前幾天在南韓一個主要流行歌曲音源榜Bugs上，有個出道2個多月的男偶像團體Plave首次拿下音源排名的第一、二名。南韓有不計其數的男團競相出道，相信多數讀者跟我一樣，記不得團名，分不清誰是誰，但Plave這團卻沒這個問題，因為他們是虛擬偶像。這個團體有5位成員，分別是諾亞、藝俊、班比、銀虎、河玟，有著外貌、身高、歲數、隊內角色擔當等角色設定，最年長的成員諾亞也才22歲，除了個子最小成員班比為174公分外，其餘成員都在180公分以上。這樣一個新出道虛擬男團，如何打敗眾多真實偶像團體拿下Bugs音源榜榜首？先來看一下這幾年南韓的虛擬偶像發展，如同我們在探討元宇宙有虛擬實境（VR）、擴增實境（AR）、混合實境（MR）、延展實境（XR）等定義和分類，南韓在虛擬偶像的經營上，做了可與此相對照的多元嘗試。一、實體偶像的虛擬分身：SM娛樂（SM Entertainment）的一線4人女團aespa在2023年5月剛推出的新專輯《My World》創下銷售破200萬張的佳績，其自2020年出道時，每位成員都擁有元宇宙的虛擬分身ae，分別為ae-Karina、ae-Winter、ae-Giselle、ae-NingNing（出道曲Black Mamba MV），2022年還跨界到RPG手機遊戲《第七史詩》，成為遊戲副本主角。二、虛擬偶像團：包括2021年出道的ETERN!TY及2023年出道的MAVE:等，前者是個11人的女子大團，出道前幕後推手人工智慧（AI）公司Pulse 9，還舉辦仿效南韓知名選秀節目的模式，推出101位AI女練習生供網友票選出前十一名出道。 （可見最新單曲DTDTGMGN MV ）後者則是南韓影視娛樂業霸主之一的「Kakao娛樂」與遊戲公司「Metaverse娛樂」合作推出的4人女團，出道單曲Pandora自2023年1月下旬發布以來，迄今在YouTube上已達2,320萬次瀏覽紀錄，按讚數高達40萬次。（可見Pandora MV）三、虛實混合團：南韓第一個虛實混合團乃偶像男團Superkind，2022年推出第一位成員擔任門面角色的虛擬人物Saejin，這5人團體的另4位成員都為真人，2023 年3 月發布最新單曲，又新增1真人1虛擬人，擴編成為7人團。 （可見Moody MV）四、真人+2次元外皮團：這種組團模式就是本文一開始所談的Plave，幕後推手是南韓三大公營電視台之一的MBC旗下公司VLAST。Plave是一個5人男團，外形乃是南韓直條網路漫畫風格的俊男，但在這「二次元漫畫外皮」後卻是有5位真人團員，以3D模組+動態捕捉方式演出，於2023年3月12日推出首張專輯《ASTERUM》出道。（可見出道曲Wait for you初舞台 ）一般南韓偶像團體推出新的單曲或專輯時，會有數週密集宣傳打歌期，衝刺流量與銷量，過了這段時間後在排行榜上成績就逐步往下，而像Plave這般單曲推出3個月後才「逆行」攀升至排行榜首位的情況極為罕見。我的觀察是，其他的虛擬偶像的呈現都是預先設定好的演出，但Plave則因為虛擬偶像外皮後是5位能唱能跳的真人，透過舞蹈挑戰、跆拳道示範等各種主題直播，可跟粉絲密切互動；由於是3D建模，在直播時常常出現團員間嚴重穿模（肢體間相互穿透疊加）或是肢體突然扭動至不可能角度的情況，團員間常常得自嘲或亂掰來因應補救，造成很多「爆笑梗」，也讓愈來愈多人入坑變成粉絲。從1996~1997年第一代偶像團體H.O.T、水晶男孩與S.E.S發展迄今，南韓偶像團體市場版圖早已涵蓋全世界，防彈少年團與Blackpink更成為全球最頂尖的潮流偶像。在這片市場沃土上，不僅有如IVE與New Jeans等大勢團體持續擴大聲勢，也有如本文提到導入新科技與新經營模式，探索虛擬偶像的各種可能。雖然元宇宙如今熱度稍退，但生成式AI的出現對元宇宙內容的發展卻是一大助力，擁有全球市場滲透力及已然嘗試多元虛擬偶像經營模式探索的南韓，是否又將在元宇宙再創新一波韓流呢？Plave出道迄今初嘗成功的經驗，是否也在提醒我們，high tech也需要high touch呢？

