事實上,1997年俄羅斯西洋棋棋王蓋瑞卡斯帕洛夫被IBM超級電腦「深藍」打敗,就一度引起討論。因為西洋棋在俄羅斯文化中舉足輕重,即便今日,西洋棋仍是俄羅斯小學必修課程,可以想見當年卡斯帕洛夫被電腦打敗時帶來的衝擊。
西洋棋的合理棋局有10的47次方種,也就是10的後面加上47個0。深藍的運算速度,每秒鐘可算2億種棋局,能夠推算12步以後的結果,而人類高手大概可以推算10步。
2017年AlphaGo戰勝人類的圍棋,合理棋局有10的171次方種,兩者複雜程度相差10的124次方;但這並不代表能夠破解圍棋的AlphaGo,要比破解西洋棋的深藍強上10的124次方倍。
無論是深藍或AlphaGo,當時都還無法破解所有棋局,但為什麼還是能夠打敗人類高手?其中一個可能,是電腦推算步數的能力超越人類;另一個可能,則呼應了《后翼棄兵》這部劇。(延伸閱讀|下棋輸,益智搶答也輸⋯⋯這件事,人類終於贏過AI!)
《后翼棄兵》影集敘述西洋棋新秀崛起的故事。圖片來源:Netflix
機器學習 拋下人類經驗創新局
《后翼棄兵》的英文劇名「Queen’s Gambit」,指的是在開局時先犧牲皇后前方的士兵,以取得後續優勢的開局法。西洋棋裡有非常多種開局法,在人工智慧的研究上稱為「人類的經驗法則」——經過長期經驗累積後,知道這樣的開局法及之後的走勢,再搜集各種下棋經驗後,成為棋譜。
當AlphaGo打敗棋王李世乭時,曾被批評AlphaGo不過是棋譜記的比人類多,根本算不上人工智慧。於是,其開發公司Google DeepMind決定推出AlphaGo Zero:一款只有圍棋基本規則、完全沒有存放人類經驗法則(棋譜)的電腦;Google讓AlphaGo Zero自己跟自己對弈,它在3天內就玩了400萬局,自己摸索出更新、更好的圍棋定式。
AlphaGo Zero不以人類棋譜為基礎,反以自我對弈、摸索出更好的圍棋定式。圖片來源:截自DeepMind網站
就連當時世界第一的中國籍圍棋高手柯潔都說,在與AlphaGo Zero對弈時,根本看不出對方下的子是好還是壞,因為AlphaGo Zero完全不照人類經驗下棋。
AlphaGo Zero利用機器學習(目前AI最常用的演算法),從零開始學了400萬局;從無知到無敵的過程,就像《倚天屠龍記》裡的張無忌學太極劍法及拳法——師父張三豐不斷問他「忘記了多少」,直到張無忌全部忘光原本所學,才真正達到太極的「無招勝有招」「神在劍先,綿綿不絕」。AlphaGo Zero也是拋下所有人類經驗,才能一口氣打敗柯潔,讓他完全摸不透,輸得心服口服。(延伸閱讀|烏龍判決有解?哈佛實驗:AI法官少保釋5成高風險罪犯|城市圖書館)
人腦能處理12個變數 AI能處理上萬變數
這是因為,「人類學習經驗」這個方法有個很大的限制,就是人腦能同時處理的變數有限。
當同時有10、12個變數要處理時,幾乎就已達到全人類極限;但目前多數的AI都能同時處理幾千、幾萬個變數;幾年後的AI,相信也都能用合理的成本,同時處理幾百萬到幾千億個變數。因此也有人認為,從此以後,「最強的人類再也贏不了最強的電腦」「AI可以取代人類」等等。
但在醫療領域,醫療AI若要像AlphaGo Zero一樣快速學習累積經驗,除非能夠找400萬個真實病人,讓AI自己嘗試對病人做各種診斷及治療,從各種可行、不可行的結果中自我學習,成為完全不靠人類經驗法則治病的「Physician Zero」——當然,這是絕對不可能的做法。
況且,疾病的本質並不像物理學的「E=mc²」,用3個變數就能解釋原理,做出決定正確診斷與治療。在醫學這種自然科學裡變數特別多,從相對簡單的身高、年齡、性別,到越來越複雜的飲食、運動、生活習慣、環境、吃過哪些藥、生過哪些病、基因、微生物體等零零總總加起來,可以保守歸納出超過200萬個變數因子。(延伸閱讀|李友專專欄︱「AI會取代人類醫師」?你可能問錯問題了)
人的基因、體內微生物、生活習慣等自然變數皆會影響疾病狀況,因此較難以簡單的定理去歸納。圖片來源:Shutterstock
未來某一天,如果能用合理成本、長期且正確地蒐集人類的病歷,與這200萬個健康因子的大數據資料,讓AI做百萬個變數分析訓練模型,一定會產生在疾病的預測、診斷和治療能力上,超越人類醫生的AI。
而結合AI做到超多變項分析,加上人類的道德感與同理心,才能達到真正精準的醫學做出正確的預測、診斷與治療——人類與AI,要像《后翼棄兵》劇中的俄羅斯人一樣團結合作,才能打敗「疾病」這個可怕的對手!(延伸閱讀|李友專專欄|如何掌握醫療體系的「三不管地帶」?早覺醫療:醫療AI的新戰場(上))