AI徹底改變大學理工教育的面貌─學習的本質（18）

作者：陳華夫

1980年代我留學美國麻省理工學院（MIT），校園裡最熱門的理工課程是固態物理學或數位信號處理學，學生們要交習題，必須憑著學生證領取一台示波器在電子實驗室裡挑燈夜戰。

史坦福大學的校園裡最熱門的是人工智慧（AI）課程─機器學習及深度學習。學生不再熱衷電動力學或量子力學等需要高等數學基礎的物理科學，而轉向修習只需基本微積分及機率學就可上手的機器學習，這是因為畢業後的就業前景良好。目前，百度宣佈了推出聊天機器人文心一言（ERNIE Bot），谷歌(Google)決定推出聊天機器人Bard。而微軟（Microsoft）為大股東的OpenAI更是ChatGPT的開發者。這些AI的大公司都以高薪延攬深度學習的程式設計師。

這種40年來理工教育面貌的徹底改變，對大學、教授、及學生的意義重大，以下仔細分析：
1）「名校」及「名師」光環之隕落：
1980年代的熱門的量子力學或相對論都是艱深的物理理論，學生不僅需要二次偏微分程式的高等數學基礎，還要具備一定的理解能力。例如，諾獎得主理察·費曼教授寫了三卷本的《費曼物理學講義》在名校加州理工學院的大班教室，授課量子力學及相對論。學生要想親炙「名校」大師教授的教誨，就得拼命擠進「名校」。
但如今，臺灣的AI學生不必遠渡重洋，擠進美國的「名校」。因為機器學習及深度學習的教學視頻都在youtube上免費可得，並且講的是中文。並且谷歌開發了Python平台─google colab─能取代Linux作業系統平台，做習題、交作業在宿舍或家裡，一台筆電在Win10系統下就搞定了。
甚且，學習AI若有理論或程式上的問題，只要上網搜尋，大部份都會得到解答，也就是說，「上網搜尋」已取代了「名師」的功能。因為深度學習發展得極為快速，「名師」及學生都得不斷的「上網搜尋」最新的知識。

2）學習深度學習的門檻較學習量子力學為低：
學生理解不了艱深的量子力學是因為它是在推演抽象的概念，但抽象的概念在理解困難的情況下，學習專注力都持續不了多久，最終放棄。而深度學習中的人工神經網絡（CNN、RNN、E-GAN、Transformers）原本也是抽象難懂的概念，經過Python程式的生成及操作它們，而變為具體的印象，而可理解、可記憶、及可學習。（見拙文AI幫助人們改善記憶、思考能力─適用於年輕與銀髮人─學習的本質（17），及模擬腦損傷）
於是，原本視物理數學為畏途的理工學生，可以改學AI，但必須要跑Python程式，把人工神經網絡之抽象的概念變為具體的印象，否則，AI仍難理解，學習就可能半途而廢。

3）學習人工神經網絡有助於人類腦神經記憶網絡的學習：
在人腦腦神經記憶網絡中， 神經元的樹突（dendrites）與其他神經元的突觸(synapse)相連結。典型的神經元通過稱為軸突（axon）的大量神經元結構從其他神經元收集信號。 神經元通過稱為軸突的細長鏈發出「電活動尖峰（spike）」─即動作電位(action potential)，軸突分裂成數千個分支。 在每個分支的末端的結構是突觸(synapse)，它的功能是將來自軸突的電信號(如腦波)轉化為「抑制」或「激發」的電信號。
當一個神經元接收到與其「抑制性」輸入相比足夠大的「興奮性」輸入的電信號時，它會沿著軸突（axon）發送「電活動尖峰（spike）」。學習即是改變軸突末端的突觸之腦波傳導的效能，於是一個神經元就會影響另一個神經元。（見拙文什麼是「記憶」？如何「記憶」？「記憶」的本質？─學習的本質（3））

「深度學習之父」的傑佛瑞·辛頓在其科普文章〈人工神經網絡如何從經驗中學習〉中，模擬人類的腦神經記憶網絡而建立了人工神經網絡，它們是由相互連接的單元組成，這些單元模擬神經元，單元之間的連線模擬軸突，而可修改的權重（weight）模擬突觸─它將神經元的「電輸出」轉換為其活動強度的大小。每個單元將其活動輸出以適當的權重轉換、並廣播給其他單元。

最常見的人工神經網絡類型由三組或三層單元組成：「輸入單元層」連接到「隱藏 單元層」，「隱藏單元層」連接到「輸出單元層」。輸入單元的活動表示輸入網絡的原始信息。而每個隱藏單元的活動由輸入單元的活動以及輸入單元和隱藏單元之間的連接權重決定，而輸出單元也類似地由隱藏單元與輸出單元間的權重所決定，如下圖：

