摘要： 自李開復認為台灣沒有發展 AI 的潛力一話道出之後，瞬間兩派人馬唇槍舌戰了起來。一派人認為台灣仍可一戰，還有 Appier 等優秀的新創人工智慧公司；另一派人則認為台灣的確在 AI 舞台上沒有伸展拳腳的餘力，應該找尋其他出路。
【我們為什麼挑選這篇文章】自李開復認為台灣沒有發展 AI 的潛力一話道出之後，瞬間兩派人馬唇槍舌戰了起來。一派人認為台灣仍可一戰，還有 Appier 等優秀的新創人工智慧公司；另一派人則認為台灣的確在 AI 舞台上沒有伸展拳腳的餘力，應該找尋其他出路。
而盧希鵬，現任台灣科技大學管理學院專任特聘教授，則帶來了不同的看法「台灣的確沒有發展大 AI 平台的力量，不過小型的 AI 計畫，則可以像螞蟻用數量咬死獅子一樣，讓台灣站上 AI 的風口」。（責任編輯：陳君毅）
文：盧希鵬 / 盧希鵬快樂管院周記實驗室
李開復先生認為台灣沒有發展 AI（人工智慧）的機會，同時 AI 將會取代目前 50% 以上的工作，你認為呢？
我覺得這句話只講了一半，依照過往的經驗，新科技創造的工作數量可能比取代的數量來得多。至少，現在的職業多半是農業時代不存在的。
那台灣有沒有發展 AI 的機會呢？
何謂新 AI：從 deep learning 開始
30 年前（1986 年）我在清華大學向貝諾爾教授學 AI。1992 年，我在美國取得博士學位，回到台灣科技大學教授的第一門課也是 AI。教了幾年，人潮散去、預算刪減，覺得 AI 沒有甚麼產業價值。
這一波 AI 的革命我稱之為「新 AI」，跟 30 年前我學的「舊 AI」是截然不同的。這波革命約從 2006 年的深度學習（deep learning）研究開始。
「舊 AI」的專家往往認為「新 AI」沒甚麼，在技術上只不過是把類神經網路多加幾層，同時將輸入等於輸出，以算出特徵量，在功能上就如同回歸預測與因素分析的差別。
在「舊 AI」的機器學習上， 人類有一項重要的工作是定義「特徵量」。像是在手寫阿拉伯數字辨識上，直接以像素（pixel）作為特徵量；在人臉辨識上，「舊 AI」會先定義人臉的特徵（如兩眼瞳孔間的距離等等）；或是在預測股票時，「舊 AI」也要先定義股票市場的特徵（如基本面、技術面、消息面等變數），再做監督下的機器學習（就是有老師告訴學習結果的對與錯）。
機器學習的好壞取決於人類是否能夠定義出好的特徵量，「新 AI」最大的貢獻就是電腦可以自己找到特徵表達的方式，不需要人類的監督教導，效果卻比人類找到的還要好，麻煩是，人類看不懂 。
「新 AI」嶄露頭角是在 2012 年的一場全球視覺辨識大賽（ImageNet），歷年來世界各地參賽者的圖片辨識率始終在 70%-75% 左右的水準，但多倫多大學隊伍竟在 85% 以上，原來他們用的是「深度學習」新演算法。一個準確率在七成的技術是沒有商業價值的，當達九成以上，許多應用就產生了。像是語音辨識上，Amazon Alexa、Apple Siri、 Google now、Pepper 都是些商業化的例子。
台灣到底有沒有機會發展 AI？
然而這一切「新 AI」的產業化革命，至今不過五年，我認為新 AI 至少會浮現三個機會：
（1）「產生 AI 服務」的大母體
世界上存在著幾家大母體（如 Google、臉書、亞馬遜、微軟、百度、阿里巴巴、騰訊），他們都要搶先成為「新 AI」的作業系統，任何一家的成功，都將讓「新 AI」如 Android 一樣普及。李開復先生認為目前台灣沒有機會的應該是這一塊，不過在過去的歷史中，台灣發展作業系統的機會本來就很小。
（2）「使用 AI 服務」的小前端
在母體上做系統整合，並發展前端應用，像是智慧製造、智慧家庭、智慧醫療等。台灣有許多世界具領導地位的硬體廠商，只要此類商品占有率的數量如螞蟻一樣多，就有機會勝出。馬雲說，能打敗獅子的，是螞蟻。
（3）「設計 AI 服務」的數據化
台灣要善用物聯網感知器，設計自己的數據。與數位化不同的是，這一波 AI 革命要的是數據化。譬如有人在汽車椅墊下布滿感知器，以學習駕駛人坐椅的習慣特徵來成為防盜與防打瞌睡的智能系統；此外，Fintech 的大數據徵信、智能電表產生的能源智能管理，都需要螞蟻數量的數據化。
台灣有沒有發展 AI 機會呢？當然有，因為機會是創造出來的，關鍵在螞蟻的數量，還需要隨經濟（Ubiquinomics）時代的大戰略。
——
轉貼自： 科技橘報
留下你的回應
以訪客張貼回應