人工智能早于上世纪五十年代于美国面世。1956年一班权威科学家在美国「达特茅斯会议」（Dartmouth Workshop）聚首，会议中首次制定人工智能研究计划。计划的目标是鼓励电脑科学界着力研发能够拥有人类智能的机器（软硬件）。可是经过60多年的努力，机器代人的目标离开现实还是有点距离。今天人工智能的通用性仍然偏低，只可以在特定领域及重复性极高的任务上派其用场，实际上应用范围颇为局限。

《三字经》云：「玉不琢，不成器 ；人不学，不知义」，不论怎样，机器要模仿人类必须首先懂得学习。因此，「机器学习」是人工智能的核心技术，而且电脑科学界一直精益求精，努力不懈地把这技术强化。上世纪由于软硬件设施的限制，「机器学习」技术的进展缓慢，影响了人工智能的发展。不过，近10年随着软件（例如深度学习，Deep Learning, DL）及硬件（例如图形处理器，Graphic Processing Unit, GPU）科技的突飞猛进，人工智能的功能得以大大提升，其应用亦日益普及，图像处理、语音识别、自然语言处理等商业应用像雨后春荀般涌现，全球无处不在。然而在商言商，企业家往往为了尽快把产品及服务推出市场会不惜一切，罔顾「机器学习」中的一些技术盲点。此举会影响产品及服务的质量，增加用户在使用时的安全风险。

孔子《论语．为政》道：「学而不思则罔，思而不学则殆。」从软件工程角度而言，一套高效的人工智能系统设计是不能单凭既定规则（Rule-based）的，不然的话所造出来的系统的覆盖率便会很低，影响系统的可靠性。因此，先进的人工智能系统都是建于「机器学习」，这结论与上述观点不谋而合。然而，过程中机器不能只顾「硬学习」，对所学的知识不求甚解，面对错误的知识仍「照单全收」。这陋习正是今天大行其道之「深度学习」技术的通病。简单而言，「深度学习」是以「黑盒」（即不透明）方式作业，为输入和输出进行配对，做法只计效果而并没有探究配对成功的原因。可惜商人一般都急功近利，只顾尽快把产品推出市场而忽略这技术上的漏洞，导致产品的功能大受影响（「罔」），可靠性受损。晋朝哲学家傅玄在《太子少傅箴》中指出：「近朱者赤，近墨者黑」，因此有效学习需要学与思并重，可是现时的「深度学习」却未能做到。在现实应用中工程师一旦发现人工智能系统失效，他才会重新进行学习，把系统效能更新，但新旧系统交替需时，往往数以月计，效果大受影响，不设实际。

俗语说：「熟读唐诗三百首，不会作诗也会吟。」不论采用什么算法，「机器学习」背后的操作模型主要是基于这概念。例如，人工智能可以学习巴赫的音乐，然后用它的风格来编新曲，而一般人都难以分辨出巴赫的真伪。概括而言，要模仿一些重复性较高的应用「机器学习」绰绰有余，不过如此这般的「机器化」学习（learning mechanically）却无法表达人类的情感和创意，但这正是人类「智能」的重要特质。

最后，《论语．学而》曰：「学而时习之，不亦悦乎。」仿效人类，人工智能系统一经开发后要尽快付诸应用，并以满足用户需求为首要任务。但「学无止境」，所以人工智能系统亦应持续学习，就此上述「机器学习」、「深度学习」所面对的学习问题非常迫切，必须尽早解决，不然的话全球人工智能发展便难免会受阻。

（文章观点仅代表作者本人）

作者为香港中文大学工程学院副院长（外务）、香港资讯科技联会荣誉会长

来源：信报