以下，筆者先簡介AI的關鍵理念及研究領域，爾後並將再帶大家一覽AI的商務應用現況、並分析人類未來的職場定位，希望能讓大家以較全面的觀點來了解AI的本質、影響及因應之道。
緒論：人工智慧領域緣起
追本溯源，AI其實早在1950年代便已開始蓬勃發展。著名的計算機科學家A.M. Turing（ 圖靈）在其於1950年發表的論文 《Computing Machinery and Intelligence》中，便已預言了具備思考能力的機器將會出現、並提出了一種檢定機器智能的方式，即後世所稱的圖靈測試 （ Turing Test）。
到了1956年，由J. McCarthy等人聯合發起的達特矛斯會議（ Dartmouth Summer Research Project on AI），則界定了AI的本質及可能的研究方向，為未來人工智慧的進展奠基。根據1955年八月底由J. McCarthy等學者起草的提案，AI可說是基於「（生物）智慧的任何特徵，理論上都可以被精確描述、致使機器得以加以模仿」的假說，而專精於研究如何「使機器學習使用語言、型塑概念並做抽象化思考、解決當前只有人類可以處理的問題、並不斷自我精進」的一門學問。
人工智慧核心機能
一、深度自動化機器
自從工業革命以來，機器已逐漸能取代許多過往由人工執行的簡單作業、但僅能依據預先輸入的指令行事、缺乏彈性。然而，隨著硬體設備與演算法的改進，如今機器已能更相似地模仿人腦的決策過程，具備「學習」、「邏輯推理」等功能、並持續朝創造性思考、一般化應用等人腦進階特性邁進。
就AI未來演化的路徑，市場上存在兩個分歧──強人工智慧（Artificial General Intelligence, AGI）及弱人工智慧（Applied AI,AAI）。前者係指進一步結合情感、認知等人腦高層次功能，並能通用於各種情境的AI，為未來AI的關鍵發展方向；後者則僅能在特定情境下表現類人類智能，是當前商業應用的主流。（ 註一）
二、通用程式語言
語言，可說是人腦許多功能的重要基礎。「思考」、「記憶」、「發想」等過程，都涉及了語句與字彙的推想、重組與整合。
對嘗試模擬人腦的機器與其開發人員來說，共通語言也是必要的元素。在量子電腦出現前，電腦是通過「0與1」的電路訊號來理解來自外界的指令。隨著程式的複雜度提升，C++、LISP、Prolog等更一般化的語言應運而生，成為聯繫人類與機器的橋梁，並使機器能統整多樣的外界訊息、進行決策。
三、類神經網絡架構
生理結構上，人類的大腦可說是由無數神經元所構成的。每個神經元都具有複數個接收訊息的「樹突」、及一個傳出訊息的「軸突」，而大腦的運作就由近千億個神經元間的互動來達成。
類神經網絡的出現，則使機器能模仿人腦中神經元的運作，從而得到構成抽象「概念」、並得以「學習與思考」的能力。
具體來說，電腦的神經元是一套處理輸入訊息的程序，通過「訓練」的過程來讓系統調整不斷調整函數的參數值，直到輸出結果的正確性達一定程度為止。舉例來說，當前的智慧語音與圖像分析軟體，在正式推出前皆會被「餵食」大量的資料來做初步校正、上架後再依據使用者提供的回饋來不斷自我改進。
四、衡量演算法複雜度能力
對人類來說，當我們設定一個目標後，一般會從所有方案中尋找最可行的那個來執行；而，對機器來說，「篩選方案」的過程，首要課題便是以什麼指標來評估方案的可行性。這個指標，就稱為複雜度函數（complexity function）、而，各種不同的演算法，就是機器眼中「可能的方案」。演算法耗費的「時間及需要的運算效能」，是複雜度函數最常見的關注重點，分別被稱為「時間複雜度及空間複雜度」。
