從產業 AI 化到政府的角色、企業內部組織如何因應以及給父母的建議，本系列課程最後一堂，陳昇瑋執行長分析不可能被 AI 取代的未來人才。

這些資源配置、所得分配的問題要用人來解決，未來會需要更多聰明有智慧的人們來協助解決這樣的問題，而這些都需要有人文素養、關心社會福祉的人才投入。

天下創新學院製作人溫怡玲：今天要延續上一堂的內容，我們繼續邀請台灣人工智慧學校執行長陳昇瑋博士分享大家都非常關心的問題：如果 AI 來勢洶洶，將會使我們的未來產生翻天覆地的變化，那麼未來 10、20 年我們的孩子將會面對什麼樣的職場環境？應該具備什麼樣的能力，才有辦法面對未來的不可知？

延續上一次所討論的問題，我們談到了程式語言，以及要如何學習 AI 的基本能力。有一個問題是，相信有很多家長也留意到，自己孩子的興趣完全跟寫程式、資訊理工這些領域完全無關，可能數學、理化都不好，這到底應該要怎麼辦？

社交性愈強的工作 AI 愈無法取代

台灣人工智慧學校執行長陳昇瑋：其實完全不用擔心，因為以現在的人工智慧技術而言，對於思考、策略，是完全沒有著力點的。也就是說，如果孩子的興趣跟程式設計、資工沒有關係，喜歡的是人文或社會方面，其實可能更好。我們可以非常確定的是，第一，人工智慧沒有辦法取代任何面向人類的工作，包括服務業、業務、心理治療、諮商、人資等，社交性愈強的工作，人工智慧愈是無法取代，但可以提供協助。

第二，跟社會有關的，不管是策略管理、創意、心理、政治、廣告、法律、經濟等，只要跟人有關的議題，基本上都不是「最佳化」的問題，就不是人工智慧可以幫忙的。

第三，需要人類來消化吸收，有自己觀點的這些領域，例如歷史、人文、哲學、藝術等。真的不用擔心人工智慧哪一天學會創作，讓我們把人文的精神都丟掉， 我相信不會走到這一步的。當然，人工智慧會讓創作的方式發生改變，但不會讓這樣的工作消失，只會讓我們因為使用數位工具而變得更有效率。

簡單而言，未來人們儘可能不必做沒有創意、重複的工作，更能專注在需要策略思考、有獨特觀點的工作。

道德判斷的問題 人工智慧無計可施

還有更多的問題，一定要人，才能夠做得好，像是自駕車就有很多屬於道德的問題，例如工程師在設計自駕車的人工智慧時，如果有個情況是，他只能選擇讓車內的人受傷，或者是車外的人受傷？兩個一定有一個受傷的時候，人工智慧該怎麼選擇？這是一個很難的道德問題，而不是工程問題。還有，像人工智慧可能帶來的失業，又應該怎麼去權衡？

第五，還有個人隱私跟社會效率的問題。例如說我們在街頭巷尾放很多攝影機，可以抓到逃犯，但是同時也犧牲了個人隱私，我們要怎麼權衡這樣的問題？人工智慧會增加工作效率，但在資本主義社會中容易讓有錢人更有錢、窮人更窮。這些資源配置、所得分配的問題要用人來解決，未來會需要更多聰明有智慧的人們來協助解決這樣的問題，而這些都需要有人文素養、關心社會福祉的人才投入。

溫怡玲：是的，無論將來人工智慧怎麼樣發展，還是沒有辦法直接了解人真正和內部的需求，或者是剛剛提到的一些道德方面的問題。今天的最後一個問題是，您除了擔任台灣人工智慧學校執行長，同時也是非常知名的資料科學家，為什麼您會轉向研究 AI？可能幾年後 AI 非常普及，可以想像有很多機器人手臂、自駕車之類的，資料還有價值嗎？

陳昇瑋：其實人工智慧就是資料應用的終極解決方案，有人比喻說資料就是原油，而人工智慧像是電力，因此他們的關係如同一個是因、一個是果。以目前人工智慧技術來看，資料愈多會愈聰明，其實就跟人很像。

人工智慧不是魔術，它一定有個來源，從這個來源裡學到知識與規則，它才會開始有智慧。因此，在可以預見的將來，資料絕對不會變得沒有價值，重要性反而更加提高。

這也是為什麼我們擔心，目前擁有各種人類行為資料的這些大型科技公司會壟斷，市場，因為即使有一模一樣的技術能力，擁有資料的公司，他能夠做出的人工智慧會愈強大，這是我們必須想辦法解決的問題。

溫怡玲：謝謝執行長花了這麼長的時間，從台灣產業 AI 化的角度切入，全面而有系統的解釋 AI 將會對台灣企業人才、營運模式各個方面產生的影響，希望能夠提供各位更深入了解，解開心中因為人云亦云而產生的各種疑慮，更明白 AI 對我們將產生的影響，並能積極因應站上時代的浪頭。台灣產業 AI 化系列課程到此告一個段落，謝謝大家！

The post 台灣產業AI化的問題番外篇2〉AI 無法取代的五種工作 回歸人的本質最關鍵 appeared first on 台灣人工智慧學校.

