我們可以把告訴機器的行為目的表達成如圖2-4「左」邊的效用函數(Utility Function)，例如這樣的效用函數可以要求模型與觀察到的數據之間的誤差 最小(最適化)。這個公式可以讀作：求取使該效用函數損失函數(Cost Function, 𝑙(𝑥))最小化或效益最大化的行為𝑎，其中𝑥為行為結果(Outcome)，
𝐸則是期望值(Expectation)，p(𝑥|𝑎)則代表𝑎的行為導致𝑥結果的機率。也
把目的視為某一個函數，該函數代表一個利益，或一個損失，並求取該 利益的最大化，或損失最小化。而各式各樣的機器學習任務定義即是通 過各式各樣的效用函數來實現。
資料來源：主講者簡報。
圖2-4 如何向機器表達行為目的
順帶一提的，所謂的「監督學習」係指求取(argmin𝑤)出函數跟觀察的誤 差最小；另一個所謂的「非監督學習」，則是指我所期望的𝐹(𝑥, 𝑤)分佈，
跟我所看到數據(Goal)一致。
(1) 機器行為的產生機制
不同效用函數給予了機器不同的行為目的學習任務，那麼機器行為的 產生機制為何呢？針對效用函數透過數據進行學習，數據給得越多，
學習的模式會不斷的進化。
我們給出表達行為目的之效用函數，那麼學習算法就在數據中通過學 習來產生行為，那麼行為的作法就剛才說的，就是使這個效用函數最 大化，或者最小化，也就是優化效用函數，那麼你數據給了，學出了 結果後。而且如果數據給的越多，這個學習模式還會不斷的進化。
但這個學習的模式基本上就是一個黑箱(Black Box)，你無從得知道學 習的過程，我們只能從這個機器行為來反推學習的過程。我們獲取了 行為後，猜測演算法是如何進行學習，這大概就是我們今天對機器行 為的理解。
簡言之，我們設計了某個效用函數，獲取了數據，並以使這個效用函 數最大化作為機器行為的目的，接著找到使該效用函數最大化的參數，
機器行為可透過不斷的學習而進化，而我們透過行為觀察來反推，每 一次學習大概在其行為上起了何等作用。
(2) 機器行為的目的驗證機制
舉例來說，Elon Musk曾提出了一個非線性的效用函數(見公式1)：
𝑦1(𝑡) = 𝑦̂1sin (2𝜋𝑓1𝑡) (公式一) 並且用該公式來表達「個人行爲的最大自由(Maximizing Freedom of Action for Everyone)」：但是問題來了，第一個問題是應該怎麼定義 所謂的自由？
第二個問題，我們如何讓人工智慧理解，這個所謂的行為自由是人類 的行為自由，而不是它自己的行為自由，以避免在經濟學中很重要的
「代理人問題(Principal and Agent Problem)」。即使在人與人的世界中，
代理人問題依舊是我們常常糾結之處，例如我們花錢委託律師，但是
是人工智慧的倫理性應該是外在的，還是內生的？
在目前的研究上，我們是把人工智慧的倫理性設為外在的。透過在效用 函數上不斷地定義倫理性，來告訴機器你不能做這個或是那個。然而，
這樣的作法是有局限性的，因為我們無法考慮到各種各樣的特殊情況並 類舉出所有可能性。比方說，早前衣索比亞航空公司(Ethiopian Airlines) 飛機墜機事件即是人工智慧的一個重大失敗。當飛機的自動飛行系統的 過驗證。根據Anicka Slachta的研究，目前94%的人工智慧醫療診斷研究都 沒有經過充分的驗證(Anicka Slachta, April 12 2019)。
但是驗證的本身也面臨兩個重大困難，第一個困難在於雖然我們要求機
數據偏差，來自於哮喘患者更容易被送進重症病房去，才獲得了較高的 存活率。所以求取最優化的本身，並不能夠揭示被隱藏起來的因果關係。
所以，驗證機器行為結果的正確性其實比想像中的複雜，而機器行為結 果若未經過驗證是非常危險的。
4. 行爲的根據(What is the way)：爲什麽會得出這樣的結果
最後還有一個重點，就是機器行為的根據為何。我們必須要能夠解釋機 器行為，因為如果不可解釋的話，代表上述的機器行為結果的驗證有很 大的問題。換言之，「可解釋性」是人類對智慧系統設計的要求，智慧 系統必須能夠向用戶解釋其行為。然而，現有許多深度學習模型並不能 向使用者解釋其行為，設計者往往也無法理解其行為過程。(見圖2-5) 其實，對人工智慧的可解釋性從一開始就沒有給予應有的重視，定義機 器智慧的圖靈測試(Turing Test)說，當有一個人將一台機器帶入一個黑屋 子裡面，而外面有另一個人提出一個問題，並且從黑屋子中得到了回答，
但卻無法判斷這個從黑屋子裡得到的回答是人給的還是機器給的，那麼 我們就可以認為這台機器具備了智慧。然而，這樣的測試顯然是忽略了 可解釋性的重要性。
資料來源：主講者簡報。
圖2-5 如何理解機器行為做的對的緣由？
我們可以把圖靈測試改一改就可以判斷機器是否具備真正的智慧，你只 要在問完問題，得到答案後，再問一下，請告訴我你是如何得到這個問 題的答案？如果是人類在回答的話，他肯定能告訴你為什麼，而今天的
機器一般是說不出來。這就是今天人與機器間最重大的區別，機器不能 以「內生的倫理原則(Built-in Ethics)」取代外生的限制條件。
2. 行為目的之非確定性和交互性：