人文社會 AI overview

隨著人工智慧相關應用的普及，越來越多人在生活中或工作上都會用到AI，因此本文希望以人文社會領域的角度來跟大家介紹人工智慧。同時這篇文章是近年個人學習人工智慧的一些心得整理，想跟大家分享一些相關知識點與看法，也歡迎大家不吝給予建議與指正。

本文分享主題：

1. 什麼是人工智慧?

2. 一些有趣的人工智慧應用

I. 什麼是人工智慧?
是指運用人為的方法來設計並製造出可以模擬類似人類的智能行為或甚至思維情感的機器。[1]人文社會AI導論(2021)

我們大略可將人工智慧分為以下幾個發展面向:

人文社會AI導論(2021)[1]

1.觀察(Observations): 包括視覺、聽覺、味覺、觸覺、等類同人類的感知能力。在AI演算法技術的實現上，例如知名的卷積神經網路(Convolutional Neural Network, CNN)可以從圖像中抽取出圖像的風格要素、線條、物件、等特徵。進階的應用如YOLO: Real-Time Object Detection可以從圖像中標示出特定的物件，例如一張即時影像，我們可以透過YOLO模型來標示出人的位置以及照片中的主要物件(電視機、書本、沙發、等等)。

YOLOv9 [2]

2.理解(Understanding):包括辨認與感知，這方面的技術是在資料訊號輸入AI模型後，模型可以抽象出更高層次的概念意義。在AI演算法技術上的實現，例如注意力機制（Attention mechanism）能透過訓練資料學習出輸入之資料訊號在不同位置上的關係，就像語言翻譯任務中，我們輸入”how are you”與”你好嗎”的成對資料，透過注意力機制，模型會學到”you”對應到”你”這個字，有著高度的關聯。此外，若使用多個注意力機制在同一個模型架構中，更可以對同一個輸入資料，學習出各種不同的抽象概念。

Attention (machine learning)[3]

3.推理(Reasoning):包括演繹、推導、評估、等能力。這是一個比較進階的能力，相較於觀察與理解。在AI技術上，我們可以在大型語言模型(Large Language Model, LLM)看到這項能力的實現，例如我們對LLM模型輸入”A > B and B > C, then A > C ?”，則LLM會回覆你”Yes, A > C”。 我們將這類的能力概稱為大型語言模型(LLM)的湧現能力(Emergent Abilities)，包括基於上下文語境的學習(In-Context Learning, ICL)，對指令的遵循能力(Instruction following)，逐步推理能力(Step-by-step reasoning, Chain-of-Thought)。如下圖所示，左邊展示了如何運用ICL的技巧來讓LLM得到正確的答案。右邊展示中，除了運用ICL也加入step-by-step示範，來讓LLM能夠觸發Chain-of-Thought(CoT)的能力，提高回覆的正確率。

In-Context Learning (ICL) and Chain-of-Thought (CoT) prompting [5]

4.學習(Learning):包括適應、調整、改變、等。這是當前AI發展得到重大研究突破的項目。在AI演算法上，我們希望模型(model)在類似任務上可進行轉換使用，而不用每次都要花很多時間與費用去收集訓練資料來訓練模型，我們就會運用遷移學習(Transfer Learning)的技巧，把在A任務訓練好的模型，轉換到B任務使用，過程只需取用少量的B任務樣本資料進行微調(fine-tuning)即可(如下圖所示)。更進階的研究，例如元學習(Meta-Learning)是一種教導模型”學習如何學習”的演算法，它將學習單一任務擴展到能處理多種不同任務的學習，讓模型知道如何舉一反三。

遷移學習(Transfer Learning) 概念示意圖

5.交流互動(Interaction):包括與人表達、回應、等。目前常見的應用例如聊天機器人(ChatBot)，像ChatGPT的應用。能夠與人實際互動，流暢的表達訊息。(這邊暫不論ChatBot回答的資訊是否正確的問題，這是另一個討論主題) 由於大型語言模型所表現出的良好的互動能力，進一步我們希望LLM能扮演Agent的角色(LLM as a Agent)， 可以自動運行並完成人們所交辨的任務。這類自動化Agent所需的系統架構，能夠自動計劃(Planning)與執行(take Action)，懂得使用適當的工具(Tools)，具備記憶能力(Memory)，例如下圖所示之架構。

Overview of a LLM-powered autonomous agent system [4]

Reference

[1] 人文社會AI導論(2021) (國立清華大學人文社會AI應用與研究發展中心)

[2] YOLOv9, Chien-Yao Wang (https://github.com/WongKinYiu/yolov9)

[3] Attention (machine learning), wiki

[4] LLM Powered Autonomous Agents, lilian weng, (https://lilianweng.github.io/posts/2023-06-23-agent/)

[5] A Survey of Large Language Models, Wayne Xin Zhao, et al. (2023)

 

 

/政府網站營運交流平台授權轉載/

 

 

原文作者：tc Lin (德全)

原文出處：人工智慧概觀