AI革命核心：解密最佳化運輸、信任與教學的極致效率

在這個由數學構築的資訊時代，從路徑規劃、電網負載預測到疾病治療方案選擇，演演算法始終遵循「輸入資料→計算處理→輸出結果」的架構。隨著AI技術飛躍發展，動輒數百萬行程式碼的複雜演演算法，其運算步驟每增加一環，就意味著更龐大的硬體需求、更耗時的運算過程與更高的能源消耗。

沖繩科學技術大學院大學（OIST）的「機器學習與資料科學團隊」（MLDS），在山田誠教授帶領下，正致力於突破機器學習的效能極限。團隊透過分散式階層管理，不僅最佳化資料科學流程，更革新了教育模式與學術產出。

想像你是物流排程員，需要從多個倉庫調配不同數量的貨品至各家門市。要最小化運輸成本，就必須精確計算所有倉庫與門市之間的最短路徑組合——這正是「最佳化運輸問題」（Optimal Transport, OT）的經典情境。當配送節點（倉庫與門市）數量增加時，演演算法的複雜度與運算成本將呈指數級成長。

「我們專注於開發創新工具來解決OT問題。」山田教授指出。在單細胞基因體資料分析中，研究人員可能需處理20,000個基因與100,000個細胞的關聯性，傳統方法在藥物開發或疾病分類等應用上效率低落。團隊的突破性進展，是實現「線性複雜度」的OT運算，讓計算成本僅隨配送節點數量等比例增長。

團隊有五篇論文獲選2025年國際學習表徵大會（ICLR），其中兩篇聚焦降低高成本ML運算的OT負擔。首篇論文透過比較完整特徵分佈（而非簡單平均值），顯著提升分類準確度與效率；第二篇則提出基於「樹狀Wasserstein距離」的新方法，將樣本與特徵對映至樹狀節點，使比較次數大幅減少90%以上。

在模型安全性方面，團隊由Mohammad Sabokrou博士領軍研究「可信賴機器學習」。當自駕車的預測模組被植入惡意觸發器，可能導致故意誤判軌跡而釀禍。團隊採用「對比式學習」技術，教導模型在特徵空間中區分正常與異常資料，並統合「新穎性檢測」「開放集識別」等任務的評估標準，強化知識共享效益。

團隊更透過三大攻擊模式檢驗系統弱點：
1. 對抗性攻擊：微調輸入誘發錯誤
2. 後門攻擊：利用訓練資料中的隱藏觸發器
3. 成員推論攻擊：偵測模型是否記憶特定訓練資料
這些技術能發現癌症篩檢模型誤學影像標尺特徵，或生成模型複製受版權保護內容等重大缺陷。

MLDS團隊採扁平化管理，由博士後研究員直接指導研究生與實習生。這種高信任度文化成效卓著——ICLR 2025獲選論文中，有四篇出自實習生之手。團隊更持續推動科學普及，包括沖繩中學生數學咖啡館、年度機器學習暑期學校（去年吸引逾200名國際參與者），實踐山田教授「教育是對科學與社會最有效的長期投資」理念。

[end]