產業發展絕對少不了人才，面對AI世代，是不是該讓孩子早早學習 AI，以便打造未來的競爭力？這是憂心的父母們經常問人工智慧學校執行長陳昇瑋的問題。

不必因為 AI 流行就要讓孩子變成 AI 工程師，而是不論你喜歡的是什麼，都能夠用AI這類數位工具，讓我們的工作更有效率、更愉快，更能夠實現你的人生價值。

天下創新學院製作人溫怡玲：這堂課相當特別，邀請台灣人工智慧學校執行長陳昇瑋博士分享，父母們非常關心的問題：如果AI來勢洶洶，將會讓我們的未來發生翻天覆地的變化，那麼未來 10 年、20 年或 30 年，我們的孩子將會面對什麼樣的職場環境？應該具備哪些能力，才可以在AI時代中仍然擁有自己的舞台，擁有實現夢想跟實踐自我的權力？

在正式請教執行長之前，不妨先來看幾個數字。根據世界經濟論壇 2016 年「工作大未來」報告指出，到 2021 年，也就是三年後，全世界會產生200萬個新工作，而且將集中在電腦、數學、建築和工程領域；隨著 AI 的崛起，預料將有 700 萬個工作會被機器取代。

這些數字令人擔心未來人類的工作機會是不是越來越少？同時也意味著，我們這一代父母的學習經驗、職場經驗甚至生活經驗可能都跟下一代截然不同。而這也造成許多家長的恐慌，無論是否了解AI，對於未來都有許多的不確定也有很多的疑問。

所以第一個想請教執行長的問題是，這兩年 AI 成為台灣企業創新成長的關鍵字，也有人說 AI 很快會取代很多人的工作，這讓不少家長們開始擔心，是不是應該趕快送孩子去學 AI？究竟要去哪裡學？應該要學什麼？

AI 面貌仍在持續演變 孩子應先學好基礎學科

台灣人工智慧學校執行長陳昇瑋：我個人覺得其實不用太過擔心，因為未來的 AI 不會是今天的 AI，其實 AI 從 1950 年開始，到今天已經歷好幾波發展，每波的面貌都不同。因此不需要特別讓小孩去學習今天的 AI。如果現在孩子還沒有上大學，除非他們自己非常感興趣，不然我認為應該是把基礎打好。

什麼是 AI 的基礎？基本上有兩個，第一個是程式設計，第二個是數學，包含微積分、線性代數、機率跟統計。我們相信，不論未來人工智慧技術怎麼改變，程式設計與數學都還會是未來的關鍵。

同時我們要特別知道一件事，AI 只是一個工具，未來並不是每一個人都需要成為人工智慧專家，現在我們看到的其他領域還是會存在，只是因為有大數據與人工智慧的關係，會更有效率、更便利。我們只要了解，未來哪些工作將會被AI劇烈影響，避開那些很可能因為 AI 而消失的工作。

同時，若是選擇其他領域工作，我們都必須要學會 AI 是什麼、怎麼樣善用這些工具，這些思維工具讓我們未來的工作更有價值，生活也更好。

AI 是用來輔助人類生活更好的工具

溫怡玲：還有一個也是很多家長們的疑問，套用過去對於「科技新貴」的印象，是不是孩子學了 AI 之後就可以進入高科技產業成為工程師，從此一帆風順嗎？

陳昇瑋：有人說 AI 是第四次工業革命，那不妨想想看，前三次工業革命之後，也並不會每一個人都去做工程師，所以我覺得未來社會形貌仍然是有人文有商管有社會學心理學，不會只剩下 AI。
其實我們更希望工程領域因為AI的進展，可以讓更多人投入使人類生活更美好的領域，例如各種服務、人文或藝術。重點是，不必因為 AI 流行就要讓孩子變成 AI 工程師，而是不論你喜歡的是什麼，都能夠用 AI 這類數位工具，讓我們的工作更有效率、更愉快，更能夠實現你的人生價值。

溫怡玲：剛才你提到程式設計是非常重要的領域，也有很多人說這將成為未來世界最重要的共同語言。我們知道你從 10 歲就開始寫程式，相當好奇當時是怎麼樣開始的？而寫程式除了方便找工作之外，還有什麼別的用途嗎？

無論從事何種工作 學會寫程式的四大好處

陳昇瑋：我 10 歲開始寫程式的原因非常簡單，因為在家裡很無聊，找不到比電腦更有趣的玩具，那個時候沒有錢買遊戲，爸媽也不讓我一直買，所以只好自己寫這些遊戲，這是最主要的動力。當然不是每個人都要當工程師，但是我覺得如果可以的話，小孩只要不排斥，其實可以讓他早一點開始，10歲或國中就可以開始學。未來不論從事什麼工作，會寫程式一定有一些好處。

第一是工作會更有效率。我們在工作裡都會遇到一些簡單有規律的事情，例如從網路上下載某些東西、複製貼上這樣的工作，只要會寫程式通常都可以很有效地幫助你。

第二，大家多多少少都遇過電腦手機不聽話甚至中毒的經驗，那種時候常讓人覺得不是我們使用電腦，而是電腦在虐待我們。如果你會寫程式，懂得電腦怎麼運作，基本上就比較不會為這樣的問題所苦。

第三，未來資料的重要性會持續增加，特別是主管做決策時會大量倚賴資料。如果會寫程式，可以收集、處理及分析資料，而且更知道如何運用資料，決策品質會更好。

最後一點，人工智慧很快將成為工作中不可或缺的一部分，從現在的自動化一直進展到輔助決策，而人工智慧一定是程式寫出來的，如果你知道它的原理，就更能夠操作、運用，讓人工智慧來做更有創意及效率的工作。

溫怡玲：謝謝執行長詳細說明！人工智慧的出現是台灣產業的新機會，無論是企業經營者、主管或專業工作者而言，同時也伴隨著新的挑戰，我們應該要如何面對這樣的全新時代？我們的下一代又要如何面對這樣的時代？在下次課程中，會繼續邀請執行長跟大家分享

The post 台灣產業AI化的問題番外篇1〉 給父母的建議：AI是用來實現孩子人生價值的工具 appeared first on 台灣人工智慧學校.

