在今天看見明天

世界級人工智慧大神 如何把臉書變AI帝國?

世界級人工智慧大神 如何把臉書變AI帝國?

吳靜芳

科技線上

攝影/唐紹航

1072期

2017-07-06 14:49

臉書人工智慧研究院院長楊立昆首度來台,掀起全台產官學界朝聖熱潮,也照映出台灣投入AI戰場的焦慮與熱度;究竟,想跟上AI熱,台灣的能與不能是什麼?楊立昆三十多年前的構想,讓筆跡辨識、影像辨識甚至自駕車成為可能。這位堪比大神的人工智慧學者點出,下一個人工智慧突破口,就在「常識」。台灣掌理AI發展政策的舵手之一、科技會報辦公室執祕及資策會董事長郭耀煌則說,形塑生態系、導入各領域的應用,甚至統整型研發服務公司等,都有台灣的機會在其中。

「 這是我的中文名字,楊立昆。」秀出三個龍飛鳳舞的書法大字,六月二十九日,臉書人工智慧研究院(FAIR)院長楊立昆(Yann LeCun)在台大舉行演講。這是他上任以來,第一次在台灣的公開行程,原本預計僅一場公開演講,擴大到三場,除了台大外,在交大及成大也開講,報名人數超過一千,直播影片瀏覽率超過七萬。短短四天,在學界造成一股旋風。

演講會後,學生爭相合照,不少人捧著楊立昆多年前發表的一疊論文,請他簽名;甚至有慕名而來的學生南北三場跑透透,就為了能問上一個問題。

楊立昆來台的這個盛夏,也正好是台灣人工智慧(AI)最蒸騰的時候。除了PTT創辦人杜奕瑾回台創業,政府科技政策的相關場合,更是三句不離AI,楊立昆自然成為各界爭相請益的對象。

除了演講,他馬不停蹄,接連拜會了科技部及資策會,多年前曾與楊立昆共事的科技部部長陳良基,更特別希望他能促成臉書與台灣的合作。

 

祖克柏點名 90人神祕研究單位 強攻影像辨識


面對官員與學子的焦急熱切,楊立昆也樂於提出建言,「未來每支手機裡,可能都有AI晶片。」一再提到台灣半導體將扮演AI重要角色。這個想法,讓資策會董事長,同時也是行政院科技會報辦公室執行祕書的郭耀煌很贊同,但他也強調軟硬整合,「台灣必須建構自己的AI生態系。」

這股堪比搖滾巨星的追星熱,不只因為楊立昆在臉書任職的光環,更因為他在人工智慧領域宛若「大神」的成就──深度學習重大模型「卷積神經網路」(CNN)之父。二○一三年,臉書執行長馬克.祖克柏請來任教紐約大學的楊立昆,從三個科學家、七個工程師開始,組織FAIR,如今人數已經破九十人,是臉書最神祕的研究單位。

「前天(六月二十七日),臉書用戶達到二十億人。」演講一開始,楊立昆帶著微笑宣布社群帝國的最新疆土範圍。這些用戶每天上傳到臉書的照片高達十至十五億張。而影像辨識,也正是臉書在人工智慧熱戰中,需要楊立昆助陣的關鍵。

在演講場合,楊立昆無一例外會播放一段有點年歲的影片。鏡頭前年輕的他微笑著,將一排手寫數字放在電腦一旁的鏡頭下,電腦運作數秒後,準確地辨識出影像中的數字,一個個顯示於下排,沒有一個數字失手。那是一九九三年,卷積神經網路首次出現的實際應用。

卷積神經網路是人腦神經網路相仿的深度學習架構,會將圖片分解成細至像素的微小區塊,擷取其中特徵並加以組合,比對有多少特徵與其他圖片相符,因為篩選條件可以重複使用,同理在聲波及筆跡中也適用。這套平行篩選機制,大大簡化了神經網路的訓練過程。

