產業AI化在台灣的發展具備無窮潛力，我國除可善用IC設計產業之優勢外，並可結合關鍵技術在智慧製造、智慧商務、智慧醫療與智慧交通等利基領域。未來百花齊放的AI必定也會發展出更多樣且更能協助人們改善工作與生活的技術與服務。
人工智慧(AI)時代即將來臨，產業AI化日趨多元。據產業研究機構Research and Markets估計，2018年全球AI市場規模約214.6億美元，至2025年可望超越1,900億美元，CAGR約36.62%。另外，Tractica預測，未來數年全球AI軟體市場可望快速成長，至2025年可達368億美元。而AI軟體還將帶動相關之雲端運算、感測裝置、運算裝置及服務等市場，使得商機更為可觀。
近年來，產業AI化在台灣的發展具備無窮潛力，我國除可善用自身IC設計產業之優勢外，並可結合關鍵技術在智慧製造、智慧商務、智慧醫療與智慧交通等利基領域，匯集新的產業聚落。有鑑於此，2019 TAICS標準論壇特以「產業AI化應用發展趨勢」為主題，從全球產業觀點切入，探討人工智慧技術發展與產業AI化於台灣應用之實證成果。
台灣資通產業標準協會(TAICS)秘書長周勝鄰表示，「AI產業化」與「產業AI化」是AI產業發展不可或缺的二大主軸。儘管AI產業應用面仍在發掘中，不過，產業AI化在台灣的發展有無窮潛力，展望未來，該協會除將持續引領產業掌握最新趨勢標準外，也期待能結合各種關鍵技術，找尋資通訊產業切入利基，落實產業交流平台宗旨，持續討論各項新興標準議題，協助台灣相關產業的推動與健全發展。
台灣杉二號建立國家級 AI平台
AI的訓練與推論需要依靠強大的運算能力來支撐，科技部組成AI國家隊，打造出AI運算的超級電腦「台灣杉二號」，並以台灣杉二號為基礎，再完成台灣AI計算雲TWCC運算服務平台，國家高速網路與計算中心主任史曉斌(圖1)指出，平台可以提供快速運算能力、大量儲存空間及安全網路，也整合國內各界發展的AI程式和工具，希望能成功扮演國家AI平台與基礎建設的角色。
圖1 國家高速網路與計算中心主任史曉斌指出，由台灣自主的超級電腦「台灣杉二號」，希望能成功扮演國家AI平台與基礎建設的角色。
一般超級電腦以每秒浮點運算次數(Floating-point Operations Per Second, FLOPS)決定電腦運算能力，史曉斌說明，台灣杉二號以9PFLOPS(每秒執行一千兆次浮點運算)擠進世界超級電腦排名第二十，能源效率達11.285 GF/W，計算量在9PFLOPS時，用電798KW，亦為台灣史上最節能的高速計算主機，能源效率為全球第十；由國網中心負責設計監造，廣達負責AI運算及資料儲存平台，華碩負責雲端服務平台、雲端伺服器和AI應用整合，以及台灣大哥大負責機房建置和電信級資安維運。
台灣杉二號由252個節點組成，每個節點包含兩顆CPU及八顆最先進GPU，主機架構設計與國際趨勢同步。在運用大數據進行深度學習運算時，可表現出更優質的性能；是科技部「AI小國大戰略」中重要的一環，建置AI雲端運算平台，目的是建構國家級AI研發與雲端服務環境，做為國內發展人工智慧的重要基礎，未來主機的50%運算資源提供給政府所主導之智慧機器人、自駕車實驗場域、AI創新研究中心等前瞻計畫與學研界使用外，另一半之運算資源將提供創新產業使用，激盪人工智慧應用於金融科技、智慧製造、智慧醫療/健康及智慧城市等領域。
投入AI提升產業競爭力
AI在全球颳起一陣旋風，微軟台灣首席技術與策略長丁維揚說，科技龍頭紛紛將AI視為策略發展重點，微軟也投入許多資源在視覺、語音、語言等領域並開創指標性的成就。2016年，該公司使用ResNet 152層架構讓影像識別正確率達到96%；2017年，將語音識別的錯誤率降到5.1%；2018年3月，機器翻譯正確率達69.9%；同年1月，機器閱讀理解正確率達88.5%，都能達到人類的水準甚至超越。
