若水AI團隊最近聆聽《2021年台灣人工智慧學校中部智慧製造專班課》校務長蔡明順的演講，很有共鳴。我們在產業第一線看到的台灣智慧製造與智慧醫療趨勢，與文中情況相符。今年，若水收到比往年更多的製造業AI數據標註需求，希望導入AI加強瑕疵辨識能力。
智慧醫療的應用也越來越深化，難度更高，往年的數據標註需求主要是X光影像或輪廓較清晰的人體骨骼，但今年有更多CT電腦斷層影像，連續圖資判斷臟器的輪廓等案子出現。
希望這篇文章，帶大家感受科技變革及全球重點AI發展策略，看見台灣產業AI化／AI產業化的現況：AI數據為什麼重要？有哪些AI產業趨勢正在發酵？
助您的AI實踐之路跟上趨勢，更接地氣。
人工智慧並非橫空出世，而是沿著歷史脈絡演進的產物。第四次工業革命期間蒸汽機問世，取代了人力，之後再被內燃機取代。如今進入資訊時代，機器學習也在時代潮流下應然而生。
科技圈流傳著一句話：「現在是軟體吃掉硬體，AI再吃掉軟體的時代」。例如特斯拉汽車由軟體來定義駕駛行為，而軟體開發已不再是人類的專利，而是用機器學習的方式在進行。
過去20年，世界上最大的10家企業其中就有7家是「軟體加上網路」所崛起的企業：Apple、微軟、Amazon、Google、Facebook、騰訊和阿里巴巴。這些企業除了發展軟體及網路，也進一步發展消費性電子，創造出全新的科技經濟、數據經濟時代。
上述產業背後都蘊含著大量的數據。如果說過去是軟體1.0、用人類去驅動的時代，
我們現在就是軟體2.0、用數據去驅動的時代。
科技巨頭的市場布局各有不同，但在發展AI上其實都殊途同歸－人工智慧時代已經來臨了，而且是實際在發生。
過去企業用數據做程序控制或優化調整，產生視覺化統計分析，現在大家不僅用數據做經營分析管理，也開始做數據驅動（data-driven）的彈性決策、AI的自動化控制。
當人工智慧成為全球競逐的國家戰略賽
如今，幾乎所有國家都把AI視為一種國家戰略，與國防安全、民生經濟和產業發展息息相關。
全球二、三十個國家在發展AI的進程，大概可以分成三個梯隊。領先梯隊是中國、美國、英國跟加拿大，第二梯隊是德國、日本、韓國和以下國家，而臺灣大概在10到15梯隊。
領先梯隊的國家中，先來看看美國與中國大陸。
美國在川普時代定義了四個主要的核心科技：人工智慧、先進製造、量子電腦和5G。而中國大陸是五年型計畫經濟，今年進入第14個五年計劃，在人工智慧的佈局上也非常積極，站在「世界工廠」的角度看AI的發展。
早在2015年，中國大陸把人工智慧列為最重要的國家發展戰略，並且以中國製造為優先，後來還發表了《中國標準2035》的紅皮書（紅頭文件是中國最重要的標準文件），對AI的重視程度可見一斑。
目前為止，不管是生態系、應用場景、核心技術、發表的論文量等影響力，中國大陸都稍微超過美國，只有在基礎研究上面，美國可能還掌握優勢。中國大陸的AI發展有99%著重在場景的數據應用，裡面包含一些有限的創新，剩下1%最核心的AI發展科技，其實是由美國所掌握。這也是為什麼，2021年4月到9月，美國成立了很多國安高度的委員會以推動AI的標準制定。
今天台積電被要求去美國亞利桑那州設廠，開始產生製造迴流就可以想像，製造工業其實存在高度的國家競爭力；台灣的量子電腦還在發展中，去年科技部投入80億左右的預算，準備在台南南科附近成立有關於量子電腦的研究，未來發展拭目以待。
當全世界都在積極發展AI，台灣產業走到哪個階段？
過去四十年，台灣產業界歷經4波科技變革。1980年，開始積體電路製造，有了新竹科學園區，創造個人電腦王國。1990年之後，網路資通訊產業藉著個人電腦而風生水起，再加上工程人才的出現，迎接電腦時代、Intel時代來臨。