初看起來幼稚簡單的人工神經網絡，最終發展成當今高度複雜的CNN及RNN，以發展語音辨識、圖形辨識、及聊天機器人（如ChatGPT）等高級應用。
既然人工神經網絡是模擬人類腦神經記憶網絡的構造，它也就可以提供人類腦神經記憶網絡運作之寶貴資料，例如有位腦損傷的成年人，在閱讀單詞時會犯一些奇怪的錯誤。於是，我們先訓練一個「閱讀人工神經網絡」，再某種程度的損壞此「閱讀人工神經網絡」，讓它複製這些「奇怪的錯誤」。而進一步發現，「深度閱讀障礙」患者保留了「語義路線」─即通過語義途徑大聲朗讀單詞的發音完全來自意義。（見模擬腦損傷）

4）AI機器學習與物理科學的比較：

長久以來，科學家如牛頓、愛因斯坦等從外界的現實，發現自然界的規律，用高等數學的語言─如二次偏微分方程式、張量分析等─寫成量子力學或相對論，再應用到：火箭、衛星、電動汽車、核電廠、電腦、雲端計算、GPU、TPU等，如下圖：

而人工智慧（AI）顛覆了這個人類學習範式（典範），它基本上是以深度學習取代科學家，從數據（data）學習出人工神經網絡（如CNN、RNN、E-GAN、Transformers）。（見人工智能：什麼是人工智能 (AI)？人工智能如何工作？）
然後再應用到：圖像識別、語音識別、機器翻譯、自動駕駛、Alphago-Zero電腦圍棋、ChatGPT聊天機器人等領域。
從AI學生及程式設計師的觀點，可以避免學習艱深的高等數學，取而代之的是以Python程式的生成及操作複雜的人工神經網絡 CNN及RNN。但在圖神經網絡 (GNN)中，需要「時域」或「空間域」的傅立葉轉換與有限脈衝響應（FIR）的數位率波器等，還是得學習複雜的數位信號處理學。另外艱深的馬爾可夫決策過程( MDP ) 通過動態規劃解決的優化問題對強化學習很有用。換句話說，深度學習某種程度上仍逃脫不了艱深的數學。（請看拙文人工智慧的「強化學習」與人類學習的優劣─學習的本質（12），及《機器學習數學》馬克·戴森羅斯，A.·費薩爾，鄭順翁（2021））
科學家只用思考就能激發出新理論，但2012年後，深度學習的飛躍進展得歸功於適當的數據庫（XGBoost 及Keras）和硬件（GPU及TPU）。（見《用 Python 的深度學習》FRANÇOIS CHOLLET（2018））

結論：
人類學習即是改變腦神經記憶網絡中，軸突末端的突觸之腦波傳導的效能。學習AI的人工神經網絡，一定要用Python程式把抽象的概念轉變為具體的印象，才有利於理解，不致於半途而廢。

請看「陳華夫專欄」─學習的本質─系列文章：
（
「思考是有意識的系列回憶」理論開啟了思想史革命─學習的本質（1）
什麼是「思考」？如何「洞識」？何謂「思想家」？─學習的本質（2）
什麼是「記憶」？如何「記憶」？「記憶」的本質？─學習的本質（3）
學習的真相與反思─學習的本質（4）
「施捨」就是人生的「現代開悟」─學習的本質（5）
談「恐懼」─學習的本質（6）
探究華人的「罪惡感」？─學習的本質（7）
你孤獨了嗎？─學習的本質（8）
人腦如何創新思考？─學習的本質（9）
「現代開悟」的本質及釋義─學習的本質（10）
你「現代開悟」了嗎？─學習的本質（11）
人工智慧的「強化學習」與人類學習的優劣─學習的本質（12）
伽馬波（40赫茲）、記憶、失智症、及音樂治療（2023年版）─學習的本質（13）
省思物理科學教育的真相─學習的本質（14）
類智慧真正優於AI電腦圍棋之處為何？─學習的本質（15）
細述我親歷40年的學習之旅─學習的本質（16）
AI幫助人們改善記憶、思考能力─適用於年輕與銀髮人─學習的本質（17）
AI徹底改變大學理工教育的面貌─學習的本質（18）
AI模擬人類學習真能比人類更創新嗎？─學習的本質（19）
AI深度學習與《易經》的學習真有差異嗎？─學習的本質（20）
AI之ChatGPT的繪畫審美能力賞析─學習的本質（21）
請看懂智慧的本質：GTP4的「人工通用智能」（AGI）落後人類有多遠？─學習的本質（22）
臺灣許皓鋐圍棋亞運金牌在學習圍棋上的意義─學習的本質（23）
論才華、機運、及成功─學習的本質（24）
）