AI新用法！人工智慧助攻 翻譯破損石碑上的古希臘文

匯流新聞網 2020/05/03 04:22

匯流新聞網記者王佐銘／綜合報導

AI又有新功能了，拿來翻譯殘缺的古希臘碑文。一直以來，機器學習跟AI多是被用來找行星、預測天氣、人臉辨識、換臉、打遊戲，現在在學術領域上，有多了一項可以幫忙的地方。

隸屬Google、打造出AlphaGo的人工智慧公司DeepMind，最近成功發展出一套能幫助學者明白跟重現破損石碑上的部分古希臘碑文的AI系統。過去，這些可能是由陶土、石頭或金屬打造的古碑上寫滿了各種碑文，但它們經常在被發現時都是有破損或殘缺的情況，所以上面的文字可能經常文不對題，這樣一旦破譯錯誤就會影響句子或段落，甚至讓整體文字顯得非常奇怪。

而DeepMind打造的這套名叫「Pythia」的AI系統，則能幫助學者們在遇到這種困難時，挖掘出更多可能性。就像其他AI一樣，Pythia的團隊先是通過一個非凡的（nontrivial）線性通訊模型，將世界上最大的古希臘碑文資料庫轉換成一種機器學習系統能夠理解的語言，進而以此為基礎打造一套能夠準確預測字母排列位置的演算法。

至於Pythia預測結果的準確率也還不錯，工作人員試著讓一群多年破譯古希臘碑文的牛津大學博士生跟Pythia進行同樣的碑文測試，最終結果，博士生們的準確率是43%，而Pythia則有接近70%的準確度，而且Pythia的正確預測，有73%都是來自它先前20次的破譯建議。

雖然Pythia暫時還無法獨自完成破譯，但實際上它也的確不用這麼做，因為如果沒有人類，它大概也不可能會進化到自己訓練自己來預測文字位置。Pythia現在最重要的作用，還是在於幫助學者在遭遇困難時，提供一個新的可能性來幫助參考，同時提升整體破譯速度跟準確度。

資料來源：https://times.hinet.net/mobile/topic/22886506?fbclid=IwAR34orz4jOFajTylG38IT-XAOrmOdvXLGSogPtsn5p9cDjsSDS3qMTnCtdY

Alphabet的子公司Deepmind，
又將人工智慧用到生活中，
協助古希臘文學者解譯古希臘文字，
準確率勝過人類，
不過需要人類主導，
人工智慧，
是人類的好幫手。
＃人工智慧

白話AIoT數位轉型博客來購書：https://www.books.com.tw/products/0010817220
物聯網顧問與數位轉型教練Rich的Youtube頻道：https://www.youtube.com/channel/UC8Ky-Bbf3AdNRufmGuCu24w

https://times.hinet.net/topic/22886506

AI 戰勝電競選手後，美國想用玩家腦波訓練軍事機器人

作者 愛范兒 | 發布日期 2020 年 02 月 12 日 8:30 |

如同前陣子美軍使用無人機對伊朗行使斬首行動，證明現代戰爭即將進入自動時代，美國在軍事技術和思想一直走在世界最前端。

日前，稱為網路發源地的美國 DARPA（國防高等研究計劃署）開始了關於 AI 在軍事決策領域的研究。

用策略遊戲培訓 AI

從外媒報導，可得知紐約大學水牛城分校人工智慧學院工程師已獲得 DARPA 資助。他們透過創造類似《星海爭霸》或《恆星戰役》（Stellaris）等遊戲，並採集玩家的大腦活動和反應，使用這些資料訓練 AI 。

與 AlphaGo 下圍棋不同，類似《星海爭霸》的 RTS 遊戲在策略和操作複雜度更高，需要玩家協調採集資源、建造建築、選擇進攻策略，甚至還要操控每個士兵的精細動作，且都是在有「戰爭迷霧」，也就是不完全資訊的條件下進行。

很顯然，此類遊戲比簡單的棋類策略與真實的戰場環境更接近，在這種資訊不對稱的環境訓練的 AI，更容易在資訊錯綜複雜的戰場上做合理判斷。

監測腦波，向 AI 展示人類決策過程

可能有人要問，這和之前 Google 團隊針對《星海爭霸 II》開發的 DeepMind 有什麼區別。與 DeepMind 目的是獲勝不同，DARPA 想觀察人類在類似場景的判斷和決策，並用機器學習演算法整理，訓練出能相互協調的機器人。

為了達成目的，DARPA 要求所有在水牛城分校玩新策略遊戲的玩家配戴偵測腦波圖（EEG）的頭盔。觀察玩家做決策時，研究者可對照腦波圖，觀察玩家在策略選擇時的大腦活動。

同時研究人員還搭配特殊的超高速鏡頭追蹤玩家的眼球運動。配合遊戲畫面，觀察人類在決策時的直覺反應。

為什麼 DARPA 要做這研究？
對於 DARPA 來說，他們並不想要單單執行工作的機器人，他們需要一群機器人互相配合，根據目前掌握的資訊自己規劃、並有策略的完成工作。

如果策略執行時遇到阻礙，也能隨機應變。比如高度複雜的環境下（天氣、地理環境、敵我動態）多達 250 個單位（空中與地面機器人）協作，這時突然出現煙霧導致可見度低落，AI 控制的機器人同樣能改變策略，完成工作。

只有達到這種程度，AI 在軍事領域的應用才能派上用場。

但從目前來看，目前 AI 都是在相對確定的環境下訓練，但真實環境往往複雜且缺乏資訊。在這種環境下決策，AI 需要根據已知資訊推理，目前 AI 在這方面還處於新生兒狀態。

此研究的意義是讓人類成為老師，向 AI 展現人類長期演化後的直覺，並透過監測腦波，向 AI 展示人類如何處理接收的資訊，進而讓 AI 產生推理能力，並最終學會如何制定總體策略。

我們知道，人類之所以能生存下來，就是因為人類不僅有個體決策，還有指導人類完成工作的總體策略。所以如果想要 AI 完成人類的工作，指導 AI 相互配合並制定總體決策就勢在必行。

結語
過去，機器是輔助人類工作的工具，必須由人操控。後來，人類為工具編好執行流程，讓工具按照流程自動工作。

現在，機器透過機器學習和神經網路演算法，能執行簡單的判斷和決策工作。

未來，人類將賦予機器群體策略能力，人類不再需要為每個機器決定工作，我們只需要給一個目標，AI 就會制定整體策略，並分配工作給獨立 AI 操控的每台機器，合作完成任務。

從總體來看，這是人類的一大技術進步。只是從歷史角度看，這種技術通常先用在軍事行動。還是那句老話：技術不分善惡，只在用途。如果這種技術成為現實，希望永遠不要用於戰爭。

附圖：▲ DeepMind 決策過程。
▲ 水牛城分校研究現場。（Source：水牛城分校）
▲ DeepMind 眼中的遊戲。
▲ 未來的無人機蜂群作戰。
▲ 美軍微型無人機「蜂群」展示。（Source：影片截圖）
▲ 完成工作後「蜂群」繞圈飛行。（Source：影片截圖）

資料來源：https://technews.tw/2020/02/12/darpa-wants-to-train-military-robots-with-your-brain-waves/