生成式AI開啟人機互動典範轉移！Google DeepMind研究副總裁紀懷新解析
無論是推薦系統或搜尋引擎，Google藉著連結、排序和發現，組織世上資訊為人所用。進入生成式AI時代，人機互動從行為、形式到介面，都出現劇變，Google DeepMind研究副總裁紀懷新表示，整個產業正面臨巨大變革。他看見哪些改變？這場典範轉移會如何展開？
「整個價值3000億至5000億美元的網路市場，其秩序和結構，都是由排序函數決定的。⋯⋯我相信它即將經歷一次巨大的變革。」
說出這句話的，是Google DeepMind研究副總裁紀懷新（Ed Chi）。他所在的團隊，致力於改善Google包含搜尋和推薦在內的排序函數，每年能貢獻高達90億美元營收。
去年，他在學術界頂尖會議「大規模影片推薦系統」（Large-Scale Video Recommender Systems）的工作坊演講中，向聽眾大膽宣稱，Google所在的整個產業，將從營收最核心的排序函數開始發生劇變。
包含底層的基礎模型演進方向，以及消費者直接感受到的人機互動介面與形式，機器正在從理解世界開始，進一步捕捉世界與人類的關聯。《遠見》專訪紀懷新，聽這位傑出科學家分享他所瞥見的世界。
以下是《遠見》專訪紀懷新的精華摘要，分成上下兩篇呈現：
註：採訪時中英夾雜，下方皆用中文呈現，並適度加上原文幫助理解。
傳統搜尋退位，AI接手更多系統二任務
問：Google替世人組織資訊的願景得以實現，主要建立在排序和搜尋函數上。在今年的Google I/O上，我們看到Project Astra落地成為現實，隨著它愈發成熟，將會如何改變搜尋和推薦？
答：這個問題的深度，在於Google所處的整個產業正在改變。
從搜尋到對話式的服務，我們可以看到機器與人之間的互動已經發生變化。
從心理學的角度來看，人們在尋找資訊時，共有兩種系統在運作。第一個是系統一，你看到事情當下，馬上就知道這是正確的答案，一些推薦系統就是這樣，像是YouTube的Shorts，思考參與的非常少。
不過，在搜尋裡，也偶爾會有系統一。比如我今天來101，在Google地圖上查前往101的路線，大部分人是去購物中心，它給的路線是往左邊走，我一看就知道不對，知道應該要去101辦公大樓，這就是系統一的快速思考。
得到正確答案以後，你仔細看著路線，認為走那條路比較近、比較正確，這是系統二。所以，人在找資訊的時候，快速辨識跟慢速思考，其實會有混合的系統（mixed system）。
在機器與人之間互動的研究領域可以看到，以前，人們要做更多系統二的處理。你要思考怎麼寫搜尋關鍵字，花時間理解搜尋結果中的每個網頁，能否回答自己的問題，又能否真正滿足你真正的搜尋意圖，這些都要深入思考。
現在往前走，機器跟人之間的工作分配已經發生改變。包含AI Overview和AI Mode，都會幫你做好分析與摘要，以對話式的搜尋完成。除非使用者需要非常細節的資訊，才會採用傳統搜尋。
所以，這兩種系統未來會怎樣結合？Google搜尋引擎會怎樣演化？我認為現在仍在探索階段，尚未出現定論，大概要這兩到三年，才會有明確方向。
從列表轉成摘要，人機互動形式和介面都改變
問：現有搜尋結果是以列表（list）呈現，它的好處是很有效率，可以一目了然的掌握資訊，還能按照關聯性、日期等因素排序。轉變成摘要以後是否缺乏效率？列表是否會就此消失？
答：列表的好處在於，它已經把結構（structure）顯示在你的面前。為什麼我們看簡報時很喜歡列點？因為它更容易替你將概念歸納成一個又一個句子。對照之下，對話通常以段落的形式顯示，使用者處理資訊時，需要閱讀，而閱讀是很費力的。
我們現在之所以使用列表，還有對話時以段落呈現，最根本的原因在於，我們與機器的互動介面（interface）還是以螢幕為主。我現在跟你聊天，你要花力氣處理斷句，這是人類處理訊息的能力（capabilities）。
以後的介面如果超過螢幕，比如說耳機、眼鏡，甚至是螢幕加上耳機，有可能改用語音傳遞資訊，介面和形式同樣都會發生改變，這是這個問題的有趣之處。
（紀懷新拿出Google今年在I/O上發表的Android XR眼鏡）你可以看到它有耳機，還有輔助螢幕，現在資訊是以類似字幕的方式呈現。未來如果使用者在購物，應該怎麼推薦商品給使用者？地圖要顯示哪些資訊？我個人認為，螢幕介面絕對不會消失，但不管是介面的長相，還是呈現資訊的方式，都還正在探索。我個人認為可能會有混合形態出現。
AI Overview會先提供一個答案（one answer），底下則會呈現列表，至於AI Mode，就更接近對話式的體驗。我們現在已經在探索不同的介面、不同的人機互動，應該如何把資訊顯示在使用者面前。
現在沒有人知道往前走會什麼樣子，我們的產業動盪很大，原因就在這個地方。
