在人與人用語言交談的過程中，我們先聽懂了對方說的每一個字，然後組合理解整個文句（例如：今天天氣如何），接著提供合理的回應（今天是晴天）。李宏毅說：「這些處理過程中的每一步，都可以用『機器學習』（machine learning）的技術來讓機器學會。」機器學習就是讓機器自己尋找可以輸出正確結果的函式，例如語音辨識的過程，就是讓機器聽一段語音，並輸出一段相對應的文字。「只是這個函式的內容非常非常複雜，沒有人有能力把這個數學式寫出來。」而讓機器自己找出這個函式的方法，就是提供它大量的訓練資料，例如上千個小時的語音訊號與對應的文字，讓機器歸納出函式來。

 

 

當機器要學習語音辨識或影像辨識時，「深度學習」（deep learning）是近年成果最佳因而最受重視的技術。深度學習的過程會把問題模組化，也就是拆解成許多小塊，李宏毅形容深度學習「就像是一條生產線，上面有很多站，訊號來到每一個站，都只會做一個簡單的判斷，但把這些簡單判斷的結果集合起來，就能讓機器完成複雜的事情。」

 

< 舉例來說，如果要辨識圖片裡是什麼動物，第一站可能負責偵測圖片裡是否出現鬍鬚、斑紋、四隻腳等特徵，第二站再根據第一站的結果判斷。如果第一站的偵測能力很好，第二站也不需太多訓練資料就能判斷。　（圖／沈佩泠繪，資料來源：李宏毅）

在全世界的語音辨識技術上，利用深度學習的技術，已經可以讓中文、英文等語言達到很好的正確率，坊間也早有如Siri、Google語音助理等科技。然而李宏毅希望機器學習語音辨識能更廣泛應用在更多語言上，因為「多數人講的都是少數人的語言。」李宏毅說：「如果我們去掉最多人講的六種語言，剩下的超過一半的人口講的，都是第六名以外的語言。」

 

 

困難的是，這些比較「冷門」的語言，不像中文或英文的語音訊號與文字都可以兩兩互相對應，也就是不見得有「成對」的資料，所以要收集大量的資料來訓練機器並不容易。因此，李宏毅使用「生成式對抗網路」的技術，這個技術只用到少量的資料，而且其中甚至是沒有成對資料的。也就是說，李宏毅讓機器聽一大堆語音訊號，並閱讀一大堆文字，這些語音與閱讀的文字不同來源、毫無關聯，「這就好像機器在日常生活中聽大家講話，但我們沒有告訴它我們在講什麼，然後它自己去閱讀一大堆文章，也沒有人告訴它文章的內容是什麼，但最後它自己學會了這個語言。」李宏毅解釋。

 

 

 

 

「我們第一次嘗試利用生成式對抗網路來訓練機器時，錯誤率超過60%，雖然聽起來很高，但當時我們是非常振奮的！因為這證明了這個方法真的可以讓機器學到東西。」而經過不斷改進，目前錯誤率已經下降到33%左右。相較於過往使用大量成對資料訓練機器的「督導式學習」，這種「對抗式學習」的錯誤率雖然還是比較高，不過李宏毅說：「在30年前，督導式機器學習剛剛被用在語音辨識上時，在同樣的語料庫上錯誤率也大約是33%；我們可以預期或許30年後，非督導式學習就可以趕上目前語音辨識的成果。」到時候，不需要人類介入教學，機器自己就能學會新的語言！

 

 

如果可以像李宏毅所期待的，機器能夠學習所有跟處理人類語言有關的技能，不論在語音辨識、語言翻譯、語言理解等技術上，都獲得長足的進展，或許到時候，機器能替人類構築一個溝通無礙的世界，為人工智慧帶來新的想像。

 

 

審閱：李宏毅教授