我受邀擔任「台灣AI超算年會- AI 2.0 · 超算 · 新生態」的座談主持人，當台智雲總經理吳漢章結束完Keynote演講，我問他，面對生成式人工智慧（Generative AI）的風起雲湧，有什麼感覺？他回答：「很興奮！」的確是，從PC、網際網路、智慧型手機、電動車以來，又再出現讓大眾如此「有感」的新科技，而對身處科技產業業內的我們，卻也知道，這是一個「AI大航海時代」的來臨，有識企業都在承浪而起，拓展自己的事業新版圖。我認為影響未來10~20年台灣科技產業發展的宏觀趨勢有三：「地緣政治」、「淨零碳排」與「人工智慧」。在國際秩序下，面對「地緣政治」衝擊我們只能因應與自保；「淨零碳排」可依循巴黎氣候協定各國訂出的碳中和目標與藍圖，逐步自我提升與發展新事業；但「人工智慧」ChatGPT這一波來得又急又猛，來不及完善布局就得提刀上陣，而我們也難以想像，繼ChatGPT後，未來的AI新技術／新模型又會給我們什麼意外的驚喜／驚嚇？因為高度衝擊性與與高度不確定性，所以才令人興奮！在中美貿易戰與COVID-19（新冠肺炎）後，由於攸關國家與供應鏈安全，但半導體先進製程產能卻集中在台韓，而中國透過國家資本投入急起直追，美、歐、日等主要國家／地區才意識到「半導體即國力」，祭出晶片法與巨額補貼法案，提振在地的半導體供應鏈。美、歐、日乃至韓、中等地所欣羨的，是台灣以晶圓代工廠為核心的完善半導體產業生態系，這些國家需要「120%努力」甚至「強求」才有機會獲得這樣的國力，但對台灣而言，這「半導體國力」就只是我們的日常運作而已！在生成式AI浪潮襲來，從美國的Open AI、微軟（Microsoft）、Google，到中國百度的文心一言，大型語言模型（LLM）／多模態（Multi-Modal）模型成為中美兩國競逐市場乃至競逐國力的顯學，宣告著「算力即國力」、「AI即國力」的時代已然來臨。「AI即國力」的時代，台灣供應鏈扮演關鍵推手，台積電的先進製程支持著NVIDIA、超微（AMD）、英特爾（Intel）的新世代GPU與CPU，以電子六哥為首的供應鏈，供應全球9成以上的伺服器，但這就代表台灣具有AI國力嗎？不是的，在機器學習（Machine Learning）／深度學習（Deep Learning）的規模化應用上，我們不可諱言落後中美等領先國家不少距離，而「產業AI化、AI產業化」的發展願景，可調查看看有多少業者從AI賺到大錢即可知迄今成效如何。傳統商業競爭基於規模經濟／範疇經濟，往往是「大吃小」的競局；網際網路時代基於網路效應（Network Effect），是「快打慢」的競局，在AI時代呢？優秀的新算法／新模型發布，往往不用幾個月時間，大量商業化應用便如雨後春筍般出現，可以預見生成式AI時代乃是「加速快打慢」的競局，early adopter與follower間的落差只會愈拉愈開。自ChatGPT於2022年11月發布，全球各國同步開始競逐「AI大航海時代」的版圖，台灣能基於「AI即國力」的前提下，成為early adopter，並將發展出來產業應用／企業應用滲透海外市場嗎？機器學習／深度學習的AI 1.0時代，除了政府、人工智慧學校、公有雲與NVIDIA等少數業者希望促成整體生態系發展外，多數業者其實各行其是、各自發展。如今台智雲在台灣AI超算年會上，揭露自身「AI Foundry」的策略定位，將自身台灣杉二號超級電腦的算力資源與多個預訓練模型開放給外部使用，以企業自身數據建立企業自身的地端模型與應用，並希望結合各界共同發展AI 2.0生態系。延伸報導開放生態助AI發展　台灣自研LLM接軌企業需求說實在，要扮演平台角色去enable整個生態系並不容易，能否成功仍是未知之數，但台積電1987年成立時，誰又能預見30餘年後會成為台灣的護國神山呢？圖説：從美國的Open AI、微軟、Google，到中國百度的文心一言，LLM／多模態模型成為中美兩國競逐國力的顯學，宣告著「AI即國力」的時代已來臨。符世旻攝（資料照）

