:::

城市產業發展

友善列印 轉寄好友
字級:
小字級
中字級
大字級
2018-06-29
人工智慧應用新趨勢與展望 —學生與機器人共同學習
人工智慧相關軟硬體技術發展日益成熟,未來的人類教育學習中,智慧機器人陪同人類共同學習與成長的關鍵技術研發是重要前瞻的可行構想。臺北市政府人工智慧的發展方向或許可朝向結合國產機器人應用於教育學習場域,從適性學習代理人平臺、智慧型代理人、共同學習應用情境等面向,評估臺北市相關AI產業與國外內廠商共同合作導入實體機器人,建構虛實整合之智慧學習環境,升級學習的創新應用模式。
作者簡介:李健興、王美慧、黃宗祥、陳立中、楊勝期、久保田直行
李健興、王美慧、黃宗祥、陳立中/臺南大學資訊工程學系OASE實驗室團隊
楊勝期/臺南大學知識應用暨網路服務研究中心
久保田直行/日本首都大學東京(TMU)系統設計學部久保田實驗室

人工智慧相關軟硬體技術近年來日益成熟,國立臺南大學研究團隊執行科技部與法國國家資訊暨自動化研究院(INRIA)團隊交流計畫,自2008年開始至今,已於e-Teaching、人工智慧、電腦對弈及能源管理等領域累積豐富的研究成果。2017年研究團隊與INRIA機器學習及最佳化團隊(TAO Team)重要核心成員Marc Schoenauer博士和Michele Sebag博士及Isabelle Guyon教授討論未來人類社會中,人工智慧於人類學習與機器共同學習在2020~2030年間的創新研究構想,一致認為未來的人類教育學習中,具有適性學習能力的試題反應理論(Item Response Theory, IRT)智慧機器人將扮演關鍵性的任務,機器人陪同人類共同學習與成長的關鍵技術研發是重要前瞻的可行構想。而世界經濟論壇(WEF)亦預測至2030年,學生將向比現今快10倍的機器人老師學習,且全球最大的網路公司之一很可能是現今尚未存在的智慧機器人教育企業。本文將從研究團隊的幾項研究成果,簡述人工智慧應用於教育學習的創新模式,期望帶給產官學研界瞭解人工智慧於教育領域的參考,並協助實踐相關產業化應用。

壹、智慧適性學習AI,創新教育學習模式

國立臺南大學研究團隊與日本首都大學東京(TMU)久保田直行實驗室(Kubota Lab.)共同合作執行科技部數位經濟前瞻技術AI分項計畫(註1),初步完成智慧機器人代理人軟體,與日本實體機器人PALRO及哈瑪星科技電子書之雲端系統平臺整合建置於南科國家高速網路中心,實際導入臺南市及高雄市之國小教學學習場域,建構智慧適性學習雲端平臺,平臺功能包括:智慧適性學習機器人AI軟體系統、建置IRT學生學習參數、整合Facebook AI Research (FAIR)的電腦圍棋程式Darkforest及深度學習圍棋開源軟體ELF OpenGo,建置具動態學習功能之開源圍棋黑森林(Open Go DarkForest, OGD)學習系統,並結合腦機介面(Brain Computer Interface, BCI)建置人機共同學習系統,結合實體機器人於未來教育學習領域中,期望能夠建構AI世代的教育學習創新模式。

經過臺灣與日本團隊的共同努力,並在美國FAIR ELF OpenGo團隊的支援下,智慧機器人PALRO已經具有職業高段的圍棋棋力,並且能夠用臺語和學生共同介紹元宵節的故事,也能夠和學生共同使用英語來簡單說明臺語故事,研究團隊期望未來臺灣的智慧機器人軟硬體產業能夠結合日本的機器人產業,善用世界頂尖的開源軟體技術,站在巨人肩膀,建構全球首創智慧IRT教育學習機器人,應用在未來人類與智慧機器人共同適性學習場域,整合傳統教育領域的深度學習與當代人工智慧的深度學習(Deep Learning)技術,讓每一個人都能夠充分發揮其專長,實現機器人協助老師達成因材施教的理想。

隨著知識與資訊大量快速累積,除了人類需要持續學習之外,機器也要不斷的學習才有機會達到像人類具備“認知推理”及“基本常識”(Common Sense)的能力,美國Facebook AI首席科學家Yann LeCun曾經在演講提出有關預測性探索(Predictive Learning)的概念,期望未來機器能擁有認知及自主推理能力,是目前AI的重要挑戰及發展趨勢之一。