微軟並持續將這些技術成果導入產品與服務中，丁維揚舉例，將語音辨識技術整合在Office軟體中，可以讓產品更聰明。而過去透過雲端伺服器提供的大量運算能力，建構智慧雲(Intelligent Cloud)，AI迅速滲透到各領域與應用，也帶動智慧邊緣(Intelligent Edge)的發展，Cloud AI持續往Edge AI發展。
丁維揚並分享了IDC亞太國家AI調查報告，AI之所以備受矚目，是因為其將創造全新的格局與機會，包括提升創新力2.4倍、提升生產力2.5倍，提升組織競爭力2.2倍，因此越來越多企業導入AI。微軟也計畫近期投資台幣10億元，建立百人研發中心團隊，並將持續擴充此研發中心的能量，目標是在五年內，招募培育超過200人以上的台灣AI研發團隊。
邊緣運算降低AI運算資源耗費
AI發展以來，人們發現深度神經網路(Deep Neural Network, DNN)可以發掘物件的深層特徵，於是透過複雜多層次的網路架構達成高精確(Accuracy)的AI，聯發科計算系統研發本部總經理陳志成(圖2)解釋，精度與運算能力正相關，在Cloud AI的架構底下，還需要耗費大量網路頻寬與記憶體。從神經網路架構的發展歷程(圖3)來看，2014~2016年透過高複雜度的網路層數與運算效能追求精度，但很快便發現這樣的AI並不「經濟」。
圖2 聯發科計算系統研發本部總經理陳志成解釋，AI的精度與運算能力正相關，在Cloud AI的架構底下，需耗費大量網路頻寬與記憶體。
圖3 神經網路架構發展趨勢
資料來源：聯發科技(2019)
到了2017年，邊緣運算的興起，陳志成進一步說明，MobileNet這類運行在終端裝置上的網路，以降低網路複雜度為主，所以需要的運算、記憶體、網路頻寬等資源也大幅下降，但精度也只從ResNet V2的80.4%下降到70.9%，2018年的MobileNet V2持續縮減網路複雜度與運算需求，但將精度再度提升到71.8%。透過此一趨勢，聯發科將邊緣運算導入手機晶片，用在改善行動電話拍照的影像品質。
資料品質與應用優劣密不可分
AI的發展帶動新一波創業熱潮，近來新創公司也多以人工智慧為發展重點，各式AI新創公司如雨後春筍般冒出頭，BravoAI創辦人兼董事長趙式隆(圖4)提醒，AI的應用領域知識很重要，如果資料品質不佳，導致AI的訓練出現偏差，就無法產生好的模型，人工智慧的基礎是工人智慧，也就是透過資料的標註與分類整理，讓資料的品質提升，單純為AI而AI的應用多半會以失敗收場。
圖4 BravoAI創辦人兼董事長 趙式隆提醒，AI領域知識很重要，透過資料的標註與分類整理，讓資料品質提升，可提升模型的推論品質。
領域知識過去也被稱做專家系統，人們將自身學習與累積到的知識系統化、結構化，讓機器也能在我們的知識基礎上繼續深入，趙式隆提到，人類了解的事情遠比能明確說出規則的多很多，其中包括經驗法則，如辨識每個朋友的聲音，開車/騎腳踏車，人們可以做到但卻無法明確解釋如何做到，屬於人類的深層認知能力。因此，在機器學習之前，許多任務無法自動化，因為人們無法把明確的規則寫下來讓機器執行。
AI的應用需要透過更嚴謹的方法搜集與標註資料，使用深度學習框架將資料投入模型訓練，中華電信研究院副院長陳榮貴指出，不同的資料會訓練出不同的通用型AI，如影像辨識、語音辨識、語音合成、語意理解等，並應用在智慧製造、智慧農業、智慧醫療、智慧商務、智慧交通、智慧資安、智慧安防、智慧零售、智慧客服等領域。
