文／天下編輯部
2018天下經濟論壇夏季場，首度邀請台灣人工智慧學校執行長陳昇瑋發表「台灣產業AI化：如何跨出第一步？」專題演講。專精於大數據分析、人工智慧、計算社會科學及多媒體系統的陳昇瑋先生曾期許要讓「人工智慧在台灣深化，帶動台灣產業發展！」
以下是台灣人工智慧學校執行長陳昇瑋演講的全文記錄：
------------------------------------------------------------------------------------
科技日新月異，1969年成功帶三位太空人上月球的阿波羅11號，用的電腦運算速度只有2013年、iPhone5S的一千三百分之一，這是非常巨大驚人的進步。我們通常都用摩爾定律來描述半導體技術的一日千里，每兩年IC的電晶體數量會倍增，但大家可能會忽略，同時還有一個技術快速成長、比摩爾定律還快的，叫做機器學習。
過去十年，機器學習受到全球研究者的關注，不論在論文數量、研究成果、專利數量上都快速成長。
什麼是機器學習？它是「讓電腦從經驗裡面萃取規則」的演算法。從前沒有機器學習的時代，如果我們要讓電腦辨認人講什麼話，就要讓工程師看很多資料、看很多規則。例如，我們講「你好」時看聲波長什麼樣子，然後想辦法寫出規則來，但問題是，不同的人講同一句話會有很多不同的樣子，後來發現要訂出規則非常困難、而且有很多例外。
事實上，日常生活的問題更困難，我們懂得比我們能表達出來的事情還多，有時候我們說這氣氛怪怪、這人看起來怪怪的，但我們講不出來為什麼，我們知道有些人比較會談判、殺價，但你叫他把規則寫出來，他寫不出來。我們會游泳、會吹口哨，但是你用講的、要教會另外一個人是非常困難的事情。也就是因為這個人類的限制，所以我們的前兩波人工智慧的浪潮都失敗了。
第三波AI浪潮：機器學習
我們現在是在第三波的人工智慧浪潮。人類史上第一波的人工智慧浪潮是在1950年到1970年，試著用邏輯推理，但是後來發現我們沒有辦法把所有的推理原則寫進電腦。第二波是知識表達，後來發現沒有辦法把我們對宇宙的所有知識寫進電腦裡面，因為我們還有很多特例、很多情境的考量。
因此我們這一波人工智慧講的是機器學習，也就是說今天如果有人不懂機器學習，你就不懂這一波的人工智慧。這一波人工智慧跟前兩波差別最大在哪裡？就是我們放棄教電腦規則，他自己學。即使你懂很多事情，我們這波人工智慧講的是，你不要跟它講你怎麼做的，我們就是寫一個機器學習的演算法。如果你要讓它學會人在講什麼話，你只要給它很多資料，讓它使用這個演算法去找到規則，之後再用這個規則自己來判斷。
有趣的是，機器學習找到的規則，跟人類工程師訂出來的規則很不一樣。例如要判斷0到9號，如果是我們要判斷9這個字，人類訂出來的規則，它會找出一個完美的9，然後跟它比對愈像愈好，但是你可以看到電腦找出來的規則，這個規則是用來判斷9的規則，它會說如果我上面這個圈，我就認為是9，下面的腳，我不管它。為什麼？有三個原因，第一個是，這個上面的圈，只有它有、別人都沒有，它是9的關鍵。第二個是下面這隻腳，別人也有、7也有、4也有，容易跟別人混淆。第三個是同樣在寫9，有的人的9是歪的，有人寫的腳是直的，還是很容易會誤判。
除了人臉辨識，還可偵測病變、找癌細胞
現代的機器學習演算法非常的複雜，例如做人臉辨識，以前如果是人類想像要教電腦去看兩眼之間距離、人中的高度、嘴唇的寬度等，但是現代的機器學習演算法非常複雜，有規則性的規則、有階層的規則，例如第一層的規則，是看你臉上的線條、線條的組合、五官部件的組合，這些會組出不同的臉型，然後再回頭看每個規則的權重，用這些權重來判斷，是不是上次看過的那一張臉。
這麼複雜的規則，缺點就是人類沒有辦法解釋，我沒有辦法解釋為什麼它的規則是長這個樣子，但是問題是它很準、非常的準，比以前用第一波、第二波人工智慧、我們想盡辦法寫出來的規則更準。