貳、人機系統BCI-DDF,豐富數位學習樂趣

人機共同學習系統BCI-DDF,為未來人類與機器人共同合作學習建立一個創新模式(註2)。此系統結合腦機介面與物聯網系統,採用視覺指令控制技術來進行下棋的操作,棋士帶上專用感應頭罩,運用臺灣團隊研發的乾式電極無線腦波量測系統進行棋士腦波量測,透過無線藍牙傳輸遠端收取腦波資料後直接下棋,無須透過手握滑鼠或鍵盤之操控,棋士只需注視電腦畫面,利用電極感測後腦視覺腦波,電腦就會根據腦波資訊下指令進行電腦對弈,突破以往傳統的人機對弈模式,讓數位學習科技更加豐富有趣。

人機共同學習BCI-DDF系統人機共同學習BCI-DDF系統

在圍棋AI的崛起後,過去百年來職業棋士累積的圍棋布局認知產生顛覆性的變革。由於圍棋對弈中最難掌控的布局、形勢判斷,一直是電腦無法攻克的難題,如今已大幅超越人類思考所及,尤其是局部處理和死活能力更是技高一籌。圍棋AI翻轉了以往人類對圍棋的理解,不僅激發更多元有趣的思考模式,亦開啟圍棋界另一番新視野。

適度調整智慧機器人的系統計算資源,結合圍棋AI的DeepZenGo可以是人類頂尖職業棋士的老師,但是也可以降低BCI-DDF系統軟硬體資源,使得智慧機器人成為業餘棋士的學生。2017年10月臺灣研究團隊於加拿大舉辦的重要國際會議IEEE SMC會中展示,運用人類腦波下圍棋,不僅受到世界各國專家學者高度關注,也為未來人類與機器人共同合作學習建立創新模式。未來運用的範圍相當廣泛,對於肢體不便的民眾就能夠利用此設備傳達心中的想法來下圍棋。除了圍棋以外,基於計算智慧方法,使用模擬人類學習(Human-like Learning)方法加強人機合作於教育學習應用,亦可做為未來教育學習應用之研究重點方向。

叁、適性學習代理人平臺,鏈結智慧生活

臺灣研究團隊整合日本東京久保田研究室實體機器人(註3),共同建置適性學習代理人平臺(Adaptive Learning Agent Platform),建構智慧城市未來生活模式,成功串連臺灣臺南市東區與日本東京小金井社區,未來將實際推廣於智慧城市國際鏈結,讓老年人及小朋友可以在社區快樂適性學習智慧生活。目前適性學習代理人平臺提供語言學習代理人(Language Learning Agent)、數學學習代理人(Math Learning Agent),以及老人與小孩電腦圍棋學習代理人(Computer Go Learning Agent),其中語言學習代理人可以協助學習者適性學習不同語言,包括:日語、英語、臺語及中文等跨語言學習,並可在不同平臺及裝置進行,例如:虛擬與實體機器人互動學習,或是透過手持式裝置、電腦等不同載具進行智慧學習。未來將整合高齡化社會所須之各種終身學習及健康照護等生理資訊內容,並融入智慧社區進行國際鏈結。

適性學習代理人平臺於國際智慧城市之應用架構圖(左圖)及 應用情境(右圖)適性學習代理人平臺於國際智慧城市之應用架構圖(左圖)及 應用情境(右圖)

肆、模糊標記語言智慧型代理人,提升共同學習效益

模糊標記語言智慧型代理人架構,可以透過與出版商合作取得學習教材內容,接著本體論(Ontology)代理人基於學習教材建置數學知識本體給教學助理(Teaching Assistant)代理人使用(註4)。共同學習代理人則於課堂協助教師教學生,Assessment代理人可以協助評估學生學習成效,分為:學習落後、學習不足夠、基礎、好及優良。最後,再由Recommendation代理人協助教師及學生挑選適合學習內容做為下次學習的參考。

以本體論為基礎的知識表達(Ontology-based Knowledge Representation)通常需要專業知識者的協助建構,研究團隊與真平臺語學習網合作取得小學臺語學習教材,並與哈瑪星科技公司合作提供客製化電子書編輯軟體,結合智慧機器人PALRO軟硬體系統應用至「看圖說臺語與機器人共同學英語」學習情境,激發學生想像力及語言摘要能力。目前國內研究團隊已至臺南市歸南國小、青草國小及高雄市山頂國小實際導入教學場域,未來期望和國內外出版社合作,讓智慧機器人結合數位學習教材,協助教學現場老師教學與學生共同學習,擴散機器學習的效益。

