數位經濟的理論思考 (下) 人工智慧&自動化

2018 0119 James

 

人工智慧在2017年爆紅,大數據也從學術名詞進入大眾視野,讓本已壯大的平台經濟有了更大的發揮空間。美國五大科技股(FAAAM)、中國的阿里百度在過去一年股價均呈現井噴,從歷史高點再往上翻倍,不單在2017年領漲全球股市,也是金融海嘯以來,以創新帶動全球重建的最主要推力,如今經濟與社會的運轉方式,已與2008iPhone 上市前大不不同。

 

前兩篇文章曾探討共享經濟、平台經濟運用網路打造創新的商業模式,切入各行各業形成規模效應,進入跳躍起飛期。2008Facebook 剛從校園封閉社群轉為商用平台,Uber Airbnb 還沒開始,如今已發展成全世界上市、非上市公司的前五大,這類拔地而起無中生有的傳奇故事在過去幾年推動市場樂觀氣氛。20173月經濟學人雜誌曾探討數位科技股的評價,龍頭公司股價中有七八成以上都來自於對2020年以後獲利的期待或想像,而一年過去,股價普遍又翻了一倍。

 

前文參考

  • 2017 0418 - 觀點分享 數位經濟的理論思考 () 共享經濟
  • 2017 1005 - 觀點分享 數位經濟的理論思考 () 平台經濟

     

    : 數位科技股票評價

    Source: The Economist 2017 0323

     

作為投資研究,我們很好奇股價與產業的後續潛力、評價會不會太貴、有沒有什麼因素可能改變價格走勢,也就是通俗一點講,這些科技股會漲多久、何時可能會跌。本系列文章從產業基本面的變遷著手,嘗試將炫目的創新現象歸納為較抽象的經濟原則,以便理論性的推演,目的在於希望能由此投射出可能的未來圖像,或者至少往後推衍兩三步,提供決策的預判基準。

 

人工智慧成顯學

發展超過半個世紀的人工智慧,曾經歷兩次熱潮,卻因技術無法突破而退卻,過去主要有五類型技術的嘗試,直到2012年的一場人臉辨識競賽中,深度學習派突破,超越人類的判讀正確率,AI出現一次跨門檻的進步,第三輪產業熱潮湧現,催生了如20175Alpha Go 打敗世界圍棋冠軍的傳奇。產業觀察者多很興奮,認為這輪似乎有機會真正將AI導入產業的實用,達到接近甚至超越人腦的境界。

 

關於人類與電腦AI的競賽,值得再談深一點。

 

大數據+深度學習 = 當代人工智慧 è  自動化分析決策的運作原理

Machine Learning是利用已發生的現象及過去的資料,所歸納出的規律。將巨量數據導入電腦演算法(如某個公式、或函數)來測試尋找答案,不斷計算並優化解決方案,也就是改善演算法,過程就是機器自動學習。例如想尋找股價的某個波動型態,就可以交給電腦來試算。

 

Deep Learning 是機器學習的一個支門,將腦神經的互動原理套用到電腦運算的邏輯架構上,實際仍然是在解答一道道數學運算題。原理上是先將問題分拆為大量的子問題,分別納入一層層的複雜網路中,將各個子問題(節點、神經元)串接起來並能交互反饋,每個節點都在回答 yes or no 來決定網路的開闔,運作方式同樣類似人的腦部。例如要判斷一個手寫圖形是數字23,可先將圖形拆成NxN 的小方塊,判斷在怎樣位置出現、呈現怎樣結構最接近正確答案,當解析度越高所要運用的計算就越大,正確率也會越好,但運算量也可透過優化演算方法來減化,縮短判別時間或減低運算耗能。

 

隨著摩爾定律發揮2N次方讓電腦算力進入人腦學習難以追上的運算速度,行動聯網下data量也飛躍式暴增,從而推動人工智慧解決問題能力的快速進展。演算法、算力、資料量,同步推升AI的能力。從判別圖像、人臉辨識開始,目前AI 已經能夠在圍棋的複雜決策中找到比人腦更優化的方案。

 

值得留意的是,從理論上,尋找問題解答的方法不止一種嘗試,只是類神經網路的deep learning「剛好」出現突破進展,隨即吸引大多數資源投入於此,成為本輪AI 發展的主軸,甚至有許多該領域的專家直接稱呼 大數據+深度學習 = 人工智慧,方便大眾記憶。

 

: 腦神經結構  v.s.  Deep Learning 類神經運算結構 示意圖

單一神經元 (細胞)      è                  神經網路

 

   è   

Source: 台灣人工智慧年會

 