AI 似乎成為台灣產業轉型與創新的救贖，不只產業界全力投入，政府也不遺餘力透過各種方式鼓勵企業朝這個方向發展。在本系列課程的最後一堂課，深入檢視政府應該扮演的角色，以及企業是否都應該以導入 AI 做為轉型重要指標。

許多公司已習慣依賴政府補助來做技術升級，有補助就做，沒有補助就不做，這種態度對於產業轉型十分致命，同時也增加人工智慧新創公司存活及成長的困難度。

這堂課是這系列課程的最後一堂，延續上一堂課的討論，我們要談的是台灣發展人工智慧的空間究竟在哪裡？除了企業本身的投入之外，政府又應該扮演什麼角色？

四種應用方向 台灣產業優劣勢不同

首先，台灣發展人工智慧的空間究竟在哪裡？我們可將人工智慧的應用方向可略分為四種，分別是互聯網AI (Internet AI)、商業AI (Business AI)、感知AI (Perception AI)，以及自主AI (Autonmous AI)。

互聯網AI 造就 Google、Amazon、Facebook、阿里巴巴等超大集團，他們實力如此強大的主因是由使用者貢獻各種資料。在這一個領域，台灣由於內需市場小，也已習慣使用海外平台，除了透過電子商務做為出海口，將互聯網AI做到極致的機會並不大。

在商業AI 方面，如同上堂課所談，我們雖然起步較晚，但因為擁有一些優勢及利基產業，是有機會利用人工智慧強上加強的特性來迎頭趕上。

至於感知AI 及自主AI，例如安控系統、智慧家庭、自駕車、機器人等等應用，不論在半導體或電子產品的設計及生產，這些牽涉到邊緣運算的系統，都算是台灣的優勢產業。只是我們的困境在於過去多年來我們的產業早已習慣代工模式，與消費者距離太遠，一來不擅長經營品牌，二來蒐集不到消費者的資料，受制於品牌廠商，要建立能提供好的使用者體驗的人工智慧應用，有極大的挑戰。

當然，感知AI 及自主AI 也有很廣泛的應用，將會出現在工廠、農田、電廠、水庫，在任何有人工設施的場域。我相信，台灣的半導體及電子業只要能快速掌握，如何在邊緣及雲端巧妙使用人工智慧技術，這將會是乘著我們原有的優勢發光發熱的領域。

應解決 AI 新創公司面對困境

談人工智慧應用，除了既有的產業，也不能漏掉新創公司。科技部公布的「2017 年台灣十家最酷科技新創」名單中，以人工智慧為核心技術的新創公司就占了五家，顯見大家都相當積極投入這個新興產業。台灣有一百三十萬家中小企業，不可能每一家都能從零開始建立自己的人工智慧團隊，這些企業勢必需要新創公司的協助，所以雖然我們通常將新創公司歸類於AI產業化（相關定義請見：台灣產業AI化的問題1〉人工智慧產業化的定義？），他們同時也是產業 AI 化生態系統中不可或缺的重要角色。

不可否認的是，台灣的新創環境一直不算好，一方面是創投的態度相當保守，跟中國橫衝直撞的「風投」氛圍相差很大。現實面的問題當然也不能忽略，雖然既有產業都已認知到人工智慧的重要性，但投入速度及力度並不大，因此光靠台灣市場，很難支撐多家規模夠大的人工智慧新創公司生存，相信這也是令創投偏向保守的原因之一。

更何況，人工智慧應用目前仍然無法即插即用，通常需要客製化工作，更需要企業的內部資源配合。例如人臉辨識系統在示範場域表現都很好，可是要導入實際場域時，門口、櫃台、攝影機的位置以及臉上的光線及陰影，往往會是人臉打卡系統是否快速可靠的關鍵。語音辨識系統技術發展也已相對成熟，但至今還是無法克服中英語或中台語混雜的情況，若有特別的使用情境，例如客服、行銷、催帳等等，往往也需要花上大把人力處理過去的錄音檔，才能讓語音辨識更準確。

這些挑戰，讓許多人工智慧新創公司疲於在每個客戶的應用場域解決千奇百怪的問題，而無法簡單快速地進行大量銷售，達到規模經濟。

政府補助方式應改變以促進效益

更殘酷的事實是，許多企業似乎比較無感，危機感並不強，原因也很簡單，就算現在不導入人工智慧並不會怎樣，只是像溫水煮青蛙，在不知不覺中慢慢流失競爭力而已。而且，在台灣，許多公司已習慣依賴政府補助來做技術升級，有補助就做，沒有補助就不做，這種態度對於產業轉型十分致命，同時也增加人工智慧新創公司存活及成長的困難度。

