深具遠見與韌性的開創者 引領新時代
文、圖/張瑞雄
人工智慧（AI）的快速發展歸功於幾位關鍵人物，黃仁勳、李飛飛和辛頓的觀點構成了一個從技術基礎到應用和道德，再到學術研究的完整圖像，他們的鍥而不捨讓AI可以幫助人類，但我們也要注意AI對社會帶來的影響和風險。
人工智慧（AI）技術發展的過程，其中有幾位關鍵人物的角色及其貢獻，讓我們能享受今天AI帶來的便利。透過他們的故事，我們不僅看到了科技創新的艱辛與挑戰，也讓我們深入思考AI在未來可能帶來的機遇與風險。
開創者非凡的毅力與遠見
黃仁勳作為輝達（Nvidia）的創辦人，展現了非凡的毅力與遠見。在他一九九三年創立輝達時，並無人料想到這家公司日後會在AI時代扮演如此關鍵的角色。當時的Nvidia只是致力於圖形處理器（GPU）的開發，主要應用於遊戲與影像處理。但黃仁勳敏銳地意識到GPU強大的平行計算能力，或許可以解決科學計算和數據密集型應用中的瓶頸。於是在二○○六年，輝達推出了CUDA平台，讓GPU能夠支援更為複雜的計算工作，為深度學習的發展打開了新的可能。起初市場並不看好這項創新，甚至對輝達的未來表示懷疑，但黃仁勳始終堅定信念，推動公司往多元應用的方向發展。隨著深度學習技術在二○一○年代的快速崛起，CUDA平台與GPU成為神經網路訓練的理想選擇，黃仁勳的遠見終於被證明是正確的。
另一位同樣具有堅持精神的推動者是李飛飛教授，她在二○○七年著手建立了ImageNet，一個包含數百萬張標註圖片的龐大數據集。當時很多人質疑這樣的數據集是否真有必要，甚至有人認為她過於理想化，但李飛飛深知AI的發展不能僅依賴於模型的進步，更需要大量數據來支持學習與訓練。她頂住各方的質疑，克服資金和人力的不足，最終在二○○九年將ImageNet公諸於世。這個數據集的推出成為AI發展的分水嶺，二○一二年多倫多大學的團隊使用ImageNet訓練的AlexNet模型，以顯著的成績贏得了影像識別競賽，開啟了深度學習的黃金時代。李飛飛的堅持和勇氣令人敬佩，因為她不僅改變了AI的研究方向，也啟示了創新所需要的遠見與韌性。
還有深度學習領域的先驅辛頓（Geoffrey Hinton），他的研究突破了神經網路在複雜計算中的應用瓶頸。辛頓在一九七○年代進入神經網路研究時，這個領域已被多數科學家放棄，因為單層神經網路的表達能力有限，多層神經網路的訓練也困難重重。一九八六年，辛頓與同事合作，發表了一篇開創性的論文，提出反向傳播演算法（backpropagation），這項技術透過逐層調整參數，使得訓練深層神經網路成為可能，重新喚起了人們對神經網路的興趣。
辛頓在多倫多大學時，吸引了大量年輕研究者，他們利用神經網路的技術在手寫識別等真實應用上取得成功，並促使美國的銀行系統採用其技術來處理支票。辛頓的貢獻不僅在於技術突破，還激勵了整個深度學習社群，使神經網路逐漸成為主流技術之一，為人工智慧的發展奠定了基礎，他也因而獲得二○二四年的諾貝爾物理獎。
深思AI在未來可能帶來的機遇與風險
黃仁勳、李飛飛和辛頓的觀點構成了一個從技術基礎到應用和道德，再到學術研究的完整圖像，顯示了AI產業的多維度挑戰。黃仁勳展示了計算力提升如何驅動產業進步，讓AI技術在醫療、自動駕駛等領域具體落地，並創造巨大的市場價值。李飛飛則提醒我們，資料才是AI能力的重要資產，她無畏讒言堅持發展出關鍵的圖片集，證明了AI在大數據訓練下能力無窮。而辛頓則從更為基礎的學術角度探討了AI的未來發展，指出深度學習的侷限，並提出新的研究方向，以追求真正的通用人工智慧。他的見解為AI未來的突破提供了理論框架，強調對智能本質的更深入理解。
不過AI的快速發展與應用也伴隨著風險與挑戰，隨著技術不斷進步，越來越多的學者開始關注AI可能對社會帶來的影響，並對其潛在的風險表達擔憂。如果AI的目標設定不當，可能會對人類構成威脅。例如當一個AI系統專注於達成特定目標時，若不考慮人類的利益或社會倫理，便可能引發預期外的後果。這樣的擔憂提醒我們，雖然科技帶來了便利與進步，但如何確保AI的行為符合人類的長期利益，並在技術與倫理之間找到平衡，成為未來我們必須面對的重要課題。
