AI 如何為公司創造更多價值？專家：2 個缺陷，要先由人類來修補

2021/05/13
採訪‧撰文
盧廷羲
張凱崴

美國人工智慧國家安全委員會（NSCAI）今年 4 月建議，國防部每年應至少分配 3.4% 的預算投入科技領域，並提撥 80 億美元研發 AI。企業方面，微軟（Microsoft）4 月宣布，將以 197 億美元收購語音辨識開發商紐安斯通訊（Nuance Communications）；後者是雲端與 AI 軟體的先驅。

從企業到國家，都愈來愈重視人工智慧，知道要想辦法運用 AI 創造更好的生活。不過，目前 AI 發展到底處於什麼階段？我們又該如何應用？

美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授張凱崴形容，目前人工智慧技術已經可以幫助人類完成很多事，像是疫情來襲，電腦可以從大數據中篩選條件，自動搜尋、判讀潛在病例，幫助醫生大幅減少檢查時間，但 AI 也並非萬能，要先認知它的局限。他研究如何讓 AI 更符合人性，獲得 2021 年的史隆研究獎（Sloan Research Fellowships）。

AI 局限1. 資料寬廣度不足時，就會複製人類偏見

張凱崴認為，電腦在學習的時候，是依賴「彙整數據資料」來判斷，並沒有真正思考，如果資料來源太狹隘、不夠多元，資料寬廣度不足，電腦判斷就會出現偏差，「你跟電腦講清楚 input（輸入）、output（輸出），提供足夠的數據資料，它可以對應、學得很好，但還有很多面向 AI 做不到。」

舉例來說，亞馬遜（Amazon）2014 年推出智慧音箱（Amazon Echo），使用者口頭下指令給語音助理 Alexa 就能放音樂、查資訊。然而，有些人口音較罕見，或是用字較特殊，智慧音箱的資料庫沒有「不同口音」「不同用詞」的檔案，就可能失靈，這是當前 AI 的其中一大問題。

張凱崴進一步解釋，AI 另一項挑戰是，它無法清楚分辨「不曾出現」與「不能出現」（無法出現）之間的區別，只是從資料統計出要學的東西，無法像人類一樣進行邏輯思辨。

AI 的運作方式，第一步是輸入資料，第二步是分析，但這過程容易出現偏見。例如電腦在理解「總統」這個字，會去看四周有什麼字詞，來學習總統這個詞，由於許多總統都是男性，電腦就會「覺得」總統是男性。

這也是為什麼，如果讓 AI 學習，在它的認知裡，女性「不可能」當美國總統（因為沒有資料紀錄）。「你可以跟人類說，任何職業、性別都是平等的，但對電腦來講，這很困難，」張凱崴說明，一旦資料的寬廣度受限，電腦就容易產生偏見。

就像在自然語言處理（Natural Language Processing，讓電腦把輸入的語言變成有意義的符號）領域，張凱崴說明，AI需要知道代名詞指的是「哪個名詞」，才能運算下去。但如果資料受限，使用男性的「他」，電腦可能判斷這個代名詞是指總統、總理、執行長；但換成女性的「她」，由於數據不足，電腦就會混亂，出現系統性誤差。

他再舉一例，美國人工智慧研究組織 OpenAI 提出「生成式預先訓練」系統（GPT，Generative Pre-training），推出到 GPT3 版本，屬於書寫類 AI，電腦能夠揣測人們說完上一句話，下一句可能會講的句子，自動完成後半段。

好比有人上一句寫下「我正在和教授聊天」，系統可能推導出「我們在研究室討論學術問題」，因為電腦藉由蒐集來的語料資料中判讀出「教授」和「學術」具高度相關。但研究也顯示，GPT2（前一代版本）系統也從資料中學習到許多偏見，像是如果句子前半談論白人男性，系統傾向產生正面評價；如果句子前半是黑人女性，系統竟會產生負面句子。對企業來說，許多組織接觸 AI，想讓它們取代部分工作，首先需要留意資料的廣度、多元性，才能減少電腦犯錯的機會。

AI 局限2. 即便條件相同，也無法每次都做出正確判斷

「其實，現在的 AI 就像一台原型飛機，還缺乏穩定性。」張凱崴說，現行的 AI 就好比萊特兄弟（Wright brothers）剛發明飛機，看似可以做很多有趣的事，但「可以飛」跟「飛得很好」，有一大段落差。

紐西蘭的簽證系統曾鬧出笑話。人們上傳簽證照片，AI 掃描後，確認是不是本人，但當時系統沒有估算到某些亞洲人眼睛比較小，一名亞裔男子被判定「沒有張開眼睛」，因此照片無效。

張凱崴說，在這個例子中，凸顯出 AI 的穩定性不足，「系統沒有考慮到不同人種的差異，很死板地認為你眼睛沒張開。」所謂的缺乏穩定性，指的是 AI 沒辦法在相同條件下，每次都做出正確決策，這也是使用 AI 時，須留意的第二個挑戰。

