當WWW之父遇見AI教父哈薩比斯，看到的數位未來

WWW之父與DeepMind創辦人哈薩比斯的初次相遇

機器學習：AI 時代的機遇與風險

2014 年春天，全球資訊網迎來25週年紀念日。當年我在CERN 首次提交資訊管理提案的確切日期已不可考，因為那份最早的文件只寫著「1989 年3 月」。不過，大家總是希望有個明確的日期可以慶祝，於是我選定3 月12 日，這一天其實是我母親的生日。經過這麼多年，我愈來愈喜歡這個微小的關聯。不是每一個人都知道這件事，但現在你知道了。

在全球資訊網「正式」滿25週年的幾週後，Google在色彩繽紛的倫敦辦公室，為全球資訊網基金會舉辦慶祝晚宴。我和利斯抵達時，首先映入眼簾的是牆上一幅接一幅的巨大英國國旗。我們穿越活潑風格的休息區和豪華自助餐廳，來到員工餐廳，那裡被特別劃分出來作為晚宴場地。這是典型的Google 風格：輕鬆愉快、玩心十足。我很感激他們願意主辦這場活動。這場聚會別具意義，理由不只一個，因為就在這一天，我第一次見到傑米斯・哈薩比斯（ Demis Hassabis ），他不只是AI 新創企業DeepMind 的傑出電腦科學先驅，後來更成為諾貝爾獎得主。

幾個月前，Google 以四億美元收購DeepMind。當時，這在AI 領域是前所未有的高價，然而時間證明，這其實是一筆相當划算的投資。在那晚的慶祝活動中，Google 安排我先上台演講，再由哈薩比斯作結。在一頓簡單而美味的晚餐之後，我簡短的講述全球資訊網的過去、現在與未來。接著，我坐下來，專心聽哈薩比斯概述DeepMind 團隊取得的重大突破。哈薩比斯平易近人，才智超群，說起話來輕聲細語、不疾不徐，表達清晰易懂，但最令我佩服的是，他總能深入淺出的講解複雜的觀念。我發現，愈聰明的人往往愈容易溝通。哈薩比斯生於倫敦，母親是新加坡華人，父親則是塞浦路斯希臘裔。他年少時的學業成績出色，曾擔任英格蘭青少年國家西洋棋隊隊長。20出頭時，他曾開發電子遊戲，但覺得這樣的工作挑戰性不足。後來他在倫敦大學學院（University College London）取得博士學位，朝向更宏偉的目標邁進。

2010 年，他與謝恩・萊格（ Shane Legg）及穆斯塔法・蘇萊曼（ Mustafa Suleyman）共同創立DeepMind，想要打造全球第一個「通用型AI」，這種AI 不僅能玩遊戲與破解西洋棋難題，甚至能勝任人類能做的任何任務。

在那場晚宴上，哈薩比斯講述DeepMind 團隊在短短四年間的驚人進展。哈薩比斯不是像語意網社群那樣，在事實層之上建構邏輯，而是使用神經網路，這種軟體能模仿生物的大腦結構。DeepMind 團隊建立一個人工訓練環境，讓神經網路能「自行學習」。第一個挑戰是簡單的電子遊戲《乓》（Pong）。神經網路可以控制球拍，也能看到遊戲畫面，它接收到的唯一資訊是：得分就對了。一開始神經網路的表現很糟，之後慢慢進步，經過數百萬場遊戲後，終於能像高手那樣玩《乓》。不久，同一個神經網路又學會其他多款經典大型電玩機台遊戲，除了盡量衝高分數，沒有其他任何指示。

我津津有味的聽哈薩比斯演講。雖然我一直對AI 很感興趣，但從未接觸過神經網路方面的研究。在1980 至1990 年代那場漫長而殘酷的「AI 寒冬」，神經網路研究幾乎很難得到資金。我有自己的研究路線，也認識機器學習領域的人。神經網路固然有趣，卻一直乏善可陳，遇見哈薩比斯後，我才見識到這種不依賴明確邏輯層次、能夠自我學習的系統真的能解決難題。哈薩比斯在演講中提到，這種神經網路未來或許可以應用在許多娛樂與科學領域。最後，他也提出一個警訊：DeepMind 在AI 領域進步神速，繼續這樣發展下去，這種系統或許有一天會超出人類掌控的範圍。

