作者：高煥堂
當今主流AI是基於機器學習（ML），既然是學習就在於認知學的哲學範籌。但是為什麼許多人們在談論ChatGPT時，總是偏於數學演算法、大數據統計分析，而很少涉及認知學（Cognitive）中的「因果」、「果因」等思考及推理能力呢？所以，本文就從認知學來理解ChatGPT的魅力來源。
認知心理學與AI
從認知心理學而觀之，人類天生有三種推理能力：
- 歸納法（Inductive）
- 演繹法（Deductive）
- 溯因法（Abductive）
其中，溯因推理又俗稱為「果因推理」。它與歸納法（經驗判斷）和演繹法（邏輯推理）的最大區別是：溯因推理是從事實（結果）中回溯可能的緣由（原因），再假設這個原因為真時，事實是否能夠被檢驗，如果結果也為真，則推理成立。
當今AI所仰賴大數據的相關性，只是低階的因果關係而已。由於，當今的AI對於因果關係的探索能力，還是非常有限的，仍然非常依賴人類（具有溯因性推理習慣者）來補足。人類具有溯因性推理習慣者，就是通稱的創新者，如愛因斯坦、諸葛亮等，其擅長於溯因：從果追溯其真實的因。
新一代的AI科學家們，正努力強化現在的AI，就是讓AI除了大數據相關性之外，能提升探索和掌握因果性的能力。可參閱這本書：
當今的AI只掌握最低層次的因果關係，如下圖：
當今的AI仍屬於第 1階的貓頭鷹階層。然而，目前AI已經非常強大的相關性探索力和歸納性推裡能力，我們如何善加利用來強化人類的果因性（即溯因性）推理能力。
一旦AI強大歸納推理力，強力搭配人類的果因性推理能力，則像醫生、股市、軍事等不確定性高的場域（偏於果因性推理），就都可迎刃而解了。熟諳此道的企業將成為AI時代的大贏家了。
AI擅長於「瞬間洞察」
為什麼ChatGPT 只能生成（Generative），而不能創新（Creative ）呢？ 因為ChatGPT 的生成是源於ML最基本的Predict功能。一般而言，Predict 的中文翻譯為「預測」，有窄化它的涵意之嫌。在ML裡，Prediction 含有推論（Inference ）之意，也就是有「見微知著」的生成全貌的能力。
為什麼AI模型（如ChatGPT）具有生成全貌的能力呢？ 當今AI是基於ML（機器學習），它會向人類學習。它向人類學習什麼呢？學習人類的做事、創物的經驗直覺。經驗直覺的邏輯是不清晰的，無法經由程式設計來寫成傳統的程式碼。
換句話說，上述的Prediction （即Inference）能力來自於學習（即訓練）。訓練它的閱歷愈豐富，其見微知著（即生成全貌）的能力愈好。例如，AI 看幾千張人類女生的照片，心中（即AI的隱藏空間）會留下顯著的印象：女生幾乎都穿高跟鞋，以及載耳環。
一旦訓練完成了，AI就銘記在心：女生幾乎都穿高跟鞋，又戴耳環。於是就有能力做預測（即推論）。例如，AI看到一張新照片，照片裡只有一隻腳穿高跟鞋（見微），它就推論出:這個人是女生，所以她也載耳環（知著）。於是AI就畫出女生的長相，並加上耳環，「生成」了一張完整的女生圖像。
也由於AI能使用更接近人類的「非邏輯化」方式去認識周遭的事物，包括人類看不到的（也因而無法邏輯化的）的複雜現象。所以AI從莎士比亞文學作品中，可以學習到人類所看不到的藝術創作（如非邏輯化部分）成分。
簡而言之，AI很擅長於學習人類專家的直覺性智慧（即專家直覺），也就是非邏輯性智慧。愈是資深的行業專家，其直覺性智慧愈豐富，表現於「瞬間洞察」的能力愈強。AI的「瞬間洞察」智力，已經達到IQ300以上，而人類天才的IQ才180。
所以ChatGPT驚動全人類，就是它從人類各種文字、圖像等作品學習其非邏輯性智慧，也直接吸納人類的專家直覺智慧，最後與人類專家（含非專家）對談來捕捉人類使用者的心意（Attention），來進一步強化其「貼心」能力。