他再舉例，許多模型可以準確分析，一則影評對電影的評價是正面或負面。然而研究顯示，有時只要將影評中一些字換成同義詞，例如把電影（movie）換成影片（film），或改寫句子，即使意思並未改變，系統卻把原本判斷為正面的影評標註成負面。這顯示AI系統還未真正了解語言的含義。

在設計這些程式時，人們必須注意到 AI 可能有局限，設定的資料範圍要更完整，考慮這些因素，就能減少偏見、落差，進而加強穩定性。

餵指令給 AI 要多元化，嘗試「換句話說」、刻意混淆

經理人雖然不一定具備 AI 方面的專業知識，但只要掌握觀念，再透過 AI 領域專才協助，也能優化系統。張凱崴指出，最直接的方法是，設計 AI 模型時，要把來源群組不同的資料分門別類測試，在測試階段讓群體多元化，並確保不同特色的使用者，用起來都沒有問題。

舉例來說，一套 A 系統擁有來自各地的使用者，如果設計者是台北人，設計系統的思維容易以台北生活為主，很可能因為當地習慣不同，導致花蓮使用者操作不順。

另一個方法，則是用不同的「語意」，去測試 AI 有沒有徹底學會一個概念。例如，有一套餐廳評鑑的 AI 系統，只要蒐集、整理使用者意見，就能判斷每個顧客對於餐廳的評比是高分或低分。那麼要如何確認這套系統的穩定性？張凱崴建議，可以利用「抽換詞面」的方法。

比如，把詞彙換成同義字，再看 AI 是否能運算出相同結果，「你可能會發現，原本評比結果是食物很美味，但如果美味換成比較困難的詞，AI 就會分不出這則評比是好是壞。」因此在訓練模型時，可以將詞彙隨機抽換成同義詞，增加 AI 的詞彙量。

第三種方式更進階：改變句型、重寫句子。張凱崴指出，同樣一句話，如果換成不同說法，電腦可能判讀錯誤，將「因為發生 A 事件，所以導致 B 事件」，改寫成「B 事件發生了，是因為 A 事件的緣故」，明明兩句話意思一樣，但 AI 很可能因為穩定性不足，搞混兩者的差別。如果要鞏固 AI 的穩定性，可以使用自動改寫的方式，增加資料的多樣性。

張凱崴表示，經過這些測試，讓 AI 接受更多元化的訓練，得到更廣的學習範圍，往後碰到同義詞、相似資訊，才能有效判讀。

張凱崴總結，AI 還在快速發展，或許可以創造更多工作機會、新的職位，但現行階段，它只是輔助角色。AI 並非魔術盒子，使用它就一定有更好結果，人們還是要保持高度耐心，先認識它的缺陷，才能在技術更迭下，發揮出最好的結果。

張凱崴

台灣大學資訊工程系碩士、美國伊利諾大學（UIUC）電腦科學博士。美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授，研究領域包括人工智慧、機器學習、自然語言處理。2021 年獲得史隆研究獎（Sloan Research Fellowship），研究團隊開發的運算方法，使人類語言處理的程序更有效率、更多元，同時兼具公平性。

附圖：優化AI系統的3方法

資料來源：https://www.managertoday.com.tw/articles/view/62902?fbclid=IwAR2jI1bhg1anqct0AZZR_3LKKJqIsvG0wz2whSN8iniROZApHt-_qpD7dis

📣投資思維－面對波動，你應該知道的風險觀念📣

道瓊指數昨天收盤下跌近500點(2%)、S&P500也跌了近2%。大盤最近常常上沖下洗，12月S&P下跌超過4%，Cboe SPX Volatility Index漲幅超過18%。雖然大盤看似波動不大，實則暗潮洶湧，舉例來說，上禮拜四日內指數波動就超過2%了。每個投資人除了資金控管方法外，更應該學一下情緒控管方法，在驚濤駭浪的股海中方能求得平靜。

HSBC最近就發布一篇報告，討論投資人應如何在高波動的市場中保護自己。股票市場就是不斷的恐懼與貪婪這樣的情緒中循環，套句葛拉漢的說法：市場先生的心情總是陰晴不定。當恐懼攀升戰勝貪婪時，市場就會下跌；反之，貪婪戰勝恐懼時，市場就會持續上漲！

在華爾街，波動跟風險總是畫上等號。高波動性通常代表著你面臨更高的可能性，需要再低檔時賣出股票變現。不過，我們並不應該僅用數學計算出來的波動性指數，來衡量市場上的實際風險。

👉 那投資人在市場上面對的風險還有哪些呢？可以歸類為三種風險：

1️⃣ 事件風險(Event risk)
貿易戰與歐元區政經緊張情勢所帶來的風險，可以歸類為事件風險。貿易戰從年初開打至今，至最近幾個月川普的大動作使得市場反應愈來愈劇烈。分析師認為貿易戰的問題仍會持續至2019年，也是投資人應該持續關注的重點之一。歐元區經濟成長趨緩、英國脫歐，甚至法國近日的黃背心事件，在未來也有可能對歐元造成壓力。

