科技趨勢歷經幾波大浪潮，但台灣始終只有電子IC組裝相關產業立足全球，不能再錯過人工智慧（AI）這一波機會。產業界不再苦苦等待政府扶持，專門培育AI產業人才的台灣人工智慧學校，今年正式開張！

2017年3月某一天，陳昇瑋遇到中央研究院院士、美國哈佛大學電腦與電機系蓋茲講座教授孔祥重，當時孔祥重對他說，「過去不管是雲端（Cloud）、mobile、社交網路、大數據（Big data）、機器學習，台灣的產業都沒有跟上，雖然政府辦了很多計畫，但這些產業出現了嗎？在Cloud、mobile當紅時期，都還看得到接下來五年的趨勢，但AI之後又是什麼呢？台灣產業還是停留在電子IC相關產業，不能再錯過這波。」孔祥重認為，一定要靠AI來提升台灣產業競爭力，台灣才能有新的產業出現。這席話讓陳昇瑋接下台灣人工智慧學校執行長，從此改變他接下來一年多的生活。

圖一、台灣人工智慧學校執行長陳昇瑋

吳碧娥／攝影

產業AI 化的挑戰

陳昇瑋指出，這一波AI是人類史上的第三波，而且伴隨著「人工智慧民主化」 （AI Democratization）的趨勢，最重要的概念是，AI技術不應該只被某些跨國企業所壟斷，應該讓所有需要的人都有機會參與及使用。具體的作法，應該包含各種深度學習開發工具及模型的開放源碼，以及各式最新核心技術的分享等等。陳昇瑋認為，AI民主化趨勢能為台灣帶來機會，因為AI技術發展在各領域所帶來的機會無窮無盡，是習慣等待國外大廠解決方案的台灣廠商應該把握的。

以一件深度學習進行自動瑕疵檢測為例，採用傳統人力目視進行檢測，不但較為耗時，漏檢率約為5％；改採用深度學習的電腦系統，搭配開源軟體加上高度調校的深度學習模型軟體，則漏網率可控制在0.01%之下，且判讀速度遠遠勝過人力。陳昇瑋指出，機器學習適合規模巨大、明確定義且有足夠因果關係的任務，提供明確的反饋，且能進行大量模擬，或是不需豐富背景知識或很長邏輯推理的工作，瑕疵檢測、預測性維護、自動流程控制、原料組合最佳化，都是現在深度學習已能發揮優勢的作業領域。

圖二、AI產業應用示意圖

圖片來源：2018/05/09陳昇瑋「大數據浪潮下 人工智慧創新運用暨技術專利之發展與趨勢研討會」會議資料

不過，台灣產業要導入AI，目前仍會面臨的四項難題，包括實戰人才的缺乏、找對問題不簡單、產學之間的鴻溝，以及缺乏對自建技術的信心，目前產業界普遍遇到的挑戰是AI人才的問題，台灣人工智慧學校為此而成立。

圖三、台灣產業AI 化四大挑戰

圖片來源：2018/05/09陳昇瑋「大數據浪潮下 人工智慧創新運用暨技術專利之發展與趨勢研討會」會議資料

AI人才教育 講求「速度」及「彈性」

今年1月甫開張的台灣人工智慧學校，由財團法人科技生態發展公益基金會及台灣資料科學協會主辦、委託人工智慧科技基金會執行，並獲得中央研究院資訊科學研究所、中央研究院資訊科技創新研究中心的支持協助。為了讓「找不到人才」不再成為產官學研各界發展人工智慧的障礙，台灣人工智慧學校的目標是「自己的問題自己解決」，打破台灣被技術殖民的慣性。至於經費部分，主要來自協會自有預算及民間捐贈，而科技生態發展公益基金會的捐助人，包括聯發科技、台塑企業、奇美實業、英業達集團和義隆電子等台灣大型企業，由五家公司各捐助新台幣3,000萬元基金，科技生態發展公益基金會因而成立。

圖四、台灣人工智慧學校主辦單位

圖片來源：2018/05/09陳昇瑋「大數據浪潮下 人工智慧創新運用暨技術專利之發展與趨勢研討會」會議資料

由於人工智慧技術進展太快，能解決的問題及形式一直在增加及改變，這樣的技術是過去沒有出現過的，發展AI教育最需要的是「速度」及「彈性」，而「彈性」正是民間組織的優勢，因此台灣人工智慧學校初期會優先以民間組織來進行台灣人工智慧的人才培訓，才能在過程中不斷調整出最適合的教學方式，從課程的內容、講師的邀請、練習的設計、競賽的方式、專題題庫的來源及專題執行的方向，只要發現有更好的作法，就會立刻改進。

圖五、台灣人工智慧學校夥伴計畫

圖片來源：2018/05/09陳昇瑋「大數據浪潮下 人工智慧創新運用暨技術專利之發展與趨勢研討會」會議資料

台灣人工智慧學校目前已在台北、新竹開課，未來規劃擴展到中部及南部，以每年三期、四個校區，一期招募500名學員計算，預計每年培養6,000名AI的工程師及經理人才。陳昇瑋指出，台灣人工智慧學校招募的對象是「領域專家」，只有在各領域的專家，才會知道業內的問題所在，經過3個月的AI學習，再回到原工作場域，是將AI導入各產業最快的方法。因此，台灣人工智慧學校需要的是本身已在某個領域專精的專業人才，像是化工、機械、建築、電子、金融、醫學專家，以短期的集訓方式讓他們學會以人工智慧來解決他們自身領域的問題，這種方式才能快速解決台灣產業內的人工智慧人才荒，同時為產業升級帶來新的動力。人工智慧在社會、學術及產業上的應用潛力已經充分被證實，只要產業內的問題被清楚定義、化約出來，而且有相對應的資料存在，大部分情況下可以在三個月內發展出一套可行的解決方案雛型。

資料來源：

1. 2018/05/09陳昇瑋「大數據浪潮下 人工智慧創新運用暨技術專利之發展與趨勢研討會」會議資料

Facebook 在北美智權報粉絲團上追踪我們