【抽獎贈書活動】《思考外包的陷阱》x2本
資訊量越來越爆炸,我們不得不仰賴專家和科技幫我們篩選資訊、指引我們方向。但是專家和科技聚焦的事情有其局限,也不一定符合你真正要前往的最終目標,這個時候很容易發生「手裡有鐵錘,世界上什麼東西看起來就像釘子」的盲點。如何跳脫思考外包的陷阱,培養自主思考的能力?
部落格原文 https://readingoutpost.com/think-for-yourself/
.
【這本書在說什麼?】
.
《思考外包的陷阱》的作者是趨勢觀察家維克拉姆.曼莎拉瑪尼(Vikram Mansharamani),他擅長整合跨領域的思維,解析世界的局勢和脈絡,幫助許多企業在充滿不確定性及高度動態的政經環境下找出方向。作者同時也是一個「通才」的提倡者,致力於推廣跨領域、自主思考的觀念。
生活在數位時代的我們面對太多資訊排山倒海而來,在資訊超載的情況下,我們轉身尋求「專家」和「科技」,希望他們幫忙找出最佳選項。結果,我們把許多思考外包出去,依賴過頭、以至於盲從,甚至忘了自己才是該負起思考責任的那個人。作者希望透過這本書提醒我們:「讓專家和科技隨侍在側,而非讓他們主導大權。」
這本書充滿許多精彩案例,會激發我們的思考模式,退一步把專業和科技當成輔助,認識到真正掌握全局、該負起全責的主人,終究是「自己」。大雁文化做了一場作者專訪,邀請他暢談「自主思考」的重要性,帶我們在不確定的局勢中找到方向,如果有興趣的朋友可以前往這個 YouTube 連結觀看整段25分鐘的談話。
.
【為什麼我想看這本書?】
.
去年度我最喜歡的一本書是談論「通才」的精采好書《跨能致勝》,裏頭對於跨領域的案例分析讓我拍案叫絕。後來接著讀《專業之死》這本書討論「專家」和「公民」的互信為何崩壞、該如何重建,讓我認識到專家公民的合作是民主社會之所以能持續繁榮的基石。
然而,身為「公民」的我該對於「專業」抱持什麼樣的態度?該如何過濾資訊、如何獲取新知,如何建立自己的思考脈絡?便成了我很感興趣的課題。後來輾轉接觸到討論「自主思考」的這本書,裡面不但提到「通才」,還討論了「專家」,更涉及許多「科技、醫療、商業」議題,這引發了我十足的好奇心,這本書能跟前面兩本書激盪出什麼樣的火花。
.
【我的閱讀筆記和想法】
.
這本書是我最近讀過感到非常耳目一新的書,裡面的觀點帶給我思考上的衝擊。大意是說人們已經越來越習慣把自己的思考外包給所謂的「專家、科技和系統」,結果我們越是仰賴這些東西,視野就會越狹隘,太過聚焦反而不容易掌握全局(例如完全相信導航結果開車掉進水裡)。
書中有一個很有趣的譬喻:「我們培養數個世代的人去研究樹皮,他們許多人對樹皮的起伏、心態、顏色、條理有深入的理解,但很少人明白樹皮僅僅是樹木的最外層,又更少人意識到樹木僅僅是森林的一部分。」書中舉書許多專業鑽研太深的故事,反而帶來「見樹不見林」的反效果。
如何讓專家和科技輔助我們?方法就是「往後退一步,提出問題,綜合整理」。重點在於保持質疑心和好奇心,專家和科技給的資訊可以用來參考,但是終究要記得自己想達成的「整體目標」,以整體脈絡來看事情的責任就落到自己身上。
.
【見樹要見林,談健康】
.
書中以健康當作例子,表示許多人會因為專家的「過度聚焦」而迷失了方向。例如許多人會認為「飲食」對健康很重要,因此很多倡導透過飲食感改善健康的專家,就會跳出來提供各種的飲食建議,要我們「不吃」和「吃」特並食物。種種跡象顯示,某些飲食建議反而讓人們變得營養更不均衡,某些標榜的產品反而造成另一種副作用。
然而飲食法的英文「Diet 」源自於希臘文「diata」,這個字指的是一個人的整個生活方式,而不只是狹隘的飲食。這個字意味著「透過一種涵蓋生理、心理層面的完整生活方式達到健康的狀態」。作者因此反問道:「有沒有可能我們都把關注的焦點在食物上,因此忽略了真正的關鍵?不要那麼聚焦、放寬視野是否對我們有幫助呢?」
書中引述學者們研究世界上「長壽村落」之所以活得健康,得到的結論是:「健康不取決於特定食物、特定活動,甚至不取決於環境,而是取決於所有這些因素。」飲食只是拼出全貌的一片拼圖,而過度聚焦會使我們忽略其他許多片拼圖。事實證明,健康沒有單一良藥。
.