Google搜尋趨勢（Google Trend）是個好用的工具，有時我會透過搜尋熱度變化情況，觀察某個議題的發展。這次我鍵入AI技術典範轉移的3個字詞「Expert System」、「Deep Learning」、「Generative AI」，看看會呈現出哪些結果？若以Google Trend最早能提供查詢資料的時間2004年作為起始時間，「Expert System」的搜尋熱度一路往下，而「Deep Learning」則從2013年起搜尋熱度開始走揚，並於2014年與「Expert System」出現走勢交叉的情況。Expert System是早期真正商用化的AI技術，屬於規則式學習（rule-based learning）。其組成包括知識庫、推論引擎和用戶介面等3部分，透過大量請教專家，採用if-then-else的結構將專家知識和經驗建成知識庫，推論引擎則根據知識庫中的規則和推論機制來推論和決策，用戶介面則是如同ChatGPT，可用問答方式來獲取專家系統推論的答案。Expert System熱潮在80年代，因人類諸多內隱知識難以表達與形成規則，及規則式學習建立與維護資料庫的複雜度隨時間持續提高，專業領域專家系統（如醫療、土木等）逐漸式微，而一般企業管理用途的規則系統，逐漸被整合至如甲骨文（Oracle）與SAP等業者的企業應用軟體中。2012年多倫多大學教授Geoffrey Hinton與其2位博士班學生Alex Krizhevsky、Ilya Sutskever發表〈ImageNet Classification with Deep Convolutional Networks〉此一論文，帶動Deep Learning興起。機器視覺領域有個2010年由李菲菲發起的奧林匹克級學術競賽（ImageNet Large Scale Visual Recognition Challenge；ILSVRC），前2年優勝團隊都是採用傳統的機器視覺技術，Krizhevsky、Sutskever與Hinton的CNN神經網路模型AlexNet，在2012年競賽「top 5 test error rate」指標中，創下競賽以來的最佳成績15.4%，領先第二名的26.2%近11個百分點，從此Deep Learning躍為機器視覺領域主流。當2015年微軟（Microsoft）的ResNet以錯誤率3.6%勝過人類肉眼的5%錯誤率時，包括智慧交通、人臉辨識、瑕疵檢測等多元市場商機隨之起飛，也反應在從2013年迄今「Deep Learning」搜尋熱度上。相較於「Deep Learning」為既有資料進行分類與分群等分辨工作（如人臉辨識），「Generative AI」則是學習輸入資料的模式和結構，其後根據訓練數據的分布，生成相似但全新的數據。2014年的Ian Goodfellow提出的生成式對抗網路（Generative Adversarial Network；GAN），可說是帶動生成式AI發展的里程碑。接下來這幾年搜尋熱度微幅上揚，生成式AI主要是在專業族群中愈來愈受關注，直到2022年11月ChatGPT的橫空出世，引發媒體與社會大眾的關注與使用，搜尋熱度才急遽攀升。若直接比較ChatGPT與Expert System及Deep Learning，更可看到由於ChatGPT的爆炸性搜尋熱度，相對而言，Expert System及Deep Learning的搜尋熱度已被攤平成貼近水平的直線。Expert System之父Edward Feigenbaum在2007年接受美國電腦歷史博物館（The Computer History Museum）口述歷史訪談，在被問及「我們如何賦予電腦知識?」時，他回答「我想唯一的方法就是依循人類文明現有的方式。我們藉由文本這個文化結晶來傳遞知識。過去是手稿，接著是印刷文字，現在則是電子文本……我們需要想辦法讓電腦讀化學書來學化學，讀物理書來學物理，或者是生物學等其他學科……我們的人工智慧程式是手工製作並以知識建造的，除非我們有辦法設計出能夠閱讀、理解文本並從中學習的程式，否則我們將永遠無法突破。」（引用自陽明交大《數理人文》期刊第10期，〈人工智慧專家系統之父—專訪涂林獎得主費根堡之生涯回顧〉一文）Feigenbaum那時並未料到，Google的BERT與Open AI的GPT等近年發展的LLM在訓練文本上的驚人數量級提升。以Open AI來說，從2018年GPT-1的5GB訓練數據量/1.1億個參數，提高到2020年GPT-3的45TB訓練數據量/1,750億個參數。之後Open AI便不再公布訓練資料量，但最新發布的GPT-4估計可能超過1兆個參數。帶來的突破性成果正在為全世界各個領域的人們所嘗試與運用中。Deep Learning的2位關鍵開創者中，Ilya Sutskever是OpenAI的聯合創辦人及首席科學家，持續推進最前沿AI技術的發展，但近日Geoffrey Hinton卻離開Google，且呼籲人工智慧給人類帶來的威脅可能比氣候變遷更急迫，而曾是Open AI共同創辦者的Elon Musk也大聲疾呼暫停開發和測試比GPT-4更強大的語言模型。我不禁想問如今已87歲高齡的Feigenbaum，身為自然語言處理AI宗師的您，當強AI時代愈來愈近時，人類該如何踏出下一步呢？ 