在場的每一個人莫不聽得目瞪口呆。即使有人好不容易擠出一個字，通常也只是「哇」一聲，不過利斯記得，有幾個人低聲說出「天啊」。哈薩比斯的這場演講，帶領聽眾領略現代神經網路的奧秘。毫無疑問，AI 已經達成革命性、前所未有的突破，尤其是機器學習。後來，我們與哈薩比斯在倫敦私下約吃飯。他小心翼翼的把手機關機，對我們吐露他的憂慮：世界正分化成兩個對立的AI 陣營，分別以西方和中國為中心。

研究社群正把個人資料源源不絕的提供給AI。由於政府法規限制，Google 必須經過繁瑣的程序，才能把這些資料提供給AI，但中國則不受此限。他擔心這可能讓中國搶得先機。我也憂慮，AI 可能淪為戰略軍事角力的焦點。在大多數的情況下，網路技術有利於建構眾人協作、共享平台，然而AI 已有許多軍事級的應用，可能引發軍備競賽。中國早就架設網路防火長城，封鎖大量境外網站。（ 當然，中國不是實施類似網路管制的唯一國家。）與哈薩比斯談過之後，我發覺AI可能帶來更多攻擊性威脅，它能製造武器、研發網路安全探測工具，甚至能突破其他國家的防禦體系。事實證明，這些憂慮並非杞人憂天。

儘管有這些擔憂，但也有理由保持樂觀。當時我對AI 的潛力極度興奮，至今仍然不變。多年來，哈薩比斯率領團隊不斷提升神經網路的能力，從攻克簡單的大型電玩機台遊戲開始，逐步進展到繁複的策略博弈領域。2016 年，搭載神經網路技術的AlphaGo 立下里程碑，首次在圍棋對弈中擊敗人類頂尖棋手李世乭。2017 年，AlphaGo 的升級版AlphaZero 登場，成為有史以來最強的西洋棋電腦。

與此同時，哈薩比斯還訓練機器去挑戰棘手的「蛋白質摺疊」（ protein folding），也就是胺基酸長鏈折疊形成立體形狀的過程。生化學家想模擬這種分子摺疊以加速開發新藥，但電腦一直無法解決這個問題。哈薩比斯的團隊以先前在西洋棋與圍棋上的洞見為基礎，研發出AlphaFold 神經網路，這個系統以史無前例的精準度預測蛋白質的形狀。以前，一個研究生可能要窮盡整個博士研究期間，才能解析單一蛋白質結構，但AlphaFold 只需幾分鐘就能完成。因為這項成就，哈薩比斯在2024 年榮獲諾貝爾化學獎。十年前，他在全球資訊網週年紀念日為我們祝賀、演講，如今我們再次受邀參加Google 舉辦的慶祝晚宴，這一次輪到我們親自向他道賀！

哈薩比斯的成功讓我反思自己做的研究。所謂「事實與邏輯」路線的AI 研究，確實開發出不少實用的工具，例如蘋果的智慧語音助理Siri，IBM 的華生系統（Watson）則內建大量醫療數據與智力競賽節目《危險邊緣》（ Jeopardy!）的題庫資訊。史蒂芬・沃爾夫勒姆（Stephen Wolfram）開發的工具「Wolfram Alpha」對數學作業來說超級好用，如果問它高等數學的一般問題，不僅能給出合乎邏輯的答案，還會生成漂亮的圖形。這些系統都是透過明確的知識庫與規則精心建構而成，內含機器能回答的題目清單。有人把這條發展路線稱為「老派AI」（ Good Old-Fashioned AI），簡稱GOFAI。

機器學習的運作方式與老派路線不同，它依賴三個支柱：軟體、硬體與資料。軟體是神經網路及其訓練方法；硬體則是稱為「圖形處理器」（GPU）的特殊晶片，能以驚人的速度進行運算，製造GPU 的輝達（Nvidia）如今是全球市值最高的公司；資料作為第三個支柱，往往才是拼圖中缺少的那一塊。因此，我認為語意網，也就是「資料的網路」，能與哈薩比斯的研究相輔相成。無論採取哪一種AI 發展方法，擁有結構完善的資料世界都能帶來巨大助益。例如在解決蛋白質摺疊問題時，哈薩比斯以大量已知的胺基酸序列與蛋白質結構資料來訓練AlphaFold，就像是用題庫和答案本讓AI 練習。

世界上仍有浩瀚無垠的資料之海可供AI 學習。特別是網路資料，更像是一片尚待開拓的疆域。哈薩比斯2014 年在Google 演講，幾年後OpenAI 團隊開始訓練強大的語言新模型，幾乎以整個網路的資料作為訓練素材（ 這部分稍後會再詳述）。個人資料也可能用在各種新的AI 工具中，但前提是我們信任使用這些資料的系統。