那麼，政府在這個產業轉型的關鍵時刻，可以扮演什麼角色呢？

從早期發展製造代工開始，政府就會以各種獎勵優惠方案提供企業補助，以扶持重點產業的發展。實際上，政府從科技政策、產業升級、農林漁牧安定輔導、保險年金制度幾乎無役不與，在推動人工智慧方面當然也積極投入。

資源應花在刀口上 事後補助可避免流於形式

不過最現實的問題是，台灣政府的稅收約占 GDP 的 12%，美國約占 24%，重視社會福利的國家，例如德國和北歐國家，稅收高達 GDP 四成以上。從這樣的比例來看，台灣政府並沒有足夠的財力來做為一個大政府，什麼都管，什麼都做。必須將資源花在刀口上，精密計算投資效益。

例如，2018 年科技部宣布以 5 年為期投入 50 億元，以四個方向推動台灣的人工智慧發展，包含成立四大 AI 創新研究中心、建立國家級 AI 運算平台、機器人 Maker Space 及射月計畫。

這樣的立意相當良好，只是必須留意的是人工智慧與過去的雲端運算、大數據、社群運算不太一樣，它是個成效可以「一翻兩瞪眼」的技術。簡單地說，無人車能跑就能跑，撞到人就是撞到人；車牌辨識、人臉辨識、語音辨識、翻譯夠不夠準以及醫療診斷等，都是可以立刻量化的結果，沒有任何灰色空間。

因此，政府的補助和獎勵，或許可以換個做法，不一定要用行之有年的事前補助制度，將一定比例更改為事後補助，以避免補助款永遠流向最知名及看起來最有資格的公司或學者，失去幫助沒沒無名但有潛力團隊的機會。

同時，在全球競相投入的人工智慧軍備賽中，像國家級 AI 運算平台如此重要的基礎建設，也可以做適當的分散投資，不但可以分散建置風險，更可以藉此扶植多家人工智慧雲端服務新創公司，發展台灣自有的人工智慧雲端服務。

簡單地說，補助當然是政府推動創新及扶植新創的有效工具。但補助的執行方式應該與時俱進，根據要補助標的時時調整，才能將納稅人的錢真的花在刀口上。

應採「政策性投資」觀點 解決 AI 發展痛點

除了補助，政府還可以更積極解決台灣人工智慧發展的關鍵痛點。例如，台灣推動健保制度多年，在醫療技術方面又居全球前幾位，若政府能夠出面整合各大醫療中心的病歷及各種診查資料，將能幫助台灣最具潛力的智慧醫療快速進展。

同樣是牽涉個人隱私與信任的金融資料，也是適合政府出手的領域。台灣的市場不大，銀行卻有將近四十家，因此沒有一家銀行擁有足夠多的資料來做到極度可靠的洗錢、帳號盜用、信用卡盜刷防治及融資風險預測，帶來無數的隱性社會成本。這類問題唯有政府才能介入。當然，政府做莊必須在尊重市場機制前提下，透過適當法規開放, 達到產業發展、社會福祉及個人尊嚴的平衡。

而人工智慧新創公司所面臨的資金不足困境，也適合政府來提供協助。可以針對台灣獨特或有利基的切入點，例如 B 型肝炎防治、交通、治水、地震、颱風、空污問題等，這些也是很多國家正試圖解決的共通問題，政府不妨透過政策性投資，培育出世界級的解決方案。

另外，台灣內需市場的規模限制，政府也不妨考慮透過將英文列為官方語言之一加以解決。不可否認，美國學術與科技發展能夠成為全球動見觀瞻的標準，與英文長期做為全球通用語言有密不可分的關係；全球具有強大產業競爭力的國家或地區，例如新加坡、以色列、荷蘭、香港，人民普遍也都具備良好英文溝通能力。

台灣內需市場小沒有關係，如果能夠藉由良好的英語力打入英語系市場，擴大市場版圖，我們會更有機會突破代工模式，將優秀的文化、軟體或品牌輸出到世界各地，並達到全球等級的規模經濟。

引入新科技與否 關鍵在能否為企業帶來價值

我向來服膺《從 A 到 A+》書中所說，以科技為加速器的論點。書中寫到：「從優秀到卓越的公司從來都不是始於開創性的科技，原因很簡單，除非你知道與公司發展密切相關的是哪些科技，否則你沒有辦法好好運用它。」換句話說，若一個新科技與公司本身的熱情、經濟成長來源以及能成為世界頂尖的領域無關，那其實這個新科技也跟你無關，不需要沒事找事做，以為引入新科技一定可以幫企業帶來價值，這是過度 IT 本位的心態。

因此，雖然現在看起來我們似乎是傾全國之力推動 AI，但平心而論，並不是每個公司在這個時間點都一定要引入 AI。

AI 並非一切答案 資源技術與文化都要做好準備

以新創事業來說，除非它的本業本來就與資料或人工智慧高度相關，否則沒有必要在此時引入人工智慧。例如，若新創公司經營的是咖啡店、線上零售、國際貿易、或是遊戲開發，人工智慧都不是需要優先考慮的技術。應該做的是把事業的基本盤打好，能夠蒐集到的資料就好好保留下來。等到有一天，可以心無旁鶩、不用擔心公司生存，準備加速起飛時，就可以使用經年累積的資料做為燃料，以人工智慧為引擎來加速