此外，電信業導入AI及Big Data分析技術，促進行動網路/固網服務維運自動化、智慧化，提升用戶服務體驗。陳榮貴表示，可利用預先監診執行網路品質劣化預測與改善、網路承載智慧分析與調控、客戶品質體驗分析與優化，解決已發生/未發現的問題與將發生/未關聯的問題，主動排除可能產生的故障問題。
智慧資安部分，陳榮貴說，可透過AI技術自動偵測潛在惡意活動，節省資安事件分析處理的人力與時間，縮短遭受到駭客攻擊之後的反應時間，降低受害損失；另外，以數據智慧分析掌握資安情資，透過情資分享與區域聯防降低潛在資訊安全威脅。以監控與預報機制為基礎，透過關鍵基礎服務監控、智慧分析、交叉分析及驗證、情資共享，最後達到區域聯防的效果。
光學檢測藉AI突破瓶頸
AI的應用五花八門，未來幾年預計將有更多過去未曾出現過的AI服務與應用問世，但現階段，更多的是現有技術與服務，透過AI進行加值與升級，自動光學檢測(Automated Optical Inspection, AOI)在製造業的產線上應用已久，牧德科技董事長汪光夏提到，光學檢測通常是為了找出製造的瑕疵，但是在品質要求越來越高、漏檢要求越來越少、檢測參數越來越廣、誤判越來越多、設檢負擔越來越大的發展趨勢之下，對傳統的光學檢測帶來諸多挑戰。
AI在影像辨識的進展，剛好成為傳統AOI遭遇挑戰的救贖，汪光夏認為，傳統的光學檢測以規則為基礎，重點在量化，可以解決定量的問題；AI則是以資料為核心，透過正確的資料標記、OK/NG資料比等，不僅可以提升AOI的檢測效率約四倍，需要透過人力複判的比重也大幅降低87.5%，整體AOI結合AI的效能可以有效提升。
AI新興應用想像無極限
AI發展帶動的新興服務中，客服機器人是許多廠商看好的服務之一，可以取代過去大量依賴人力的Call Center，程曦資訊總經理張榮貴指出，產業研究機構Gartner預估，在2020年有40%使用者會使用自然語言會話介面與機器進行互動，這技術被稱為Conversation AI，Conversation Interface(CI)將成為最新的人機介面。AI的對話式平台可依功能發展許多不同的語音助理，如虛擬客戶助理(Virtual Customer Assistants, VCAs)、虛擬企業助理(Virtual Enterprise Assistants, VEAs)、虛擬個人助理(Virtual Personal Assistants, VPAs)、聊天機器人等。
語音助理基於深度學習方法，理解人們各種提問的語意找出適合答案回覆，透過互動解決問題。張榮貴解釋，其主要特色為，透過特徵學習(Representation Learning)，使其模型具有自動抽取特徵(Feature Extraction)的能力。其特徵可以取代專家的特徵工程所花費的時間，在資料量大且問題複雜之應用情境下，深度學習突破傳統知識規則方法，降低建置與維運人力。
另外，AI的大量運算需求也促使IC設計的複雜度不斷提升，加上先進製程的高成本，對於財力不雄厚的中小型IC設計公司來說，形成另類的競爭門檻，神盾技術長林功藝說，小型IC設計公司必須透過更多的技巧完成設計目標，例如使用較舊的製程或降低晶片複雜度。
在智慧醫療部分，預防永遠勝於治療，AI可以協助進行疾病的預防，台北醫學大學醫學科技學院院長李友專說明，早覺醫療(AI for Earlier Medicine)可以透過AI偵測健康惡兆、預測疾病進程、預防失能等。未來百花齊放的AI必定也會在產業化應用的歷程中，發展出更多樣且更能協助人們改善工作與生活的技術與服務。