採訪‧撰文 陳彥丞
AI 時代下，哪一種人可能會失業？專家解析深度學習、未來人才的必備能力
現在如果想知道未來一周的天氣、接下來自己有哪些行程，只要對著手機說一聲「Hey！Siri！」「OK！Google」就能啟動語音助理，讓他們來告訴你。至於未來會不會出現像電影《雲端情人》（Her）中，那位善解人意、能和主角交心的女聲，似乎也沒那麼難以想像。
這些年來，各式各樣新興科技陸續進入我們的視野，人工智慧（AI，artificial intelligence）、區塊鏈（blockchain）等等，雖然我們不一定了解這些技術的原理，但它們確實加速了許多領域的發展。然而在這些科技的背後，其實還有一項可以視為推手、多數人卻相對陌生的技術：機器學習（machine learning）。
「機器懂得學習，才有辦法成為人工智慧。」台灣大學電機工程學系助理教授李宏毅說，這個概念其實並不新穎，早在 1980 年代，就有人構思出來。但一直到近幾年，受惠於現代技術的演算能力，人類才終於能發揮這項技術的潛力，得以把機器的能力再往前推一步。
機器學習技術的應用，其實非常貼近我們的生活。例如語音助理之所以能辨識我們在說什麼，正是因為它們不斷學習「聽懂」我們說的話。
讓機器「自行」摸索規則，處理更複雜的問題
然而，為什麼機器需要懂得學習呢？最簡單的答案，就是它們能解決更複雜的問題。李宏毅解釋，過去工程師通常是寫了一套規則，當機器遇到特定情況時，會參考這些規則，決定它們要做出哪些反應。
可是，當我們希望機器可以處理更多的事情時，想要寫出所有的規則並不實際。他同樣以語音辨識的技術為例，假設我們希望語音助理能聽得懂「今天下午的天氣如何？」應該是請人錄製一段音源，並告訴助理說，這樣的音源可以轉換為以上的文字。
但這時候會碰到一個瓶頸：每個人講出這句話的音調、咬字和語氣都不太一樣，難道工程師要蒐集所有講中文的人，錄下這句話的聲音再寫下規則嗎？因此，類似這種規則難以窮盡，或是不容易訂出規則的領域，靠著傳統方法，必然有其局限。
所以，與其試圖寫出所有的規則，不如讓機器「自行」摸索出規則，這正是機器學習最基本的概念。也就是說，替機器整理好數據，並告知這些資料背後的涵義，經由演算、歸納之後，它們就學習到一套邏輯與分析的方法。
舉例來說，如果我們希望機器能夠分辨出，哪些照片中有貓，就要先彙整非常多貓的照片，並告訴機器說這些照片裡有貓，包含貓有哪些特徵，像是尖耳朵、鬍鬚等。當這些資料經由機器演算之後，便能訓練它們一旦辨識到特定元素，就能判定照片裡有一隻貓。
此外，具備機器學習能力的影像辨識系統，也因此能夠應用在更廣的領域，像是腫瘤、心臟超音波、視網膜等醫學影像，可望降低醫生繁重的作業，更有效率地判讀這些病變。
在影像之外，應用到機器學習的場景其實也很廣泛，像是你的 email 信箱，知道哪些是垃圾郵件；影音平台總是能推薦你有興趣的影片，都是系統逐漸學習而來的邏輯。而在未來，自動駕駛要判斷路況，或更懂你的智慧家電，都會運用到這項技術。
不過，傳統機器學習更像是協助人類記憶、分類的工具，要透過機器學習做出更貼近想像的人工智慧，得更進一步探究「深度學習」（deep learning）的領域。李宏毅比喻，「機器學習」就像是只有一層神經元的人腦，「深度學習」則是增加了很多神經元，因此才能做到自行學習、判斷特徵，並形成自己的邏輯。
同樣是判斷照片裡有沒有貓，傳統機器學習仰賴人類先訂好規則，告訴它要抽取那些特徵，但深度學習只要給予足夠照片，就能不斷拆解照片中的圖形，並把相似者分為一類，最後摸索出「貓是什麼模樣的動物」，自行歸納出貓的特徵，用類似人類學習的過程，掌握分類的原則。
當機器能自主學習，工程師反而是容易被淘汰的一群人
不過當機器的能力愈來愈強大時，又會衍生出另外一個問題：機器是否會取代人類？這的確是許多工作者擔憂的議題。
但李宏毅並沒有悲觀認為人力會百分之百被取代，而是會以新的工作模式出現在職場中：人機共事，也就是透過機器先做好初步的工作，碰到無法處理或難以判斷的困難時，再由人類接手。
