受訪者：黃彥男，IEEE Fellow、中研院資訊科技創新研究中心特聘研究員兼主任

時間：2019年10月16日 上午09：30-11：00

地點：資訊科技創新研究中心

整理：張運宗

 

【編按】9月24日，AI專案院系年度計畫複審會議特邀黃彥男主任擔任評審。其曾任資訊工業策進會（III）副執行長、威達雲端電訊公司（VeeTime）總經理，現任中研院資訊科技創新研究中心（CITI）特聘研究員兼主任、中研院智慧優網（IoT）專題中心執行長、臺灣物聯網產業技術協會（TwIoTA）、車聯網委員會召集人、科技生態發展公益基金會董事、亞洲物聯網聯盟（AIoTA）榮譽理事長。

 

 

　　DDS提出和東海合作的AI專案，我覺得是很好的idea。AI的確是個浪潮，某個方面來看，大家都還在摸索、發展，無論基礎面或應用面，還有好多事情值得嘗試，所以需要大量的資源投入。

 

　　資金挹注是首要的事情。接下來，「人」是最重要的因素，關鍵在於能否提供足夠的誘因吸引好的老師、研究、技術人才進到AI中心。另外一個因素是「產業」。AI主要是在應用，產業端的連結很重要。東海有很多校友，或許比較容易快速形成合作，如果能夠聚焦在一兩個問題上，產生一些正面的新聞，讓大家看見東海的貢獻，就會吸引更多資源的投入。

 

　　第一年滿重要的，如果能聚焦且做出一兩個亮點，就會慢慢有些凝聚的效果，很多人才、資源就會往東海集中。

 

 

跨領域、區域產業

 

　　上個月AI專案院系年度計畫複審會議，我看了全部的提案，有許多不錯的計畫，但還是以學院為主。當時我提出一點評論，若要非資訊領域的院系老師或學生現在學AI專業知識，不是太遲，就是不夠深入，最好是和資訊相關領域合作，因為很多問題其實是跨領域的，不是單一院系可以解決。如何從院系起步，再進行跨院系的合作？這是接下來要努力的方向。

 

　　我有一個建議，最好有一個AI Center，集結不同院系的老師，可以有不同的domain，但是model、algorithm的建立還是應該交給資訊相關的人。畢竟，想要做出好的教育、研究成果，一定要夠深入，這並非只是學會使用工具就能做到的，也不是每個院系開設AI課程就能解決。關鍵是如何發展更深入的algorithm model，可以套用到不同的domain problem，以鼓勵成立大型的整合型計畫。

 

　　另一個就是區域特色，台中可能就是精密機械製造業，或雲林、彰化的農業，例如透過IoT、物聯網蒐集大數據，找出一兩個可以應用的對象，產生足以在媒體、學術期刊曝光的成果，東海在AI的可見度就會提升，也容易吸引到外界的資源，愈滾愈大。

 

　　目標與執行模式很清楚後，接下來的重點是要發揮影響力，當東海做出一些亮點，有些知名度之後，應該對外開放，透過大型的計畫，由東海作PI（Principal investigator），Co-PI則歡迎外界的老師、學生共同參與，擴大影響力，產生群聚效應。

 

 

資金、策略、聚焦

 

　　若從大的環境來觀察AI中心的設立，現在科技部給的AI創新研究中心計畫，主要是放在北部台清交和南部的成大，沒有中部。其作法幾乎都是支持大型的整合型計畫，鼓勵跨領域合作，並給比較高的主持人費，這是很好的誘因，吸引老師投入AI；東海老師的素質不錯，缺的是動機和資源，或許科技部的做法值得借鏡。

 

　　乍看之下，科技部投入大量經費支持AI大型整合型計畫，但裡面分散成許多中、小型的計畫，且彼此間缺乏合作，仍擺脫不了單打獨鬥的模式。距離台灣成為AI重鎮的目標，實際上還有很長的一段路。

 

　　相對來看，東海成立AI中心，DDS願意幫忙，東海看起來又有決心要往AI這條路走，這是很好的起步。初期的策略定調很重要，最擔心的狀況就是，這個計畫變成大家分錢工具，違背初衷。所以，東海透過甄選、複審，並整合結果，這是很重要且有效的做法。接下來，就是定期審核，大家會比辛苦一點，但想要成功，給壓力是必須的。

 

　　我想，東海的AI中心有資金、有策略、有聚焦，應該很有機會成為中部的領頭羊。

 

 

Proactive的必要

 

