自从围棋程序AlphaGo连续战胜世界顶尖棋手李世石与柯洁，打遍天下无敌手之后，人工智能(Artificial Intelligence, AI)正式走出学术研究的深宫，一跃成为全球热门话题，不只世界各国政府争相投入，产业界也纷纷以AI为名，推出各式各样的产品与应用，包括自动驾驶汽车、机器人、疾病诊断等纷纷出笼，AI成了先进与尖端的代名词。
AI是牛逼还是牛皮？
在各种媒体上会看到许多AI的创新应用案例，也会听到许多专家宣称AI能够达到人类无法达到的能力，一时间AI似乎变得无所不能，人类未来将遭遇AI的重大挑战，包括史蒂芬．霍金(Stephen Hawking)、埃隆．马斯克(Elon Musk)等名人都公开表达对AI持续发展下去的忧虑。
在AI界有一位大神级人物，他是前哈佛大学教授，后来加入Google成立自驾车和许多疯狂想法研究的Google X实验室，同时也是程序设计在线教学平台优达学城(Udacity)创办人的赛巴斯汀．索朗(Sebastian Thrun)。索朗利用AI技术发展出非常好的自驾车系统，也开发出比最有经验医师更能精确诊断患者皮肤癌的手机APP。他在2017年TED会议上，与主持人进行名为＂AI是什么？不是什么？＂的对谈时提到，人工智能发展已经超过一甲子，到目前为止在单一应用领域上已经做得不错，例如下西洋棋和围棋、通过大学入学测验、比哈佛医学院毕业的皮肤科医生更精准地检测皮肤癌等，但AI无法用我们的方式去阅读和了解，因此在＂一般性人工智能＂方面几乎没有太大进展，仍处在婴儿期阶段。他说：＂身为人工智能人，我坚定相信我尚未看到AI在任何真正创意上的进展，它也没有产生创造性思维。＂＂它其实只是一项技术，协助我们做重复工作的技术。AI的进展完全是在重复性工作这一端。＂
这才是目前AI的真貌！
AI在教育上应用
信息技术融合教学推动多年，但其进展十分缓慢，因为它牵涉到教学环境中人与人、人与事、人与物，以及人与知识的复杂互动。教师在这样的情境下，如何恰当拿捏科技扮演的角色，使教学能够呈现出比没有使用科技更好的效果，需要建立正确认知，并经过经验积累才能有所成就。现在有了AI之后，部分教育主管迫不及待地想要引进AI到教学场域中来，那就得先建立正确认知，否则一厢情愿地认为AI具备先进性，相信它一定能使教学变得更好，结果可能会适得其反。
以AI架构的适性练习系统
先来看一个AI在学习上有效应用的例子，它是笔者二十几年前攻读硕士时所做的研究，结合了当时还是研究新领域的类神经网络(Artificial Neural Network, ANN)，以及适性测验(adaptive testing)技术的项目反应理论(Item Response Theory, IRT)，架构一套适性练习模式(Adaptive Drill System, ADS)，并基于ADS实际开发键盘打字练习系统来验证。
现在经常听到的深度学习(deep learning)，它是源于ANN所发展的技术，透过抽象化人类大脑神经网络运作方式所设计的程序，让计算机能够自己学习。ANN基本概念是神经网络由神经元和神经元间的”连接线”组成，每一个神经元可能连接若干不同神经元。当一个新刺激（也就是新的学习）进来时会触发不同神经线的不同反应，相同的刺激会使相同的神经线路产生反应，把新的刺激不断送入神经网络让它产生反应来学习之后，神经网络就能辨识学习过的刺激，产生相应的反应结果。由于人类对于大脑真正的运作方式仍不清楚，因此就有不同的ANN技术，所产生的效果也不太一样，我们也就能试着采用某种ANN技术，让它扮演一位经验丰富老师的角色。
适性测验技术已为现今的托福(TOEFL)电脑化测验所采用，它透过高质量题库的建立，可以让每一个人接受不同题目的测试，但仍能精准判定受试者的真实能力水平。适性练习的基本想法则是，每一个人的能力不同，强弱项也不一样，因此计算机在提供练习题时，必须像一位经验丰富的教师一样，能给不同学生适合他们程度的题目，以达到进步最快的练习效果。
要达到好的练习效果，必须知道什么时候练习要停下来，因为当一个人已经练到他目前水平所能达到最好的练习效果，也就是所谓精熟时，多练其实只是浪费时间；反过来说，如果他还没达到精熟程度，那么就给他最能帮助他提高水平的题目练习。这个精熟的判定通常是由老师来决定，用计算机实作时就以ANN来达成精熟决策器所需要的功能，因此我们需要对ANN做适当的训练，让它能有经验丰富教师的能力。