卷積神經網路也是楊立昆在深度學習領域初試啼聲的開始。他於九○年代任職於美國最大電信商AT&T的貝爾實驗室,那是發明電晶體與行動電話等二十世紀重大科技的殿堂,可說是美國腦力密度最高的機構之一。

 

想法太超前 30年前心血 如今成自駕車核心


在這裡,楊立昆發表了卷積神經網路的基本架構,剛開始應用於手寫辨識,銀行而後採用他的技術,讓自動提款機可以辨識支票內容,這是第一次,卷積神經網路走出實驗室大門,在人類的生活中實現。

但是這一項發明,並沒有讓他聲名鵲起。二○○二年,AT&T因內部的矛盾,終止楊立昆的研究計畫,並解散他的團隊。加上技術趕不上想法,能使這套模型實現的電腦以及資料規模並不存在,很多學者並不能理解卷積神經網路的運作機制,而質疑楊立昆的研究,當時,他甚至被數個重要學會以及期刊擋在門外,拒絕他發表論文。

學術的孤獨對楊立昆來說不是新鮮事。八○年代他在巴黎讀書時,法國沒有人研究神經網路,美國也鮮有聽聞。「我只能自己做研究,連指導教授都找不到。」最後好不容易找到可以幫忙論文署名的教授,甚至看不懂他的研究。「我畢業後,那個教授反而開始研究神經網路。」楊立昆笑說。

面對各方不看好的懷疑論者,楊立昆選擇和以前一樣埋頭苦幹。他到了紐約大學任教,並創辦紐大的資料科學中心。時至今日,由於運算科技及資料的突飛猛進,楊立昆三十多年前的心血重新獲得重視,被視為辨識語言及影像的重要技術架構。尤其一二年,當ImageNet視覺識別挑戰競賽中,卷積神經網路寫下圖片辨識率達八五%的歷史紀錄,在兩年內錯誤率從二八%大幅降低至一五%,讓楊立昆頓時炙手可熱。

楊立昆博士後的指導教授、也是人工智慧教父級人物的多倫多大學教授辛頓(Geoffrey Hinton),形容楊立昆是「舉著火炬度過黑暗時代」。從早期的支票辨識,到谷歌旗下安卓手機作業系統的辨識語音功能、百度的影像搜尋系統等,卷積神經網路的身影無處不在,都有賴楊立昆的奠基。

更讓人振奮的應用,當屬自駕車。輝達的自駕車計畫,以及英特爾以一五三億美元購併的以色列新創MobilEye,都是利用卷積神經網路辨識道路影像。「之後進一步拓展到更多領域,也許未來在醫療上,放射科影像可以交由電腦來判讀了!」技術一步步發光發熱,楊立昆看到的人工智慧疆土,比二十億臉書人口還要廣袤。

「當祖克柏說:『我相信你可以成立一個全世界最好的AI研究所。』我覺得這是很有趣的挑戰。」祖克柏承諾了龐大的企業資源,雖然FAIR成立目的在於探究人工智慧領域所有的問題,但楊立昆很快就讓臉書這個巨大的人際網路機器,開始學會如何聰明地思考。

 

「DeepFace」技術 一張照片 只要兩秒就能識別人臉


楊立昆走馬上任半年,一四年六月,FAIR發表了一篇文章,講述「DeepFace」技術可讓人臉辨識精準度達九七%。如今,DeepFace已經是臉書照片標記功能的重要引擎,每一張照片在兩秒鐘內會通過兩層卷積神經網路,檢測物件並識別人臉。

對走過業界及學界的楊立昆來說,沒有比坐擁龐大用戶資料的臉書更讓人興奮的試驗場域。「如果我們有一個可行的想法,在一個月之內這個想法就會在十五億人面前化為真實。」他在先前接受外媒訪問時提到,「我們要看著遠方地平線的目標前進,但途中也可以開發很多短期能夠實現的應用。」

