- 專訪
文章專區
2018-04-01 深入剖析臺灣AI 大戰略佈局 ── 科技部長陳良基教授專訪
580 期
Author 作者
訪問／翰佐、曲建仲。 撰稿／文詠萱
AI 人工智慧對於社會來說也許是個新興名詞，但已經有許多科學家前仆後繼投入研究，才發展出今日樣貌。 而科技部長認為，未來讓AI 進到各行各業成為應用工具，已是目前產業發展趨勢，因此科技部近期大力推行 AI 人工智慧研究與發展，從在臺、 清、交、成等重點大學成立「人工智慧中心」，到近期將啟動的「半導體射月計畫」，顯示科技部提升臺灣在國際AI人工智慧地位的企圖心。
《科學月刊》本期邀請科技部長陳良基教授，談論他對於臺灣人工智慧發展的長期策略，也談到臺灣科學教育的瓶頸以及對科學教育的建議。
《科學月刊》（簡稱科）：AI 是目前 全球最熱門的產業趨勢，不過先進國家已經耕耘一些時日，而且卓然有成。臺灣此時的加入，我們的利基點在哪裡？有哪些我們目前仍然能夠努力的方向 ?
陳良基部長（簡稱陳）：人工智慧 （Artificial intelegence, AI）雖然是最近相當熱門的名詞，但整體的發展也 有 3、40 年的歷史。臺灣的學術界一直有在關注這樣的議題，像是先前在圍棋界嶄露角的AlphaGo，其 實就是臺灣的硬體實力在AI 領域上出色的證明。所以我覺得臺灣在AI的研究並沒有缺席。AI產業其實可以分成兩個領域：第一要有軟硬體優良的計算能力，另外要有龐大數據提供深度學習。因此AI產業基本上是「計算能力」與「數據」的競賽。從運算來說，電腦運算能力主要是靠半導體的晶片技術來提升，目前我們手機裡面的晶片大概是30、40億個電晶體的數目，人類大腦中神經元的總數大約是860 億個神經元，而如果透過與圖形運算單元技術 （graphics processing unit, GPU）將手機裡的晶片改用GPU 來做，兩者單元數的距離其實並不會差太遠。以 AlphaGo 成功的例子來說，好的運算程式也需要運算速度更快的運算能力才能美夢成真。
AI 科技的另一個要點是給深度學習 用的「數據」，是屬於AI 在最近變動較大的新技術。由於物聯網時代的來臨，現在已經有許多電子設施可以不間斷的收集資料，形成大數據。加上突飛猛進的機器學習技術能有效從 大數據中分析學習，這也是近年來AI 熱門的主因。
臺灣在半導體的設計與製程一直是國際知名的強項，在全世界我們應該也能算是領導級的前段班，在 AI 的全 球商戰當中，我們至少已經掌握了其中的一項優勢。而在「數據」這一塊我們雖沒有大市場數據的支撐。但我認為在AI 的戰場上數據是有很多市 場區隔的，這跟網際網路的使用經驗並不相同。AI 要能成為各種行業的工具，解決各行各業的問題，就必須先深度學習各行各業的大數據，才能進行相關的分析。從 AlphaGo 的例 子來看，AI 可能在下圍棋上可以做到世界第一，但如果要改會下象棋，則需要建構另一個程式架構，並針對另一組大數據進行深度學習，這是現今電腦跟人腦上最大的不同。又例如德國的自駕車技術在目前也許相當優秀，但在臺灣不一定管用，行車的環境、道路的設計等，可能需要另外客製化的系統才能完成。所以我認為，雖然我們大規模的AI 相關計畫是這兩年才有系統地提出，但並不會有太遲太晚的問題。
科：科技部在臺、清、交、成四所大 學中成立AI 創新研究中心，而此中心在這兩項任務中擔任什麼角色？
陳：目前科技部分別在臺灣大學、清華大學、交通大學以及成功大學設立四座「AI創新研究中心」，是根據各大學的研發強項與地理位置做不同的任務分配。從需求面的角度，四座中心有它們的共同目標。第一個是工具的提供，AI 其實就是一項協助產業的數據分析工具而已，我們賦予各中心的任務。第二是平台，期望研發中心可以建構出相關的運算平台，協助其他專業領域進入AI 的世界。第三 個目標在於合作建立數據，協助現有數據庫資料的整理。數據整理需要有一定的專業度，資料整理的程度攸關AI 軟體進行深度學習的成效。資料 需要專業人員的標定（labelling）， 專業協助就變得相當重要。當研究中心有這三項目標時，他們訓練出來的人員也將會具備這些知識，將人才散佈到臺灣各行各業，才能將臺灣整體應用力量帶起來。
科技部補助成立的這四所AI 創新中心其實也還有各別的任務，像是臺灣大學的中心，我們會希望在應用面向上會跟醫療科技進行鏈結，提供必要的服務協助。交通大學AI 創新中心則會以智慧服務為其主要的特色，例如自駕車的研發。……【更多內容請閱讀科學月刊第580期】