郭宗杰院士《揭開AI神秘的面紗：我們何去何從？》

本文來自大師系列講座側記
講者：郭宗杰院士（中央研究院院士）
側記作者：陳美華（國立中山大學社會系特聘教授兼社科院長）、黃婉甄（國立中山大學通訊工程研究所副教授）

這個演講是針對非理工學門的研究者所做的科普講座，目標在於讓一般人瞭解生成式AI背後的原理。郭院士在長達一小時的演講中，從早期 AI 發展開始，繼之論及當前以深度學習為主的生成式 AI 的發展，以及人們該如何學著朝向人機協作這種強化智能的生產模式。放在全球各國傾全力追求生成式 AI 的技術開發、應用與投資的熱潮來看，郭院士的演講從一個相對中肯的視角評估了生成式AI的能與不能；同時他也強調當前以深度學習為基礎的 AI 勢必將因過於消耗能源，而無法永續。郭院士提出的解方是透過綠色學習 (Green Learning) ，強調以領域特定 (domain specific) 的小語言模型 (Small Language Model) 來取代當前的大語言模型，以便讓AI的發展具有永續性。以下簡述這場演講的主要內容。

郭院士回顧了1950年代自Turing以來就希望開發出可以像人腦一樣思考的機器，但數十年來這整個研究方向看來是「走錯路了」，成就有限。2012年開始，現代化的AI開始出現。不再試圖像人腦一樣思考，而是透過大量輸入／輸出配對來進行深度學習，並根據特定輸入資訊來預測輸出。也就是一般人日常講的，餵它龐大的資料讓它進行深度學習。例如，在輸入非常多的貓、狗或動物的大量圖片之後，它也得以辨識或生成出貓、狗或馬的影象；但它並不需要理解這些動物在解剖學上的意涵，也沒有推理因果關係的能力。於是隨處可見AI生成的十鈔鐘短影音，只是社會意義不明。

但這種深度學習也帶來非常多的關注，包括它像是個黑盒子，欠缺邏輯思維而沒有信賴性、易受對手攻擊或操控，仰賴非常高密度的神經式網路 (Neural Networks) 進行監督式學習，需要非常多的訓練資料，神經元 (Neuron) 的訓練和運算對於 GPU、電力和水力等等需求高，造成高碳足跡。

高度資源動員難以環境永續的AI發展方向無疑是當前最大的挑戰。郭院士提出了綠色學習來取代深度學習；強調不要以系統為中心的途徑 (system-centric) 來做機器學習，而是以訊號中心(signal-centric)的途徑來學習。綠色學習的特徵是以輕量化機器學習模型來處理，透過有效率的提取資料特徵，降低計算複雜性（因而碳足跡也比較低），而且是具推理能力的 AI 。郭院士也引用了學者對地震監測的研究，比較使用深度學習和綠色學習所需要的碳足跡和能源消耗，結果顯示透過綠色學習一樣可以達到相同的訓練效果，但是不論是能源或碳足跡的消耗都遠低於深度學習。

反之人類大腦的運作複雜很多，有非常茂密的神經叢來傳導感受、思維進而引導出一系列的肢體運作。大腦可以在有限的經驗資料中進行推理與思考。舉一反三是人類思維的特徵，而非透過大量資料的堆積。然而，即便至今，醫學對於大腦運作的理解仍然非常有限。鑑於人工智慧比較能處理相關性、善模仿，而無法推理因果關係，而人腦則有推理能力，但記憶力與計算能力較有限的問題，郭院士談及，人類智慧和人工智慧如果能協力、共作，將可以達成增強的智能 (Augmented Intelligence) 。以當前大家最關心的勞動力替代的問題來看，郭院士很務實地談到他自身的教學生涯中，花不少時間改學生的英文書寫，現在這些工作都可以交給AI。其次，AI辨識影像的能力對於資深的放射科醫師而言，可能幫不上什麼忙。但是，對於初入行的放射科新手醫師可能就大有幫助。因此，他預估AI不見得會取代醫生，但是懂得使用AI的醫生無疑將比不懂AI的醫生更具競爭力。這也使得如何透過教育，提升全民AI素養變成當前的重要挑戰。

現場聽講的師生對於郭院士的演講深具啟發性，多位教師也表達了對於傾全力發展AI的代價感到疑慮，也有教師提出如何在學院中使用AI，以及學生們以生成式AI來寫作業、未來的AI落差可能會引發更多社會不公平等等問題，也喻示了生成式AI的倫理治理以及AI素養將是台灣高教的重要挑戰。