模糊標記語言智慧型代理人架構圖模糊標記語言智慧型代理人架構圖

伍、智慧機器人與學生共同學習應用情境

人類與機器人共同合作學習應用情境,透過WebSocket與Client端進行網路協定溝通,機器人PALRO擔任助教小老師透過語音提示小朋友數學概念,其中「怪獸大車拼」遊戲讓小朋友挑戰數的計算、數的比較和問題解決的能力,依照難度分成簡單、普通及困難共3個難度、11個任務。如果學生能通過全部的挑戰任務,就表示學會這些重要的數學概念,研究團隊透過實際導入高雄市三埤國小教學場域四年級小朋友學習狀況,建立測驗題庫提供小朋友進行前測與後測,測驗的資料將與現有的學習資料一起進行分析,驗證機器人與小朋友共同學習,可有效地提升學生學習興趣,未來將以更顯著之方式呈現弱勢學生受益成效。

以目前研究成果初步分析,機器人除了擔任助教角色外,也間接提升學生的學度態度及注意力,對於低於基礎的學生及須要補救教學的學生,他們的學習態度及動機都已獲得提升的效果。未來,研究團隊將持續與國內外廠商合作取得數位學習教材,並期望能於臺北市建構創新人機共學教室,讓更多的國內外小朋友可以和機器人互動達到共同學習的效果

人類與機器人共同合作學習應用情境人類與機器人共同合作學習應用情境
與機器人共同學習架構與機器人共同學習架構
學習成效回饋機制學習成效回饋機制

結論與展望

臺灣研究團隊已規劃和歐美研究團隊共同合作應用人工智慧技術於社群媒體、自然語言處理、英文學習及文本情緒分析等智慧機器人合作整合應用。考量目前使用之日本富士軟體(FujiSoft)機器人PALRO硬體成本昂貴,且只在日本製造及出產,實際教學場域應用推廣為目前的主要挑戰之一,將來機器人的維修問題尚待克服。因此建議未來臺北市政府人工智慧的發展方向之一或許可朝向結合國產機器人應用於教育學習場域,評估臺北市相關AI產業與國外內廠商共同合作導入日本實體機器人PALRO於臺灣市場之可行性,使智慧IRT機器人與學習者共同學習及闡述圍棋、語言及數學意涵能力,建構虛實整合之智慧學習環境,讓學習的創新應用模式再升級,期望成果能夠輸出海外,擴展國際知名度。

註解

  1. 本研究計畫承蒙科技部數位經濟前瞻技術研發AI分項計畫補助(計畫編號: MOST 106-3114-E-024-001),特此感謝。
  2. 臺灣研發團隊與日本首都大學東京久保田實驗室、大阪府立大學(OPU)所組成國際研究團隊,建構全球首創整合日本智慧機器人及美國FAIR DarkForest Go開源軟體圍棋AI之視覺腦波智慧動態評量黑森林圍棋學習平臺BCI-DDF,為未來人類與機器人共同合作學習建立一個創新模式。
  3. 國立臺南大學李健興教授團隊與國立成功大學吳宗憲教授團隊及科技部成大AI研究中心團隊,整合日本TMU久保田直行(Naoyuki Kubota)教授研究室與山口亨(Toru Yamaguchi)教授研究室實體機器人,共同建置適性學習代理人平臺(Adaptive Learning Agent Platform)。
  4. 模糊標記語言(Fuzzy Markup Language, FML)已於2016年5月正式成為IEEE 計算智慧學會(Computational Intelligence Society, CIS)第一個Standard。

