AI(人工智慧)的浪潮正在席捲全世界,但是與過去的硬體製造與軟體開發不完全相同的是,AI的特點在於如何教會機器、以類似人的方式去思考,而且更重要的一點是,AI的範疇實在太過於廣泛,花再多時間也不可能一一涵蓋,因此找到自己可以發展的AI領域,透過有系統的架構分析、去蕪存菁,才有辦法理出還值得我們急起直追、努力投入資源的目標。

年輕人求教於年老的智者:「如何才能成功?」老人:「成功來自於好的判斷力。」

「如何培養好的判斷力?」年輕人問。老人:「好的判斷力需要經驗」。「

那麼經驗要從何而來?」年輕人追問。老人沉吟:「來自錯誤的判斷......」這個源自西方的老笑話,其實某種程度也大概說明了AI的本質與問題。

判斷這件事,正是AI的關鍵。去年一名歐美攝影師在IG上PO出一張照片,沒想到意外地收到了很多代表按讚的「愛心」,他相當不解,為何一張收割機在夜間燈光下收割棉花田的照片,會得到如此多人的喜愛?後來真相大白,原來多數人都以為他PO的是一張熱門演唱會的照片,因為上頭有燈光、大型機具,下面還有圓型的一顆顆人頭(其實是棉花),如果只是驚鴻一瞥地猛一看,多數人都會被搞混。如果這件事情用於AI的發展,訓練機器看懂照片或是辨識物體,本身就是一個艱苦而漫長的訓練(Training)。

以此來看,如何在我們身邊,找到自己熟悉的產業或是掌握度高的事物,去思索在其中發展AI的空間,理論上成功機率會是比較大的。例如,台灣有全民健保、累積了一大堆資料,如果這些資料可以被取用,那麼用以發展預防式AI醫療裝置,可能就有一點空間。另外,台灣人可能不見得很會「創造」,卻很懂「製造」,電子業代工了這麼些年,總有些只有內行人才知道的「眉角」,對於AI用於製造大有幫助。

不過目前為止,我們的產業扶植策略,似乎還有點發散。鼓勵是很多,但該在何時收斂卻有點模糊。就以汽車製造來舉例,A組團隊發展的是小汽車引擎,B組則是專攻大卡車變速箱,C組強項是超跑的車體製造,D組則是越野車的輪胎專家。如果這樣整合起來,那不知道可以變出一部什麼東西?鼓勵發展當然是好事,但要有贏的策略,萬箭齊發弄不好會變成亂槍打鳥,那就不太好了。

#資料 #照片