反過來說，許多已經營運多年、平穩成長的大型企業，營運的資料只是流過卻不存下、日常作業由員工手動處理，太多大大小小的決策都是主管們憑著經驗來討論，雖然年年有盈餘，但欠了一堆 IT 技術債，這些才是需要儘快導入大數據分析及人工智慧的企業。

歷史告訴我們，企業文化與既定的組織結構、行政作業流程，絕不是任何單一員工可以抗衡，或者組個獨立的任務團隊就能改變的。因此，任何企業在做數位轉型時，沒有從上而下的強大支持，以及在資源、技術與文化上做好充足準備，轉得成功漂亮的例子，可說是鳳毛麟角。

轉型永遠都不是容易的事，但是台灣的產業走到今天，似乎不得不轉，我們並沒有選擇戰場的權利。數位轉型加上人工智慧，不只是全球的趨勢，也是台灣徹底改變產業體質的絕佳機會，這是產業 AI 化如此重要的原因，也是藉由這系列課程希望跟各位分享的初衷及期待。

The post 台灣產業AI化的問題12〉傾全國之力拚AI？產業轉型需要更全面思考 appeared first on 台灣人工智慧學校.

AI 成為世界各國嚴陣以待、兵家必爭之地，而美國、中國是競逐霸主地位的兩強，這幾乎已成為全球共識。在這樣的大環境下，台灣的AI發展還有什麼機會？過去的累積的競爭優勢是否已經不復存在？

台灣的產業當然有優勢與劣勢，在人工智慧這個全球戰場上，我們目前扮演的主要角色類似「軍火商」，以半導體及運算設備的提供來協助科技大廠捉對廝殺，而在技術的發展及應用的加值上，才正要大舉投入。

在過去將近三個月的時間裡，和各位討論了台灣發展人工智慧各個層面的問題，今天要從全球競爭的角度切入，檢視台灣發展人工智慧的優勢與劣勢，以及該如何搭著這波人工智慧革命，運用它所帶來的機會，順利達到產業轉型的目標。

很多人對於台灣產業前景抱持悲觀的態度，認為台灣人口少、自然資源貧瘠、內需市場小，都是無法突破的限制。而以代工為主的產業型態，近二十年在面對全球科技創新競賽時，也顯得欲振無力。

盤點台灣基本條件 未必如想像中悲觀

不過，我們不妨先來看幾個數字：台灣人口數 2300 萬，在全世界二百多個國家地區中，排名第 56。根據國際貨幣基金 (IMF) 2018 年 5 月所公布的資料，以購買力平價 (PPP) 為基礎計算出的各國人均 GDP，台灣以 5 萬 2304 美元名列全球第 19 位，領先日本和南韓。同樣的時間點，我們的外匯存底高達 4402 億美元，超越新加坡、南韓和香港。從 2017 年第三季到 2018 第二季，每季經濟成長率都超過 3%。

再來看國民平均餘命，這是國家競爭力評比的重要指標之一，我國國民平均壽命 80.2 歲，女性和男性壽命比全球平均各高出 9 歲、7 歲。這當然和台灣醫療服務水準世界第 2，醫療技術排名亞洲第 1、世界第 3 的傑出成就，有極為密切的關係。

而台灣的生活品質更是備受肯定，世界最大外派社群網站 Internations 調查，台灣排行全球最友善國家世界第一位；在耶魯大學環境績效指數評比中，台灣在亞洲居第三，僅次於新加坡及日本。

AI 關鍵技術結合製造實力 找回核心優勢

更不能忽略的是，台灣多年累積的雄厚製造能力。代工製造的經濟模式，讓我們創造出經濟奇蹟，也培養出全世界很難找到的強大製造基礎，這是我們傲人的產業競爭力。

不可否認，台灣過去 20 年來製造產業的外移，雖然延續了代工利基，卻也延遲了科技創新。所以，就像在之前課程中我們所提到的，人工智慧是一個必須掌握的重要關鍵技術，同時可能也是我們在未來 10 年、20 年唯一的轉型契機，可以幫助台灣產業徹底脫胎換骨、找回過去競逐國際的競爭力。

環境因素和過去累積的基礎是優勢，也是限制，但這本來就是產業發展的常態，在資源有限的現實條件下，一個小小的國家不可能什麼都做、什麼都領先。特別是人工智慧的全球發展狀況，目前美國與中國兩強競爭的態勢幾乎已成定局。

美中高規格軍備競賽 其他國家望塵莫及

從產業發展的普遍要件來看，這兩個國家的人口分居全球第一及第三，內需市場規模原本就遙遙領先。美國長期傲視全球的科技實力自然不在話下，而中國政府與企業急起直追的企圖心及大動作，也令美國備感威脅。

從目前人工智慧領域的領頭羊就可以看出，一邊是美國的 Amazon、Google、Facebook 與M icrosoft 等，另一邊在中國則是百度、阿里巴巴、騰訊、京東等，都是超大型的網路科技公司，兩強在資金、人才的高規格軍備競賽，讓其他國家望塵莫及。

由於這波的人工智慧發展跟資料有直接關係，中國挾其眾多人口數、大量快速流動的金融往來數據、行動商務資料甚至安控攝影的普遍性，在民生及消費行為資料的累積速度上，幾乎沒有任何國家可以超越。

