懂程式設計
不清楚 計算機原理 的人
來玩 星穹鐵道
它們在遇上這道題目時
可能會覺得電腦很聰明
因為在完成這道題目時
電腦知道它完成了
外行人會以為 電腦是真的知道、是用看的方式
來判斷管線是否有連通
是否能起點通到終點並每起終點的兩條路線都是通的
但實際上我們設計這種小遊戲的
用的方式大多是
把一個個管道的形狀做分類、命名
然後建立規則
讓我們有辦法 只看數字 或者是 只看文字 就知道這是通的
因為我們第一個可能是不會
不會 計算機視覺 領域相關的技術(關鍵字像是 OpenVL 這樣)
(本來想寫得更詳細的
但後來發現這小遊戲實際設計可能會比第一眼看到的預期更複雜些
所以等哪天我成功重製出這小遊戲時再加強這部份的描述好了)
第二個是不必
我們不必只為了這個小遊戲使用到計算機視覺
就算我們真的用了計算機視覺
以後我們要做其它的小遊戲
也沒辦法單純拿這次的程式碼
直接套用在其它遊戲上
那要修改要修改多少工作量就不太清楚了
理想的狀況是只要改些RGB值(電腦記錄顏色的手法)
就能讓電腦在其它小遊戲中判斷顏色相近的是否能聯出一條路
因為目前我還不會
(可預知的未來我大概也還是不會)
所以說其實我們很難用 人工智慧
或者是 電腦能做到的事情
去判斷它是不是真的有智慧
(而且弱人工智慧的目標本來就是 看起來像是有智慧的操作就行了)
因為我們程式實作的細節
在問題框架確認的狀況下
(例如在星穹鐵道玩這小遊戲時
我們並不能設計新的管道圖案
不能自己設計起終點跟更換不同的管道圖案
與自訂管道圖案的顏色)
我們不知道它是用有智慧的方式來實作的
例如:機器學習
還是大幅度靠程式設計者自身的手法與知識儲備 來 擬似出智慧行為
機器學習的定義是
機器學習是對能通過經驗自動改進的電腦演算法的研究。
換個說法就是 我們只要負責傳非常多的數據給電腦
(有時這非常多的數據沒特別講究的話
可以透過電腦自己本身隨機產生
這就是為何AlphaGo從古早版 是跟過往的圍棋高手棋譜學習
轉變為 AlphaGo自己跟自己對弈
來尋找更好的棋步)
電腦就會從那堆數據中裡面
產生出較佳的決策
DeepMind實驗室(專門研究人工智慧的一個單位)
就有在研究讓電腦玩Dota 2 並跟 電競隊伍實戰
唔,印象中之前的消息是已經戰勝Dota 2電競隊伍了
但是它用的手法,不是透過讀取遊戲程式數據
把敵我座標傳給AI使用
而是讓AI用計算機視覺
像是看小地圖那些來取得程式判斷所需的數據
來達到像是人類玩家在玩Dota 2那樣
目前是只差AI不是用機械手臂來敲鍵盤跟控制滑鼠這樣的了
(老實說一般被稱為機械手臂的東西
也沒有精細到能用來敲打鍵盤)
其實關於它們是怎麼打Dota 2的我也不確定啦
也許DeepMind實驗室又進化了
--------------------------------------------------------------
最後附贈延伸閱讀:
(本來我還想再多說些的,不過時間差不多要吃午飯了
呀,之前想找的那篇回答現在找不到了
八成是被編輯掉了
談AI與作曲
很多人會AI的作曲停留在 MIDI檔 或者是 音樂盒 的階段
就是對於音樂的認知是
哪個音階的幾分音符 可能再加個和弦 這樣組成一首歌
所以這部份可能是需要科普下的
而且我講的可能效果沒有閱讀來的好
總之,我先去吃飯,先只貼個連結
有機會或者是我想好後
再來講關於 樂譜 由電腦產生的文章
順利的話是希望能將範圍從樂譜擴大到 音訊 啦
畢竟以前寫程式時
雖然沒有很完整、學藝不精
但也算是有處理過.wav檔案格式相關的經驗)
------------------------------------------------------------
如果要濃縮下這篇的重點
就是AI是對於數據進行處理的
現代社會,關掉電什麼也不是
不只玩家關掉電什麼也不是
企業、民宅關掉電什麼也不是
就是因為電能儲存很多數據
間接能整合很多訊息自動作出相應的判斷
不管是聰明的AI
還是看起來不像AI的寫死的遊戲AI程式碼
它都需要有個數據
甚至需要人工對數據進行分類
(雖然上面沒寫
但 機器學習 中 監督式學習 與 非監督式學習 的差別
就是在於有沒有個先人為整理好的數據集)
大陸生成式AI成果還不錯的原因就是
大陸人力資源比較充足
但如果哪天科技更進步了
可以只靠更高端的高階晶片來達成的技術
大陸因為晶片被封鎖
在人工智慧這塊就會顯得弱下去了
大陸它們能對數據集進行很多標記
從而達到比較精確的學習結果
相比單純只是用網路爬蟲
(附帶一提:網路爬蟲會根據網站的協議不同
而決定是否被視作是非法的行為
所以使用時要謹慎些
我建議是沒事別爬蟲
下載現成的數據集試用過個AI癮就好
特別是新手一開始還不會分批小量的擷取資訊
是容易碰上些法律問題的
但會不會被追究我是不太清楚啦
畢竟新聞很少報這方面的)
把同標籤下的圖下載下載一起學習
那效果會差很多的
(應該啦,畢竟我也沒實作過)
電梯