這些技術我們現在可以做很多事情，可以做到人與物與行為之間的辨識，然後可以做到人臉辨識、眼底視網膜病變的偵測、用病理切片來找到癌細胞的位置，比病理學家做的結果準得多。沒有一個行業你找不到充滿潛力的人工智慧應用，所以我們是處在一個非常關鍵、非常讓人興奮的時代。
往回看，我們過去20年，經歷了很多的IT趨勢，mobile computing（移動運算）、social computing（社會運算）、cloud computing（雲端運算）、IoT（物聯網）、big data（大數據），現在來到AI（人工智慧）。往未來看，有量子電腦在哪裡，但它不會那麼快。
人才、資料、找問題，缺一不可
去年3月，我在中研院的校園遇到了哈佛大學教授孔祥重，他也是中研院的院士，他老是在說台灣已經40年沒有新的產業，這一波人工智慧如果再不把握的話，下一個機會真的看不到在哪裡。他說服我們一起用人工智慧來幫助台灣，列了一個名單，從石化業開始，然後電子業、工具機業、農業、紡織業、半導體業，一家一家去拜訪。
我們跟他們討論，你們今天要發展AI，遇到什麼樣的問題，我們可不可以來幫忙？大家遇到的第一個問題就是缺乏人才，缺有經驗的人才。
第二個，有了人才之後你的資料準備好了嗎？機器學習就是需要資料，資料沒有準備好，有人才是沒有用的。
第三個，有時候根本找不到問題，工程師沒有理解整個集團的全貌，不知道真正關鍵的問題在哪，他只能解決他面前機器的問題。
最後一個大問題就是，懂得機器學習、有十年經驗以上的人，統統都在學術界，但是產業界與學術界中間，只有一條微弱的產學合作，其實不夠，沒有辦法幫他們的能力貢獻出來。
同時我們在拜訪這些業界的途中，也整理出台灣從製造業開始、產業所面臨的共同問題。
第一個問題叫瑕疵檢測。我們拜訪了所有製造業，非常驚訝地看到每一家公司都有一堆人，從幾十人到幾百人，用眼睛在看他的半成品跟成品中間有沒有瑕疵，不管是金屬表面的瑕疵，或是做玻璃、印刷電路板、IC組裝、或是牛仔布染色的瑕疵。第二波人工智慧做的診斷不夠精準，因此非常適合用這新一波人工智慧來解決問題。
第二個溝通挑戰叫自動流程控制，你只要有機器就會有參數，只要有參數就需要人來調，但是我們用人來調其實會調不好。例如某一個化工業的製程，落到某個範圍之間的叫良品、這段範圍叫良率。如果這個時候我們可以用機器學習來調整參數，良率就可以到98%。
第三個共同挑戰是，我們不希望機器在製造到一半的時候壞掉，所以我們要提前知道機器會不會壞掉，另外還有耗材的問題，我們不希望耗材太早換掉，因為太早換掉是浪費，太晚換掉良率就降低。要如何預測什麼時候耗材會剛剛好壽命結束，才不會產線停擺。
第四個問題是原料組合，只要是製造業都會遇到原料的問題，一個產品一定是多個原料組成的，像染整業都會遇到一個問題，客戶要這個顏色，但我有一百支染料，要挑出其中哪三支；那每支多少濃度，調出來才能剛剛好就是這個顏色。從前的方法就是用軟體模擬加上老師傅的經驗，但現在用機器學習，成功率可以在一、兩個月內把它提升到95%。
每個產業，都亟須培養AI大軍
我們組了一個團隊，大概20個人，在六個月內幫助十幾家公司各自解決一、兩個問題。如果我們是一個AI公司，那我們是非常成功的，但是如果我們要幫助台灣的話，那問題很大，因為它不夠規模。台灣有130萬家中小企業，我們怎麼能靠一個團隊來幫助他們？所以我們要回頭檢視該怎麼做，怎樣把能量放大。
這些問題是關鍵中的關鍵，就是人才的問題。因為在去年，全台灣根本沒有超過一千個人可以做這件事情。若把這個能量放大的話，才有可能幫助到整個台灣。因此我們就決定創一個學校，叫台灣人工智慧學校。
我們開宗明義就講這個學校叫做「產業AI化的軍校」。我們各種既存的產業，每一個產業都需要一個懂AI的人，而且不只是工程師，還包括經理人，所以我們需要大軍，需要大量的、系統化的快速培養人才。
【延伸閱讀】
讀者迴響