　　產業面對AI轉型，最重要的是其機器、設備蒐集數據，運用這些數據進行判斷、預測。舉個例子，自動化或許可以解決人力短缺的問題，但機械的製造需要很多技術與知識，所以很多工廠非常依賴老師傅長年經驗累積而來的技術知識。問題是老師傅的薪水很高，姿態很高，還容易被挖角。那麼，能不能把這些長年經驗累積而來的技術知識轉成數據化呢？如果用AI進行判斷、預測，類似「老師傅」的問題將不是問題，公司所需的資料都在數據化model裡面，許多參數可以透過數據捕捉，還可以不斷重複、調校，其結果可能AI甚至比人更聰明，做得更好。

 

　　其實，產業都有因為AI而帶來的轉型壓力，例如面對激烈的國際競爭，大家都在談AI，如果不提供相關服務，甚至轉型，必然欠缺競爭力。整體來說，大家都感覺需要AI，但不知道AI該如何應用。這就是東海可以扮演的角色，讓產業知道如何應用AI。

 

　　舉個例子，過去台灣製造的精密機械極具優勢，近年來競爭力卻逐漸下滑，打不贏德國、日本的大廠。大家開始發現，不是機器便宜就好，對方的機器或許必較貴，但能夠降低公司的營運成本。為什麼？

 

　　傳統產業面對問題的行為模式往往是屬於「Reactive」，被動的事後處理；AI的能力之一預測，可以讓處理問題轉成「Proactive」，主動的事先預防。德國、日本很多大廠生產的機器就主打Proactive，當機器出現問題時，AI已經及早預測，零件同步送達，無縫接軌。不僅可以讓機器主動維護以使用更久，更不會出現等待修復的生產空窗期。所以，機器初購的成本或許比較高，但整體的營運成本下降了。

 

　　無論「老師傅」，或是機器，AI的預測與判斷能做得更聰明、更正確、更精密、更可靠，公司如果不朝往AI發展，將很難有足夠的競爭力了。

 

 

客製化對人才的需求

 

　　AI預測、判斷的優勢能有效地發揮，必須回到最基本的問題，如何數據化？產生有效的Model？原來的數位化只是把文本資料轉成數位，但AI所需的數據化遠遠不只如此；一台機器的溫度、震動、電流、電壓、溫度、噪音，諸如此類，舉凡機器運作過程中產生的各種變化都是數據的一部分，而不同的機器就會產生不同的數據。

 

　　從「客製化」的過程來看，許多問題不是單純的資訊人員能夠處理，數據的意義和有效性必須由Domain的人解釋。這也就是為什麼跨領域很重要，我們談的許多事情，都不是單一領域可以解決的問題，Domain才知道要蒐集什麼樣的資料，交給資訊設計、調整model，然後再回到Domain，判斷結果是否正確。

 

　　數據化的過程，不是出現一個AI平台來解決所有的問題，更多的是，必須有個專責部門為每台機器「客製化」，同時不同的Domain有不同的問題。正因如此，業界需要大量的AI人才。這是東海切入產業的契機。

 

 

AI的期望與想像

 

　　這幾年AI會如此熱門是因為深度學習（Deep Learning）。從電腦出現不久，1950年代AI（Artificial Intelligence）一詞就被提出來，此後電腦可以取代人腦的議題出現好幾波的發展浪潮；每次都是期望很高，失望很大。AI有好幾套Machine Learning理論，Deep Learning能在近幾年異軍突起，最大的突破在於影像辨識（Image Recognition）和語音辨識（Speech Recognition），兩者的應用非常廣泛，包括高科技半導體、醫療的MRI（Nuclear Magnetic Resonance Imaging，核磁共振成像）、傳產板金、對話機器人，甚至引起話題的Alpha Go等等。

 

　　現在的AI只能做Domain提供的數據，Alpha GO只會下圍棋，不會下象棋。但是大家開始對AI產生很多期望，想著，如果我有很多數據，過去我必須找出數學model進行預測，現在有了Deep Learning，我就不需要費心建立model，只要調整參數，就能產出預測，說不定還更準。例如，AI能做預測，那麼是否能做各種不同的預測？例如，過去氣象預測是依據流體力學的model，哪麼能否蒐集過去颱風的數據，透過AI進行更準確的預測？不知道，但已經有人在嘗試。有的公司在聘用人才時，也嘗試運用AI預測會不會成功？貸款會不會還錢？

 

　　不同領域會針對不同問題，盼望AI能夠提供有效的預測。是不是每個嘗試都會成功？這是一個演化問題，答案還是問號。

 

 

Brainstorming的平台

 

　　近幾年AI這個名詞有點兒被濫用了。很多提案是把原有的東西用「AI」包裝，並沒有創新的成分。但AI的發展還在摸索階段，這種狀況的出現也無可厚非。

 