AI需要大量、高質量的專家經驗直覺，來協助AI將其擅長的大資料歸納性推理，有效転化、串聯出強大的因果性邏輯推理。因之，掌握AI與企業領域專家（Domain expert ）族群之間的銜接點，將會是未來10年新科技潮流的大驘家。
AI的特性：缺乏原生性「果因」推理能力
專家有豐富的經驗直覺。AI是機器學習，來向專家學習。例如，司馬光是專家，AI最主要是從司馬光的作品「資治通鑑」（對AI而言，作品即是大資料）中學習專家智慧（含風格、道、理等經驗直覺）。
ChatGPT 是基於ML（機器學習）的AI，其遺傳了ML的天生缺陷，就是：沒有原生性（Native ）的「溯因推理」能力。也就是缺之俗稱的「果因性推理」天賦。
就如同一位小孩，還沒自己賺錢的能力。他（她）需要依賴別人（如爸媽）給他錢，他才有經濟「消費能力」。簡而言之，ML模型的果因性推理能力是「拿來主義」，它天生欠缺自發性（原生性）的成新陳代謝、成長和修補功能。
其緣由是：當基於ML的AI，都缺乏「反事實（anti-facts）思考」的能力。亦即俗稱的：假設（Hypothesis ）思考能力。通常，一個人（或動植物）若缺之假設性思考力，就沒有原創力（創新力）。因之，ChatGPT 在成長階段（即機器學習階段）需要仰賴人類提供給它「溯因推理邏輯（規律）。於是，人類就提供「專家經驗直覺」給ChatGPT ，協助它建構完整的推理思考機制，呈現出令人驚豔的AIGC創作力。
由於AI在未來200年內，即可能都缺乏果因性推理能力。因而，它愈強大、對專家直覺的需求愈大，將愈需要專家直覺來提供果因推理。例如，中醫師就是大家熟悉的專家，醫師專家觀察病狀（果），然後把其病源（因）告訴AI。AI擅長從觀察（問聞望）的症狀（果）進行歸納。但AI 的天生缺點是：沒有果因推理能力。
剛好專家的「切」，斷出其因，把專家果因推理真覺，添補進去AI 模型裡。於是AI就具備了「對症下藥」的”切”能力了。然後再依因果推理，而預測對症下葯之後的健康復原狀態了。如果沒有專家直覺的注入，AI只是一個統計回歸分析演算法而已！
Al可以從字面上找出很豐富的人事時地物之複雜關聯。這是過去傳統IT做不到的。人們只要擅加挖掘及發揮這新技術的能量，即可創造許多讓人驚奇的情境和效果。由於AI這項能力已遠遠地超越人類了，咱們只要找到觸發點，就能輕輕揮灑、四兩撥千斤、產生巨大能量和效果。
尋找觸發點的手段之一就是尋找AI與人類之間的能力互補性。AI具有超強的能力，在極為複雜情境裡，迅速探索事物和現象的關聯性。然而AI的極端弱點是，它沒有能力進行「反事實的假設性」推論。AI這項弱點，也凸顯出人類的優點，以及互補點。
AI的關聯性 + 人們的果因性推論 = 真實的因果性
小結
華夏文化傳統中，大多偏於關聯思維。文藝復興之後，西方注入了更多果因思維，因而發現許多關聯背後潛藏的因果律，科學探索逐漸蔚為風潮。關聯性基於事實的表徵觀察和符號紀錄，例如：象形文字。果因性（溯因性）基於假設和檢驗，挖掘表徵背後的潛在因數。
例如，觀察到整個村莊都沒有人感染天花疾病（果），關聯到乳牛，繼續假設性探索與檢驗，確定「牛逗」是關鍵因數。於是發現了因果律，謂之：科學發明。
（本文文章引自高煥堂在北京「電子產品雜誌」的連載文章；責任編輯：謝嘉洵。）
近5年來，從事於AI普及化教育工作，目前擔任銘傳大學AI課程、長庚智慧醫療研究所AI課程授課老師。也擔任永春國小、東園國小、立志中學、君毅中學、永春高中等學校的AI師資培育工作。
- 為什麼Gemma採取Decoder-Only Transformer架構呢? - 2024/04/08
- 如何從0訓練企業自用Gemma模型 - 2024/04/03
- 運用BF16與NHWC技術實現進階版LLM微調訓練最佳化 - 2023/12/18
