天下／陈升玮：不把握这波AI，台湾下波机会不知在哪？
2018天下经济论坛夏季场，首度邀请台湾人工智慧学校执行长陈升玮发表「台湾产业AI化：如何跨出第一步？」专题演讲。专精于大数据分析、人工智慧、计算社会科学及多媒体系统的陈升玮先生曾期许要让「人工智慧在台湾深化，带动台湾产业发展！」
以下是台湾人工智慧学校执行长陈升玮演讲的全文记录：
------------------------------------------------------------------------------------
科技日新月异，1969年成功带三位太空人上月球的阿波罗11号，用的电脑运算速度只有2013年、iPhone5S的一千三百分之一，这是非常巨大惊人的进步。我们通常都用摩尔定律来描述半导体技术的一日千里，每两年IC的电晶体数量会倍增，但大家可能会忽略，同时还有一个技术快速成长、比摩尔定律还快的，叫做机器学习。
过去十年，机器学习受到全球研究者的关注，不论在论文数量、研究成果、专利数量上都快速成长。
什么是机器学习？它是「让电脑从经验里面萃取规则」的演算法。从前没有机器学习的时代，如果我们要让电脑辨认人讲什么话，就要让工程师看很多资料、看很多规则。例如，我们讲「你好」时看声波长什么样子，然后想办法写出规则来，但问题是，不同的人讲同一句话会有很多不同的样子，后来发现要订出规则非常困难、而且有很多例外。
事实上，日常生活的问题更困难，我们懂得比我们能表达出来的事情还多，有时候我们说这气氛怪怪、这人看起来怪怪的，但我们讲不出来为什么，我们知道有些人比较会谈判、杀价，但你叫他把规则写出来，他写不出来。我们会游泳、会吹口哨，但是你用讲的、要教会另外一个人是非常困难的事情。也就是因为这个人类的限制，所以我们的前两波人工智慧的浪潮都失败了。
第三波AI浪潮：机器学习
我们现在是在第三波的人工智慧浪潮。人类史上第一波的人工智慧浪潮是在1950年到1970年，试着用逻辑推理，但是后来发现我们没有办法把所有的推理原则写进电脑。第二波是知识表达，后来发现没有办法把我们对宇宙的所有知识写进电脑里面，因为我们还有很多特例、很多情境的考量。
因此我们这一波人工智慧讲的是机器学习，也就是说今天如果有人不懂机器学习，你就不懂这一波的人工智慧。这一波人工智慧跟前两波差别最大在哪里？就是我们放弃教电脑规则，他自己学。即使你懂很多事情，我们这波人工智慧讲的是，你不要跟它讲你怎么做的，我们就是写一个机器学习的演算法。如果你要让它学会人在讲什么话，你只要给它很多资料，让它使用这个演算法去找到规则，之后再用这个规则自己来判断。
有趣的是，机器学习找到的规则，跟人类工程师订出来的规则很不一样。例如要判断0到9号，如果是我们要判断9这个字，人类订出来的规则，它会找出一个完美的9，然后跟它比对愈像愈好，但是你可以看到电脑找出来的规则，这个规则是用来判断9的规则，它会说如果我上面这个圈，我就认为是9，下面的脚，我不管它。为什么？有三个原因，第一个是，这个上面的圈，只有它有、别人都没有，它是9的关键。第二个是下面这只脚，别人也有、7也有、4也有，容易跟别人混淆。第三个是同样在写9，有的人的9是歪的，有人写的脚是直的，还是很容易会误判。
现代的机器学习演算法非常的复杂，例如做人脸辨识，以前如果是人类想像要教电脑去看两眼之间距离、人中的高度、嘴唇的宽度等，但是现代的机器学习演算法非常复杂，有规则性的规则、有阶层的规则，例如第一层的规则，是看你脸上的线条、线条的组合、五官部件的组合，这些会组出不同的脸型，然后再回头看每个规则的权重，用这些权重来判断，是不是上次看过的那一张脸。
这么复杂的规则，缺点就是人类没有办法解释，我没有办法解释为什么它的规则是长这个样子，但是问题是它很准、非常的准，比以前用第一波、第二波人工智慧、我们想尽办法写出来的规则更准。
