學者觀點－沒有SI（系統整合） 何來AI（人工智慧） ？

工商時報【佘日新逢甲大學講座教授兼跨領域設計學院院長】 人工智慧在邇近成為具有神奇療效的解方，任何社會或產業的問題彷彿在人工智慧面前無不俯首稱臣。西洋棋王敗於IBM Deep Blue與圍棋棋聖敗於Google AlphaGo，帶給人類空前錯綜複雜的情緒：一方面認為人工智慧科技的進展如此神速而寄望解決當前問題者有之，另一方面對於高速運算所展現的人工智慧所可能引發的潛在威脅與危機而抱持懷疑與恐懼者有之。若將科技視之為制度的一環，需要在平衡與永續的前提下發展，對於人工智慧的思考需要更全面與縝密（雖然不可能完全），以利技術的導入真正能嘉惠人類生活，而非為技術而技術。 在遙遠的人文與社會關懷之前，人工智慧欲貢獻人類生活還有三重問題需要先解開：如何轉化數據為智慧、數據的質量與數據的數量。首先，數據是生冷的，透過數學（統計）模型也轉不出有溫度的智慧，需要的是專精於各行各業的老前輩挖掘並解讀硬數據（Hard Data）所代表的硬道理，啟動中國大陸改革開放的鄧小平曾說「發展才是硬道理」，近四十年前，鄧談的發展是經濟的，現在全球面對的是生態的、環境的、能源的、與社會的發展，無不環繞著人的未來。若僅檢視當前產業的挑戰，代際傳承缺口與工作價值轉變都造成數十年經驗化於無形，對於企業組織而言是難以言喻的損失。若就廣泛的社會挑戰而言，新舊秩序的銜接不及往往造成社會動盪、人心不安。若能以不間斷的數據擷取、傳輸與分析，永續性的知識與智慧傳承將有效縮減摸索的時間與降低生活鬱悶的程度。 其次，根據李傑教授「工業大數據」書中論及的數據瑕疵，包括了3個B：隱匿性（Below Surface）、碎片化（Broken）與劣質性（Bad Quality）。大數據並沒有神奇之處，「數大便是美」是宇宙中的通則，任何事物量大之後所復現出的規律總是能牽動人心中的共鳴或觸發問題的解決機制。工業4.0倡議幾年下來，廠商明白並非所有的數據都要，因為從擷取、傳輸到運算都要成本，成本效益才是運用科技的目的，明白隱含在數據背後的產業競爭力才是廠商要擷取、傳輸與運算的。或許整體社會效益已經大到、錯綜複雜到難以計算的地步，因此，誰也說不清政策辯護能否運用大數據所堆疊而成的人工智慧，但畢竟公共投資的效益計算與評估是一個負責的政府所展現的基本能力。提升數據的質量是欲發展人工智慧的應用時無可迴避的挑戰。 最後，當前最嚴苛的問題出在數據的數量。以智慧製造為例，目前能有效掌握生產數據的廠商堪稱鳳毛麟角（因此，廠商就此有龐大的精進空間與商機）。自1990年代以來，競爭力都取決速度；這波產業變革中，廠商間競爭的不是開發技術與產品的速度，而是有效掌握數據優勢的速度。不僅單機智慧化沒有意義，連整線智慧化恐怕都欠缺說服力，真正能讓董事會進行龐大投資的理性在於經營績效的驗證，亦即在於整個經營系統整合後所能展現的效益。從數據的數量入門，SI（系統整合）是AI（人工智慧）的第一道門檻，然後才是數據的質量和數據轉換為智慧的挑戰。而在一個平台為王的時代，整合者掌握數據，而被整合者將淪為打工仔。沒有數據，何奢言智慧？無論智慧製造、抑或新零售，掌握片段數據和沒有數據的決策在信、效度上可能相去不遠，欠缺整合平台與單打獨鬥的競爭者均將面臨被淘汰的結局。 台灣廠商對於服務與解決方案的具體作為是相對緩慢的，解決方案與硬體產品不同之處在於硬體產品基本上可以標準化（尤其過去30年的3C產品），集中化大量生產後進行全球銷售，但解決方案則必須針對每個客戶量身打造，解決方案需要貫穿上、中、下游的營運，加上資訊透通的SI就成為下一波兵家必爭之地。在每個終端客戶端導入解決方案必須同時整合使用者介面、資訊部門與營運部門，在新產業革命中OT（Operational Technology）數據將與IT數據匯流，沒有SI，將不會有AI。以台灣智慧製造的現場為例，OT與IT若不能以軟體驅動SI，將不會產出鏈結企業資源規劃（ERP）的有效數據，沒有ERP的資料庫，從何採礦產出商業智慧（BI），AI充其量停留在技術端，走不進商業競爭的領域。若短短的製造供應鏈都難以進行SI，消費端的SI如何串接？AI應該還是美麗的想像，難以邁向全生命週期管理的境界。 沒有SI，就沒有AI的應用空間，要董事會投資？還得多加把勁！