【見樹要見林,談投資】
.
書中有個段落讓我特別有感觸,是關於投資的事情。不同於傳統「選股」和「擇時」的投資策略,用「被動型指數型 ETF」一次買一籃子股票和不擇時進出的好處,越來越為投資人所知(我是用這個方式投資)。許多財經專家和金融機構開始搭上熱潮,開始爭相推崇各式各樣的指數型 ETF。
接著市場上開始大量推出各領域的 ETF,只要你想得到的產業,金融業者都會有對應的 ETF 賣給你。例如最近火紅的虛擬貨幣,更出現了好幾十檔虛擬貨幣 ETF 等著核准上架,每家金融業者都來想分一杯羹。讓我們來看一個有趣的數據引述,出自於被動型指數基金之父約翰.伯格:
「直到2015年,市值百大的 ETF 周轉率達 864%,市值百大個股的周轉率則是 117%。如果說現今的 ETF 投資是股票市場的投機方式,完全不為過。」
周轉率越高(買進賣出)等於越多的手續費,越多的手續費等於越低的報酬。弔詭的現象發生了,整體而言,頻繁買賣「ETF」的投資人,最後竟然得到低於買賣「個股」投資人的報酬。
許多投資人只「見樹」:用 ETF 買一籮筐股票,看似分散風險又有許多選擇可以挑,專家也樂得介紹你更多不同標的,取得話題熱度和抓住你的注意力。反過來,投資人忘了「見林」:似乎忘了投資最重要的目的是取得合理的市場報酬、盡可能降低成本和手續費、並且長期持有。
.
【把注意力擺回自己身上】
.
有一個顯而易見的事實「這個世界充滿了不確定性」。世界就像是一片漆黑的場地,專家和科技就像是拿著手電筒的人,用聚焦的光束照亮他們有興趣的地方、想引導你過去的地方。但是你要在這個世界上前往何處?這個答案終究只有你自己知道。該注意的是自己想達成的「目標」,而非任憑專家左一言右一語,或者任由科技演算法主導了你的資訊來源。
作者引用了詩人愛默生的一句名言:「一個人更應該學會發掘、觀看內心閃爍的微光,而不只是注意詩人和聖賢輝耀的蒼穹光彩。」句中的詩人和聖賢,可以換成專家和科技,而且適用於現下的脈絡。重點在於重新掌握自己的思考方式,不讓預設的假定和本人的自我中心主掌大權,而忘了思考其他詮釋方式或發揮同理心。
因此,要試著退一步觀看事情的全貌,釐清真正的目標。有意識地把注意力放在自己身上,主動去定義自己追求目標的整體脈絡是什麼,然後有效運用專家的意見,還有科技的輔助。我們必須有意識地讓專家隨侍在側,並非讓他們主導大權。要贏的是整場戰爭,而非一場場戰役。
.
【後記:自主即自由】
.
總結起來,拿回自主思考的能力,就好比你的真正目標是想要拼湊一面馬賽克磁磚牆,關鍵在於應用這些專家和科技幫自己挑選理想中的磁磚,但是最終負責把它們拼湊起來的人還是你自己。書中提到的許多建議非常實用,包含:有意識地管理注意力、以任務為導向、自主思考、連結多元觀點、專家為輔不為主。生活無論再忙碌,都必須保留時間和空間給自己自主思考。
我很喜歡柴契爾夫人最為人稱道的名言之一:「注意你的想法,因為想法會變成延遲;注意你的言辭,因為延遲會成為行為;注意你的行為,因為行為會成為習慣;注意你的習慣,你會習慣會成為性格;注意你的性格,因為性格會決定你的命運。我們的想法,決定我們成為什麼樣的人。」
如果我們總是把思考外包,就等於任由別人定義我們會成為什麼樣的人。是時候培養自主思考的能力,掌握思想上的自主,才能獲得真正的自由。最重要的一種自由必須仰賴專注、意識、紀律;相反地情況是意識的缺乏、預設的模式、汲汲營營的生活。要成為自由的人,就必須學會自主思考。
.
