作者：高煥堂
當今AI仰賴於大資料的相關性（Correlation），雖然，相關性並不一定表示其具有因果關係（Correlation does not imply causation），因為當今的AI對於因果關係的探索能力，仍極其有限，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，如諸葛亮等，其擅長於溯因推理（Abductive reasoning）：從果追溯其真實的因，而如果AI能夠掌握更高階的因果關係，就可望降低其不確定性的行為、大幅提升可解釋性、可信賴度，以及創造性思維能力。
這就是目前AI專家們努力的方向，也就是AI將邁向革命性的大未來，所以，有人稱之為：因果革命。也就是讓AI除了大資料相關性之外，能提升探索和掌握因果性的能力。
於此建議您可以參閱這本2019年的暢銷書（圖1），在這本書裡將因果關係分為三個階層：觀察、行動和想像（圖2），AI的大未來就是讓AI能充分掌握深層的因果性，也就是這本書裡所說的：高階因果關係。
圖1
圖2
從上圖-2中，可以看到了，當今AI所掌握的相關性，仍屬於低階（第1階）的因果關係，與人類相比仍有極大的距離。AI的大未來，將是逐漸提升到第2階、第3階。屆時，AI具備了想像、假設和反思的能力。
三種類型的AI
過去20年，AI在 辨識（分類）、和預測，兩方面表現令人類驚奇。就像算命仙，辨識出您的本命、預測出您的〈時&運〉了。若時來運転，就努力擴大行動，趨吉迎福。若時運不濟，就凡事小心慎行，冬藏春迎，蓄銳待發。這階段的AI，通稱為：識別型AI。
在大數據時代裡，人眼可看、手中能掌握的資料很有限、視野小，人為優化只能獲得局部最優解（Local optimum）。於是，就需要AI生成來幫忙，以人為找出的局部最佳解為條件（基礎），輸入給AI （如Conditional GAN模型），讓它來協助生成全域最佳解（Global optimum）。這階段的AI，通稱為：生成型AI。
上一小節裡，已經談到了，在AI能夠來幫助檢驗人類決策者的假設，降低決策風險，促進企業的成長茁壯。於是，AI 有三種：識別型AI、生成型AI、決策型AI。
- 識別型AI：對事物或現象，洞察其特徵（Feature），而進行歸類（識別）。
- 生成型AI：學習目標事物或現象的資料分佈（Distribution），生成新資料，呈現逼真的事物。
- 決策型AI：由<生成型AI>提供方案，由<識別型AI>評估風險，然後挑選風險最低、勝率最高的方案，並採取行動。所以決策型AI的關鍵因數是：風險。
決策型AI的3項特點
從商業決策而觀之，商業環境是善變的，而且存在競爭者刻意唱反調，使得看似最佳獲利方案，卻可能是最賠錢的。
於是，決策型AI的第一項特點是：
需要把環境或敵方的可能方案（的特徵）輸入到AI模型裡。
<<孫子兵法>>說：勝兵先勝而後求戰；敗兵先戰而後求勝。
於是，決策型AI的第二項特點是：
幫忙做<先勝>的評估。也就是<不敗>的評估，也就是評估風險。
例如，當今股市領域，最著名的投資決策者是巴菲特。他的投資決策都基於兩條原則，第1條原則是：不賠錢（先不敗、先勝）；而第2條原則是：永遠不忘記。
從成吉思汗與神鷹的故事，可協助我們領會到，如果決策型AI扮演神鷹的角色，既符合AI的特性，又非常具有價值。
當AI（神鷹）發現決策者思緒不夠完美時，可以給予畫龍點睛的效果。更具價值在於：當AI（神鷹）發現決策者的決定是錯的，而且行動是災難性的，AI立即提出嚴重警告。
於是，決策型AI的第三項特點是：
把<決策型AI>做在決策點與行動點之間。
例如，成吉思汗拿著杯子去盛裝那滴下來的山泉水，正當他將裝滿了水的水杯湊近口邊，準備一飲而盡之際，在天空中飛翔的神鷹突然飛撲下來，「嗖」的一聲，就把成吉思汗手中的杯子踢翻了，水都灑到地上了。
神鷹在決策者的<決策時間點>與<行動時間點>之間的數秒鐘內，即時納入當下的決策，做出智慧的推論，採取保護主人的行動，而且刻不容緩（圖-3）。
圖3
過去，許多人把AI做到<決策時間點>之前，提供給決策者參考，是OK的，只是這樣的作法，只是把AI做成為BI（商業智慧）或大資料分析的延伸，其價值並非最高的。
把AI做在策者的<決策時間點>與<行動時間點>之間，我稱為：AI神鷹。
把AI做在策者的<決策時間點>之前，我稱為：AI獵狗。
AI獵狗作用於人類的<決策前>；而AI神鷹作用於<決策後>，這兩項AI成為人類決策者的最佳夥伴。
對於基層經理人(決策)而言，AI獵狗可以發揮很大的輔助效果，對於高層總裁(決策)而言，AI神鷹可以發揮關鍵性的效益，所以成吉思汗出行時，隨身攜帶神鷹，而不是獵狗。
獵狗看利益，神鷹看風險，兩者協同合作，帶給人類趨吉避凶效果，讓企業勢如破竹，如成吉思汗一般，建立地球史上最大版圖的帝國。
