掌握AI新趋势脉 迎向未来黄金商机

台达研究院院长阙志克。DIGITIMES摄

Taiwan AI EXPO 2022不知讲堂第二天延续第一天知识飨宴，探索你我有所不知的AI奥妙。由台达研究院院长阙志克的「从AI 1.0到AI 2.0，我们将走向何方」演说揭开序幕。

进入AI 2.0时代 该留意哪些议题？

阙志克表示，这波风行的AI，是基于深度神经网络(DNN)的机器学习(ML)，所谓ML，即是找出输入到输出的映射关系。5年前此事还算新奇，但如今得力于可用的开源工具众多，以致大部分的人都懂得操作ML。

AI从2012年开始盛行至今近10年，已培养越来越多人才，彼此的技能差不多，越来越难分出高下；展望今后从AI 1.0推进到AI 2.0时代，竞争主题将如何演变？阙志克认为有几个议题值得留意，首先是AI训练过程的自动化，譬如人们可透过AutoML，自动探索DNN架构与调校超参数。

其次是小数据的ML，你只要给我高品质数据，哪怕数量上仅有传统训练流程的1/10，都足以执行训练，尤其适用于制造业瑕疵检测场景。再来是可解释的AI(Explainable AI)，过去AI模块只告知结果、不解释判断依据，但今后有越来越多应用需要探究个中逻辑，例如有人申请贷款遭拒，总是需要知道理由，才能加以改善。

接着为AI安全议题，重点不在于防范黑客侵入AI系统，而是确保AI模型不会遭人盗版，或在使用MLaaS的同时、确保云端业者无法窥视其中训练数据。

此外大家应留意新型DNN架构，如在自然语言处理上展现重大突破的GPT-3，有逾1,700亿个参数供人调用，以致AI模型只要看过够多的字，有足够的运算资源支持，即可在一秒内产生深具内涵的文章；后续不只从字产生字、产生图像，甚至有机会产生Computer Code。

建构可信任AI  实为当务之急

人工智能科技基金会常务董事詹婷怡，抛出值得省思的议题，非科技相关的人如何看待AI？重点在于「信任」；必须透过规范、标准或Guideline，将「可信任AI」建构起来。

她指出，AI是重要的数码转型工具，可创造许多产业价值；但AI若不能取信大众，恐形成发展阻碍。针对如何营造信任，她提出几点建议。第一在系统设计阶段即需融入安全考量，不能只求事后防范。第二，IoT安全、执法、网安社群等团体须对话与协作。第三应重视AI和IoT的数码足迹及隐私保护。更重要的，任何形式的联网装置，从研发、传输、数据收集、数据保护到装置等多层次议题，皆与如何建立可信任AI有所关联。

AI如何规范？不少人主张应赶紧立法，但这未必是最佳方式；只因科技一夕数变，任何规范若不是基于一个可能的原则，徒然限制太多，反倒会阻碍创新。如何形成与时俱进的原则？有赖科技、非科技的群体共同对话，讨论出适当的AI纪律或指引。

综观国际上AI规范，詹婷怡点出欧盟执委会所成立的「人工智能高级专家组」，其中包含技术专家、法律、社会学、社群公民等代表，透过彼此对话，才产生包含人类自主性和监控、技术稳健性和安全性…等7个「可信任AI」构成要素；其经由对话来形成AI规范的机制，颇值得台湾借镜。

迈向跨域整合应用 开启Edge AI新契机

国立成功大学客座教授林伟棻表示，在吴诚文前副校长、敏求智能运算学院院长谢明得的带领下，汇聚5G Edge AI、移动社群软件及应用，为110全大运增添了类似奥运的「Fan Engagement」实时转播元素，在赛道上叠加多项信息，让观众更清楚观赏运动选手的核心技艺，缔造台湾大型运动赛事的新典范。

林伟棻指出，110全大运背后有一个复杂的SoS(Systems of Systems)架构，整合许多科技业者的单一系统，变成一个更大型的系统，分布于成多个不同的Layer，由学校及业者们协同设计，克服诸多异质整合难题，尝试将5G Edge AI转变为可望在实现商业获利的契机。

过去台湾产业擅长做系统或芯片里头的元件，但若想要有更佳的获利前景，必须走向系统整合、跨域应用的道路。为此成大开始发想国际合作的可能性，假设在一个场景上，观众们人人都佩戴AR/VR/MR眼镜，有望汇集每个人产生的不同视觉数据，开启另一个新型态Multi-Edge运算平台，形成非常巨大的创新应用发展潜能。

林伟棻特别提醒，在Edge AI的创新发展过程中，「联盟式学习」是值得关注的关键技术，它与传统分散式AI有所不同，可将原始数据留在受保护的边缘装置，仅需汇聚各单位的在地训练结果，就能产生大型的训练成果，进而让AI的价值定位，从工具、助理、夥伴再进化至管理者，帮助人类做出更具智能的决策。

自督导式学习 展现三大惊奇

台湾大学电机工程学系副教授李宏毅表示，以往大家依赖督导式学习技术，来发展诸如语音识别、机器翻译等应用，惟需要收集多达10万笔声音信号、再耗时产生大量标注数据，徒增AI落地困难。

因此越来越多AI研究人员开始拥抱自督导式学习新模式。它只需搭配大量无标注数据，即可为机器执行预训练、培养基本能力，尔后再结合少量标注数据并适度微调，便能让机器快速学会执行不同任务。

