黑盒探秘

疫症當前，我不得不留在家中，與周博磊教授在網上相見。我不太喜歡自己在鏡頭下的樣子，所以視像會議這玩意，我向來是敬而遠之。尚幸近年視像通話科技有所進步，我也不如昔日般拒之於千里之外。

像我這樣疏於打掃的人，每次參加視像會議都要小心翼翼。稍一不慎，鏡頭放錯了位置，家裏的亂狀就要暴露於人前。以往的解決方法，是預先在身後放置一幅綠色布幕。這除了是為遮醜，也是要讓電腦抽取畫面綠色部分，移花接木，換上悅目的虛擬背景。

有賴近年開發的一項的視像處理技術，不靠綠幕，電腦亦能即時從畫面分離出原有背景，偷天換日。除了近日備受關注的Zoom，市面上多款網絡通訊軟件亦已配備此技術。如今我輕按一鍵，便能把身後的烏煙瘴氣遮蓋，換作合一亭的閒雲潭影，豈不美哉？

說這戲法是神蹟，大概亦不為過。上至專家，下至凡人，都是知其然而不知其所以然。周教授正是對此深感興趣，一直嘗試解開當中謎團。

周教授隸屬信息工程學系，專攻人工智能。在人工智能的大千世界，以機器學習這門方興未艾的科技，最令他着迷。

「所謂機器學習，就是令電腦學會理解數據、洞悉箇中玄機。」

要電腦懂得把視像中的背景抽取出來，我們要先向它解釋甚麼是背景。但背景有千萬種，不一而足，要說出一個放諸四海皆準的定義，殊非易事。

機器學習正可解決這問題。與其勞煩自己，費時失事，不如善用電腦自身的高速運算功能，讓它自行理解背景為何物。我們只須找來一堆樣本，讓它好好觀察，它自會領略到當中的規律和法則，藉以辨認出各式各樣的背景。

「機器學習也可用於開發無人駕駛技術。」周教授舉例說。有賴機器學習，電腦的功能與日俱增。小至潤飾影片、與人類對弈，大至操控汽車、為病人斷症，它們一一做到。

這個事事由電腦代勞的世界，看似十分美好，但實情又是否如此？電腦不靠人類，自主學習，引導它們作出各種決定的知識，亦全由自學得來。問題來了：它們學了甚麼、憑藉怎樣的資訊主宰人類日常生活，我們一無所知。

「機器學習牽涉大量的參數和運算子，極難疏理。」周教授解釋。電腦透過觀察學習，這往往要用上數以百萬計的樣本，每個樣本又要經一種名為神經網絡的系統抽絲剝繭，方能為電腦所消化。此過程錯綜複雜，連設計它的程式員也看不透，故有「黑盒」之稱。當然，所謂「設計」其實也不過是為電腦建造學習平台。它們該如何在這平台上學習、學習甚麼，本來就不由程式員控制。

黑盒帶來的影響非同小可。電腦的決策成謎，則其誤將癌症說成良性，甚或胡亂駕駛、橫衝直撞，我們亦無法得知原因、修正錯誤。我們也因黑盒所礙，不能從電腦的學習成果分一杯羹。

「花了人類二千年時間發展的圍棋棋藝，電腦用一星期便能掌握。」周教授說。事實上，人類早已被AlphaGo等電腦程式超越。「我們可以反過來在它們身上學習謀略。」

有見黑盒引發種種問題，周教授亟欲破解迷陣。在中大取得信息工程學碩士學位後，他負笈麻省理工學院，攻讀博士。留美期間，他聯同團隊開發出一套能夠揭示電腦思維的成像法class activation mapping（CAM）。

上面提到，現今的電腦只要看過樣本，便能輕易從各種視訊抽取背景。然而，沒有人知道它們以甚麼準則辨認背景，也沒有人知道它們當初是如何從樣本推演出這些準則。CAM可以標示電腦在偵測背景時留意的事物，幫助專家了解它們是在怎樣的基礎上作判斷。

「此成像法可用於追查它們出錯的原因。」周教授說。史丹福大學就有學者以CAM分析肺片，檢視電腦在篩查肺炎時留意的部位和症狀。

修讀博士期間，周教授亦參與研發一套名為network dissection的分析法。利用這項技術，周教授等人發現電腦在理解某場景的性質時如同人腦，一樣會着眼於場景中個別物件。

在人類的概念中，睡房之所以為睡房，是因為當中有床、枕頭之類的物件。我們要判斷一個地方是否睡房，也會留意該處有沒有這樣的東西。電腦的思路也一樣，而這是周教授意想不到的。

「供電腦研習的樣本中，我們僅註明場景的性質，從未標示當中的物件。」周教授說。顯然，影像對電腦來說已不再是一堆雜亂無章的視覺訊號。它們早已自行學會從混沌中辨認出物件的輪廓，過程中完全不需要人類介入。

「它們忽然看得見了。」

周教授於2018年回到中大，繼續探究機器學習之謎。針對電腦如何學會詮釋影像研究多時，他近年轉而探索它們合成人像的機制。

這兩個課題其實同出一轍。要電腦懂得畫圖，我們也是要找來一堆樣本，讓它參透箇中理則，依樣畫葫蘆。周教授與研究生沈宇軍及湯曉鷗教授合作，發現電腦研習人面樣本時不但能縱觀全局，更會留意小處，觀察年齡、性別等較細微的特徵。

幾位學者以此發現為基礎，開創出一套名為InterFaceGAN的人像編輯技術。電腦對個別特徵有所掌握後，我們可以對這些認知作改動，扭轉它們對人面的理解。這樣一來，它們便會基於這些經調整的認知，畫出我們想要的面孔。

有了這項技術，我們便能隨心所欲，修飾自己的相片，就是返老還童也可以。此修圖術巧妙之處，在於其針對單一特徵，不會牽一髮而動全身。

周教授在學術上建樹良多，最近獲《麻省理工科技評論》選為本年度亞太區廿位三十五歲以下的創科人之一。當然，他與一眾學者還要走一段很長的路，才能徹底解開機器學習之謎。

「未來的方向之一，是在設計階段便着手簡化電腦的學習機制。」周教授說。目前的策略是先令電腦學會各種功能，之後才慢慢化繁為簡，釐清其學習過程。周教授談到的方向，將一改這種先易後難的取態。

周教授亦期望與不同領域的學者共事，發揮機器學習的潛能。他有意和機械工程學家聯手，製造出決策更透明、性能更可靠的機械人。他也期待與醫學院的同事合作，運用電腦救治病人。

「中大在研究機器學習方面表現出色，醫學成就更是超卓。但願我們在了解人工智能方面的成果，能夠應用在醫學世界。」他舉例說，機器學習對分析醫療數據大有幫助。

「我們一路走來，說到底還是希望為人群服務。」

Jason Yuen

標籤
黑盒 機器學習 人工智能 成像法 周博磊 沈宇軍 湯曉鷗 信息工程學系