在這樣的兩強競爭現況中，我們可以很清楚看到台灣應該選擇的發展路線。

人才短缺、資料取得不易 AI 前瞻技術非台灣強項

從基本條件來看，台灣沒有很大的內需市場；雖然有資金，但無論內外資的投資金額都逐漸下降，而且投資標的相當保守。在人才方面，大多集中在半導體與製造業，發展人工智慧所需的科學及工程人才嚴重短缺。還有，資料取得不易，再加上個資法的限制，對於人工智慧的發展及應用都或多或少形成障礙。

再仔細盤點，可以發現人工智慧的前瞻技術研發，不會是台灣的強項。最直接的原因是在這個領域中，台灣的研究人才數量及規模無法跟大國、甚至大型科技公司相比，光是 Google 一家公司的人工智慧學者就比全台灣的人工智慧學者還多。加上業界高階研發人才的薪資水準遠低於中美科技大廠，優秀人才不斷外流，就算留在台灣也往往投效外商公司，造成本土企業人工智慧人才的空洞化。

還有另一個必須正視的問題是，人工智慧在台灣的產業應用，嚴格說來發展速度已經落後，必須急起直追。但如同在前面幾堂課中所提到的，發展人工智慧其實是IT戰力大盤點，資訊系統的技術債若沒還清，想直接越級發展進階人工智慧應用的可能性幾乎等於零。對於目前還沒有直接面對外來競爭的產業，還有些許時間來強化資訊及資料基礎建設，而原本就需要與全球市場競爭的產業，用人工智慧來進行產業升級更是刻不容緩的議題。

企業IT部門普遍戰力不足 引發連串負面循環

令人不解的是，長期做為資通訊產品輸出強國，台灣企業的 IT 部門為什麼會普遍戰力不足？這可以分為內外兩個層面來探討。

從企業內部來看，其實是因為定位問題所引發的連串負向循環。大部分企業自始至終就將 IT 部門定位為支援單位，只要電腦系統及網路運作穩定，也不要有電腦病毒入侵就好。功能不用強大，一切以支援公司營運及業務運做為前提，與公司發展策略及業務如何拓展沒有絲毫關係，IT 部門只要聽命行事就好。

由於這個定位，IT 部門的資源少，開發能量就低，以專案外包及系統維護為主要工作，大家就會覺得它無法引導業務。長此以往，IT 部門只能扮演被動的支援單位，沒有實力擔任企業的策略角色，更難以想像能夠靠著IT來扮演業務的加速器，成功引領企業轉型創造更高的價值。

國外大廠技術難接軌 國內軟體開發人才又稀少

IT 部門戰力不足的外部因素，則是因為軟體技術發源地多在國外，而國外科技大廠在台灣的人力配置以業務及顧問團隊為主，工程師也多以安裝、客製化、教學、維護為主要職責，雖然熟悉系統的安裝及操作，但核心技術無法與開發團隊真正接軌，也就無法以國外大廠的技術拉升國內的工程技術水平。

另一方面，國內產業因資源傾斜至電子及半導體業，軟體開發工程師相對稀少，無法形成相互激盪快速流動的人才社群，也造成企業即使以高薪徵求技術高端的 IT 人員，在市場上也不容易找得到。

人工智慧民主化浪潮 降低進入 AI 門檻

就像每個國家一樣，台灣的產業當然有優勢與劣勢，在人工智慧這個全球戰場上，我們目前扮演的主要角色類似「軍火商」，以半導體及運算設備的提供來協助科技大廠捉對廝殺，而在技術的發展及應用的加值上，才正要大舉投入。

幸運的是，由於人工智慧民主化的浪潮，在全球頂尖大學、大型科技公司、非營利組織如 OpenAI 基金會的推波助瀾下，機器學習及深度學習的進入門檻快速降低，讓任何有程式設計基礎的人，都可以輕易在幾個月內學會基本的人工智慧技術，應用在各個不同的產業中，成為產業成長及轉型的加速器。

台灣應專注利基產業 善用軟性資產

從台灣人工智慧學校及各大學開始，今年有許多教學資源陸續上線，也加速台灣人工智慧人才的培育；再加上包括微軟在內的科技大廠來台設立研發中心，招募數百位工程師進行人工智慧核心技術研發，相信對於快速提升台灣的人工智慧系統研發水準都會有直接的幫助。

說大不大，說小不小的島國，我們必須了解專注是我們唯一的武器。人工智慧是強上加強的工具，因此，要以人工智慧讓台灣站上世界的舞台，我們必須奠基在自己的利基上，而我們的利基在哪裡呢？製造及醫療是最為共通的答案。

但除此之外，我們仍有許多世界少有的軟性資產，或許是語言、或許是飲食文化、或許是我們對應挑戰的軔性或是我們對待陌生人的和善，我沒有答案。但這中間也許有下一個帶動台灣經濟成長的機會，也是我們要積極尋找人工智慧應用的利基點。

The post 台灣產業AI化的問題11〉美中兩強軍備大賽夾擊台灣還有機會？ appeared first on 台灣人工智慧學校.