圍棋儘管複雜,但仍然是有限規則下的複雜運算,更複雜的問題呢? 在多大的範圍內電腦將繼續打敗或取代人腦? 不少人將演算法概念運用到投資決策,目前還談不上AI 但不斷倒流測試 (back testing) 開始有機器學習的嘗試,至於未來能發展到怎樣的程度呢? 技術進步當然還有很大的發展空間,但適用範圍倒是可以先有個大致的推測。

 

概念上可以推想,若需研判英國會不會脫歐、川普會不會當選、中國何時完全開放金融自由化、中東明年會不會有戰爭,這些問題跟意識形態變化有關係,也與多方互動角力有關,民意反覆如流水,國際局勢瞬息萬變,靠餵機器歷史資料就想"中立客觀" 的自動研判未來走向,想像力可能就跳得太遠。這類複雜的社會共同決策問題,涉及變數多且沒有固定規律,在可見的未來AI就不容易突破人腦。

 

至於投資判斷是否需要涉及這些政經社會走勢的研判,還是僅由量價關係就能找到致勝規律,恐怕仍是信者恆信,反正金融市場以績效論成敗,可以拭目以待,先前的討論,曾將此概念減化成基本分析與技術分析的方法論之爭,方便理解這個人腦與電腦的競賽差異。

* 相關內容,請參見2017 0927 - 觀點報告 從行為經濟理論到量化投資熱潮

 

兩大強權佔據新經濟的制高點

人工智慧興起,吸引各國爭相投入,兩大強權對於Deeping Learning 的集中關注與進步速度,或許可從以下的兩張圖間接看出,雖然論文發表與引用數量不一定反應技術品質,但中國大陸不強調個資隱私、連網人口規模大、網路野蠻生長與發展民族工業的政策下,在強調資料規模的big data 競賽中,出現明顯優勢,其他國家如果要突破這個競爭障礙,就要有另外的技術性超越,這點在目前還沒有看出來。

 

: 中美爭霸數位強權 Deep Learning 成為AI 顯學

 

美國的優勢在於能適用到全球市場,中國以外的網路世界幾乎都可以是美商作生意的天下,科技與投資界早一步就將資源導入於此,過去十年 Google 將公司定位從搜尋引擎擴大到雲端應用,乍聽起來很虛無,但經過十多年努力的成果已經在每個人日常生活中都能感受到,更大部分藏在冰山底下的影響力則不知不覺在改變個人行為與社會走向,甚至影響選舉結果,而Google 2017年重新定位公司策略聚焦在AI,算是回應科技的突破。

 

人工智慧 + 機器人 è 萬物聯網下的生產與服務無人化

網路數位科技的另一個重要變革是 IOT 萬物聯網,從目前4G行動裝置聯結每個人,馬上要到來的5G時代會將生活周遭與產銷供應鏈上所有物件都盡可能聯上網路,所以頻寬與運算速度又要大幅提升。5G時代的IOT,不但家中電器連網,腳踏車汽車連網,農場工廠連網,運輸物流連網,將會產生更大規模數據資料提供演算,從而加速提升AI的能力,並能將指令迅速傳遞到各角落,帶來更大程度的產銷服務自動化。例如Uber 的無人駕駛貨車在2016年已經在高速公路上成功試跑,穿越 193 公里運送 5 萬罐啤酒,概念上所有交通工具都將可以無人操作自動駕駛,如同飛機輪船的自動航行模式。

 

人工智慧提升分析決策力,經由透過機器人(robot)則可以發揮實體運轉力量,無人工廠、無人賣場、無人銀行、無人汽車因應而生。在製造過程運用AI+IOT進行自動化,就是德國總理梅克爾首先提出的工業4.0概念,其背後有德國產業偏重製造業、勞動人口減少、生產技術領先、而自動化技術正在飛躍的戰略性思考,後續爭相跟隨者雖然也算搶搭熱門班車,但策略是否適合個別國家、爭相投入的利弊得失,則不一定被併行思考討論,這也是全球競賽下常見的爭先恐後賽局困境,將放在本文後半部再來討論 AI 自動化對經濟與社會的可能影響。

 

: 無人服務自助商店

 

AI 人工智慧的目前能力與未來潛力

在台灣Artificial Intelligence翻譯為人工智慧,在中國大陸則翻譯成人工智能,但智慧或智能的定義是什麼就有很大的討論空間。從眼耳觸覺的感官知覺、清醒與否的意識程度、到他我分別的自我意識、再到更深層的心靈感受,宗教玄學的天人哲思,無意識的無我精神,一層層往上,人的心腦智慧,經過幾萬年的演化,有相當大一部分的運作奧秘連人類自己都還搞不清楚,就很難套用到電腦運算。

