AI 趨勢新聞精選
【2020/11/12〜2020/11/18】
➡️ ➡️ 我們將在電子報提供您更深入數據處理洞察，點擊連結訂閱：https://ai-blog.flow.tw/register
⏩5成終端裝置，2025年有AI神經網路運算能力
數位時代重點摘錄：
市調機構IDC對2020年台灣資通訊產業提出預測：未來人工智慧將會走向「端、雲共生」（Edge/Cloud AI Mutualism），2025年全球將有5成的終端裝置擁有AI神經網路運算能力，這項預測，也是耐能智慧一直昂首以待的「AI普及化」世界。
耐能智慧創辦人暨執行長劉峻誠認為，所謂AI普及化，就是將原本由大公司所定義的AI應用解放出來，讓一般設備商、甚至是個人都能成為開放平台的參與者。
現在絕大部分的 AI 晶片製造大廠，包含NVIDIA、Intel、高通在內，都針對不同使用場景推出相對應的產品，但耐能卻反其道而行，採「一片打天下」的策略，可滿足車用、安防、門鎖、掃地機器人等設備的不同需求，藉此打入消費性市場。
⏩晶片自研的趨勢愈演愈烈，Amazon告別NVIDIA
MIT重點摘錄：
Amazon最近發表聲明稱，計劃將 Alexa 語音助手的部分計算任務轉移到自主設計的定制設計芯片 Inferentia 上，以便加速任務的執行速度，同時降低成本。此之前，整套流程都是由NVIDIA晶片驅動。
其官方介紹，AWS 雲服務是使深度學習普及到普通開發者，並以低成本提供按需付費服務的頂尖基礎架構。Inferentia 芯片經過特殊優化，以最大程度地提高小樣本尺寸的吞吐量，這對於語音生成和搜索等對延遲要求很高的任務特別有用。
趨勢顯示，愈來愈多的技術公司正在嘗試擺脫對傳統芯片供應商的依賴，轉向自主設計晶片的道路。比如Apple最近推出了搭載自研中央處理器 M1 芯片的 Mac 電腦。
⏩訓練AI模型，究竟需要多少數據？
若水AI BLOG重點摘錄：
訓練AI數據模型時，其實有三個要素，彼此互相影響。分別是：商業問題的複雜度、AI模型複雜度 (Model Complexity)，以及數據複雜度 (Data Complexity)。開始AI的第一步，需要先透過POC概念驗證 (Proof of Concept) 實驗來找答案。
AI數據收集最大的挑戰，在於針對不同型態的命題，會產生不同的AI數據需求，因此需要建立的「數據流」，其中的AI數據處理和數據標註模式及流程也會有所不同。
很多人以為，AI人工智慧開發要做到很完美才行，但根據經驗只要AI開發成本符合預算、AI模型表現可接受（大約做到60-70分），而且結果有助於降低成本，就可以算是達到商業目標。反過來，即使AI模型表現非常好（高達90分），但成本卻遠超出預算，就不建議執行。
⏩新任Google臺灣董事總經理馬大康：未來AI技術將有7大挑戰
iThome重點摘錄：
今年臺灣人工智慧年會上，新任Google臺灣董事總經理馬大康，不僅分享近幾年Google在AI方面的重要進展，並歸納提出7項未來AI技術挑戰與機會，包括建立分散式學習架構、AI偵錯、容錯能力，以及零接觸AI應用新機會等。
針對重要邊緣裝置如手機等，當蒐集資料量不夠多，需要考慮到一些替代方案的可行性，例如以少量資料依然可達到與用大量資料訓練相同或更好地的AI學習結果。
另外，在分散式學習架構下，雲端AI模型必須有足夠的容錯能力，才能在遇到傳輸資料分析不完整時，減少對其學習效果的影響。
⏩換機器人被人取代！Walmart在想什麼？
科技報橘重點摘錄：
零售巨擘Walmart年初才宣布打算在美國 4,700 個商場的其中 1,000 個商場引進貨架掃描機器人，但目前已和合作五年的機器人業者 Bossa Nova Robotics 終止合約。
Covid -19 大流行期間，Walmart電子商務業務急遽增長，讓他們需要越來越多的「人類」員工在商場走道 stand by 處理商品，以滿足線上訂單，現在希望轉向好好運用這些員工來監控產品數量和位置。
這起分手事件，或許可以想成是一間企業在歷史上某個特定時刻的掙扎，而非全然是零售機器人技術的未來發展。