問：智慧運輸過去主要談ITS，看未來是談車聯網和自駕車，以台灣的角度來看，我們如何能循序漸進推進？

中華顧問工程司為迎接物聯網(IoT)時代，近年布局積極由硬走軟，適逢成立50周年，中華顧問執行長陳茂南接受了DIGITIMES專訪。陳茂南表示，科技帶來顛覆性創新，政府需要「智慧」應對諸多改變，所謂的智慧除了指政策擘畫，更重要的是利用智慧應用降低創新型態產品、服務對傳統產業的衝擊，進而讓生活更舒適便利。

問：未來老師希望「科技基本法」放寛後團隊可朝成立衍生性公司的方向發展，那麼接下來團隊在研究上以及在商業化上希望跟各界有什麼樣的合作呢？

2017年12月時才飛30幾分鐘，最主要原因是，當增加電量時，重量就會增加，重量增加同時耗電就會增加，這就是無人機電池遇到的最大挑戰。等到它達到一個階段後，飛行時間不僅沒有增加，還會減少。如果只用電池支持無人機的話，通常僅能飛行20幾分鐘。因此必須再將太陽能比例拉大，當然最直接是把太陽能面積變大，但重量也會增加，有個最好的黃金比例，我們有定量的數學模型可以估算，這對實際製作極有幫助。

今年9月，台灣的太陽能四軸無人機(Quadcopter)創下飛行3小時28分鐘的世界紀錄，推手是台灣大學電資學院吳瑞北和林清富兩位特聘教授。吳瑞北負責尋找研發資源，而林清富因數年前栽入無人機世界，開始動手研發電力結構與太陽能模組，從業餘玩家晉身專家，最後在自己的家鄉宜蘭創下紀錄，無疑是個人嗜好結合專長發揚光大的最佳範例。

問：接下來想請教台灣製造業的數位轉型。若比較大陸與台灣工廠智慧化的轉型速度，台灣相對是領先還是落後？若是落後，您覺得主要原因為何？

問：您認為國家隊若能促成，其發展目標為何？如何運作？台灣在減速器、馬達、控制器、機器人、軟體及AI解決方案這些過去相對較弱的部分，組國家隊的突破空間有多大？