圖片來源:台灣人工智慧學校

AIA蔡明順校務長演講(上):台灣AI產業化與數位轉型,走到哪一步?

文/ 若水 Flow AI Blog 編輯團隊

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,而是復合式的技術堆疊。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

【3分鐘看AI大事:元宇宙對人類發展好嗎?/與外國人輕鬆對話的時代就要來了 】

【這周產業重點不能只有我看見:日本又美又聰明的公廁/這兩人的聲音讓AI很難學 】