AI 趨勢新聞精選
【2021/3/4〜2021/3/10】
➡️ ➡️ 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
力抗中俄夾攻 華府AI大戰略出爐
閻紀宇專欄重點摘要：
人工智慧國家安全委員會（NSCAI）的最終報告提出一套整合型的國家戰略，將改造政府組織、調整國家方向、號召關係最密切的盟邦與夥伴，面對競爭與衝突都由人工智慧加速推動的新年代，展開防衛與競爭。
報告中說得很清楚，無論是 AI 防衛抑或 AI 競爭，美國的頭號對手都是中國（俄羅斯其次）。中國擁有資源、商業實力、人才、創新體系、組織力與決心，期望在 10 年內超越美國，成為全球 AI 霸主，尤其是軍事領域。
NSCAI 報告作者主張五角大廈的核心AI（Core AI）預算應該從目前的每年 15 億美元增加至 80 億美元。在 2025 年之前建立AI戰備（AI-ready），將AI整合進入關鍵職能、現行系統、演習行動與兵棋，強化數位基礎設施、人員數位素養、AI 效能作法；同時組建跨部門的「數位部隊」（Digital Corps）與民間的「國家數位後備部隊」（National Reserve Digital Corps，NRDC）。
NSCAI 的報告多處提及台灣，主要涉及兩個層面。首先是以中國針對 2020 年台灣總統選舉大肆散播假訊息，說明AI資訊戰對民主體制與社會的衝擊，並佐證「美中 AI 競爭也是一場價值的競爭」。
其次，美國過度倚賴以台灣台積電（TSMC）為首的亞洲晶片供應鏈（另外包括南韓與新加坡），而台灣又長期遭到中國軍事威脅，因此美國有必要重建自家在半導體業的領導地位與自主態勢，彌補這個戰略弱點。
中鋼AI無人天車系統 自建自用還外銷
iThome重點摘要：
動輒數十噸重的鋼捲，就是中鋼每日例行出貨的產品，這個「沉重」的負擔，要如何來回搬運、加工、出貨？靠的就是被稱為「天車」的重型起重裝置，現在，中鋼一座位於碼頭邊的倉庫中，天車駕駛座內不見人影，這一套標榜無人操作的天車自動吊運系統，就是中鋼早在三年多前，運用多種機器學習技術打造的得意之作。
但是，原先座標為二維座標，缺乏高度座標，無法有效指示天車指揮系統執行，也無法與天車使用的三維座標互相轉換。為了克服這個問題，中鋼在高解析度的攝影機之外，加裝了一部三維掃描器，利用 AI 連結高解析影像與三維座標間的轉換，進而在二維影像上重建高度座標，完成電腦視覺技術的開發。
同時，中鋼也分析數十萬顆鋼捲入庫出貨的過程，在倉儲管理系統中，建立了鋼捲最佳化儲位預測功能，讓每一顆鋼捲能在最少吊運次數與最短吊運距離之下，送達客戶端。不只自建自用，中鋼更將這套無人天車系統外銷到中國鋼廠，2019 年就已經銷售了 12 套系統，去年武漢肺炎疫情期間，更協助客戶導入系統時，遠距為客戶調機、將系統落地。
Stanford AI報告，今年說了什麼？
搜狐重點摘錄：
由 Standford 大學發起的人工智能指數（AI Index）是一個追踪 AI 動態和進展的非營利性項目，旨在全面研究 AI 行業狀況，旨在促進基於數據的 AI 廣泛交流和有效對話。
2021 AI Index 報告極大地擴展了可用數據量，並與大量外部組織合作校準數據、深化該報告與 Stanford HAI 的聯繫。在「技術表現」章節探討了 AI 初創公司如何利用機器學習技術加速 COVID 相關藥物研發；「經濟」章節表明 AI 招聘和私人投資並未受到新冠大流行的嚴重影響，仍處於增長態勢。
該報告還從多個方面展示了 COVID-19 對 AI 發展的影響。例如，對 AI 領域的私人投資額呈現顯著增長，其中「藥物、癌症、分子學、藥物研發」獲得最大比例的投資——138 億美元，是 2019 年的 4.5 倍。
另外，電腦視覺在過去十年裡取得巨大進步，這主要歸功於機器學習技術（特別是深度學習）的應用。新的數據顯示，電腦視覺正在產業化：在一些最大的基準上，表現開始趨於平緩，這表明社會需要制定和商定更難的基準，以進一步獲得測試表現。
與此同時，企業正在投入越來越多的計算資源，比以往任何時候都以更快的速度訓練電腦視覺系統。同時，用於已部署系統的技術（如用於分析畫面靜止的目標檢測框架）正在迅速成熟，這表明將進一步部署 AI。
AI落地商轉2前提：了解情境、掌握對的數據
若水AI BLOG重點摘要：
如何讓自駕車不只是一種想像，而是真的能落地商轉，行駛在台北街頭？Turing 的技術長李昇達表示，從技術到落地，是一段重複試錯的血淚史。最後發展出 3 個關鍵核心技術：電腦影像和現實地圖的虛實整合，動態車體控制以及邊緣運算控制。
拿 open dataset 訓練模型很快就可以有成效，但是，收集、標註數據的基本功，才是真正重要的工作。一開始模型在電腦上 demo 的成果很好，實測卻跑不動。好不容易訓練好模型安裝到硬體上，結果車子還是不會動。後來一陣摸索，才發現問題出在數據，包括到底要在車頭、車尾、車頂裝幾顆鏡頭，要用什麼樣的鏡頭、鏡頭角度怎麼喬，晴天、雨天又要怎麼調整、判讀，才能收集到完整收據。
NVIDIA 曾提出 DRIVE PI(perception infrastructure) 一詞，包含著 Data Factory 及MagLev 兩大模組，強調神經網路透過訓練變強的循環流程，首先須要數據收集和數據標註，不斷反覆訓練及測試，神經網路最終必然會達到我們要的結果，數據處理可以說是 DRIVE PI 很重要的部分。但真正在公司做好前期基礎工。