一个适性练习系统可以分成起始时的能力决定阶段和练习阶段两部分，能力决定阶段透过IRT制作的能力估计器可以快速找出最接近练习者的能力估计值。练习阶段则每次从题库中根据练习者能力值，组合出一个由若干数量题目组成的练习题档，提供给练习者进行一轮练习，所有题目练习后的结果送进精熟决策器，判断练习者是否已经达到精熟程度。若尚未精熟，则将答错题目记录下来，再根据练习后新的能力值，从题库中取出与答对题数相同数量的新题目，与记录下来的答错题目组成新一轮的练习题档，继续练习。若达到精熟程度，则将新的能力值记录在能力库中，方便下次从这个起始点开始练习。
适性练习系统练习阶段流程图
这样一个适性练习系统应用在键盘打字练习上，由于每个人的手指灵巧度不同，适性练习系统在练习过程中能针对个人较弱的手指或字母组合进行练习题目优化。相较于一般以随机出题方式练习的系统，练习者只要花六分之一时间，就能练到相同的打字速度，也就是同样练到一分钟能正确打出30个字的程度，在一般系统若是要花1小时才能练成，使用适性练习系统来练则只需要10分钟，成效可说是十分惊人。
AI的养成
这个键盘打字适性练习系统高效的关键在于以ANN技术所制作的精熟决策器，它就像一位经验丰富的教师，可以根据学生打字练习过程中的能力值变化，判断是否该停止练习，若要继续练习，应该给他什么题目来练，最能提高练习效果，而这需要一个好的训练规划。
ANN的运作要决定输入什么样的数据，以及要得出什么样的输出结果，只要数据格式与内容是有效的，数据具有代表性或数量够多，ANN就能自己学习，直到整个神经网络稳定下来表示一段学习的完成，接下来就可以用它来进行识别工作。
在键盘打字适性练习系统中，要让精熟决策器学习的，其实是一个练习者在打字练习时的能力值变化曲线，这个曲线可能是持续向上、不断波动、持平，或渐渐向下等各式各样类型。在那个互联网刚刚开始普及的时代，这些曲线的收集仍得经由人工来进行，收集到大量曲线后，再让有经验的老师挑出代表不同练习型态的曲线，将它们分类后送进ANN进行训练，最终得到一个有效能的精熟决策器。
AI成功的关键
既然ANN效果这么好，那所有应用都让它来扮演决策角色不就好了？当然不是那么简单。
跟人类学习一样，用对的东西来学，按部就班通常能达到好的学习效果，用不对的东西来学则不仅学不好，还根本就学错了。所以AI有效成功的关键在于让计算机学什么，这正是AlphaGo下围棋能赢过世界顶尖棋手，是因为开发团队中有一位也很会下围棋的台湾棋手黄士杰博士，他知道下围棋的”门道”，所以能很好地训练AlphaGo程序，加上从网络上找到围棋对战的大数据，结合计算机快速运算能力，终于能够击败棋力9段以上的高手。但若要将AlphaGo这套深度学习方法应用到其他方面，则不见得有效。领域不同，学习方式也不一样。
回到教学这个极度复杂的应用场域里，有些产品能从拍摄影像中每一个学生的表情，判断他们的情绪，推断课堂上学生的理解程度，提供老师教学建议；有些能从教师使用的软件工具组合判断好坏，给出评分；有些则根据教师在教室内走动的路线，分析教学行为，给出教学建议。这些产品乍看之下很炫、很厉害，但仔细想一想，什么样的表情代表困惑，学生困惑的是老师的教学内容，还是脑中闪过的其他无关想法，怎样的表情组合代表学生理解或不理解；给教学打分数，怎样的教学可得90分，怎样的只能得50分，同样顺序的使用工具组合代表的教学意义相同吗；老师先走左边再走右边，先走右边停下5分钟再走左边，代表的教学意义是什么等等。如果无法掌握教师和学生种种行為背后的意义，也就无法对AI做最好的训练，那麼让它怎麼学都不会达到好的效果。
计算机对于规律性的处理有超凡能力，只要给的规则(rule)够多、够好，它能轻而易举地达到人类达不到的处理效率。AI更多的是要让计算机能处理经验性、启发性、探索性，也就是难以归纳规则规律的heuristic或ad hoc事务。过去半个多世纪AI的进展缓慢是因为没有大量数据来训练神经网络，互联网普及后拥有无可计量的大数据，让AI的进步速度加快起来，但真正有意义的一般性人工智能应用恐怕不是短时间内能有突破的，而课堂教学需要的正是一般性人工智能技术。
网友评论