2000年之後，鴻海等電子五哥風生水起，與美國做出品牌與製造的分工，發展出EMS或代工OEM、ODM，成為良好的商業典範。在這個體系之下，台灣有很多公司到大陸發展，也因為WTO關係取得大量的勞動力。
2000年到2018年之間，先前提到的7家科技巨頭陸續出現、壯大，帶來全新的數位經濟，大陸成為了世界工廠，但可惜的是台灣錯過了一個關鍵時代，造成了低薪與台灣產業結構難以轉型，那就是「軟體時代」。
這段歷程帶我們看見，時代的變革從來不是單一技術堆疊而成，而是複合式的技術堆疊。人工智慧也是。
如果沒有大數據的鋪墊，沒有高速電腦和演算法技術的突破，人工智慧也無法得到這麼大的進展。所以人工智慧不是單一的技術，背後還有大數據、物聯網、區塊鏈等等。
正如馬克吐溫說：
「歷史不會重演，但會押韻，總會有驚人的相似。」
不再霧裡看花：什麼是AI、數位轉型和AI產業化？
對於已經到來的AI浪潮，大家應該既期待，又感到疑惑。AI到底是什麼，該怎麼用？
其實現今的人工智慧，其實有很多是被過度包裝的。很多人以為只要能做程序控制或視覺化呈現就是AI。但如果要嚴格定義AI，需要具備可分析、可學習（learning）、可推理、可決策的特性。
要判斷哪些產品和服務可以稱為人工智慧，有沒有「learning」很重要，不管是監督還是非監督式學習，一定會有數據和建模的動作。再來要看，模型建完後可不可以調整？可不可以做推理和決策？
另外有些人會問，我的人工智慧可不可以一步到位，還是要有發展路徑？
關於這點，其實要看你希望做到什麼程度。如果只是RPA（Robotic Process Automation）流程機器人，應該不會太困難，但如果你希望建立數位孿生（Digital Twin），或是做到虛實整合系統，沒有數位大腦和數據，大概做不來。
從標準化到智慧化是一個累積的進程，需要循序漸進。我們常聽到的，
數位化、數位優化、數位轉型的差異是成熟度不同、運用的數位能力高低，
以及能否帶來新的商業模式。
許多台灣企業還在數位化與數位優化階段，尚未到達數位轉型的終極目標，所以如果要做，建議先把數位優化做好，提升台灣競爭力。如果一下子就要做到數位轉型，或人工智慧落地，就像要求一位還沒有辦法跑完半馬的選手，去跑完全馬一樣，其實有點操之過急。
我們常常聽人家講「做AI」，其實分成「AI產業化」和「產業AI化」兩種方向。
所謂AI產業化是「AI+」的概念，AI本身作為一種可販賣的產品或服務，形成商業模式。例如台灣知名的獨角獸公司Appier，專門在做Martech網路行銷行為分析。台灣有許多新創的商業模式不受限於台灣市場，而是往南向國家或東北亞去，還有一些是因為疫情從美國矽谷回來，在台灣創業之後又回到矽谷。
而產業AI化則是「產業加上AI」的概念，基於原本的製造業、零售業等產業進行人工智慧化，例如做成無人化、燈塔工廠，或是智慧零售商品辨識等等。
產業AI化發展好，將來其實有機會變成AI產業化。例如從精密機械製造，轉成智慧精密機械的服務租賃，變成訂閱型經濟的商業模式。
只不過這樣的發展路徑比較長，因為AI產業化用的很多都是網路上的open source開源數據，可是產業化的領域知識難度高、需要專家知識判斷，數據不容易收集。
台灣的產業AI化之路走到哪？談製造、醫療、自駕車與金融業
