從 2018 年圖靈獎得主談起,台灣學研在人工智慧領域的突破性貢獻

作者 | 發布日期 2019 年 12 月 13 日 15:31 | 分類 AI 人工智慧 , 尖端科技 , 科技教育 follow us in feedly


2018 年圖靈獎頒給了三位深度學習的巨擘,辛頓(Geoffrey Hinton)、勒昆(Yann LeCun)和班吉歐(Yoshua Bengio),表彰他們在深度神經網路的突破性貢獻,成為當今人工智慧發展背後的運算關鍵。其中任教於加拿大多倫多大學的辛頓更被稱為深度學習之父,他在類神經網路的研究上曾發表幾篇重要論文,為深度學習開創新局,也為近代的人工智慧發展奠定深刻的基礎。

顧名思義,神經網路(neural network, NN)就是一種模仿大腦神經元結構與功能的數學模型,也是構成如今大眾較熟悉的人工智慧其中一個分支「深度學習」的基本架構。傳統上的電腦運算,是由一連串具明確指令的程式所組成,但在「深度學習」領域中,卻沒有明確的程式指令讓電腦能夠依循進行運算,而是透過演算法學習找到輸入值與輸出值的相關性,這個相關性就是數學上的「函式」概念 y=f(x),而在神經網路中,函式的表示方式就是由各個神經元依據不同權重與偏差值所組成的方程式。

▲ 2018 年圖靈獎三位得主,他們在深度神經網路的突破性貢獻,成為當今人工智慧發展背後的運算關鍵。(圖片來源:ACM Awards)

神經網路從 1940 年代概念首先被提出,到如今開枝散葉發展出不同的學習方式,中間歷經過兩段漫長的黑暗時期。1950 年代由美國認知心理學家羅森布拉特(Frank Rosenblatt)發明「感知機」(Perceptron),並教導感知機辨識圖像,一時之間神經網路蔚為風潮、備受學術界期待,但後來卻發現感知機無法處理進階模式判別的問題,無法準確的辨識圖像,於是研究的激情消退,神經網路進入首次的黑暗期。1986 年由辛頓等學者提出「反向傳播算法」(Backpropagation)並引入多層神經網路訓練,才真正突破單層神經網路的限制,在分類上可以針對更多抽象特徵進行精確判斷,但後續的發展並非就此一帆風順,這中間又歷時十幾年的科技黑暗期,直到 2006 年以後,當晶片、記憶體等電腦硬體效能提升,IT 運算能力才跟得上這些大師的腦袋。

▲ 神經網路概念(來源:Glosser.ca [CC BY-SA 3.0], via Wikimedia Commons

除了神經網路演算法外,人工智慧最常被人提起的另一個演算法是支撐向量機(Support Vector Machine, SVM),其奠基於兩位俄羅斯數學家於 1960 年所提出的 VC 理論,其中一位還在世的數學家萬普尼克(Vladimir Vapnik)更成為近幾年圖靈獎呼聲極高的候選人之一。

SVM 是以迴歸分析的概念作為基礎來分類資料。如果以較簡單的線性分類來解釋,當要訓練一組資料進行分組,SVM 可以找到「一道牆」將資料一刀切開,將兩邊資料以離牆距離最大化進行分類;在專業術語的解釋,則是計算出一個決策邊界(decision boundary),讓距離兩類數據的邊界(margin)可以最大化,將資料盡可能完美地區分出來。SVM 自提出以來,幾乎每一次的躍進都有萬普尼克這位猶太裔、前蘇聯數學家的身影在其後,1990 年代他移居美國,不久後與其他學者共同提出非線性分類演算法,也就是把現有在低維空間不是線性可分的資料,提升到高維空間使其線性可分,如此一來有助於進行更精準與多樣的分類。

▲支撐向量機與決策邊界(來源:Alisneaky [CC0], via Wikimedia Commons

在神經網路的黑暗時期,SVM 曾一度成為演算法的主流,直到 2016 年 AlphaGo 以石破天驚之力橫掃頂尖職業棋士,神經網路學派才又站上舞台,與 SVM 分庭抗禮,兩者也成為人工智慧發展的兩大學派。目前人工智慧已經被廣泛運用在各個領域,也成功解決了許多真實世界所遭遇的難題,許多過往停滯不前的研究如今也因演算法的神助攻得以迎刃而解,像是文字分類、語音圖像辨識、生物資訊判別與分類、疾病特徵分類、手寫筆跡辨識等。

台灣學界的突破性貢獻

回頭看台灣學界在人工智慧領域上的貢獻,不乏有許多優秀的學者揚名海內外,涵蓋的研究領域包羅萬象,從演算法軟體開發、巨量資料探勘技術發展到機器人實務應用端,都有許多台灣學者長期投身其中,持續不輟地推動此領域發展。

第十七屆有庠科技講座-資通訊科技類得主林智仁教授,是台大資工系的特聘教授,所開發的分析軟體 LIBSVM 即架構在 SVM 之上,目前已廣泛應用在各行各業中,軟體下載次數高達 110 萬,而他以此主題所撰寫的論文,引用次數更已超過四萬次。而以 LIBSVM 為基礎再延伸開發的 LIBLINEAR 分析軟體,則更關注於高維特徵的線性分類問題。

▲ 第十七屆有庠科技講座-資通訊科技類得主林智仁教授。(圖片來源:徐有庠基金會)

第十三屆有庠科技講座-資通訊科技類得主、台大電機系特聘教授陳銘憲則被稱為資料探勘大師,他曾在 IBM 華生研究中心工作,是最早期投入資料探勘的學者之一。他為資料探勘提出許多技術,包含改進探勘效率、Web 探勘、累進式探勘、社群網路探勘及保護隱私的探勘機制,多已成為學術界的重要研究課題,且被廣泛引用、甚受重視。

▲ 第十三屆有庠科技講座-資通訊科技類得主陳銘憲教授。(圖片來源:徐有庠基金會)

同樣在台大電機系暨資工系特聘教授、第十五屆有庠科技講座-資通訊科技類得主傅立成教授則在人工智慧的應用端上著墨許多,特別是在機器人研究上投入 30 年的時間進行研發,是台灣首屈一指的機器人專家。他的研究兼顧理論與實務應用,多項成果提升國內資通訊科技應用於機器人、數位家庭、人工智慧及汽車安全輔助駕駛等領域的知識與技術水準。 

▲第十五屆有庠科技講座-資通訊科技類得主傅立成教授。(圖片來源:徐有庠基金會)

有庠科技獎:為台灣科研界蓄積人才、厚植硬實力

近幾年有庠科技獎在資通訊科技領域多次頒給人工智慧領域的學者,順應科技的潮流發展與看見台灣在此領域的領先優勢,徐有庠基金會從今年第十八屆開始增設人工智慧類別,而對這個獎項的期待,評審團主任委員劉炯朗院士表示只要是與人工智慧有關的研究成果,無論是演算法、晶片開發、應用創新都可以來投件。徐有庠基金會希望藉由這個獎項,推動台灣社會持續創新能量,更為台灣科研界蓄積人才、厚植硬實力。

(首圖來源:Flickr/Duane Wessels CC BY 2.0