|
有人曾說，機器人和人類之差別是在于“難者不會，會者不難”，即人類難如登天的事，機器人則不費吹灰之力。譬如，數次連續一直不停地計算如2508248*740232*834293*e23*ln256*sin32o之類的乘法，人類千辛萬苦，機器人則一揮而就；但要辨認狗兒而把它抱起來，機器人就不知所措而無法啟動，人類則能輕而易舉。 差別的原因是傳統的機器的控制系統是以專門蝕刻的電路和程序的指令，就可迅速處理基于數學邏輯的任務，但面對程序指令之外的事就無法調整，也就是以前的機器人是沒有應變的能力，亦即感測環境、從狀況“發現和啟發式學習”（heuristics）、記在心，而經由此經驗，訓練自己能應變。 人類的腦筋則是具有“適配”（adaptation）能力的神經網組成，即接由五官的神經元系統而“面對新的刺激則能自動知覺和改變敏感度”。譬如，人從室外的光亮太陽下忽然進入屋內乍見一片烏黑，但眼睛和腦筋片刻就能知覺而自動調整視覺；耳朵和腦筋的聽覺部位神經元能自然阻擋聲音，如窗外的例行晚班火車笛聲而讓人安眠；和初嗅的異味雖然強烈，“入芝蘭之室，久而不聞其香”，則此不只是鼻子的神經元和腦筋的嗅覺部位神經網合作之功能，且是意味著人類更為深刻之能被感化的“適配的人工神經網”。 即人腦神經網中的各部位神經元，能接收從五官傳達的刺激訊號而適當地變更知覺；亦即人的視覺、聽覺、嗅覺、味覺、和觸覺是具有天然的學習能力。 據羿戓設計所了解，簡單的智能電子商品已經裝有環境偵測器，譬如感應溫度、光線、煙霧、聲音等，但反應是限制于標示或發出警號。新的智能電子機器可搜集刺激的訊號，并依照經驗的數據構成一套“訓練集”（Training Set），即可“發現和啟發式學習”而“教育”該機器應該如何反應。 訓練集的數據則是用來進行所謂的機器學習，則憑恃一片人工智能核心微處理器，該機器會以其中的學習算法，能以簡單的線性回歸或邏輯回歸分析出數據的趨勢，而如此就可判斷未來的發展而知道適當的反應。 更進步的機器人可仿效人類的腦筋，即機器學習的訓練集是以人工神經網模仿人腦的神經網，即其中之數值排列矩陣所構成的如人腦神經網構造之數多隱藏層就可依靠所搜索的數據，而經由繼續不斷的疊代迭代而依據訓練集的更新自我適配。 譬如，在使用分類算法可從所搜集的偵測數據進行形態辨識，而以對照儲存的辨識特征就能辨認不同的物體，且再聯接所累積的經驗數據而更新訓練集來對配所觀察和所儲存的數據，繼而教示所辨認的辨識。經由反應數據的疊代迭代，機器人亦可被教育到在辨認物體之后要如何因應，而與人類一般，愈多的經驗，愈強的應變能力。 亦即，嬰兒一生是什么都不會，但接受外來的刺激訊號之后，腦筋的神經網就會搜集五官訊號的刺激數據而經由自個兒的經驗及家長的指導，不斷的強化及懲罰疊代迭代，久而久之所累積的正向強化和負向懲罰就會構成小孩自己的訓練集，而他會被教育到依照不同的刺激應該如何適配而反應。 能如此學習的機器人，進而不但能執行傳統計算器的快速計算和晝夜不懈的運轉，亦能感應環境的變化而自動反應，譬如能分辨貓與狗，且在運轉時所感應而累積的數據和適當的反應調整，能學習的機器人則可一直更新原先的訓練集而終于認出而將狗兒抱起來。 自主的智能車 各大汽車公司和幾乎每一家網絡技術公司，目前都在研發無人駕駛車，而最為明顯的新裝備是安裝在車頂上的光成像檢測和測距（LIDAR）塔，即其所發射的激光脈沖光雷達遭到物體時，布置在車上的偵測器中的“互補式金屬氧化物半導體影像傳感器”（CMOS Sensor）會接受物體的反射光而依照時間及波長差，經由微處理器的演算，就可測繪一個瞬間高分辨率立體地形和障礙物動態影像。亦即，所發出與所反射的雷射光之時間差是表明距離，而波長差是以多普勒效應測量動態，所構成的動態影像則可仿效人類的視覺環境。 車上的控制軟件是依據該動態立體影像而以執行器和伺服馬達操控汽車的方向盤、加速器、和剎車，即經由所偵測的影像與所儲存的各種形態影像對比，先辨認形態，爾后依照所儲存的適當反應，就適當地反應而自主地安全行駛。 亦即，車子的安全行駛是經由該立體影像所辨識的馬路形式、信號燈、障礙物、車潮、人、狗等等一直在變之各種不同狀況，而適當的操控是基于真人駕駛在試驗自主車時所搜集合儲存的應變動作。即立體影像的數據以及試驗駕駛的反應數據，在遵守交通規則的約束參數之下，就是構成一個綜合行駛的訓練集和操控機制，而各種反應亦可儲存而用來疊代迭代而調整訓練集的數據。能學習的自主車則可與人一樣累積駕駛經驗而不但學會開車，開車的技巧且會經由“適配的人工神經網”而一直在進步。 由此可見，愈多的開車實驗，自主車的駕駛技巧就愈發達，而車上的自主系統甚至可連接到一臺中央服務器所儲存的大量且多元的行駛狀況和駕駛反應，而駕駛數據若是傳送到自主車，由于形態辨識和操控訊號傳達可比真人的認知和反應快，自主車的虛擬駕駛員之適當及快速反應會優于真人駕駛的反應。 所以，或者全車上的自主系統，或者連接中央服務器的互動系統，由于更為廣泛的經驗數據和電子的反應和操控超快速度，自主車的駕駛技巧其實都會比真人駕駛佳，而若是累積中央服務器所有的正確駕駛反應數據而使用在所有的自主車上，所搜集的一直在更新的數據和適當的反應會使得無人駕駛為主的車潮更為規律化，則整體交通會更安全。 在研發實驗的過程中，意外的事件必定會發生，但因為歷來高達九成的車禍是由人為因素所致，而連自主車試驗的交通意外幾乎全也都是由應該緊急介入的車上人過失而發。其實，自主車的專業系統，由于所累積的龐大而一直更新的駕駛數據會遠超越真人所能累積的駕駛經驗，自主車之普遍和長期使用會極度降低汽車意外的發生，即日益劇增來自各方的駕駛數據會使得自主車的虛擬駕駛員愈來愈聰明，且絕不會發生輕舉妄動或者自暴自棄的駕駛行為。 自主駕駛系統最難辨識的是示意的小動作，譬如警察的眼珠動向所指的要求，以及不常遇見的障礙物所引導的不尋常駕駛動作，譬如修馬路要求的違反交通規則的反方向改道行駛。自主車必定會發生意外車禍，但其件數會遠少于人為的車禍，但因為是攸關計算機和機器，一般人會有不理性而偏于感性的反應，即埋怨機器總是比自己承認錯誤好過。 愈進步的激光脈沖光測繪技術和愈多且愈敏感的偵測器會產生愈多愈準確的動態影像數據，而愈多的自主車行駛經會產生愈多安全的操控數據，則社會大眾一旦能放心而信任自主車的操控，愈來愈多的人即將使用，而跟隨就會有更多數據。如此的良性循環則會造成愈發達且愈有價值的專業系統，即系統的聰明度是依賴數據的多寡，而這就是大數據中之“大”的義涵。 
|
