AI發展及應用現實淺見

話說1982年，也就是50年前日本政府第五代電腦計畫拉開了AI發展的序幕，想要打造具備推理能力的「智慧電腦」，推動邏輯程式設計（Prolog）與平行計算發展。可惜硬體正是INTEL80286時代與神經網絡演算法未成熟，未能實現商業化落地而告終結。同一時期專家系統-規則驅動的AI雛形也在發展，將人類專家的知識編碼為「IF-THEN」規則庫（如醫療診斷系統MYCIN），證明了特定領域的問題求解能力，但受限於依賴人工構建知識庫，例如醫界的本位主義難以充分應對不確定性問題等等，讓專家系統也步履艱難。

PC時代的崛起，從1980年的APPLE-II/微軟+INTEL的個人電腦走進了個人以及企業界，記憶元件從巨大的磁帶機走向小型化與密集化，到了1990年代，迷你型電腦取代了大型電腦，室溫環境的工作站取代了專業電腦，積體電路技術將CPU及記憶體以18個月提升一倍的速度，性能以指數成長，分散式運算與資料存儲成本降低，為AI提供基礎設施。

同時圖像識別突破、序列資料處理（語音、文本）類神經網路技術解決多層網路訓練難題，例如在1980年太空梭計畫中使用了相陣列雷達對地表掃瞄，建構了地形資訊就是運用了數位化演算法解算出3D及反射雜波解算地質。另外在語音辨識方面也經過了長時間淬練，也從符號到關聯學習，模型學會了解構語義關聯，加上了三十年來網路搜尋平台累積了大量資訊，文字與圖像。大數據的應用，演算法的模型複雜度提升，圖像與平行運算軟硬體的算力突破，讓AI自動學習及解算能力快速進展。回顧AI的發展，從1982第五代電腦啟動到90年專家系統冷卻AI又進入寒冬，2012年深度學習復興，2016年AlphaGo戰勝棋王，到了2020年代生成式AI爆起，正是螺旋上升的AI發展史。

各國政府感覺AI是未來產業以及國力的重要因素，最近兩年來政府全面推展AI的觀念及應用，好像沒去用AI就會落後，真的是這樣嗎？AI設備與軟體平台設置目前正是初期，要搶先就要付出較高成本，硬體設備及使用環境投資目前非常貴。一般應用者應依需求向系統平台商尋求協助建構自己的AI環境，來提升自己的生產力。例如在人力支援部門招攬人才時，可以快速處理符合需求的人才即時反應及安排面試。行銷部門對客戶需求或者關心提供溫馨的回應，可以讓高管或CEO適時與客戶互動。生產部門則可以處理供應鏈或排程上的協調、視覺品檢，市場部門可以適時提供市場即時訊息以及分析供決策參考。等等可以提高生產力的系統，都是決策者應關心的問題。如果花了錢仍不能提高生產力，那就要等一等，不必跟風。

目前AI能協助的個人工作，例如提出文案、疏理論文資訊摘要、大數據資料分析與整合、圖文生成、或者協助直播影音建置，或者產生圖文「農場」製造故事或者事件。

簡單的說，AI目前運用對文字語意的解構與組合，可以協助資料搜集整合與圖像的辦識與重組，可以運用於傳播、行銷、管理、指揮協調、管制等。但很多事情並不需要即時學習解算，因為解算時間因演算法不同會多會少，網路傳輸時間也會有延遲，倒是可以使用專家系統，排除不必要資料加入演算，例如無人駕駛系統，面對的是各種路況情境，在快速行駛狀態下不容時間延遲，必須掌握到各種移動或非移動環境做出適當反應。線上或線下的演算一定是偏向線下，反應時間才會夠。

現在發展最引人矚目的是機器人的應用，最近出現在輔助照護上以及外骨骼機器人讓人可以拓展生活空間，最具有產業潛能。當然現在的無人機在救難、農牧業、物流，甚至在戰場協作及攻擊上都成為全球焦點，這些會用上一些AI技術，但最主要的還是專家系統。陪伴/照護機器人會是AI應用最多的機器人，因為與人類對話需求了解更多的生活細節，與思維模式。

當然AI時代來臨，目前各大平台展現企圖搶先建置，但各行各業的導入還在摸索及小量的使用中。如果大家仍未電腦化，仍未自動化，倒是應先思考組織決策結構是否合理化，未來導入AI時能以較少成本取得最大的生產力提升，這可能是最重要的。相信未來五到十年是AI發展較趨於成熟期，從現在起，學習與接觸AI將是全民運動！