紀懷新拿出Google今年在I/O上發表的Android XR眼鏡，解釋介面改變以後，資訊呈現形式也會發生變化。蘇義傑攝
掌握脈絡、理解情境，AI要穿越數位與物理世界
問：我們剛剛談了介面，接著想討論資訊的輸入與輸出。模型的多模態能力提升後，眼鏡、手機可以感知到更多環境資訊，這會帶來哪些改變？脈絡（context）的重要性為何？
答：脈絡非常重要。以我們在101為例，「請協助我找餐廳，」這項指令聽起來非常明確，但事實上不然。你要吃早餐還是午餐？現在吃還是週末吃？跟誰一起吃？
如果使用傳統介面，你要如何透過搜尋完成這個任務？但如果未來出現通用助理（universal assistant），像是Project Astra這樣的模式，它可以透過對話了解你的需求以及背景脈絡。
在對話以外，如果你戴上Android XR眼鏡，它應該能看見你的周遭環境，知道你人就在101，直接推薦大樓裡的餐廳，這叫做情境感知（situational awareness）。
Project Astra 前身的名字，就叫做情境互動代理（situated interactive agents，SIA）。「situated」這個英文字，意思就是物理情境（physical situation），或者說它有實體（embodiment），不只是虛擬世界，而是進入真實世界裡面。
為什麽要這樣？這和機器人尚未普及也有關係，機器人要做到虛擬與實體結合非常困難。
開發Project Astra，它有相機、它有螢幕，可以把虛擬世界裡面的訊息傳送給你，也可以聽到外面的聲音，這個就叫做感知情境。它就是虛擬跟真實之間的的介面，把虛擬世界和真實世界結合在一起。
基礎模型像小孩，逐漸長大成人
問：以搜尋來說，系統可以考慮使用者輸入的關鍵字，未來轉變成通用助理以後，多模態意味著巨量的輸入，系統要如何決定應該考慮哪些因素？
答：這個問題是用資料探勘的輸入、輸出去想，但現在要用不同思惟思考。
如果這些大模型是人，你會怎麼教導它哪些東西需要考慮、哪些不用？以飯店當例子，有客人問櫃檯人員推薦哪些餐廳，如果你是飯店經理，會觀察他怎麼跟客人交流，接著給他評價，大模型也要經過這樣子的訓練。
我們教大型語言模型的方法，跟教人的方法有些相似，這個地方做得對、那個地方做錯，而不是用輸入、輸出的方式來思考。
為什麽？因為大型語言模型已經具備基本知識，你在教它的時候，有點像在教小孩子怎麽樣應對，也像在教人設社交。人在社交的時候會用問答，也會自己去猜。
如果客人提供新資訊，跟你說他想找週末與母親吃飯的餐廳，你就應該調整回答內容。到底要考慮、排除哪些資訊？這也是技能的一種，要學到面對不同脈絡時如何應對，Google搜尋現在不見得能夠做到這件事。
以前推薦時，會利用資料探勘、大數據的方式完成，未來則是要讓語言模型有辦法應對不同脈絡，迎合使用者的口味，關鍵在於理解脈絡後，再近一步做到個人化。
AI從看見世界，轉向理解世界
問：從理解脈絡往下延伸，可以看到基礎模型正在理解世界，包含語言、視覺、聽覺與行動，這樣是否足夠？還是需要理解物理法則、因果關係和時間性，才能稱得上是真正的理解？
答：模型的理解能力一直在加強。
我們在全世界居於領先地位，例如，對空間的理解也在提升，但還沒有達到我的期望。我們不只希望做到世界最好，還要達到通用人工智慧（artificial general intelligence，AGI）的水準，比如理解物理世界。
我把水放在這，它有可能會倒下去嗎？這種預測問題也是對物理世界的了解。我們在討論機器人的時候，它也要了解手臂需要出多少力去夾，而不會將水瓶夾破。這看起來很容易，但如果寶特瓶太薄，機器手臂就會夾破。它要知道這是什麼，需要出多少力，要用哪些角度才拿得起來。
光是這樣，它就要有對空間的理解，還要知道應該如何計畫與執行，像你剛剛差點打翻咖啡，機器人也要知道，若碰倒水瓶以後應該怎麼扶正。如果是人類撞倒水瓶，根本不用思考就知道倒了，但是機器人要怎麼捕捉到這件事情？這都是要克服的挑戰。
以前會分成很多支程式，辨識它是什麼、捕捉它的傾斜角度、計算怎麼將它扶正、確保扶正以後能夠平衡，中間還要規劃好幾個動作，這些都是系統二的處理，經過思考決定怎麼將水瓶扶好，現在我們給它單一指令就能夠完成。
這件事有意思的地方在於，以前機器人的能力還沒匯整（converge）到單一模型的時候，每個功能都是分開執行。現在，我們從以前分而治之（divide and conquer）轉變到現在組合（compose）、匯整在一起。
機器人的手臂怎麼動、視覺怎麼看，全部都整合在同一個模組裡。只要下一個指令，機器人就可以直接把水瓶扶起來。
（文章未完，請見下篇：Google紀懷新：AI從被動變主動，超越搜尋和推薦）
延伸閱讀：
留言 0