五、自我精進能力
一個成功的人工智慧系統，必須要有持續自我改進的能力。如上所述，搭載有AI的系統在出廠前多會經過訓練的步驟，以確保基本的正確性。然而，現實世界的情境可能遠超出實驗室中所能模擬的，故AI必須有自我適應的能力，不斷自行調整其理解外來訊息的方式、使反應切合使用者的需要。
六、抽象化能力
現實世界中，資訊多以混雜的「情境」，而非單一事件方式來呈現。如果要完全記住每個情境的所有細節、並賴以進行決策，則將衍生兩個嚴重的問題：「記不住、反應慢」。前者係因情境細節太多，個體很難有效加以記憶及重現；後者指的則是當情境發生改變時，個體若要重新驗證所有細節，將造成反應遲緩。
「抽象化」，便是將可能不影響決策的細節省略，把情境拆分成許多關鍵元素或辭彙，以便儲存、處理的過程，可以增進AI的學習與反應效率。
七、隨機性思考與創意
「我沒有一項發明是碰巧得來的……這得歸諸百分之一的靈感和百分之九十九的汗水。」
──湯瑪斯·阿爾瓦·愛迪生，1929。
不過，促成他成功的那1%靈感，正是人腦未來能否持續領先人工智慧的關鍵。
「靈感」具有難以被邏輯化的本質──雖然它也多是由外界資訊啟發、並配合既存的知識而產生，但其間的過程卻幾無跡可尋、有時更連當事人也無法理解。目前人工智慧即便能仿照人腦進行思考與學習，在問題解決方面卻仍需基於過往的經驗、缺乏創意。因此，這個面向也是未來人工智慧發展的重點。
人工智慧特徵
一、自然語言
語言，不僅包含使機器了解人類的語言，更是必須讓機器能以人類語言來與外界溝通。我們在上段中提到，機器主要使用專用的「程式語言」來理解外界的命令、並以之統整接收到的資訊。
然而，當機器必須與外界直接「互動」時，理解「人類的語言」便極為重要──因為這牽涉到使用者對機器「信任感」的建立、決定了機器能否站在第一線與客戶溝通。舉例來說，百度的語音搜尋功能，較著重單向的自然語言理解能力，讓使用者能以日常語句發問，不再受限於傳統的關鍵字檢索；而小i（註二）等應用於客服領域的聊天機器人，更必須同時具備自然語言接收與輸出能力，方能有效解決客戶問題。
二、機器學習
聚焦於機器的「自我精進」能力，使其能基於過往經驗來不斷加強其預測、決斷能力。機器學習可說是AI應用的敲門磚，故而如Google、Microsoft等大廠皆有各自開發相關的演算法、爭奪在此領域的話語權。
三、不確定性管理
在人類世界中，每個情境幾乎都包含了一定程度的不確定性──比如，天氣晴雨、氣溫炎涼，乃至人為事故等。我們一般以「機率」來加以衡量、做為決策參考，但統合資訊的能力；對機器來說，則可通過大量模擬可能的狀況，以統計方法判讀出最適當的反應。
四、專家系統
「江湖一點訣，說破金變鐵」，各行各業都有不外傳的專業知識、而行業中的佼佼者通過歲月積累，終而能被敬為「專家」。專家系統，便旨在嘗試使機器模仿專家的角色，以較系統性的方式做出專業判斷，以節省培訓「專家」需要的時間和資源。舉例來說，信用機構用以准駁借款的「信用評分」，便是專家系統的一種型式。
五、資料探勘
其涉及了人工智慧、計量分析等多個專業領域，以發掘數據規律、辨認關連性俾供進一步決策使用為目的。當探勘的資料筆數眾多、且結構多鬆散而破碎時，從中萃取出有意義資訊的技術，便是市場習稱的「大數據」。
通過前段的介紹，相信大家現在應該對人工智慧有基礎的認識了。接著我們要來看它有哪些實際的商業應用，而人類將來在哪些職務上仍然有不可取代性。
人工智慧應用
一、休閒娛樂
