迎向AI产业化浪潮 网安与数据运用成为当前两大课题

随着AI发展与普及，各行各业将AI导入企业营运亦或是产品本身纳入AI功能，已经是市场所趋，近年来更兴起产业AI化与AI产业化的讨论浪潮，也一并将数码转型、产业升级与智能制造等议题，进一步与AI结合，找出各产业领域未来能够发展的方向，有监于此，DIGITIMES于日前假台北华山文创园区举办Taiwan AI EXPO 2022，其中也设计了为期三天的不知讲堂，邀集台湾产官学研等学者专家，就AI相关议题进行广泛且深入的探讨。

因应AI产业化浪潮  台湾产业应能有更多发挥空间

2022 Taiwan AI EXPO的开幕贵宾为无所任大使林佳龙，他致词时表示，以这三天的AI EXPO的论坛内容来说，不外乎与产业AI化以及AI产业化的讨论有相当密切的关系，以现今政府所推动的新南向各项政策来看，智能城乡、智能交通、智能制造与智能医疗这四大领域都运用了庞大的AI科技，不难想见，AI的确扮演了举足轻重的角色。

DIGITIMES电子时报社长黄钦勇则是以「台湾在AI发展上的拐点与盲点」为题，来阐述台湾科技产业接下来的发展路径，黄钦勇表示，台湾在早期发展NB时期，仅需将新竹一带的供应链发展掌握住，并且使其效率极大化就足以产生极大的影响力，但若将目光转向台中庞大的机械产业，其实就会发现台湾各产业之间的横向连结非常的差。随着G2议题的发酵，在地化价值重新被看见，光是能把台中的机械产业带到台北，并采取横向连结，就能创造出很多很好的机会。

黄钦勇认为，除了G2外，东南亚与东协等，也都是未来十分看好的发展区域，何以台湾只能服务中美两大体系？若能以更为开阔的眼界来思考，桃园身为台湾国门，就应该舍弃过有的传统思考逻辑，思考台湾对全球供应链的重要性。他也以2027年即将进入市场化的Level 4自驾车为例，一台Level 4等级的车辆上拥有相当多的网络节点，背后其实隐含十分庞大的市场商机，台湾最好的策略就是与他人合作，来取得市场商机，台湾对于全球来说，都是无害的合作夥伴。

Security of AI成重要课题  业界宜转换思维因应

谈到AI的发展，富士康研究院CEO(兼)资通安全研究所所长李维斌以「骇进AI：重新思考AI赋能的未来世界」为题，发表专题演说。

李维斌直接破题，当大家在推AI的时候，你会发现网安根本就是打不死的小强，他以2027年会看到Level4的汽车面市举例，这台Level4汽车这就好比是一个厨房，而这些节点换个角度看就是厨余，所以这样的环境对于网安就是个相当大的诱惑，而这些小强就会出现在旁边，会让大家非常的不舒服。过去在谈网安， Security of AI这个概念在业界较少讨论，它主要会包含AI系统的规格验证、确保功能安全、强健性与公平性，以及AI所作的决策能够被信任等。李维斌反问，AI所作的决策，你是否相信？他也以Tesla的车祸与理财金融单位所提供的分析数据为例，究竟是人为判断为佳，还是要完全交给AI？这恐怕还是有信任上的问题。

李维斌分析，现在的AI是跟情境加上网安绑在一起，复杂度大幅提升，但问题是目前普遍企业对于网安的观念还是相当落后，平时营运时，无人感谢信息部门，一旦网安攻击事件发生，企业的惯性就是先究责，一旦落入这样的思考惯性，问题就没有解决的可能，所以网安问题就会演变成，「讲起来重要、做起来次要，但忙起来不要」的困境。

李维斌认为，现在AI的发展就跟过去的网际网络发展类似，网际网络发展到后来，带来了很多市场价值与机会，这是过去所想不到的发展。同样的，当AI发展到一定程度的时候，对企业自然会产生很多价值，所以就会引来黑客的攻击，也就是前面所提到的小强。因此，当网安被视为成本支出，而AI又能为企业带来价值时，也许企业就应该换个角度来思考网安对于企业的重要性在哪。

AI扮演数码转型要角  营运效能成首要目标

台湾IBM公司技术长庄士逸谈到，根据IBM在价值研究院的调查指出，新兴科技对于企业业绩的表现有其重要性，第一名是移动应用技术，第二名就是AI，若再进一步看，有超过50%的企业领导人表示，导入AI能够带动1~5%的营收成长，有3%的企业领导人则是认为营收可以超过20%，在成本的节省上，也能有相当出色的表现。

至于要如何透过AI协助企业转型，台湾IBM创新工程团队商业转型顾问林家瑜认为，答案就是AIOps。以Gartner的定义，AIOps就是利用AI来简化IT管理。在复杂的现代化IT环境中自动化执行解决方案，企业需要监控工具、信息科技服务管理以及自动化技术来实现，而从制造业的角度来说，更是如此，根据调查，制造业的痛点有两点：全球有50%的企业认为现有的监测工具必须尽快整合，同时也有90%的企业认为，导入或是规划多云策略来因应更复杂的IT环境成为当务之急。

台湾洛克威尔智能制造应用发展经理王展帆也呼应了林家瑜的说法，从制造业的角度出发，制造业的确面临多种来源的分析需求快速提升，实际的困境就是企业本身就要有能力来使用各种不同的系统来进行决策，但系统间的数据无法串联、数据也没有标准化，对于制造业造成不小的困扰。所以洛克威尔则是从数据标准化的做法出发，尝试简化IT架构与使用界面等，进一步提升厂商的运作效率，维护上也能更为方便。而这些数据，也能透过AI与机器学习的方式做到预测维护，甚至是遇到问题时，可实时地回应甚至是让系统复原至原本的设定，整体营运的效能上也能明显提升。