这些技术我们现在可以做很多事情，可以做到人与物与行为之间的辨识，然后可以做到人脸辨识、眼底视网膜病变的侦测、用病理切片来找到癌细胞的位置，比病理学家做的结果准得多。没有一个行业你找不到充满潜力的人工智慧应用，所以我们是处在一个非常关键、非常让人兴奋的时代。
往回看，我们过去20年，经历了很多的IT趋势，mobile computing（移动运算）、social computing（社会运算）、cloud computing（云端运算）、IoT（物联网）、big data（大数据），现在来到AI（人工智慧）。往未来看，有量子电脑在哪里，但它不会那么快。
人才、资料、找问题，缺一不可
去年3月，我在中研院的校园遇到了哈佛大学教授孔祥重，他也是中研院的院士，他老是在说台湾已经40年没有新的产业，这一波人工智慧如果再不把握的话，下一个机会真的看不到在哪里。他说服我们一起用人工智慧来帮助台湾，列了一个名单，从石化业开始，然后电子业、工具机业、农业、纺织业、半导体业，一家一家去拜访。
我们跟他们讨论，你们今天要发展AI，遇到什么样的问题，我们可不可以来帮忙？大家遇到的第一个问题就是缺乏人才，缺有经验的人才。
第二个，有了人才之后你的资料准备好了吗？机器学习就是需要资料，资料没有准备好，有人才是没有用的。
第三个，有时候根本找不到问题，工程师没有理解整个集团的全貌，不知道真正关键的问题在哪，他只能解决他面前机器的问题。
最后一个大问题就是，懂得机器学习、有十年经验以上的人，统统都在学术界，但是产业界与学术界中间，只有一条微弱的产学合作，其实不够，没有办法帮他们的能力贡献出来。
同时我们在拜访这些业界的途中，也整理出台湾从制造业开始、产业所面临的共同问题。
第一个问题叫瑕疵检测。我们拜访了所有制造业，非常惊讶地看到每一家公司都有一堆人，从几十人到几百人，用眼睛在看他的半成品跟成品中间有没有瑕疵，不管是金属表面的瑕疵，或是做玻璃、印刷电路板、IC组装、或是牛仔布染色的瑕疵。第二波人工智慧做的诊断不够精准，因此非常适合用这新一波人工智慧来解决问题。
第二个沟通挑战叫自动流程控制，你只要有机器就会有参数，只要有参数就需要人来调，但是我们用人来调其实会调不好。例如某一个化工业的制程，落到某个范围之间的叫良品、这段范围叫良率。如果这个时候我们可以用机器学习来调整参数，良率就可以到98%。
第三个共同挑战是，我们不希望机器在制造到一半的时候坏掉，所以我们要提前知道机器会不会坏掉，另外还有耗材的问题，我们不希望耗材太早换掉，因为太早换掉是浪费，太晚换掉良率就降低。要如何预测什么时候耗材会刚刚好寿命结束，才不会产线停摆。
第四个问题是原料组合，只要是制造业都会遇到原料的问题，一个产品一定是多个原料组成的，像染整业都会遇到一个问题，客户要这个颜色，但我有一百支染料，要挑出其中哪三支；那每支多少浓度，调出来才能刚刚好就是这个颜色。从前的方法就是用软体模拟加上老师傅的经验，但现在用机器学习，成功率可以在一、两个月内把它提升到95%。
每个产业，都亟须培养AI大军
我们组了一个团队，大概20个人，在六个月内帮助十几家公司各自解决一、两个问题。如果我们是一个AI公司，那我们是非常成功的，但是如果我们要帮助台湾的话，那问题很大，因为它不够规模。台湾有130万家中小企业，我们怎么能靠一个团队来帮助他们？所以我们要回头检视该怎么做，怎样把能量放大。
这些问题是关键中的关键，就是人才的问题。因为在去年，全台湾根本没有超过一千个人可以做这件事情。若把这个能量放大的话，才有可能帮助到整个台湾。因此我们就决定创一个学校，叫台湾人工智慧学校。
我们开宗明义就讲这个学校叫做「产业AI化的军校」。我们各种既存的产业，每一个产业都需要一个懂AI的人，而且不只是工程师，还包括经理人，所以我们需要大军，需要大量的、系统化的快速培养人才。
【延伸阅读】
回台搞AI PTT创世神杜奕瑾：台湾软体人才不输美国