【抽獎辦法】感謝 大寫出版 Briefing Press
1、抽出「2本」《思考外包的陷阱》送給閱讀前哨站的讀者們!有興趣的朋友請在底下「按讚留言」,「公開分享」本則動態參加抽獎。
2、留言請寫下:你想學習自主思考嗎?為什麼?例如:「我想學習自主思考,才能把專業的知識活用在自己的生活中」
3、活動時間:即日起至2021/4/9(五)晚上十點截止,隔天在留言中公布名單,隨機抽出2名正取,2名備取。
4、請正取得獎者於2021/4/10(六)晚上十點前,私訊回覆寄件姓名、地址、電話,超過期限未認領由備取遞補,寄送僅限台澎金馬。
同時也有1部Youtube影片,追蹤數超過8萬的網紅范琪斐,也在其Youtube影片中提到,唯一戰勝 Google 旗下 Deep Mind 公司開發的人工智慧 AlphaGo 的南韓棋王李世乭,宣布將要退休,因為他認為人類永遠沒辦法擊敗人工智慧。 不過演算法不是只會越來越強大,為什麼 AlphaGo 會錯判輸給李世乭呢? 因為AlphaGo 有個叫『隨機森林』的算法,可以預測對手可能...
隨機森林算法 在 TechOrange 科技報橘 Facebook 的最讚貼文
隨機森林、GBM、線性迴歸、聚類演算法是什麼?應徵之前,最好要搞懂這些東西
隨機森林算法 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
人工智慧在自動駕駛車的作用
作者 : Anton Hristozov,軟體工程師/研究員
2020-10-12
自動駕駛車輛(autonomous vehicles)在農業、交通運輸和軍事等領域開始成為一種現實,很快地我們也將會看到它應用於一般消費者的日常生活中。
自動駕駛車輛根據感測器資訊和人工智慧(Artificial Intelligence;AI)演算法來執行一些必要的操作,因而需要收集資料、規劃並執行行駛路線。而這些任務,尤其是規劃和執行行駛路線需要非傳統的編程方法,這就有賴於AI中的機器學習(Machine Learning;ML)技術。
自動駕駛車輛仍有許多任務面臨巨大的挑戰,必須採用更先進縝密的方法來解決。取代人類的認知和運動能力並不是一件容易的事情,還需要持續多年的努力。AI還必須解決各種不同的任務,才能夠實現安全和可靠的自動駕駛。
宅經濟下,你需要知道電競週邊整合方案
本文將介紹讓自動駕駛車得以實現的AI應用,並提出其所面對的挑戰以及至今取得的成就,另外也探討了相較於傳統軟體的AI本質差異。在後續的文章中將進一步討論在自動駕駛領域進行開發、測試和部署AI技術的特定挑戰。
自動駕駛車的AI分析
自動駕駛車是汽車產業中成長最快速的領域,而AI則是自動駕駛車中最重要和最複雜的組成部份。圖1所示為典型的自動駕駛車組成。
自動駕駛車對於傳送即時數據的感測器數量,以及對數據進行智慧處理的需求可能會非常龐大。而AI主要被用於現代汽車的中央單元以及多個電子控制單元(ECU)中。
由於AI已在機器人等眾多領域中得到應用,它自然成為自動駕駛的首選技術。結合AI和感知等技術承諾可提供更安全、更具確定性的行為,從而帶來燃油效率、舒適性和便利性等優勢。
開發像自動駕駛車這樣複雜的AI系統面臨諸多挑戰。AI必須與多種感測器互動,並即時使用數據。許多AI演算法都是運算密集的工作負載,因此很難搭配使用記憶體和速度受限的CPU。現代車輛是一種即時系統,必須在時域中產生確定性結果,這關係到駕駛車輛的安全性。諸如此類的複雜分佈式系統需要大量的內部通訊,但這些內部通訊通常易於造成延遲,從而干擾AI演算法做出決策。此外,汽車中執行的軟體還存在功耗問題。運算越密集的AI演算法消耗功率也越多,尤其是對僅依靠電池充電的電動車(EV)而言,這會是一大問題。
在自動駕駛車中,AI用於執行多項重要任務。其主要任務之一是路徑規劃,即車輛的導航系統。AI的另一項重要任務是與感測系統互動,並解讀來自感測器的數據。