參考文獻

  1. C. S. Lee, M. H. Wang, C Chaslot, J. B. Hoock, A. Rimmel, O. Teytaud, S. R. Tsai, S. C. Hsu, and T. P. Hong, "The computational intelligence of MoGo revealed in Taiwan's computer Go tournaments," IEEE Transactions on Computational Intelligence and AI in Games, vol. 1, no. 1, pp. 73-89, Mar. 2009.
  2. A. Rimmel, O. Teytaud, C. S. Lee, S. J. Yen, M. H. Wang, and S. R. Tsai, "Current frontiers in computer Go," IEEE Transactions on Computational Intelligence and AI in Games, vol. 2, no. 4, pp. 229-238. Dec. 2010.
  3. C. S. Lee, M. H. Wang, M. J. Wu, O. Teytaud, and S. J. Yen, "T2FS-based adaptive linguistic assessment system for semantic analysis and human performance evaluation on game of Go," IEEE Transactions on Fuzzy Systems, vol. 23, no. 2, pp. 400-420, Apr. 2015.
  4. C. S. Lee, M. H. Wang, C. S. Wang, O. Teytaud, J. L. Liu, S. W. Lin, and P. H. Hung, "PSO-based fuzzy markup language for student learning performance evaluation and educational application," IEEE Transactions on Fuzzy Systems, 2018. (DOI: 10.1109/TFUZZ.2018.2810814).
  5. World Economic Forum, “The future of education? Look to the robots,” Nov. 2016, [Online] Available: http://wef.ch/2l2f6EN.
  6. Y. D. Tian, J. Ma, Q. Gong, S. Sengupta, Z. Chen, and C. L. Zitnick, "ELFOpenGo2018, " May 2018, [Online] Available: https://github.com/pytorch/ELF/.
  7. IEEE Computational Intelligence Society, “1855-2016-IEEE Standard for Fuzzy Markup Language,” May 2016, [Online] Available: http://ieeexplore.ieee.org/servlet/opac?punumber=7479439.
  8. G. Acampora, V. Loia, C. S. Lee, and M. H. Wang, “On the Power of Fuzzy Markup Language,” Springer-Verlag, Germany, Jan. 2013.
  9. H. Ishibuchi, “IEEE Standards,” IEEE Computational Intelligence Magazine, vol. 11, no. 4, pp. 2, Nov. 2016.
  10. G. Acampora, B. D. Stefano, and A. Vitiello, “IEEE 1855TM: The first IEEE standard sponsored by IEEE Computational Intelligence Society,” IEEE Computational Intelligence Magazine, vol. 11, no. 4, pp. 4–6, Nov. 2016.
  11. Yann LeCun, “Predictive learning”, Apr. 2017, [Online] Available: https://drive.google.com/file/d/0BxKBnD5y2M8NREZod0tVdW5FLTQ/view.
  12. 余民寧, 試題反應理論IRT及其應用. 臺北: 心理出版社, 2009.
  13. C. S. Lee, M. H. Wang, L. W. Ko, N. Kubota, L. A. Lin, S. Kitaoka, Y. T Wang, and S. F. Su, “Human and smart machine co-learning with brain computer interface @ IEEE SMC 2017,” IEEE Systems, Man, and Cybernetics Magazine, vol. 4, no. 2, pp. 6-13, Apr. 2018.
  14. C. S. Lee, M. H. Wang, S. C. Yang, P. H. Hung, S. W. Lin, N. Shuo, N. Kubota, P. C. Chou, C. H. Chou, and C. H. Kao “FML-based dynamic assessment agent for human-machine cooperative system on game of Go,” International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, vol. 25, no. 5, pp. 677-705, 2017.
  15. Y. Tian and Y. Zhu, Better computer Go player with neural network and long-term prediction, 2016 [Online]. Available: https://arxiv.org/abs/1511.06410.
  16. OASE Lab., “Game records between Taiwanese professional Go players and ELF Open Go”, May 2018, [Online] Available: https://sites.google.com/site/nutnoaselab/human-machine-co-learning/1.
  17. C. S. Lee, M. H. Wang, T. X. Huang, L. C. Chen, Y. C. Huang, S. C. Yang, C. H. Tseng, P. H. Hung, and N. Kubota, "Ontology-based fuzzy markup language agent for student and robot co-learning," 2018 World Congress on Computational Intelligence (IEEE WCCI 2018), Rio de Janeiro, Brazil, Jul. 8-13, 2018. (Accepted)
  18. N. N. W. Tay, S. C. Yang, C. S. Lee, and N. Kubota, “Ontology-based adaptive e-textbook platform for student and machine co-learning,” 2018 World Congress on Computational Intelligence (IEEE WCCI 2018), Rio de Janeiro, Brazil, Jul. 8-13, 2018. (Accepted)
  19. 李健興, 王美慧, 黃宗祥, 高嘉秀, 楊勝期, 林律安, 周俊勳, 碩南, 久保田直行, "IRT代理人於智慧機器人與學生共同學習之研究," 2017年第二十二屆人工智慧技術與應用國際會議(TAAI 2017), 臺北, Dec. 1-3, 2017.
  20. Y. D. Tian, Q. Cong, W. Shang, Y. Wu, and C. L. Zitnick, "ELF: An extensive, lightweight and flexible research platform for real-time strategy games," Advances in Neural Information Processing Systems, 2017, pp. 2656-2666.
資料更新:2018-10-11 15:32