在傳統棋藝方面，以西洋棋與圍棋項目最受矚目──因為它們是電腦和人類對決的最初戰場。由IBM開發的超級電腦深藍（Deep Blue）在1997年五月擊敗當時的世界俄裔西洋棋王卡斯帕羅夫（Kasparov）、而Google開發的軟體Alpha Go則在2016年三月擊敗了韓裔圍棋王李世乭（이세돌），並引發市場對AI前景的廣泛討論。
值得注意的是，這兩次比賽的「機器」作用原理不盡相同──相較受限於資料庫與硬體的深藍，Alpha Go可通過自我學習來不斷成長、模擬了人腦更高層次的功能。
在電子遊戲領域中，根據一篇刊載在全球知名期刊《Nature》的研究顯示，通過機器學習，AI可以在一些簡單的小遊戲上表現出超越人類的水平；在更複雜的遊戲領域中，AI也逐漸取得不遜於真人的佳績：日前在由VizDoom平台舉辦的第一人稱射擊遊戲「Doom」 AI競賽中，電腦已能夠如同真人般，「看著」遊戲畫面決定動作時機；美國賓州卡內基美隆大學的兩位研究生，更已開發出可在該遊戲中擊敗一般人類對手的AI。
須注意的是，AI在遊戲領域的應用，並不只是一種創新的嘗試而已-它還隱含著龐大的商業價值。舉例來說，做為大陸電遊龍頭廠騰訊（Tencent），已於日前成立AI Lab、將遊戲AI列為三大發展領域之一（另兩項為內容AI及社交AI），期望更聰明的AI可帶來更佳的遊戲體驗、進而擴增玩家基數與潛在收益。
二、客服諮詢
客戶服務猶如客服人員與客戶的雙人舞，是一種精細的藝術。傳統上，客服人員必須有一顆清楚的腦袋及充分的同理心，以同時滿足客戶的論理與情感需要。而理解情感並具有邏輯思維的AI被視為這個領域的明日之星。
聊天機器人可以第一時間滿足客戶的事務性需要、減少客訴的發生機會並協助推展業務；對於較複雜的訴求，也可以及時安慰客戶情緒、將案件轉介給人工客服。像是美國Cogito公司開發的語音分析軟體AI，雖然無法直接回應客戶需求，但可從客戶來電的語調、語速中判斷該人的情緒、並給予客服人員回應的建議，可說是此AI在此領域應用的一大進境。
在實際應用案例上，大陸的螞蟻金服，更直接將AI客服以聊天機器人形式推到第一線，不只提供即時解答、甚至能根據使用習慣預測問題的出現。該公司表示，AI客服可經手高達85%的客戶問題、解決確率達70%、平均解答耗時更由原本的2小時縮短到僅約30分鐘，效率大幅提升。Amazon與Facebook等技術服務商也分別推出了Amazon Lex與Messenger聊天機器人服務，讓業者可以自行開發客製化的客服AI。在它們的推波助瀾下，將來AI在客服諮詢領域可望有更大的發展空間。
三、公司治理
公司治理，最困難的部分在於「人」的因素──如何使同仁各適其所、激勵士氣、並維持公司營運績效，是一門高深的學問，為了減少公司榮衰繫於一人的情況，並防止個人好惡影響治理決策，AI的介入便是一個可能的方向──全球最大的對沖基金橋水（Bridge Water）的創辦人里奧，便是這麼相信的。該公司原本即存在一份名為達理奧原則（Principle）的員工行為準則手冊，強調屏卻情感、理性行事的重要性。未來，基於該原則的AI程式──原則運作系統（Principles Operating System, PriOS）則可望進一步將管理決策自動化，釋出近75%的管理職權，使經營者毋須事必躬親，公司也能運轉自如。
此外，AI治理也能和智慧合約和區塊鏈技術結合，使公司「分權自治」成為可能，使每位成員都能確實參與決策過程。這種公司稱為分散式自治組織（Decentralized Autonomous Organization, DAO），以投資導向的The DAO為代表──該公司在2016年四月創立時募得等值1.45億美元的乙太幣資金，是DAO中規模最大者。The DAO的出資人可依持分享有表決權，共同決定公司未來的走向、而共識決策將由智慧合約自動執行，沒有被竄改的空間。