人類還在遙望的地平線,是人工智慧的「常識」。「常識」是人類的直覺,卻是AI的盲區。目前AI可以認知,但推理與規劃能力卻不盡成熟,無法做出準確的預測並行動。

「現在即使是最聰明的AI,都還很笨拙。」楊立昆舉例,「如果說『這個行李箱裝不下獎盃,因為它太大/太小了。』人類可以知道,『太大』的『它』是指獎盃,『太小』的『它』是指行李箱,但是AI無法憑單一文句辨識。」

AI要如何才能具備常識?或許第一步就是脫離人類的監督。舉例來說,目前AI學習型態大多為監督式學習,由千張圖片去得出特徵;或者是加強式學習,AI一次次接受資訊做出判斷,並藉由判斷的是非之中形塑認知。

這兩種訓練方式若非人類給予AI資訊,就是AI必須給出回饋,更需要標籤並分類資訊才能進行。「未來幾年的挑戰,是讓AI學會從原始資料中學習,就像人類學習的方式。」

 

團結力量大 公開研究原始碼 促進人工智慧發展


而要走到遠方的AI地平線,楊立昆認為必須團結前行。FAIR在他主掌之下,在開源社群GitHub公開不少研究的原始碼。「這是我們這個時代最大且最複雜的科學挑戰,不是任何一個組織、單位,或是一家大公司就可以單獨解決。必須是所有研發單位的集體努力才有可能達成。」

此趟來台,眾人莫不想請大神描繪出未來藍圖。但曾歷經AI寒冬的楊立昆,對於未來的想像,反而不像科技大老一樣豪邁,他寧可謹慎一點。

「科技產業經常高估了短期發展,低估了長期發展。AI的革命時間點很難預測,當我們承諾得太高,(大眾)就會出現反彈。」畢生研究如何讓機器思考,但站在AI研究巔峰,楊立昆看到的,仍舊是人的不可預測。

 

楊立昆(第二排,右三)在台灣3場演講,報名人數破千,直播影片瀏覽率超過7萬,造成一股旋風。

 

AI

▲點圖放大

 

AI

楊立昆多年前的研究在近年開花結果,AI已能辨認複雜圖像。(圖片翻攝自 Facebook 官網)

 

AI

▲點圖放大

 

李健興

台南大學教授李健興(右)鍥而不捨,才促成楊立昆的訪台行。

 

他用 100 封信, 請來「臉書大神」

 

若不是台南大學資訊工程系教授李健興近1年鍥而不捨的努力,甚至不惜自籌經費,否則楊立昆這趟轟動產官學的旅途根本不會落腳台灣。 「本來他答應停留1天,好不容易爭取到2天、3 天,最後定案4天!」

 

李健興每次談到楊立昆訪台行,語氣總是興奮。這一年,李健興透過各種管道,還動用了與楊立昆同是電機電子工程師學會(IEEE)會員的關係,拜託美國、新加坡等國的IEEE教授寫信給楊立昆,讓楊立昆終於看到台灣。「加起來應該至少寄給他100封以上的email和臉書私訊!」李健興說。

 

李健興的研究與FAIR的圍棋對弈開源軟體有關,找楊立昆來,也是希望他能看看台灣的研究能量。但一開始學界反應很冷淡,直到楊立昆首肯消息一出,學界才跟著整個興奮起來。

 

請一尊大神來竟是如此折騰,下次呢?「下次,我還想要請祖克柏來呢!」活動結束後,李健興的語氣,仍舊不減興奮。

 

延伸閱讀

史丹佛報告:人工智慧入侵八大領域

2016-09-08

懂AI還不夠 必學5G、區塊鏈新應用

2018-06-07

108年AI創新研究中心華山論劍PART 2開鑼! 鏘~

2019-05-03

結合深度學習與機器學習 影像辨識應用廣泛超乎想像

2019-09-03

賦予機器學習與深度整合機制 人工智慧系統更能成為好幫手

2019-11-01