高科技、製造或行銷，無論什麼產業，只要和華人有關，台灣都會是很好的測試市場(Test Market)，但並不是每個產業的AI在台灣都能發展得好，例如智慧零售可以做，但台灣的市場規模和數據量，可能比不上一個上海市。所以，數據的質與量，資安與個資管理、與有能否有相對應的配套法規，都是關鍵元素。
我們可以仔細看幾項台灣產業的專長，比如說智慧醫療。智慧醫療的領域很廣，包含從醫院的管理、醫療、影像、臨床、病理一直到基因資料庫。
台灣這個總人口2300萬人的小島，實施了25年的健保，有大約2萬家診所、500家醫院、23家醫學中心，醫療的醫生水準非常高，大概可以排進全世界前三名。不只健保資料庫，還有累積了幾十年的中研院基因資料庫等，這顯示出我們的醫療算是先進，有一定的能力，但是要保持領先，我們還有更多的路要走。
許多電子大廠看到這個機會，也知道全世界的科技巨擘對台灣的醫療很感興趣，所以它們都有在醫療領域布局。如今，代工大廠不只發展事業體，還買了醫院和診所在建構智慧醫療生態圈，為什麼？因為它需要場域和醫療數據去做試驗。
但智慧醫療涉及到人和生命安全，不是那麼容易做。而且許多罕見疾病也不如我們想象，有那麼多的數據可以做機器學習。很多醫療數據，特別是影像、電子病歷、ECG訊號，都涉及個人隱私，所以全世界在做醫療的創新，科技業投入的力道很大，但是得到的回報卻不高。
今年8月，Google宣布退出醫療市場，但其實不是真的退出，而是把團隊重組。事實上，很多的臨床護理，包含基因精準醫學的發展，都需要用人工智慧來進行突破，所以我認為，醫療雖然困難，仍然是人工智慧未來很重要的發展方向之一。（延伸閱讀：Google 發展 AI 智慧醫療，反拖累醫療流程）
我們接著來談智慧製造。我想大家最關心的，大概是現在台灣的智慧製造的AI應用，到底走到什麼階段了？
近年，我看見相對成熟的主流AI應用，主要有幾個：AOI瑕疵檢測，PHM故障預測及保養，預測生產的品質和穩定度的控制（也就是參數組合最佳）。
德國、美國、中國很早就在推智慧製造，日本與韓國也是，不過台灣在這一兩年的疫情之下，我感覺有慢慢地找出一個突破口。
要做智慧製造的關鍵，除了雲端還有地端(邊緣端)，特別是需要低延遲、高速傳遞，不能有任何資料傳輸的延遲。AIoT的邊緣運算日益重要，而台灣正好掌握了半導體核心晶片，所以我們才會常聽人說，台灣如果要發展邊緣運算可能是最有利的。
假設你的公司具備國際色彩，光是要招募台灣人才就不夠用，更無法輸出人才到國外去管理更多工廠，這時候你該怎麼辦？
你要用智慧製造，盡可能用智慧工廠來做生產管理。這也意味著，上下游供應鏈的設備或者機械都需要導入AI，甚至要能夠產出數據、介面、產業標準，未來才有辦法與供應鏈對接，我想台灣的目標，是希望形成亞洲的高科技高階製程中心與半導體的先進製程中心，但同時很重要的是，我們還需要讓整個製造產業普遍性的升級，才有辦法做到這些。
而智慧金融，大家應該可以感受到近年金融行業正在質變，不是行業內的顛覆，是來自行業外的顛覆。這就是為什麼這個行業現在要找的不是銀保系、經濟系或財稅系的人，而是在找理工科系、資工系的人，因為他們需要大量的程式開發。
綜合以上幾個產業的快速一覽，我最後想拋出一個問句。我想無論哪個產業要導入AI，重點都在於思考：
如何把產業內的隱性知識顯性化，把顯性知識數位化，再把數位知識AI化？
下一篇，我們會繼續來談台灣的AI產業有哪些機會點，或許可以如何思考未來的戰略發展。下回見！
💡 延伸閱讀：
1. AI專案一直卡關，為什麼？
2. 2021年台灣人工智慧年會分享：數據核心AI的時代來臨！AI大神們這麼說
3. 3分鐘精華地圖：從數據的角度，看成功AI專案不可缺少的關鍵策略思維
