最新消息

作者：石立康/工研院

一、前言：人工智慧應用領域，還在不斷地拓展

從實質應用面來定義人工智慧，可泛指建構演算法模型的各類型技術，其中最常見的是「機器學習」；而機器學習中效能最顯著，對現今應用影響最深的分支則是「深度學習」。從業界觀察，人工智慧最常被使用在「預測」、「分類」、「辨識」、「異常偵測」等幾種特定目的上，協助進行商業決策；而從業界專家累積的經驗來看，人工智慧在下列狀況，通常能有較高的成效－

二、軟體面：小資料技術及大型語言模型加快落地

不管是「機器學習」或「深度學習」雖已常見使用在各產業中，但在某些特定垂直應用，如製造業的產品「瑕疵影像檢測」與機台「預測性維護」，正常與異常資料不平均是常見現象；此現象必然嚴重影響人工智慧模型的學習效果，需採特定方法來補助提升學習效能。過去常用者包括鏡像反轉、增加外部資料、以對抗式生成網路(GAN)做資料生成等；在考慮標註、訓練成本因素後，近期一些透過預訓練(Pre-train)，能以更少資料完成模型的「遷移學習」(Transfer learning)或「元學習」(Meta learning)技術皆有所進展。前者重點在於使用已開發完成的模型及參數，再次利用在其他不同但相關問題上；例如用於A型印刷電路板的瑕疵檢測演算法，套用少數B型板資料後也可用在B型的瑕疵檢測上；後者重點則是指透過學習過往數種相似任務後，掌握如何快速優化模型參數的共同法則，也稱作「學會學習」(Learning to learn)。

三、硬體面：所需高效能運算，每年推陳出新

除了軟體的演算法模型進步，硬體運算晶片與系統發展也同樣耀眼。藍色晶片巨人Intel在今年Q1的產品規劃藍圖(Roadmaps)中，也揭露了最新採「Intel 7」製程的高階伺服器CPU晶片Sapphire Rapids，在人工智慧方面達到三十倍運算效能改善；其中具高頻寬記憶體(HBM)的版本，還可將運算效能再向上提升2.8倍。Intel也公布至今已有多家品牌伺服器廠商(OEMs)及雲服務廠商(CSPs)，將該晶片用在三十五種不同的高效能人工智慧運算系統中；足見現今x86伺服器需求極大部分跟人工智慧開發相關；該公司今年也推出第一款資料中心用GPU晶片Ponte Vecchio，除已用在美國能源局超級電腦Aurora建置中，也針對金融市場人工智慧服務進行優化，號稱較現有的市場解決方案2.6倍以上的運算效能。

四、應用面：淨零碳排、永續發展等新商機出現

人工智慧目前在產業價值鏈各面向上，皆參與了協助增加附加價值、提升效率或降低成本等企業目標；例如在「原物料管理」上可做價格預測，在「製程最佳化」上可提升良率，在「產能管理」上進行最佳排程，在「成品檢測」實施瑕疵影像偵測，於「分選出貨」上可做分級分類揀選，「需求預測」方面能做即時銷售預測並自動訂貨，以自動語音/文字面對大量消費者完成「售後服務」等等。現在由於各國政府、投資人開始重視「ESG」議題，許多企業巨頭也開始訂出承諾的碳排放目標達成時間表，全球碳權交易機制也漸成形，使人工智慧用於「淨零碳排」、「永續發展」等的新商機開始如雨後春筍般出現。

五、結論

相對於同時期興起的物聯網、AR/VR裝置等話題，人工智慧不管是在市場規模或是垂直應用上都真正呈現指數型成長，成為一具爆發性的領域；而其各類型核心技術也正透過全球學界跟業界不斷的研究持續發展中，離技術成熟度曲線(Hype Cycle)中所謂具生產力的高原期(Plateau of Productivity)，看來還有五至十年以上的路可走。