2️⃣ 市場風險(Market risk)
市場風險則是指企業獲利對於股票估值所造成的影響。觀察去年，許多企業的獲利水準創高，但稅改效應下降以及工資增長可能會使得這樣的情況無法持續。最近也可以看到許多公司對於未來的獲利展望都持保守態度，未來獲利率的趨緩，對於股價的上漲動能也會造成壓力。S&P500的PE約為15倍，但回顧金融危機時期，S&P500的PE約為10倍左右。

3️⃣ 流動性風險(Liquidity risk)
最後，HSBC也檢視了流動性風險。S&P500指數成分股中的公司在過去五年，增加了超過一萬億美元的債務。隨著企業試圖為債務進行再融資，未來利率若再上升，對於債券市場也會造成壓力。一旦公司出現流動性問題，也會影響到股票市場。所以我們可以持續去關注債務違約率的變化，這會是指引流動性問題的關鍵指標。


👉 當然，除了上面的三種風險，我們也整理出在面臨投資決策時，應該注意的幾個問題：

1️⃣ 風險(Risk)與不確定性(Uncertainty)：風險與不確定性看似是同義詞，實際上兩者之間還是存有差異。通常我們認為所謂的風險，是指可以量化的不確定性，譬如我們可以知道擲一顆骰子每一面的機率都是均等的1/6；而不確定性則是無法預測，甚至不知道會發生什麼結果的事件，更不用談如何避免。

有趣的是，投資人到底應該從風險、還是從不確定性中獲利呢？弗蘭克奈特(Frank H. Knight)在1921年寫了一本名為《風險，不確定性和利潤》(Risk, Uncertainty, and Profit)的書，書中描述：「真正的利潤機會只存在於真正的不確定性中。這意味著如果我們想要成功創新，我們不僅要處理不確定性，我們必須尋求它。」

以我的看法是，在商業領域中，追求不確定性是進步的關鍵，就如同演化是源自於隨機性，汰弱留強而創造出更優質的物種。但是，在投資領域，如何管理風險對一般投資人而言反而是更重要的課題。

2️⃣ 系統風險(Systematic risk)與非系統風險(non-Systematic risk)
所謂的系統風險，是指市場風險或不可分散風險。這樣的風險無法透過分散投資來消除，譬如經濟週期、社會動亂、戰爭或自然災害等因素造成的市場下跌。而非系統風險則是特定風險，或是個別公司面臨的風險。譬如公司管理者或財務風險等因素，這時我們可以用分散投資來消除投入單一企業的非系統風險。

3️⃣ 估值風險(Estimation risk)
之前我們曾經提到，在進行個別公司的評價時並不能只考慮單一因素，而是應該將每一種可能性納入估值流程當中。這時候，我們必須先有一個認知，由於我們納入的每一項因素都是基於我們對於這項因素的預測值，有可能與實際狀況之間有所差異。進一步定義估值風險：「指投資者對回報或現金流過程參數的不確定性。」

所以我們在估值過程中，會面對到兩種不確定性：估值的不確定性(Estimation uncertainty)與經濟的不確定性(Economic uncertainty)。兩者不同之處在於，估值不確定性源自我們對公司的理解不夠完整，甚至取得了誤導性的消息；而經濟不確定性公司經營的業務即將發生變化，以及產業或宏觀的經濟因素。面對公司基本面消息，我們可以不斷的搜尋與更新來優化我們的計算結果，但是產業與經濟因素則是相對具有隨機且不可預測性，導致我們的計算結果與實際結果存有巨大的差異。

4️⃣ 上行風險(upside risk)與下行風險(downside risk)
上行風險指得是價格上漲可能面臨的阻力，而下行風險則是價格持續下探的風險。這兩種風險除了可以運用在基本面評估中，若我們將技術分析也納入我們的投資決策當中，也可以藉此評估股價的壓力與支撐。在這裡的上行風險，指得是我們在買入該公司股票後，股票上漲過程可能面臨到的壓力區間。壓力有可能是前段股價整理區間中可相連波峰，或是行情的轉折點等。而下行風險則是買入公司股票後，股價跌破支撐、持續下探的風險。

👉 當面臨到這麼多不同型式的風險時，投資人又應該如何應對呢？

分散投資對於一般投資人是最好的選擇。不管是藉由指數化投資的方式，或是將資金分配在負(或低)相關性的資產上，藉以尋求穩定且合理的長期報酬。

除此之外，若是從事短線交易的投資人，擬定投資策略，包括買進與賣出的原則，並且嚴格執行才是不敗法則。短線交易通常是在沒有基本面支撐下，依據投資市場情緒變化來獲利，往往比長期投資更需要克服心理障礙。當行情大好，市場情緒樂觀時捨不得停利，又在行情反轉時不甘心停損，最後只是白忙一場。

如果市場具有效率，我們必須在市場尚未回復平衡的狀態中尋找獲利的機會，或是長期伴隨公司的成長，取得其獲利的一部分作為回報。許多人在投資市場中尋找交易聖盃，在我看來，沒有唯一的聖盃，只有最好的性格，最嚴格的紀律，以及最適合自己的投資方式。

⬇️⬇️⬇️圖文連結⬇️⬇️⬇️
https://justininvesting.wordpress.com/…/know-about-the-ris…/

#美股投資 #Risk #Volatility