很多企業為了快速跟上AI 潮流，紛紛送員工學習相關技術，但是，這些員工回到企業之後，是否真的能夠在組織內部產生影響？為公司帶來哪些價值？關鍵就在於企業的經理人。

說得直接一點，企業導入人工智慧或大數據專案能否成功，關鍵就在於主管，特別是直接負責公司業務、營運決策及數位策略的高階主管。

面對人工智慧快速發展的衝擊，很多白領工作者都積極加強自己的相關知識，希望能夠站在趨勢浪頭上不被時代淘汰。但除此之外，經理人的領導方式與管理思維也必須與時俱進，才能帶領企業順利轉型。

說得直接一點，企業導入人工智慧或大數據專案能否成功，關鍵就在於主管，特別是直接負責公司業務、營運決策及數位策略的高階主管。因為導入人工智慧通常牽涉到業務及資訊單位的合作、作業流程的調整及跨部門的共同績效管理等非常規的改變，若沒有最高主管的全力支持，幾乎沒有成功的可能性。

同時，若沒有中高階主管在執行面上的努力，以正確的認知在人才、技術、平台、資料基礎建設、選題及績效管理上進行各種配套措施，像人工智慧這種全新技術的導入及相對應的數位轉型，往往也無法達到預期的成效。

必須強調，導入人工智慧一定要由上而下推動才會成功，我從來沒看過高層不支持，純粹由基層發動而能成功的案例。

經常與許多企業經理人交流，我發現他們的動機都強，深知人工智慧的潛力以及可能帶來的巨大影響，這點幾乎是一致的。

同時，也十分普遍的現象是，對於人工智慧導入有著許多似是而非的認知。例如認為導入人工智慧就是資訊部門的事，或者誤以為人工智慧可以解決公司策略目標不清的問題，很可能投入資源，但用力在不對的點上，導致效果不彰，到頭來還是不清楚到底犯了什麼錯，更別期待能因此帶動轉型與創新。

所以，中高階主管的認知十分關鍵，這是為什麼我們必須在今天的課程中來談導入人工智慧前，經理人須具備的 10 個認知。

第一，沒有資料就不會有人工智慧。

課程中已多次提到，我們可以將資料視為原料，機器學習是處理原料的方法，而人工智慧就是產出的結果。所以，沒有資料，或一點點線索都沒有的問題，人工智慧也沒辦法找出任何答案。像是，陌生開發的成交率有多高？如果對於將要拜訪的客戶一問三不知，任何背景資料都沒有，人工智慧也沒有辦法預測。

第二，也不是有資料，就一定能產出人工智慧。

資料品質與模型建立方法也是關鍵。有些企業因為自動化和E化尚未到位，導入人工智慧時只好用人工來蒐集營運資料，這種方式所蒐集的資料品質，十之八九很糟糕，訓練不出好的機器學習模型。因此重申，自動化和e化是蒐集好資料的基本條件，過去沒有做好的數位基礎建設一定要補上；同時，為了改善資料品質，修改作業流程是常見的事 ，這是人工智慧能否達到預期效益的重要關鍵之一。

第三，你從來沒有答案的事情，人工智慧也不會有。

有些主管誤以為人工智慧可以處理假設性的問題，像是如果沒有推出某種產品會怎樣？兩個部門若沒有合併會怎樣？要是我們比競爭對手早一步上市會怎樣？這類型的問題，沒有資料做為資訊來源，也無法重製，人工智慧不是魔術，沒有辦法回答這種無人能答的問題。

第四，沒有變異的資料，等於沒有資訊，同樣不會有答案。

例如目前售價 1000 元的產品，若市面上沒有類似的產品，從來也沒有修改過售價或做過任何價格上的優惠，人工智慧無法預測如果售價改成 2000 元會有什麼後果。因此，若要讓人工智慧發揮所長，企業必須要有容許實驗的文化，允許各種嘗試及犯錯，同時在各種變化中蒐集更多寶貴的資料，讓人工智慧變聰明。

第五，不要忽略資料的成本。

人工智慧導入的成本主要來自人才、計算資源及資料，其中最容易被忽略的是資料的成本。就我與企業互動的經驗，即使是資料基礎建設相對齊全的公司，在第一次建立機器學習模型前，花上三個月清理資料是常見的事。多數公司都會見到的狀況是，不同資訊系統往往是在不同時間由不同部門交由不同團隊開發，往往連最基本的資料都有多種格式，例如光是日期，一家公司可能找得出十種不同的表示方式。如何統一？哪個部門的人來負責統一？每個環節都是必須付出的成本。

同時，我們很可能為了建立好的機器學習模型，需要額外收集更多的資料。例如，可能要請業務人員在業務行為發生的當下，無論成功或失敗，都將行為記錄下來，例如向顧客推銷某某產品遭拒絕，或是顧問主動詢問某服務的申請。這些是通常不會去做紀錄，但是對於了解顧客的喜歡及意圖非常有幫助的資料。

另一個例子是提供所蒐集的資料中決策變數 Y 的可信度。許多情況下，決策變數 Y 是客觀資訊，例如客戶的點擊率或商品成交金額，這種客觀資訊只要是由系統自動蒐集，通常就不會有資料品質的問題。但在有些問題中，決策變數 Y 是由專家主觀認定，例如瑕疵檢測、醫療診斷、機器翻譯等等，每一個樣本，只靠一位甚至兩三位專家來做決策判斷可能還不夠，因為他們的答案經常不一致。因此，要得到可信度高的決策變數 Y，每一個樣本可能甚至要讓五個或以上的專家看過，以他們的投票來取得最可信的答案，這就造成額外的資料蒐集成本。