四、財務顧問
相較於人類，理財機器人更具備以下優勢：低廉的服務成本、彈性的配置能力及透明可追蹤的帳務紀錄。透過自然語言的導入，讓機器人逐漸站上第一線。這使得理財機器人近來在金融界快速延燒。現在機器人可以通過與真人相近的聊天方式，了解客戶的配置需求與風險偏好、不再受制於過往的制式表單，從而使消費者有更好的使用體驗；此外，機器學習也使機器人能依據實際投資績效，及時調整部位配置。
近年來，投資人對理財機器人的信任程度逐漸增加，越來越多的高淨資產客戶（High-net-worth individuals；HNWIs）開始考慮將財產交給機器人財顧管理，而機器人所管理的資產規模（Asset Under Management；AUM）更被預期在2020年達到2兆美元、占總額的5.6%。
五、零售通路
AI在零售通路領域的應用，包括線下與線上兩部分。在線下領域，AI大量取代技術門檻低的勞動力、在線上領域強化客戶體驗。尤其當線上平台邁入線下領域後，為了維持其低成本優勢、並有效利用數據優化服務，利用AI取代部分僱員便成為必要之惡。Amazon預計在2017年開設的實體店面Amazon Go，便是一個例子。這個店鋪將裝設多樣的感測器以及時回傳消費者的偏好、據以推薦合適的產品、並推算個別商品的流通率，方便做貨架規劃。未來，機器人更可能擔起貨物上架及運輸的責任，使AI能貫徹於客戶服務流程中。
在電子商務領域，AI則將促進線上與線下整合(Online-to-Offline, O2O)、帶給消費者更便捷的購物體驗。搜狗搜尋App內建的圖像辨識AI，即可讓使用者在線下拍下有興趣的商品後，即時完成線上購物。
六、交通運輸
車用AI技術的成熟，將逐漸賦與汽車「自主」意識，取代駕駛進行決策。囿於法規與技術面的限制，目前自駕車雖然尚無法普及，但AI已能以先進駕駛輔助系統（Advanced Driver Assistance Systems；ADAS）的形式，協助人類駕駛做出更精確而及時的判斷。
根據美國自動車工程師協會（Society of Automotive Engineers；SAE）的分類，自動車依照AI對駕駛過程的涉入程度，可以分成零至五級。在較低的層級中，汽車搭載的AI程度較弱，只消極回報感測器訊息、或經簡單的判斷後介入部分駕駛動作；到達較高的層級（三級與以上）以後，AI必須有統合資訊、進行較複雜的預測與判斷、並直接控制汽車運作的能力，以大幅取代人為操作。
目前從事無人車研發的廠商，以自Google母集團Alphabet拆分的Waymo最為出名──其自動車自2012年五月獲得美國內華達州核可牌照後，已累積逾200萬公里的駕駛經驗，於2016年底並已宣布和本田汽車(Honda)展開合作，預期2020年可將無人車商用化。
結語：人類希望未滅、同志仍需努力
所以，面對AI的侵攻，我們已無力反抗了嗎？
筆者認為，也不盡然。
根據花旗銀行於2016年初出具的報告，強調創意與人際關係經營職位，是人類未來在職場上仍較機器有相對優勢的。所以，以現階段來說，人類要被機器全面取代仍有相當難度，我們不必過度悲觀。
最後，我們可以得到兩個主要結論：
首先，上述的各類應用在分類上仍屬於「弱人工智慧」的範疇、旨在處理特定情境而兼用性有限，故雖然會取代部分工作崗位，難謂有完全顛覆人類存在的影響力。
其次，對於需要創意與重人際互動的工作，人類仍難以被機器取代。是以，創意與社交手腕等「軟實力」的培養，將是我們努力的目標。即便機器再聰明，人智仍將保有一席之地、在未來的世界中持續扮演重要的角色。
留言
張貼留言