更有甚者，以自然语言处理为例，用户只要从网络上收集大量文章，即可展开预训练，打造出能够「自问自答」的BERT模型，借此过程快速学会判读人类语句。

但问题来了，BERT是一个巨大模型，要训练到它具备自问自答能力，其实是浩大工程。为解决此问题，李宏毅和其他学者共同打造SUPERB基本语料库，让BERT可轻易运用在各种自然语言处理或语音处理任务上，使每次训练不需再喂进等同于3千套哈利波特全集的庞大文字量。

后来李宏毅从自督导式学习发现三大奇蹟，包括「跨语言」，如只学过英文却能识别中文；其次是「跨学科」，学过语言后，竟具备蛋白质分类、DNA分类能力；再者「没做语言训练却具备基本能力」，仅用人工规则生成数据、一堆数码符号做训练，之后却能处理自然语言任务，显见自督导式学习潜力无穷、值得持续研究。

利用AI/ML助长企业竞争力

AWS AI/ML产品经理郑芝郁说，进入新经济时代，我们需要透过数据，协助挖掘更多有用信息，以提升用户体验、决策速度和品质及营运效率，并开创新产品与服务。

Amazon主要善用AI/ML优化用户体验，以促进营收成长。以Pan-European FBA为例，即透过AI/ML预测欧洲各国每日需求，进而调配库存，好让卖家仅需寄一份库存至FBA，就能销货到各国，降低备货门槛。

与此同时，AWS也提供多项AI/ML服务，协助全球逾10万客户驱动业务创新。例如东南亚电商Pomelo Fashion，利用Amazon Personalize进行行销名单圈选、提供个性化内容推送，使整体CTR点击率提升20%。此外Foxconn墨西哥工厂借助Amazon Forecast服务，有效预测产线需求并调配产线人员配置，每年因而节省55.3万美元。

启动数据思维  深化AI的经验价值

开必拓数据CEO孙逢佑强调，欲启动AI、须有数据思维，而数据思维即是经验思维；随着数据的累积，可促使AI展现越来越高的价值。

此外开必拓秉持「以始为终」原则，以客户想要实践的目标(如快速精准的瑕疵检测)为导向，做出具一定完成度的AI，后续随着经验愈趋丰富，使AI逐步迈向完美。透过这般过程，开必拓协助制造业客户省本增利，节约80%检测时间、减少92%客诉。

惟鉴于部分场域所需识别的物件极为多样化，单靠开必拓再怎麽设计，都不足以应付多变需求；因而与客户、设备业者三方互补合作，形成「同行致远」效应，让AI最终得以实现流程改善目标。

从设备智能诊断出发  落实永续经营目标

咏鋐智能(Chimes AI)CEO谢宗震表示，企业可善用AI技术来建立智能监控、报表管理机制，从能源管理、厂务节能、预防保养、制程优化等面向加速实现ESG。

惟传统AI应用开发流程漫长且难以扩展，导致企业在迈向智能永续制造时遭遇阻碍。Chimes AI自许为制造业AI军火库，透过企业级「No Code」AI平台、友善UI设计，让AI更易于复制与扩展，帮助企业快步从0到1、从1到N，达成永续经营目标。

台湾塑胶工业保养中心组长郑琦聪也现身说法，阐述如何透过Chimes AI协助打造AI模型维运系统，使模型校正时间从原本1.5天骤减为1小时，从而针对冷却水泵、压缩机、风车等重要厂务设施建立智能监诊机制，以提高设备稳定度，降低工安与环保冲击。

借助边缘运算　加速企业AI落地

宜鼎国际总经理特助张献文说，近年各方关注AI，也带动AI边缘运算设备蓬勃发展。故宜鼎体认Edge AI已成趋势，为此加强布局。

宜鼎有感于不同领域客户，皆对AI有所需求。为协助客户加速AI落地，着手强化软硬件整合，透过旗下AI iCAP云服务提供iSeries Software Tool / SDK，可针对不同模块埋入软件，方便SI抽取模块中数据、整合到他们的系统。

此外宜鼎也在AI iCAP中间层提供iVINNO，协助进行GPU、FPGA、ASIC异质化整合，让客户加速测试与部署AI应用。

另值得一提，近年宜鼎力推双频管理，已针对OOB频外管理部分发展创新应用，例如以InnoAgent模块化方式，协助系统商轻易实现OOB设备的线上快速还原，有助AI软件公司进行包装与加值。

终端AI崛起　存储器角色益发吃重

华邦电子DRAM产品行销部经理曾一峻指出，Edge/Endpoint AI模型尺寸不大，但欲进行快速计算，仍需倚靠较大存储器带宽来支持，故华邦特别推出对应产品。

近年大家思考能否利用手边终端装置或传感器承载AI？几十MB模型虽不大，但对MCU仍显沈重，以致有人提出TensorFlow Lite，将AI模型压缩上百上千倍，使之运行于在MCU，支持如智能门铃、智能门锁等简单AIoT装置的推论。

曾一峻说，早年存储器屈居绿叶，但在AI时代已摇身变为主角，只因要应付Access Traffic需负担。为求改善，华邦持续精进GP-Boost DRAM产品线，新增HyperRAM产品，容量介于4~32MB，足以支撑经过压缩的小模型，而带宽效能达250MHz，并支持16个I/O，要执行某些简单推论并无问题。

总之，遥望AI的大未来，还有许多值得我们持续探索、精进的空间。企业唯有掌握AI技术趋势、培养更完善的决断能力，才能真正驾驭AI、将智能应用触角伸展到各营运构面。