在Google將Deepmind的AlphaGo用來挑戰職業棋手得勝後,大家不斷都將對於人工智慧的關注提高。然而現階段對於沒有自主意識的人工智慧,要談到消滅人類都還為之過早。但是對於高度人工智慧運算的到來,我們還是可以期待和需要注意許多方面的運用。而Alpha Go在類神經網路及自動學習方面的搭配組合,可以說是加速了這個領域的進展,由於被GOOGLE買下的Deepmind負責人也強調,他們會將研究成果公開。由於Alpha GO較以往類神經網路更大的進步其實是在於其自我深度學習的能力,不過對於判斷的基礎-蒙地卡羅方法,在隨機模擬方面已經有許多方面的應用。所以目前個人就先以目前Alpha Go當中所運用到的蒙地卡羅方法的運用,來作為對於未來高度人工智慧運算可能會對人類帶來的進步和威脅:
 
1.生物及化學
目前在生物技術方面,蒙地卡羅方法有用在蛋白質折疊的模擬和預測。所以在基因重組和病毒感染機制的重大突破就有可能被改變。像Foldit遊戲就是一個將蛋白質折疊機制做成遊戲,玩家目前已經透過遊戲的破解,間接地協助到科學家解開愛滋病毒感染機制。而遊戲當中玩家運行的資料如果能夠改寫成給Alpha Go這樣的自我學習系統來做的話。就可以更加縮短找到解答的時間。
 
另外化學方面,目前蒙地卡羅方法已經有用在金屬加工的模擬退火運作,在金屬材質在熱處理前就可以得到一個接近需求最佳的參數,降低生產的不良率。而自我學習的機制如果能夠導入,像是應用在特殊用途的合金合成或是化合物合成,也都將能夠獲得更快的進展。
 
2.醫療
由於蒙地卡羅方法最早會出現就是因為在核子研究的時期,為了計算中子碰撞核分裂產生的能量所誕生。所以目前在放射性醫療上,也已經有相當深入的運用。有蒙地卡羅運算的放射治療機可以透過模擬讓放射性能量的使用最佳化,進而對於正常細胞的損害降到最低。而由於目前許多醫學研究也已經針對癌細胞的移轉機制有相當大的進步,如果能將這些推斷機制的參數與人體的循環系統數據帶入。將來對於癌症病患在癌細胞的移除和移轉方面,可能就可以針對每個人不同的狀況有更加精準的預測。
 
另外由於亂數模擬和自我學習這樣的加成,像先前提過的Marilyn 專案,把一些舊有藥物的化學合成機制,用來再重新改變研究是否有新用途。像目前美國休士頓的貝勒醫學院就是用IBM的Watson在投入類似的癌症藥物研究,就是將現有的科學研究數據去找到化合物和癌症蛋白質之間的交互作用關係。同樣的如果將現有的已過專利藥物數據輸入的話,就算沒有新的運用,也可以找到最佳的組合使用劑量,來幫助病人像是在化療的時候可以將副作用降到最低。
 
3.自然觀測
目前蒙地卡羅方法已經有運用在預測颱風侵襲的機率,過去可能因為運算能力的限制,所以僅侷限在單一氣象觀測。如果將洋流數據或是其他大氣數據都能輸入並且加入學習及模擬的話。對於氣候變遷的預測和警告也許就能找出明確的答案,而不像是現在仍然有些科學家聲稱人類活動並沒有真正對溫室效應產生影響,造成始終無法定論。另外像是海洋上的災難救援和預測,也可以更加精準。像是空難後的遺骸搜尋,或是海難的救援搜索,或許都將能夠給予更佳的資訊協助。
 
另外像是自然保育方面,像是保育動植物的觀察,也可以透過動物行為觀測的數據或是植物增長數據的推斷來提供更多的科學研究協助。
 
4.人類活動
交通數據的預測,在蒙地卡羅方法當中的運用,應該是跟GOOGLE目前最為接近的用途。像是GOOGLE地圖的交通狀態建議,就可以依照他們從ANDROID獲得的移動數據來給予系統學習模擬後提供更加精準的建議。另外像是可能容易發生交通事故的地點,也可以給予警示,讓政府單位得以改善。另外目前在公共工程的完工推斷方面也有人以該預測模型來評估完工日。還有像是經濟活動的數據,在提供人口增減的數據以及相關經濟因素條件的輸入之後,也許就能找到像是日本通貨緊縮的原因和解決方法,而不是僅靠政府提出一些也不知道是否有效的政策來試驗。
 
當然一項科技進步會帶給人類幫助都是值得高興的,不過我們也要注意希望這些運用不會被用到危害的用途當中,像是一旦被用到武器開發的使用,像是彈道分析或是爆炸模擬,或是生化武器開發和隱私監控的話,這些都會是讓人相當擔心的不良影響。所以還是希望未來的進步對人類會是良性的改善而不是惡性的自我毀滅。
arrow
arrow
    全站熱搜

    droger 發表在 痞客邦 留言(1) 人氣()