很顯然地,提供一套完整的解決方案來取代人類操控駕車的是一項艱鉅的任務。因此,製造商們開始將問題劃分為更小的部份,並逐一地解決,以期透過小幅進展最終實現完全的自動駕駛。業界一直不乏新創公司或具顛覆性的公司試圖解決所有的自動駕駛問題,並曾誓言要在2020年實現完全自動駕駛車上路。如今看來,現實顯然更複雜得多了,AI本質上存在的一些問題帶來了很多障礙。
隨著AI的發展與完善,我們將越來越接近具有安全且自主行駛的交通運輸願景。在那之前,我們必須展開長時間的開發與測試,而最終是否採用則取決於消費者的信心以及市場驅動力。儘管比預期費時更長,但一切終會發生。
需求與要求已經出現了,技術也幾近完備。其實際應用可能或快或慢,這完全取決於法規要求。分階段實施是可行之道,從比較簡單和更具確定性的用例開始,例如先在已知環境中導入自動駕駛。如果僅在具有較少未知的特定條件下行駛自動駕駛車,則可以充份緩解所使用的演算法壓力。
自駕車中的AI應用
感測器數據處理
自動駕駛車輛在運行期間,無數的感測器為車輛的中央電腦提供了數據,包括道路資訊、道路上出現的其他車輛資訊,以及如同人類感知般地偵測到任何障礙物的資訊。有些感測器甚至可以提供比普通人更好的感知能力,但要做到這一點就需要智慧演算法,用於理解即時產生的數據串流。
智慧演算法的主要任務之一是檢測並辨識車輛前方和周圍的物體。人工神經網路(ANN)是用於該任務的典型演算法,也稱為深度學習,因為神經網路包含許多層級,而每個層級又包含許多節點。圖2顯示了這種深度神經網路,不過在實際的神經網路中,其節點數和層數可能更多。
為了分類物體,視訊輸入分析採用機器學習演算法以及最可行的神經網路。由於我們有多個不同類型的感測器,因而必須為每個感測器配備專用的硬體/軟體模組。這種方法允許平行處理數據,因此可以更快做出決策。每個感測器單元都可以利用不同的AI演算法,然後將其結果傳達給其它單元或中央處理電腦。
路徑規劃
路徑規劃對於最佳化車輛行駛軌跡並產生更好的交通模式非常重要。它有助於降低延遲並避免道路擁堵。對於AI演算法來說,規劃也是一項非常適合它的任務。因為這是一項動態任務,可以考慮到很多因素,並在執行路徑時解決最佳化問題。路徑規劃的定義如下:「路徑規劃讓自動駕駛車輛能夠找到從A點到B點之間最安全、最便捷、最經濟的路線,它利用以往的駕駛經驗協助AI系統在未來作出更準確的決策。」
路徑執行
路徑規劃好之後,車輛就可以透過檢測物體、行人、自行車和交通號誌來掌握道路狀況,透過導航到達目的地。目標檢測演算法是AI社群的主要關注點,因為它能夠實現仿人類行為。而當道路情況不同或天氣條件變化時,挑戰就來了。許多測試車輛發生事故都是由於模擬環境與現實環境的條件不同,而AI軟體若接收到未知數據,很可能會做出無法預測的反應。
監測車輛狀況
最具前景的維護類型是預測性維護。其定義如下:「預測性維護利用監測和預測模型來確定機器狀況,並預測可能發生的故障以及何時發生。」它嘗試預測未來的問題,而不是已然存在的問題。從這方面來看,預測性維護可以節省大量的時間和金錢。包括監督學習和無監督學習都可用於預測性維護。其演算法能夠根據機載和機外數據來做出預測性維護的決策。用於該任務的機器學習演算法屬於分類演算法,例如邏輯迴歸、支援向量機以及隨機森林演算法等。
收集車險資料
來自車輛的數據記錄可以包含有關駕駛員行為的資訊,而且這些數據可以用來分析交通事故,也可用於處理車險理賠。所有這些都有助於降低汽車保險的保費,因為具有更加確定的安全性與保證。對於全自動駕駛車輛來說,賠償責任將從乘客(不再是駕駛人)轉移到製造商。而對半自動駕駛車輛來說,駕駛人仍可能承擔一部份責任。
要證明這一類的情況將越來越依賴於車輛AI系統所擷取到的智慧數據。來自所有感測器的數據會產生巨量的資訊,隨時保存所有數據可能不切實際,但是保存相關數據的快照,似乎是獲得證據的折衷方法,這些證據可用於特定交通事件的事後分析。這種方法類似於黑盒子保存數據的方法,可以在發生碰撞事故後根據其中的數據進行分析。
附圖:自動駕駛在農業、交通運輸和軍事等領域開始成為一種現實,很快地我們也將會看到它應用於一般消費者的日常生活中...