第六，統計圖表與機器學習模型各有所長，不能只信任一種。

很多企業過去已經導入商業智慧平台，經理人也習慣透過資源儀表板將關鍵績效指標以圖表方式來做情勢評估，並據此進行管理。但是這些統計數字或圖表因為呈現方式的侷限，只能呈現片面資訊，無法看到全貌。例如多個變因 X 都對決策變數 Y 有影響，且每個變因互有消長時，單單檢視每個變因X與Y的關係，很難釐清究竟哪個或哪些變因才是影響Y變動最主要的因素。

因此，雖然我們習慣眼見為憑，但有些時候，與其研究過度簡化的統計數字或圖表，人工智慧訓練出來的模型能夠提供更多有用的訊息。

另一方面，也並不是看似很高深的機器學習模型一端出來，它的結果就得買單。同一份資料，不同工程師訓練出來的模型，所預測的結果可能天差地遠，絕對不是用了最高檔的硬體及最複雜的模型，預測出來的結果就一定最可信。這之間的差別就在於機器學習工程師的功力。

若可能的話，即使不是技術出身，仍然要學會判斷一個機器學習模型是否可信，這需要機器學習技術的基本認知，無法憑感覺或常識來判斷。也就是說，不會寫程式沒有關係，但至少要學會辨別模型的好壞。

一旦確認某個機器學習模型是可信的，就可以依賴它來做較複雜的決策輔助，同時可以透過它來檢視每個可能影響決策的變因 X 對於 Y 的變動的貢獻度，來加強自己對於資料的直覺以及對於問題的掌握度。這也是人類與人工智慧協同合作的方式之一。

第七，人工智慧導入之後必然造成企業工作方式或流程的改變。

以決策的流程為例，現在很多企業是由主管聽報告看報表後，憑著直覺或經驗來做決策；導入人工智慧後，決策的形式可以變得相當多元，可以是人做決策再交由模型驗證。或是人提出很多可能的方案，由模型來挑出最好的；也可能倒過來，由模型推薦多種方案，由人來做最後決策。更一步的作法，也許是人與模型的反覆驗證及互相改進，這些都是可能的決策流程，沒有哪一種是最好的，企業必須視組織的文化及任務的性質，挑選出合適的方式來使用。

第八，身為推動人工智慧導入工程的主管，本身一定要相信資料和模型。

若主管本身對於模型的預測結果半信半疑，認為自己的判斷更準確，團隊當然也不會認為人工智慧的導入是認真的。

當然模型的預測可能會有失誤，這可能是資料來源的品質問題、資料處理問題、模型建立的過程有問題，甚至是機器學習的極限，無論如何，應該進行嚴謹的除錯與驗證，而不是怪罪建立模型或使用模型的人，更不應該因此就輕易放棄人工智慧。

因此，因應技術的導入與流程的改變，企業對於 KPI 的設定與績效評估方式，同步必須進行調整。關鍵點之一是要有實驗及容錯的文化；之二是要了解人工智慧是人與機器學習技術互動的成果，不能單看人所做的工作或模型的準確率，而是從整體著眼，評估人與人工智慧協同合作後，是否有效達到預期的成果。

第九，不要把人工智慧的導入及建置全部丟給資訊人員，業務主管一定要親自參與。

因為人工智慧最終要輔助甚至直接擔任業務裡各種決策的角色，究竟要解決什麼問題？是為了提高獲利率、營業額還是客單價？希望專注在新品項的銷量或是整體營業額的成長？希望顧客轉往線上來節省線下人員的工作量，還是以整體業務量為重？這些業務策略不可能單由資訊部門來決定。而且為了達成這些目標，業務部門在資料取得、資料品質的強化、業務知識及作業流程上的全力支持，將會是導入成功的關鍵。

第十，也是最後一點，人工智慧跟人一樣，需要長期觀察，並需要不斷翻新。

它的建置不像軟體系統，完成後除非修改規格，不然用不著再修改。它需要效能監測機制，我們才能知道模型的準確度是否因為使用者行為的改變、感測器的更新、或是環境的改變等等因素而降低。尤其是與使用者行為有關的機器學習模型，例如商品推薦或盜刷偵測，很容易因為商品的推陳出新或是新的帳號盜用方法出現，原有的模型準確率大為降低。所以人工智慧導入後，一定要設立長期的效能監測機制，才能確保它的效益持久不變。

在人工智慧時代，要領導一個表現卓越的組織或部門，除了企管及業務能力，能否妥善利用人工智慧來作為業務的成長加速器，也會讓組織或部門的表現大大不同。一旦決定以人工智慧做為加速器，主管必須要對於人工智慧的本質及利弊有清楚的認知，它擅長什麼？它無法做什麼？以及如何讓同仁與人工智慧協同作業，把每一天的業務工作做得更好？這些將會成為經理人重要的功課。

當然，在人工智慧時代中，企業主管除了要掌握科技發展的趨勢與應用之外，其實跟過去的專業經理人並沒有兩樣：要有足夠的視野看清楚方向，並在人才、時間與資源都有限的狀況下，進行未來的佈局。下一堂課，就要分享台灣的企業們如何藉由產業 AI 化航向未來。

The post 台灣產業AI化的問題10〉導入人工智慧前，經理人要知道的10件事 appeared first on 台灣人工智慧學校.