產業技術評析

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。

1. 當欲分析資料包含「非結構化」型態者，如影像、照片、語音、文字等。傳統統計方法對於資料庫型態有良好解題效果，但當所有輸入資料參雜著「非結構化」型態時，人工智慧對如何吸收轉化這些資料產出有意義的結果，已有相當顯著的產業效益。

2. 發現到要解決的問題屬於「非線性」時，傳統統計方法也較難有好的結果；而人工智慧可透過使用多層「神經網路」，不須人類專家指導也能建構出適合的非線性模型。

由上面敘述可知，如果是結構化資料型態，且已知採傳統統計方法、實驗設計(Design of Experiment)等就能有不錯的解題效果者，其實可以不用花時間、成本刻意進行人工智慧技術的導入。事實上，人工智慧技術的導入本身也具相當門檻；通常需大量的電子化資料作為人工智慧模型的開發基礎；例如製造業產線至少需累積三個月以上的量產(Mass production)數據，而零售資料若已知含明顯的季節性因素，通常須累積兩年以上的資料。但使用之資料量是否足夠，往往要試跑過模型雛型才能確認，少有既定準則可依循。資料蒐集時也必須依「領域知識」(Domain knowledge)所認知的多數關鍵因子，才能預期有高解題效果；故領域知識專家與演算法專家需緊密合作，才能順利導入人工智慧技術。
 

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)。

而自然語言處理(NLP)領域為追求可回答特定領域問題、翻譯語言、理解分析資料、依語言撰寫文本與程式，也大量採用上述的「預訓練」方式來開發模型；由於同時追求效能及運用彈性，致使參數數量跟模型愈發大型化，一般企業難以憑己力開發並將應用落地；而國際大廠NVidia近期便宣布為全球企業打開應用此類大型語言模型的大門，提供該公司運用數兆個參數所訓練出的NeMo Megatron框架，讓一般企業能打造自身特定領域的聊天機器人、個人語音助理及其它相關應用，提供立即可用(Production-ready)的解決方案，簡化原需大量資源的開發與部署工作。

同樣地另個國際大廠Microsoft，則直接宣布將非營利研究組織OpenAI建構的GPT-3大型語言模型，正式納入Azure OpenAI服務範圍，藉此強化Azure雲端應用能力，確保運作穩定與數據安全，同時也可因應需求彈性擴展佈署規模；Microsoft表示此種方式除可協助企業更快處理巨量數據/文字內容，也能讓企業開發的線上/實體產品提供更自然的人機互動情境。
 

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。

前述提到的國際大廠NVidia，除穩定每兩年推出一個新GPU旗艦架構外，也開始拓展晶片產品線切入伺服器/資料中心用的CPU與DPU市場。該公司雖併購arm不成，依然可透過支付「分手費」拿到二十年專利授權，取得其CPU架構設計與指令集內容，對日後打造伺服器/資料中心專用的CPU及DPU產品線毫不影響；可預見該公司還是會持續強化GPU、CPU、DPU三位一體以翻轉伺服器架構的策略，挾強大的人工智慧訓練/推論市場需求擴展GPU平行運算影響力。另值得一提的是該公司也走出純晶片設計，直接跨足運算系統整體的設計製造；除本有的人工智慧訓練專用機DGX外，也陸續推出著重大型運算規模模擬的HGX、著重中型資料中心模擬的EGX、著重智慧機器和嵌入式應用的AGX，基本上已涵蓋所有從雲到端的人工智慧運算需求在現有系統產品中。
 

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。

人工智慧可透過製程/排程最佳化等方法，協助高耗能製造業例如水泥業、煉鋼煉鋁業，完成被動式的「減碳」；而以人工智慧協助提升「碳/鈣捕捉」等技術效率，則可以完成主動式的「減碳」。在「永續發展」環節上，人工智慧可協助太陽能設施掌握雲量、雲動向，預測太陽輻射量，掌握電力調度，提升綠電生產效能；在特定新產品開發，如最熱門的5G與電動車使用之第三代寬能隙半導體(SiC和GaN)，人工智慧用於磊晶製程良率快速提升，讓國內廠商在有限機台狀況下仍能掌握其核心，良率媲美國際競爭對手。而根據本土專精人工智慧超級運算(AI HPC)的華碩台智雲公司估算，若採用雲端開發人工智慧，除能加速模型開發將原需耗時數週的週期縮減為數小時外，還可另帶來25~40%的減碳節能效益。
 

資料來源：工研院產科國際所 ITIS研究團隊(2022/04)
圖一 人工智慧應用橫跨產業價值鏈各環節
 

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。

為求人工智慧能被高科技製造業外的更多後進者廣泛採用，國內人工智慧業者也在努力研發Low-code或No-code的形式，希望降低企業進入門檻；國內已有知名新創發展出「自動機器學習平台」讓傳統產業、中小企業客戶以「訂閱」方式使用，用較低成本打造plug-in工具實現智慧工廠。而由原技術處科專轉化成新創的工研院「AIdea共創平台」也透過過去為扶植國內人工智慧生態系，舉辦各類產業競賽後累積超過五十個冠軍模型為基礎，開發人工智慧專用引擎，讓企業能以更快速度與更低成本自主研發解決方案；這些都是除「自行開發」或「完全外包」兩模式外，現今企業還可考慮的其他方式來導入人工智慧。
 

(本文作者為工研院產科國際所執行產業技術基磐研究與知識服務計畫產業分析師)