圖1:自動駕駛/連網車輛。(來源:Lentin, 2017)
圖2:深度神經網路示意圖(來源:Beachler, 2019)。
資料來源:https://www.eettaiwan.com/20201012ta31-role-of-ai-in-autonomous-vehicles/?fbclid=IwAR3ynFHau_8Podk-XKuJWJnvDbxUOR_TeNH-HWNiv7qOHV8LDTQAKVI3HmY
隨機森林算法 在 范琪斐 Youtube 的精選貼文
唯一戰勝 Google 旗下 Deep Mind 公司開發的人工智慧 AlphaGo 的南韓棋王李世乭,宣布將要退休,因為他認為人類永遠沒辦法擊敗人工智慧。
不過演算法不是只會越來越強大,為什麼 AlphaGo 會錯判輸給李世乭呢?
因為AlphaGo 有個叫『隨機森林』的算法,可以預測對手可能會下哪一步,但李世乭這一步下在 AlphaGo 認為對方不可能會去下的那一步,李世乭當時下完這步棋,Alphago 還認為自己的贏面超過八成,繼續往後下了十手之後,Alphago 自己有一個勝率的表,突然開始下降,發現自己處於弱勢了,開始慌張了,於是 Alphago 就開始亂下險棋,出現了連業餘選手都不會犯的錯,想賭李世乭會出錯,最後就輸了。
但 AlphaGo 也從敗給李世乭找到自身弱點,再次強化學習能力。像 AlphaGo 的孿生兄弟 AlphaGo Zero,就是完全不靠任何人類經驗訓練的神經網路,它就是不斷跟自己對戰學習,結果在自學 3 天後,就以 100:0 打敗了舊版 AlphaGo ,自學 40 天後,就擊敗了曾經戰勝中國棋手柯潔的 AlphaGo Master,成為世界上最強的圍棋程式!
雖然未來人類可能再也贏不過AI,不過AI 的加入反而讓圍棋有了更多玩法,這時候 AI 的功能,是在擴展人類棋手的思路,和人類合作一起探索圍棋還未被發掘的領域。
因為圍棋是世界上最複雜的遊戲!是看哪個顏色的棋子,圈出的空間最多,誰就獲勝。聽起來規則很簡單,但實際上卻複雜到不行。
圍棋的棋盤是 19X19,通常一步會有 200 種下法,圍棋變化位置的排列組合一共有10 的 170 次方種可能性,比整個宇宙的原子數ㄅ10 的 80 次方還要多更多!人類通常都只能憑經驗跟感覺判斷,但判斷才是最困難的。剛有說嘛,圍棋的勝負是由最終局時,雙方控制地盤的多寡決定,但棋局進行到一半,雙方的地盤都還沒封閉,怎麽判斷形勢呢?很多職業棋手之間微妙的差異,就是體現在這個判斷能力上。
但就連開發 AlphaGo 的團隊都坦言,AlphaGo 面前的最大問題,和人類棋手是一樣的,就是圍棋太難了,還有規則中的規則,例如優勢、虧損、打劫,雖然 AlphaGo 的勝利或失敗,完全取決於這些機率的估計是否準確,但計算力還遠遠達不到『最優解』的程度。目前AlphaGo 團隊的做法是,讓AlphaGo學習像人類棋手一樣,去選點和判斷。
當機器把一件事情做得比人類好時,我們還能做什麼?
你對棋王退休有什麼看法?快和我們一起分享!
---------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在寰宇新聞播出,沒跟上的也沒關係,歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 十點半準時上傳完整版!