AI天生具有〈考古〉和當下〈探索〉的強大能力，也就是AI出生就具有獵狗的天份，能極靈敏地嗅出利益機會（如那裡有兔子），也就是一般統稱的〈預測（Predict）〉能力，這種極靈敏能力既可以用來嗅出〈利益〉，也可以用來嗅出〈危險〉。
於是，將一群擅於嗅出風險的AI獵狗們，巧妙組合成為一個團隊，就成為一隻〈AI神鷹〉了。
以划拳比賽為例
這是一個做給小學生玩的AI遊戲，讓小朋友與Zenbo機器人玩<剪刀、石頭、布>的劃拳比賽（圖4 & 5）。
圖4
圖5
比賽一開始，請先開啟Zenbo的<AI劃拳遊戲>，如（圖4）。Zenbo會說出：「我們一起來玩剪刀、石頭、布。當我喊<剪刀、石頭、布>，我們就同時出拳喔，準備好了嗎?」。請您回答：「好了」。Zenbo就出現下述畫面（圖6 & 圖7），同時Zenbo也說出：「開始出拳喔，剪刀、石頭、布」。
圖6
圖7
這時請您出拳，要用口說出來。例如說出：「布」。此刻Zenbo先已決定它的出拳，瞬間已聽到您說出的話（<布>），就顯示出來：
圖8
同時，Zenbo就很高興地說出：「哈哈哈，我贏了」。然後繼續下一回合的比賽。
AI模型的架構設計
我們共有3個模型：RnnPredict、DecisionRiskModel、VoiceClassifier。第1個模型(RnnPredict)是基於RNN的模型，它從比賽的歷史資料中，探索對方出拳的規律（圖9）。
圖9
第2個模型（DecisionRiskModel）是基於對方出拳的規律，加上己方的決策，進行風險（Risk）評估（圖10）。
圖10
第3個模型（VoiceClassifier）是監視、辨別對方當下出拳的行為，而計算出勝負（圖11）。
圖11
在這劃拳遊戲裡，AI必須在看到對方出拳之前，預先作最好的決策。所以第2個模型的執行時間，是比第3個模型還要早。這第2個模型是依賴第1個模型所探索的到的對方出拳規律。
AI模型的學習（訓練）流程
訓練RnnPredict模型
這RnnPredict模型會從比賽的經驗中找出對手的出拳規律。例如，當A與您比賽100回合，它會記錄比賽的過程。
RnnPredict模型會觀察您出拳的各種習慣性。例如，它會從這100次的出拳紀錄（資料）中萃取您連續出拳相同時，接著您會習慣性選擇出什麼拳呢? 於是，它萃取出來了（圖12）。
圖12
接著，按下<AI尋找規律>，RnnPredict模型就展開機器學習，並且以神經網路的權重來記錄它找出來的規律，然後他也輸出所找到的規律（圖13）。
圖13
從上圖裡AI輸出的結果看來，AI的卻發現了您的出拳習慣：幾乎沒有連續三次出一樣的拳。例如，從上圖的第1列，您前兩次都出<石頭>，AI就估算出您這次將出拳的可能性是：出<布>、<剪刀>、<石頭>的可能性，分別為：（0.75, 0.25, 0）。
訓練DecisionRiskModel模型
這是一個分類模型（屬於識別型AI）。剛才AI基於過往的大資料，發現一項規律：您連續兩回合出招一樣時，其後（第3招）出招，幾乎不會與前兩回相同。例如，前兩回合，您都出<剪刀>，這一回合，您幾乎不會繼續出<剪刀>。
所以，您只會出<石頭>或<布>了。此時，如果AI出石頭，就它就穩輸了(風險高)；反之如果AI出<布>，它就穩不輸了（風險低）；同理如果AI出剪刀，就輸贏各一半（風險中等）。前兩回，如果您出其他招（不連續出同一招）時，都全部看成<中等風險>。
於是，AI只要善用它所發現的規則，在出拳瞬間自我評估它出招的風險，確保它不會掉入高風險的賽局裡，它（AI）的贏面就大增了。現在就來把上述的贏家規律輸入到Excel表格裡（圖14）。
圖14
按下<訓練>，就開始訓練DecisionRiskModel分類模型，它是用來評估各種出拳方案的風險評估。
例如，輸入值[1,1,0]，表示對方連續兩次出<剪刀>，而AI決定出<石頭>，此時評估出來：風險高，於是AI決定改變出拳的選擇，若改為出<布>，就輸入[1,1,2]，此時評估風險低，就是好策略了。
結語
本文說明瞭決策型AI的特色，並以劃拳比賽為例，說明其架構。包括3個AI模型：第一個是RnnPredict模型，負責探索對方的出拳規律(知彼)。第二個是DecisionRiskModel模型，負責評估決策風險(知己)。第三個是VoiceClassifier模型是典型的語音辨識模型。
雖然本範例裡是由三模型組合起來，與人們競賽，但是它們也可以在商業環境裡，協助人類決策者進行優越的商業決策。
（責任編輯：謝涵如）
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。
- LoRA微調三步驟：以大語言模型MT5為例 - 2024/05/02
- 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
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
