AI學校執行長陳昇瑋:不把握這波AI,台灣下波機會不知在哪?

天下雜誌

2018天下經濟論壇

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!」

台灣人工智慧學校執行長陳昇瑋。 攝影/王建棟
台灣人工智慧學校執行長陳昇瑋。 攝影/王建棟

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。

看更多天下雜誌報導
佛系AI來了!信徒經濟新藍海 宏碁產品賣到缺貨
回台搞AI PTT創世神杜奕瑾:台灣軟體人才不輸美國

接下來要閱讀的內容