 

至於人類已經較能釐清運作機制的部分,就比較可能被套用在AI自動化的研發。摩爾定律(電腦算力進步)、網路效應、資料量成長,讓AI的演進在可以探知的層面得以不斷超趕人類的演化速度,甚至有可能完全取代。

 

如將 Intelligence 分為幾個層次,有助於理解與討論:

1 低端的 computation and memory 人類早就輸給電腦,Excel 試算表就能輕易超越珠心算能解答的問題。

 

2 Perception 如感覺影音,電子 sensor 也能作到,甚至某些部分超過人類感官,例如在黑暗中透過紅外線辨識、超低頻的聲音辨識等,大量的人臉辨識正在快速進步中。

 

3 Cognition (規劃 推理 決策) 這個部分電腦還在跟人類競爭,AI 的專長在於快速幫助甚至代替人類作決策,但缺點是人們不曉得AI決策的邏輯與原理。目前AI運作的方式,嘗試各種不公開的黑盒子演算法,從大量資料(big data)中經過多層次的運算找到的某種規律,big data的方法論尋找統計相關性,不看因果關係,好像有了認知能力,卻不同於人類的推理過程,脫離人類的思考經驗,就算弄錯了,人類也不知道電腦錯在哪裡,難以究責,只能換一個model 試錯,可說是 black box cognition。

 

4 Creativity 電腦表面上也能作到一些 ,例如電腦作曲、寫詩、繪畫,看起來都有模有樣,而且學習力強進步快 ,實際上只是透過大量處理資料從中去模仿其形式,並非真正理解文字道理或藝術美感。人類靈光一現的突破性構想,高層次如相對論的發明 (透過抽象推導提早看出以當時技術能力仍無法驗證的物理理論)、 或簡單點一般人半夢半醒之間想通的道理,這種靈感的運作方式仍不清楚,交給電腦也還達不到。

 

5 人類智力最高層的境界,在於 consciousness and mind,精神意識的唯心或唯物之辯 (心靈),人與萬物間的關係 (天人哲學),古今歷史的變動規律,這些智慧如何產生,對此人類的自我了解還不夠多,就很難套用在 AI 的發展上,而具有洞見的偉大創見通常都來自於此。                  

 

這樣的分類,大致上可以說明目前AI的發展進度、未來可能的潛力、以及還不太可能達到的範圍,這是就技術上來看對人類的替代性。

 

人工智慧技術放大了平台經濟效果

至於產業應用方面的評估,本系列文章探討數位經濟,從共享經濟 (上篇)、平台經濟 (中篇)、到人工智慧自動化 (下篇),逐漸放大討論的範圍,這幾個技術或運作模式都能交互連結,產生綜效。如同Google Facebook、或阿里巴巴等公司,己經從雲端電商平台,進一步跨入AI 的競逐,有了人工智慧的自動化分析、決策、與執行能力,就能放大數位巨擘本已掌握的龐大數據庫,打造更難被超越的競爭障礙。

 

例如Youtube 上由使用者主動上傳的影片提供了Google 大規模影像資料以增進其圖形判讀的機器學習能力、Siri 語音輸入同時也在改善Apple 對語音技術的掌握、Facebook 上群眾自動自發的留言都成了社群平台測試演算法的實驗資料,Amazon 上的瀏覽過程就是最好的客戶特性分析資料。這些數位巨擘掌握這些現成的「免費」資料,一方面提升其big data乃至AI 的技術能力,二方面進行潛移默化的行銷、廣告、輿論塑造、與行為操控的商業活動,深入個人、隨時隨地、且不分國界。經濟學人雜誌評論(2017/5)主張,世界上最重要的資源不再是原油,而是資料而全球數位巨擘對於data的掌控力,已經形成難以超越的寡佔格局,資本與規模在此扮演決勝關鍵。

 

加上人工智慧自動化,數位平台的效果更加放大,至於前文曾探討過的反面影響,同樣會被放大。此外,數位競賽在全球範圍無遠弗屆的進行著,商業模式也多強調打破國界的網路規模效應,也就是同時放大了全球化的正反面效果,延伸出許多社會與經濟議題,這部分將留待另一篇文章來討論,這樣就比較可以持平來評估數位新經濟的投資潛力與潛在風險。

 

 

 

文章標籤
創作者介紹
創作者  James 的頭像
James

老年分析師

James 發表在 痞客邦 留言(0) 人氣()