談到人工智能時都會提到利用雲端運算能力來機器學習。不過最近蘋果公布 Core ML 平台，還堅持不在雲端上機器學習，有人說這樣會大為影響效能，但早前 Google 就找來 Google Brian 訪問學者夏睿文就稱讚「蘋果 CoreML 很棒」，而這也反映利用「邊緣運算」作機器學習的可塑性。
讓電腦具備創造力、想像力並不容易
由 AlphaGo 挑戰圍棋開始，人工智能和機器學習就成為全球都追捧的熱門技術。電腦以運算能力專長，在推理和處理數據上都愈做愈好，但在創造力、想像力等領域就仍有很大的學習空間。機器要理解圖畫背後的抽象概念並不容易，更遑論要機器模仿人類繪畫、理解及表達抽象概念。
如果有留意報導，應該知道 Google 早前推出了 Auto Draw，只要網民隨便畫圖案，它就會猜到想畫什麼，然後自動轉成美術線畫插圖。Auto Draw 背後當然用了機器學習技術，透過學習大量手畫圖畫來了解其意義，繼而從圖庫中找出相應的美術線畫插圖提供給使用者。
早前香港 Google 就邀請了 Google Brain 的港產學者夏睿文（David Ha）解釋什麼是機器學習。Google Brain 是 Google 旗下專責研究機器學習的團隊，而夏睿文就負責其中一個研究項目 Magenta，旨在透過機器學習提升創造音樂、影片、圖像和文字的過程，而他在現場也展示了機器學習遊戲《Quick Draw!》，能猜出玩家所畫的未完成圖像，然後嘗試接續完成。
學習模型讓機器真正掌握圖畫抽象概念
夏睿文表示，《Quick Draw!》並不是依靠記憶繪圖者的筆觸並按之前的記憶來完成（Memorization），而是真正了解圖畫的抽象概念（Generalization）。舉例說，畫貓臉的步驟是先畫臉，再畫貓耳和眼晴，最後是貓鬚，如果依靠記憶的話就是模仿這步驟，如果繪圖者不按步驟，甚至是畫貓的全身圖，那學習模型就無法繼續完成繪圖。
而概念化（Generalization）就是真正掌握圖畫抽象概念，學習模型是了解未完成圖畫裡的特徵及其背後意義，再依據意義去完成圖像。因此不管貓臉從哪兒開始畫都沒關係，學習模型是了解貓耳、貓鬚等特徵後，再依照「一張貓臉圖畫應該怎樣」的概念——不會有三隻眼、三隻耳——去完成圖畫。
如果你在 Google 圖片搜尋「Cats」的線條插圖，就會看到除了貓臉以外還有不同角度的全身圖片，但所有人類都能理解那是一隻「貓」。要令機器做到這一點並不易，情況就像教三歲小朋友畫圖一樣，學習模型從理解物件特徵和不同特徵的結構等多元概念，掌握貓的概念後就能表達多種不同概念，不管是正面、側面、全身還是只有貓臉。
把機器學習應用在「邊緣運算」技術
在示範《Quick Draw!》時，其機器學習模型是在他的個人筆記本電腦上運行的，夏睿文表示他花了很多功夫去修改學習模型，因此能壓縮到能在單台電腦上運作，不用使用雲端平台運算能力。席間問到蘋果早前公布自家的 Core ML 機器學習平台，就只是在 iOS 裝置上運行，不會走上雲端，這會否影響它的能力？
他表示要在裝置上運行機器學習框架並非不可能，《Quick Draw!》就已經可在電腦上運行，因此他認為蘋果把 CoreML 能放到裝置上就能運行是很棒的技術，透過改良目前現成的學習框架再放到 CoreML 就能減少很多不必要的內容，就算不在雲端運行都可以，並沒有「不在雲端就較差」的道理。
事實上近年除了雲端運算外，業界正開始討論「邊緣運算」（Edge Computing），在雲端和本地裝置之間再有中間層的邊緣運算，甚至從雲運算衍生而出的「霧運算」（Fog Computing）。簡單而言就是不怕失去與雲端的連接，低延遲需求的運算服務就利用本地裝置及附近裝置的運算資源來處理，邊緣運算有助減低對雲端的依賴，也能減少頻寬的需求。
IDC 就估計到 2019 年時，有 45% 由物聯網產生的數據會在這些接近本地的地方進行運算與儲存，中央的雲端則負責做後勤支援，處理更高運算需求的工作。Core ML 不依賴雲端並非不可行，反而為機器學習提供了多一種方式。Microsoft Build 2017 開發者大會上推出的 Azure IoT Edge 服務，其實就是利用邊緣運算來做機器學習、進階分析及 AI，相信這種模式會更盛行。
作者：Boris Lee
Unwire.pro 資深編輯。在企業 IT 科技報道範疇有十多年經驗。