至于台湾IBM创新工程团队设计师方翔奕则是进一步从Chatbot(聊天机器人)为题出发，来谈IBM如何协助客户进行数码转型，方翔奕形容Chatbot在疫情时期可以说是新的服务管道，亦或是新的服务载体，所以企业发现了Chatbot的好处，可以协助企业营运的创新，同时结合线上协同作业等，打造出全新的营运与服务模式，甚至也能将这样的功能导入企业内部营运，来节省不必要的人力成本。

云端与边缘运算皆具重要性  芯片业者亦扮关键角色

AMD数据中心暨嵌入式解决方案事业群台湾区资深业务副总经理林建诚谈到，AMD在收购Xilinx后，在数据中心与AI领域方面的解决方案变得更加完整。AI模型训练有Instinct MI200、MI250/250X GPU负责，AI推论方面则有AMD的EPYC CPU与Xilinx的FPGA来加以因应。除了硬件之外，AMD也提供了相应的函式库与转译工具，CPU有ZenDNN、GPU则有ROCm，而FPGA则是Vitis AI，协助客户在采用不同硬件平台时，也能透过这些函式库来进一步强化AI运算效能。林建诚不讳言，AMD的硬件产品在这几年的努力下，已经展现丰硕成果后，未来也会强化在软件与函式库等面向的发展，希望能让软硬整合为整个AI生态系统带来更大的综效。

Silicon Lab台湾区总经理宝陆格则是从物联网终端所需要的芯片规格出发，探讨物联网AI芯片所需要的规格走向，传统上，物联网芯片的设计一般是以MCU(微控制器)的设计搭配无线网络协定而成，但为了因应AI需求，宝陆格透露，在MCU的运算架构上，Silicon Lab先以DSP方式处理所有的类比前端传递过来的数码信号与数据(已完成转换)，再将数据交由机器学习的加速器来处理，最后决定是否要发出信号驱动LED或是其他警示信号，透过这种做法来处理市场常见的神经网络，在效能会比采用传统的Cortex-M CPU还高出许多，功耗表现也能更加出色，但这不代表Silicon Lab就放弃Cortex-M CPU架构，而是采取协同作业的方式来让系统运作上能更加均衡。

数据成AI模型良窳关键  防护与使用方式皆是关键

台湾大学信息工程系教授兼系主任洪士灏则是从学界的角度来分析AI所需的数据与运用的发展走向。洪士灏认为边缘运算是台湾产业较为使得上力的领域，毕竟大规模的云端数据中心大多都是由国外少数的大厂在把持，再加上消费性电子与物联网这些产品也都有AI的功能导入，某程度上，随着物联网与消费性电子乃至于边缘运算都在同时发展的情况下，加上4G/5G的发展，彼此之间能发展出分工合作的场景。例如，将一个神经网络的工作切成数块，透过网络传输，由不同的装置乃至于服务器协同把这些运算工作处理完成，这种处理的好处就在于，负责中间与后端处理的服务器或是闸道器等，不用碰触终端装置最为原始的数据，从网安的角度上来看也是一种保障，黑客就不易用逆向工程来取得原始数据。

NetApp技术长张展智也谈到，建构AI方案时所遇到的挑战之一，就是数据，若没有数据的话 要如何进行运算？再来就也需要对的专家来协助AI达到正确的运算方向。其次，企业要如何优化生产力？如何保护企业的数据？或是如何提升运算效能？以及企业的营运风险降到最低等，这都是企业必须要思考的课题。

有监于此，NetApp与NVIDIA合作，由NetApp供应数据，再加上NVIDIA强大GPU运算能力计算，来满足客户的需求。像是在医疗病徵(如电脑断层)的判别，原本由人工识别需要半天的时间，透过NVIDIA的算力，仅需六秒钟就能完成识别工作。此外，双方的合作也拓展到云端上，透过微软的Azure，来因应自驾车的应用情境。张展智表示，NetApp可以协助客户，能在对的时间上传至对的地方，进行相应的运算工作，结束之后，再将结果传回所需要的边缘端，全程都可以采取加密传输的方式。

东吴大学数据科学系副教授胡筱薇则是从智能数据引擎与数据治理的观点切入，来谈企业如何使用数据的使用。她指出，同样都是用查找功能，为何大家会使用Google却不用其他查找引擎？若把这样的查找引擎当作是一种产品的话，下一个问题就应该要思考数据循环过程中的Out-Side-In，这就是所谓的反馈闭环，简言之就是理解你客户的行为，它反映用户心里真正所想，用户在界面上的任何一个行为，都可以视为「活数据」，也就是当下此时此刻所产生的数据，它能被用来优化你的AI模型，亦或是协助你找到AI模型发展的方向，所以严格来说，做出AI模型其实是最后一步，如何探索数据，理解用户，才是重要的第一步。

不过，胡筱薇直言这种透过活数据优化的做法，关键并不在这些数据科学家身上，而是一直在第一线为客户服务的业务人员，这与领域知识密切相关。这也就是数据治理的重要性，公司的终极目标，应该是旗下员工都能成为数据公民，利用自己的领域知识来来获得他所需要的数据资源，借此来完成他想达成的工作目标。