稳步克服AI发展挑战 探索巨大商业价值
- 魏淑芳
-
现今翻阅专业报章杂志，出现频率最高的烫金关键字，无疑是人工智能(Artificial Intelligence；AI)，有人乐观预期AI将为人类带来巨大好处，有人则悲观认为AI可能带来灾难(例如抢人类的工作机会)，无论如何都可以肯定，AI对于你我的影响已经从无到有，而且一天比一天大。
事实上AI并非此刻才诞生的新科技，不仅不是新科技，还是已存在于地球超过一甲子的老科技。1956年，美国Dartmouth College的一场会议，有人提出假设，任何的学习行为、智能行为，理论上都可以被精确描述，进而做出机器，针对这些行为进行模仿，此一论点成为AI的开端，之后便掀起一阵狂潮，甚至有学者在1965年提出大胆预言，在当时的20年内，机器(AI)将能取代人类所有的工作。
但毫无疑问，上述AI先驱的热情，并未成功换来预期成效，随着愈来愈多人意识到AI需要漫长发展，投资的兴致大大降低，在1974年迫使AI进入第一次寒冬。
到了1980年，得力于专家系统的诞生，及日本第五代电脑技术的抬头，才让AI重现活力，只可惜人们后来意识到专家系统太聚焦于专业领域，反倒限缩AI处理问题的格局与范围，应用范畴流于狭隘，且需要动用庞大的数据库，也让执行预算捉襟见肘，遂让AI在1980年代晚期二度陷入寒冬。
历经数度低潮 这回上升趋势更明确
一直到了2010年，AI浪潮再次崛起，这回与过往不同之处，在于背后驱动力量更为强壮，而非仅是靠热情与梦想撑腰，举凡高效能运算、网际网络、大数据、传感器等技术的精进，乃至运算成本的下降，加上机器学习、深度学习等演算法之蓬勃兴起，都给了AI丰沛养分。
因此这一波AI浪潮席卷多年，至今不但没有退潮迹象，而且声势愈来愈猛，几乎已跃为产业或企业数码转型的头号武器，早些年亦曾风靡一时的云端运算、移动化、社群媒体、大数据等等。
尽管在企业数码化过程，仍旧是不可或缺的关键元素，但有不少人已视它们为AI的「侧翼」，某种程度上它们的存在意义，就是帮助AI发展得更好，就连气势看涨的物联网(IoT)，也必须藉由与AI合体为AIoT，以形塑更大的票房魅力。
这番论调听来有些偏颇、极端，但却反应了某部份事实，相较于其他技术，AI更像是数码转型价值链的最后一里，所以AI之所以暴红、之所以蔚为显学，并非炒作，而是其来有自。
在2018年，国际知名的研究暨顾问机构Gartner，曾经对于全球AI所能引发的商业价值做出预测，估计今年AI商业价值将达到1.175万亿美元，足足比上一年度大增近七成，成长幅度至为惊人。
时至2022年、也就是4年后，AI商业价值可望攀升到3.923万亿美元，比2018年的预测值高出2.34倍，足见AI不只现在当红，未来还会继续走红。此处说明，所谓AI的商业价值，不仅来自于新增营收(开创崭新商业模式)，也涵盖降低成本(优化营运效率与品质)，甚至也包含顾客体验的改善。
伴随上述报告出炉，Gartner的研究副总裁John-David Lovelock也发表看法，他认为展望今后10年，肇因于运算能力与数据量的数量、速度与多样性都持续显着攀升，与此同时，深度神经网络(DNN)亦将不断精进，导致AI肯定成为最具突破性、创新性的技术项目。
只不过值得注意的，在2017？2022年期间，企业获取AI能量的来源，主要倚赖市面上擅于解决单一需求的利基型解决方案，但随着时序推移，曾经风光一时的AI技术方案，终将陆续从「神坛」退驾，意即开始从市场顶峰往下走，只因为企业的投资态度会回归到务实的基本面，借此做一番沈淀省思，不断审视AI之于企业内部的应用与业务价值，真正懂得利用AI去解决过去解决不了的大问题，创造更扎实的应用成效，使得AI转型旅程走得更加健康顺遂，而非只是人云亦云跟流行。
不仅撙节成本 也能创造新的收益商机
前面提到，AI的商业价值，主要源自于三个面向，事实上，在导入初期最快看到成效的一环，其实是在于顾客体验，因为一开始企业尚无能力窥探AI完整奥妙时，最立竿见影的实践方式，就是利用AI技术来改善顾客互动关系，借此提升来客数、增进留客率。
紧接着企业逐渐意识到，可以运用AI技术来优化内部的营运流程效率，不仅对于商业决策制定的品质与速度多所助益，甚至在后续任务执行的过程，亦可藉助大量的自动化机制，降低人为介入的失误风险，也可望加速产出成效，总体而言，到了这个阶段所能展现的最大价值，即是降低成本。
前面谈及的营运成本撙节，比较偏向节流层面，但AI运用一旦走到了最终极致，便会摆荡到开源面向，也就是说，企业终将利用AI技术来增进既有产品与服务的销售绩效，且更进一步探索新产品及服务的商机，终至达到新增营收的远大愿景。
纵使AI方兴未艾、远景无限，让多数企业趋之若鸄，但不可讳言，此时此刻企业在投入AI发展时，必然会面临诸多挑战。曾有专家点出，若从深度学习的角度来看，现今企业可能面临的发展瓶颈不少，包括数据需求过大，无奈多数企业仅有小数据、欠缺大数据，训练出来的模型易出现颇见；深度学习演算法难以累积技能与知识，仍需为每一种应用重新建立模型；在部份应用情境下，云端运算架构面临挑战。
此外还包含了AI的感知与认知能力，未必赢得了人类；针对从感知到决策的高端智能，技术上尚在起步阶段，因而有人冀望从诸如DeepMind等增强式学习(Reinforcement Learning)来寻求突破，但很现实的，现阶段增强式学习训练成本实在太高。
然而值得庆幸的，一些有助于解开上述纠结的技术趋势，正在逐步发展成形，比方说有人认为非监督式学习与增强式学习正在导引未来的发展方向，足以帮助人们加速理解世界、创造新事物，预期今后会从监督式学习走向增强式学习、再迈向迁移学习，使机器在认知环境、学习技能之余，也让机器知得得以散播。
