人工智慧與認知神經科學

相較於其它新興科技，人工智慧成為一個獨立學術研究領域的時間起的很早，迄今已逾一甲子。目前涵蓋的應用領域包括自然語言、策略遊戲、自駕車、內容傳遞網路的智慧路徑、軍事模擬和複雜數據的詮釋。剛開過的Semicon Taiwan 2017中AI與IoT論壇的焦點在自駕車晶片－邊緣端(edge)人工智慧，這是台灣在人工智慧領域較容易切入的領域。對台灣而言，牽涉到的演算法基礎研究較少，入門門檻不高；應用定義狹窄、明確，容易達標；邊緣端數量龐大，市場自然也大；而晶片的設計與製造本是台灣優而為之的拿手好戲。

人工智慧過去研究的發展起起伏伏，經歷了幾次成果與投入經費的寒冬。一直到2015年，計劃項目才呈爆發性的成長。能達到目前的成果電子業傾向於將之歸諸於三個因素：計算能力的提升、巨量的儲存以及快速的網路。這個方向的進步是電子產業行內人容易見到的，然而還有其它重要支持因素。

人工智慧有許多演算法，有些是比較成熟知識領域的應用，譬如貝氏(Bayesian)演算法是基於已完整建立的統計學知識；有些演算法其背景知識還尚在快速發展之中，譬如現在於許多應用領域迭放異彩的深度學習。深度學習的前身是類神經網絡，與20世紀90年代由認知神經科學研究者提出的大腦皮層發育理論密切相關。深度學習目前所遭受的主要批評為它的理論是黑箱子，因而演算效率比較難系統性的改善，這是因為它的背景理論知識也算還在嬰兒期的緣故。人的神經元(neuron)以及其間的連結－突觸(synapse)與我們的記憶、學習、習慣之間的關係一直是這30年來《Scientific American》隔一陣子就要探討的主題。

人工智慧的目標多重，研究的策略是分而治之(divide and conquer)。個別項目包括推理與解題、知識表示(knowledge representation)、計劃、學習、自然語言處理、感知、運動與控制、社交智慧(social intelligence)、創造力、通用智慧(general intelligence)等。其中創造力一項進展最遲緩，甚至關於人工智慧創造力的定義、檢驗方法和人工智慧能不能真正擁有創造力意見都還很分歧，主要原因是在認知神經科學領域中創造力原本就是一個艱難的題目。

幸好21世紀以後人類基因圖譜、腦造影、腦機介面技術發展一日千里，這對於以模仿人腦運作方式為主的演算法提供理論背景知識的動力，有機會將黑箱拆解成有功能區塊、個別元件的線路圖。譬如最近的研究發現記憶與CERB蛋白質有密切的關係，時間上接近的兩組事件在形成記憶的神經元重複較多，因而一個事件的記憶容易引發另一事件的記憶。現在的腦造影技術可以清楚的識別每個單一的神經元、突觸以及它們的激發，上述記憶交互連結模式可以在腦造影技術下清楚呈現。這跟人工智慧有什麼關係？聯想是創造力的重要方式之一，這就可以用於建立人工智慧創造力的模型建構。

對於人工智慧以取得近似最佳解的策略，模擬人腦結構以打造演算法到目前為止看來是終南捷徑，也還有隨著其背後認知神經科學快速成長的空間。也難怪前幾天深度學習先驅Geoffrey Hinton開始質疑深度學習中重要方法反向傳遞(back-propagating)時，雖然引起行內的震撼，卻是意料之外、情理之中的事。