我們自身都難以捉摸的心靈活動，人工智慧又能突破嗎？|數位時代 BusinessNext

人工智慧有可能取代藝術家的工作嗎？或許可以從另一種樂觀角度看待：照相術的發明，使傳統的寫實畫家失業了，卻將各種非寫實的藝術風格帶給了世界。

人工智慧開始創作了。但當我們深一層檢視人類對「美」的感受機制，或許可以一窺人工智慧在藝術創作上的優勢與局限。

某方面來說，美學來自對現實一定程度的偏移與再現，但又維持著和既有秩序的連結。舉例而言，「巟磯醭N㙍䍱邐䬷」這句子出自一個隨機中文碼產生器，而「午餐來吃拉麵吧！」則是一個簡單的祈使句。不管前者後者，人們都很難從他們身上發現美感。

不過，像這句：「異邦晚來的搗衣緊追著我的身影*」則似乎有點不同了──它維持常見的語式，卻出乎讀者意料將「異邦」、「搗衣」和「緊追」並置，表達急切的心理張力，也打開了基於現實場景的想像空間。

視覺藝術的例子也是如此，一個完全亂數生成的點陣圖檔，和我們拿手機拍攝的辦公室天花板，都較難被稱為藝術作品，而Google人工智慧以一張日常照片，混和蒙太奇拼貼風格，加上部分亂數演算法產製的畫作，卻賣了8千美元。藉由龐大的美學風格資料庫（如文學經典）、人類日常感知的基模（從日常瑣碎談話和照片取得），人工智慧對藝術形式突破的要求和拿捏上，似乎占據某種優勢。

台灣現代詩人夏宇也曾有過類似實驗。她的詩集《摩擦．無以名狀》，就是將前一本作品集《腹語術》的句子剪碎，重新拼湊，而生成新的意義。若我們將她的文本《腹語術》視為資料庫，將剪碎拼貼的行為視為隨機演算法，再將她拼貼字句時的斟酌，視為類神經學習網路，這整個過程，便會十分接近人工智慧的創作行為。

圖說明
#####圖說：夏宇詩集《摩擦．無以名狀》

雖然在形式與風格上，人工智慧可能帶來意想不到的突破，但在一些更深層的人類經驗上，卻有著絕對的障礙：真正的藝術創作有賴形式與生命經驗的整合，而後者，往往連我們自身都難以捉摸。

例如，人工智慧在是否可能提出日本小說家太宰治「身而為人，我很抱歉」此等對這美好人世的荒謬傾訴？梵谷畫作《吃馬鈴薯的農人》裡沉澱的憂鬱色調，是來自筆觸、顏色對比、人體解剖學的整合，而暗部的綠與褐，其實正是十九世紀末荷蘭鄉間田土的顏色……這些作品背後的文化有機構成，也不是人工智慧能夠模仿與理解的。

就如《星新一賞》的例子所揭示：目前的人工智慧可以操作命題作文，卻很難合成出創作源頭的生命經驗，和支持這些經驗的幽微情感。但也因此，人工智慧藝術或許能加速人類藝術史進程──就像照相術取代十九世紀人像畫家，它將開始迅速淘汰一批不具原創性的作品，並驅策創作者思考下一階段藝術形式的表現可能。而真正的創作者永遠是超越的，他們能看見並指出尚不存在之物，並給予命名。

這些事物，並不存在Google全球伺服器任一個位元組內。它存在於一個尚未到來的世界。

##這些人工智慧關鍵詞正在改變我們的未來

###圖靈測試
由「電腦之父」圖靈（Alan Mathison Turing）提出，用來判斷機器是否能夠「思考」的測驗。讓一個人（C）詢問兩個他不能看見的兩個對象（分別為正常思維的人B、以及機器A）任意一串問題。經過數次詢問後，若C仍然無法判定、分辨A與B的不同，則機器A通過圖靈測試。首次通過圖靈測試的電腦出現在2014年雷丁大學，此電腦在圖靈測試中，被測試者判定為一個13歲男孩。

###類神經網路
受生物的神經網絡功能運作啟發，類神經網絡（ANN）是一種模仿生物腦部的數學模型和運算結構。藉由大量的人工神經元聯結進行計算。類神經網絡能在外界信息的基礎上改變內部結構，利用統計學（而非計算機基礎的邏輯演算）的方法，來獲得簡單的推理與決斷能力。

###AI專家系統
專家系統是結合了知識庫與推理機的人工智慧系統，能夠模擬由各領域專家才能解決的複雜問題，包括軍事模擬、醫療、教學等，可說是近代由人工智慧開始取代人類勞動的開端。
#####(資料來源：MBA智庫．維基百科)

延伸閱讀：電腦可以演算未來但能判斷情感的重要性嗎？
當AI開始有了感性創作DNA，藝術演算法的創作與勝利，會是永恆嗎？

本文出自：@@BOOKID:126838@@

代表圖來自：《A.I.人工智慧》劇照

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。