在世界的一些地区，例如非洲及东南亚等，非法捕猎的情况颇为严重。根据有关统计，老虎的全球数目已经从1900年大跌95%，到现在只剩下约3000只左右。而从2003年起计，非法捕猎者更已杀死超过1，000名野生动物保护员。非法贩卖市场的规模，达到每年230亿美元。 利之所在，引诱愈来愈多人铤而走险。

幸好，有一班AI学者制作出一个名叫PAWS （Protection Assistant for Wildlife Security） 的系统。它在柬埔寨野生动物保护区试用的头一个月内，已成功找出1，000个非法捕兽器、42个电锯、24辆电单车和一辆大卡车。

PAWS的运作是这样的，输入的数据主要是环境数据、历史巡逻数据、以及过往盗猎的数据。系统首先输出的是一些包含概率的建议巡逻路线，然后系统会根据随机的巡逻策略，定出最终的建议路线。系统的内部运算模型包括盗猎者的行为模型、博弈论推理、路线规划等。

以上的人工智能组合是有其需要的。根据开发者所述，单纯用博弈论的模型来建构系统是不现实的。在一般的经济学以至博弈论中，都有一个基础的假设 - 人类都是理性的，即都会采取令他们获得最大预期得益的行动。但在处理反盗猎的问题时，开发者却发现盗猎者其实并不会进行精准的计算，他们认为某一个地点的预期收益最大，便会在该处设下陷阱来捕捉野兽。因此，开发者采用机器学习来做出盗猎者的行为模型，来补博弈论的不足。

另外，在巡逻人员进行巡逻任务时，他们也许会在树上发现一些文字或箭头符号等的标记，在地上或会看到非巡逻人员的脚印，甚至可能听到一些不寻常的声音。这些新增的信息都可能跟非法的行为有关。巡逻人员需要根据他们所观察到的情况，来作出不同的应变。这种连续地做决策以达致整体行动收益得到最大化的行为，跟强化学习的场景很相近。但是，不要忘记，巡逻人员的对手是会适应策略的。盗猎者们如果知道巡逻人员会按照脚印走，就可能会故意做出一些虚假的脚印，来迷惑巡逻人员，或者，盗猎者也可以把自己的脚印刷走，使巡逻人员难以追踪。 这样的话，就变成了双方博弈的一个场景。

本文以《学过、无学过、不用学、学一半》为题，肤浅地谈了一下不同种类的人工智能系统。它们其实没有优劣之分，只是当面对的问题不同时，我们人类便需要选取合适的人工智能工具，来帮助我们，令我们的生活更方便、更美好。

LSCM – David Chung