舉例來說，客戶服務就是一個好的切入點，先由能做到深度學習、了解客戶語意的聊天機器人，處理較為簡單的問題，像是基本規範、操作流程等已經設定好的答案，但當機器人遇到客戶十分個人化的問題時，就會由真實的客服人員協助處理。人機合作的工作方式，有助於降低人力，也能減少每位客服人員應付零碎問題的頻率。
從李宏毅的說法來看，
會不會寫程式，並不是決定工作者未來能否存活的關鍵。原因是機器學習不是只要工程師就夠，尤其當機器能自主學習，不再需要那麼多人替它撰寫規則，工程師反而容易被淘汰。
事實上，機器學習或深度學習，只是一種手段，仍然要有人來制定目標，決定它應該要做到什麼，並且進一步思考如何設計機器的「腦袋」以及「學習方式」，還要替機器蒐集適合的資料。
李宏毅就提到 Google 一個有趣的例子，Google 為了要訓練自己的語音辨識系統，他們曾經找尋專門錄音的公司，提供機器學習的素材。然而，後來他們發現自家產品 YouTube 更有效率，原因是許多人會在 YouTube 上傳有字幕的影片，便成了現成的資料來源，也不需額外花錢請人錄音。
這代表要做好一項機器學習的產品，開發的能力固然重要，但能夠發想、設計更有效率的「教材」的人才同樣必要。而走到應用端，如同能夠和機器共事的客服一樣，了解機器的極限，並懂得在適當時機介入，也會是未來需要的人才。
不怕試錯、擁抱新知識，是未來工作者最應具備的態度
既然機器學習同時帶來希望與人力可能被取代的危機，想要利用這項技術的組織或企業主，應該做好哪些準備？李宏毅提點兩個方向。
首先，必須確實了解機器學習需要哪些資源。舉例來說，剛起步的電商網站想要組織機器學習的團隊，負責設計商品推薦系統。然而機器學習在客戶資料還沒有齊全的狀況下，不可能憑空摸索與建立推薦的規則。
再來，李宏毅坦承，通常難以預測機器是否真的學到你需要的規則，因此組織必須留下更多時間，檢驗原先蒐集的資料與學習的方式。
他比喻，這就像主管帶新人一樣，不可能有完美的管理方法，適用於每一位下屬，勢必會有一段磨合期，找到最好的相處方式。李宏毅強調，通常不會第一次就找到正確的組合，這也延伸到工作者身處機器學習的時代，同樣要具備敢於承認與面對錯誤的心態。
最後，問到在研究機器學習領域的過程中，對於自身有沒有哪些幫助，李宏毅表示，因為機器跟人類學習的邏輯，還是有很多差距，在「學習方法」這件事情上，並沒有任何的參考價值，但在「學習態度」上，卻對他有很大的啟發。
「我在 2015 年開設深度學習的課程內容，和 2018 年就已經非常不一樣。」他說，雖然第一堂的簡報內容，都是由「為什麼深度學習，會比其他學習技術還要好？」開場，但 3 年前這個問題的答案，還停留在猜測的階段，但數據、實驗現在已經可以證明，深度學習在辨識、分類上的精準度確實更高。
因此，這兩項技術帶給他最多的收穫，就是保持不斷學習的態度。他笑著說，這個領域的更新速度，其實是以「月」為單位，或許這個月還在使用的設計方式，下個月就會出現更實用的解法。這也是他提醒工作者最後一件事情，唯有抱持開放的心胸，以及好奇的態度，才是未來具備競爭力的不二法門。
傳統寫程式 vs.機器深度學習：大數據分析、資訊產製更精確
機器學習和深度學習，相較過去電腦、程式執行任務時有非常顯著的差異，它們會更有效率、聰明地掌握與拆解大量的資料。以下用李宏毅在課堂中，請學生透過深度學習的方法，繪製出指定特徵的漫畫角色為例：
傳統寫程式
過去想要做到影像辨識，必須把所有符合條件的特徵，都寫成規則給電腦或程式。然而，光是「笑臉」，人可能就有千萬種笑法，代表工程師得把全部的笑臉寫入規則中。
機器深度學習
蒐集資料：盡可能蒐集漫畫角色的照片，愈多愈好，充足機器學習的教材。
交由機器分析：它會分析、歸納各種照片的特徵，像是分出長髮、短髮或是各種髮色。
結果檢測：指定條件：短髮、紅髮、笑臉。機器就可以自動組合出正確的樣貌。
機器了解這些特徵分別對應什麼樣的圖像時，便能自動產製出符合條件的角色圖像。
李宏毅
台灣大學電信工程學博士畢業，現為台灣大學電機工程學系助理教授。曾擔任中央研究院研究員，並受邀前往麻省理工學院的電腦科學暨人工智慧實驗室（CSAIL），擔任客座科學家。主要研究領域為機器學習、深度學習，讓人工智慧聽得懂人說話。