　　其實AI的發展粗略分作「弱AI」（Weak AI）、「強AI」（Strong AI）。「弱AI」是我知道問題所在，告訴機器何者正確，也就是常說的Machine Learning。但是，人做很多事情是沒有數據的，是憑經驗做邏輯判斷，這個能力AI並不具備，一旦AI做得到，就是所謂的「強AI」；跳脫Machine Learning，與人的思維模式差不多了，也是1950年代John McCarthy^註等人迄今的夢想。

 

　　不難理解，目前的發展都還在「弱AI」階段，且僅成功了一部份。但「弱AI」能成功是拜電腦硬體技術突飛猛進之賜，這就足以讓「強AI」的夢想出現一線曙光，大家開始產生期望與想像，如果電腦硬體持續進步，是否能夠突破到「強AI」，讓電腦像人一樣進行「推理」，進入真正的「AI時代」？

 

　　無論「弱AI」或「強AI」，AI的發展對生活必然帶來很大的改變，一定會有幫助，但也會產生很多問題，不當的使用會產生更大的問題。現在慢慢發現，AI預測的結果是有問題的，真正的危險是，我們不知道有問題。例如，人臉辨識帶來許多道德、隱私等法律、社會的問題，但可能我們還不知道如何探討這些問題，因為這是學者專家從未涉足的研究新領域。如此一來，這些問題可能足以讓許多AI相關計畫中止，遑論進入「AI時代」。

 

　　如果想進入「AI時代」，腦力激盪（Brainstorming）很重要。資訊人員不知道Domain的問題，Domain人員不了解資訊人員的能力，因此非常需要大家常常坐下來聊一聊，Domain提出各自想要解決的問題，學AI的人一起思考AI能夠做什麼。這是一個很大的挑戰，如何組織不同Domain一起腦力激盪，本身就是很不容易的事情。或許大渡山學會就是一個很好的平台。

 

 

聚焦、嘗試、機會

 

　　回到現實面，目前AI的發展仍以Machine Learning為主，從學理來看，其model幾乎已經開發完備，主要都在針對不同Domain進行應用的調整。許多學校都拼命買硬體，但硬體都很貴，一兩年後一個升級又不能用了。其實model已經開發完備，並不需要浪費資金盲目追逐。

 

　　真正的關鍵還是「人才」。若聚焦到教育層面，我覺得，每個人都要有AI的概念，但是不是每個人都需要懂得AI關的工具？這就不一定了。就好像現在各種報告都需要藉電腦呈現，所以我必須懂得WORD、PowerPoint、Excel之類的工具的功能，才知道自己的想法應該透過哪種工具呈現。但我並不需要知道如何設計這些工具，甚至我也不必知道這些程式的操作細節，只要知道需要什麼，再請專業人才操作就行了。AI的道理也是一樣，知道其能力所在，知道應該給予何種數據，才能得到何種結果，然後和相關人員一起合作。

 

　　舉個例子，學生都要學數學，但日後的生活、學習許多方面是不需要數學的，但數學可以讓人具備某些邏輯思維之類的能力。AI呢？是否具備同樣的基本能力？我覺得未必然。以Deep Learning為例，基本上就是一個工具，一般人需要的是了解其概念，而不一定需要學習操作、設計。

 

　　無論教育或研究都是同樣的道理，所以，審查東海關於AI專案院系計畫的時候，發現每個院系都希望建立AI相關的課程、師資，其實這是沒有必要的，應該和資訊相關領域合作；許多學校也不侷限在原有的資訊科系，而是拉出不同領域的研究所或中心來進行整合。或許這也是AI中心應該努力的方向。

 

　　AI應該還有3至5年的熱潮，因為不同領域都在進行不同的嘗試，然後某些產業會因為Deep Learning而快速或高度發展，某些領域則找不到突破口而冷卻，或許是因為數據不足，但更多的原因是許多問題無法依賴數據來解決。「熱潮」的興起，正是因為很多的問題得不到答案，所以大家都想嘗試，這就會出現機會。如果東海在介入嘗試的過程中，找到一兩個答案，就會一炮而紅，建立領導的地位。

 

 

註： 1956年8月31日尚為達特矛斯學院（Dartmouth College）數學助理教授的John McCarthy邀集哈佛大學初級研究員M. L. Minsky、IBM信息研究經理N. Rochester、貝爾電話實驗室的C. E. Shannon等人發起「達特矛斯夏季人工智慧研究計劃」（Dartmouth Summer Research Project on Artificial Intelligence），AI一詞於焉誕生。

 

 

 

 

 

---