把直覺外包給AI做決策真的可行嗎?利與弊一次看|《直覺鍛鍊》
在人工智慧逐漸滲透生活的時代,我們的思考與學習能力也面臨新的挑戰。AI能幫助我們追蹤偏見、修正錯誤決策,甚至提醒我們避免衝動行為。但同時,把決策過度外包給AI,可能讓我們的「生物直覺」逐漸退化。透過《直覺鍛鍊》提出的科學方法,我們能更好地理解直覺與人工智慧的關係,找到一種平衡...
在人工智慧逐漸滲透生活的時代,我們的思考與學習能力也面臨新的挑戰。AI能幫助我們追蹤偏見、修正錯誤決策,甚至提醒我們避免衝動行為。但同時,把決策過度外包給AI,可能讓我們的「生物直覺」逐漸退化。透過《直覺鍛鍊》提出的科學方法,我們能更好地理解直覺與人工智慧的關係,找到一種平衡...
退休後,很多人反而因為金錢、家庭和健康而感到更焦慮。理財作家嫺人在《有錢到老後》中提醒我們,不必事事追求完美,也不必跟別人比較,而是學會在有限的資源與時間裡,做出最智慧的選擇,享受每一次旅行、每一段陪伴,讓人生變得更自在、有溫度。
未來最強大的機器很可能就是最充分發揮數據、軟體及硬體這三種資源的佼佼者。
圖片來源:Unsplash
主導未來市場的科技公司可能也會像當今的龍頭一樣超級龐大。就某部分而言,僅僅是因為開發許多新科技需要天價資金,最精良的機器需要三大昂貴元素:海量數據、世界級軟體與和強大無比的硬體。唯有規模最龐大的企業有能力同時負擔得起。
它們需要的第一樣元素就是海量數據,這一步我們已經親眼目睹了:Google的第一版下棋系統AlphaGo的能力,有部分來自自學過去人類玩家的三千萬棋步;史丹佛大學檢測皮膚癌的系統動用近十三萬筆個案的數據庫,這是人類醫生一輩子都看不完的資料量。
但有時候必要的數據取得不易,必須付出高昂成本蒐集或產出。例如,試想訓練並評估自駕車系統所需的代價,優步為此選在賓州一家舊鋼鐵廠址打造一座完整的模擬市鎮,路上設置塑膠假人,它們偶爾會跳上車,然後在汽車行駛期間蒐集數據。
與此同時,特斯拉的車主開著電動車上路時,它也會蒐集這些非自駕車的數據,據報導,每小時大約產出一百六十萬公里的數據流。Google則是採用另一套做法解決這道問題,也就是打造一處完整的虛擬世界,蒐集穿梭在模擬情境中的汽車數據。
接著是軟體。隱身在這些新科技背後的源頭是程式碼。舉例來說,Google的各種網路服務需要二十億行程式碼:如果將它們列印並堆疊出來,這座紙塔高約三千五百公尺。
漂亮的程式碼需要天賦異稟的軟體高手,通常他們也都身價不菲。舉例來說,在舊金山,軟體開發人員的平均年薪約為十二萬美元,而最頂尖工程師的待遇有如巨星,坐擁名副其實的天價薪資。
今日,當我們回溯經濟歷史時,會提到發明珍妮紡紗機的詹姆士.哈格里夫斯這類的人物,在未來,當人們述說我們這一代的歷史時,很可能會不斷談到深智數位創辦人德米斯.哈薩比斯(Demis Hassabis)與其他現在我們完全沒聽過的軟體工程師。
至於處理效能,許多全新系統需要無比強大的硬體才能順暢運行。通常,我們理所當然認定,最基本的數位操作不過需要最基本的效能就好,但舉例來說,一筆Google搜尋所需的處理效能就相當於一九七O年代整套阿波羅(Apollo)太空計畫所需的處理效能:發送尼爾.阿姆斯壯(Neil Armstrong)等十一名太空人登上月球,不僅要算上飛行本身所需的處理效能,還包括十一年間共發射十七次的規畫和執行任務期間所需要的所有處理效能。當今許多前瞻科技採用的效能甚至遠高於此。
可以肯定的是,這三者之間仍有取捨空間。舉例來說,更出色的軟體有助彌補數據或處理效能不足。AlphaGo Zero既不需要數據,也不需要前一代AlphaGo的處理效能,卻能在一系列棋賽中百分之百打敗AlphaGo。何以如此?
因為它採用更精密的軟體、利用演算法設計領域中增強式學習(reinforcementl earning)這套前瞻技術。不過,未來最強大的機器很可能就是最充分發揮數據、軟體及硬體這三種資源的佼佼者。
儘管小型機構可能擅長其中一種,或許是天才工程師編寫出色軟體,或者坐擁一套獨特珍貴數據,但它們都不太可能同時三者皆備。唯有科技巨頭有此能耐。
【書籍資訊】
《不工作的世界》
出版日期:2020.12.25