迎向AI產業化浪潮 資安與資料運用成為當前兩大課題

隨著AI發展與普及，各行各業將AI導入企業營運亦或是產品本身納入AI功能，已經是市場所趨，近年來更興起產業AI化與AI產業化的討論浪潮，也一併將數位轉型、產業升級與智慧製造等議題，進一步與AI結合，找出各產業領域未來能夠發展的方向，有鑑於此，DIGITIMES於日前假台北華山文創園區舉辦Taiwan AI EXPO 2022，其中也設計了為期三天的不知講堂，邀集台灣產官學研等學者專家，就AI相關議題進行廣泛且深入的探討。

因應AI產業化浪潮  台灣產業應能有更多發揮空間

2022 Taiwan AI EXPO的開幕貴賓為無所任大使林佳龍，他致詞時表示，以這三天的AI EXPO的論壇內容來說，不外乎與產業AI化以及AI產業化的討論有相當密切的關係，以現今政府所推動的新南向各項政策來看，智慧城鄉、智慧交通、智慧製造與智慧醫療這四大領域都運用了龐大的AI科技，不難想見，AI的確扮演了舉足輕重的角色。

DIGITIMES電子時報社長黃欽勇則是以「台灣在AI發展上的拐點與盲點」為題，來闡述台灣科技產業接下來的發展路徑，黃欽勇表示，台灣在早期發展NB時期，僅需將新竹一帶的供應鏈發展掌握住，並且使其效率極大化就足以產生極大的影響力，但若將目光轉向台中龐大的機械產業，其實就會發現台灣各產業之間的橫向連結非常的差。隨著G2議題的發酵，在地化價值重新被看見，光是能把台中的機械產業帶到台北，並採取橫向連結，就能創造出很多很好的機會。

黃欽勇認為，除了G2外，東南亞與東協等，也都是未來十分看好的發展區域，何以台灣只能服務中美兩大體系？若能以更為開闊的眼界來思考，桃園身為台灣國門，就應該捨棄過有的傳統思考邏輯，思考台灣對全球供應鏈的重要性。他也以2027年即將進入市場化的Level 4自駕車為例，一台Level 4等級的車輛上擁有相當多的網路節點，背後其實隱含十分龐大的市場商機，台灣最好的策略就是與他人合作，來取得市場商機，台灣對於全球來說，都是無害的合作夥伴。

Security of AI成重要課題  業界宜轉換思維因應

談到AI的發展，鴻海研究院執行長(兼)資通安全研究所所長李維斌以「駭進AI：重新思考AI賦能的未來世界」為題，發表專題演說。

李維斌直接破題，當大家在推AI的時候，你會發現資安根本就是打不死的小強，他以2027年會看到Level4的汽車面市舉例，這台Level4汽車這就好比是一個廚房，而這些節點換個角度看就是廚餘，所以這樣的環境對於資安就是個相當大的誘惑，而這些小強就會出現在旁邊，會讓大家非常的不舒服。過去在談資安， Security of AI這個概念在業界較少討論，它主要會包含AI系統的規格驗證、確保功能安全、強健性與公平性，以及AI所作的決策能夠被信任等。李維斌反問，AI所作的決策，你是否相信？他也以Tesla的車禍與理財金融單位所提供的分析資料為例，究竟是人為判斷為佳，還是要完全交給AI？這恐怕還是有信任上的問題。

李維斌分析，現在的AI是跟情境加上資安綁在一起，複雜度大幅提升，但問題是目前普遍企業對於資安的觀念還是相當落後，平時營運時，無人感謝資訊部門，一旦資安攻擊事件發生，企業的慣性就是先究責，一旦落入這樣的思考慣性，問題就沒有解決的可能，所以資安問題就會演變成，「講起來重要、做起來次要，但忙起來不要」的困境。

李維斌認為，現在AI的發展就跟過去的網際網路發展類似，網際網路發展到後來，帶來了很多市場價值與機會，這是過去所想不到的發展。同樣的，當AI發展到一定程度的時候，對企業自然會產生很多價值，所以就會引來駭客的攻擊，也就是前面所提到的小強。因此，當資安被視為成本支出，而AI又能為企業帶來價值時，也許企業就應該換個角度來思考資安對於企業的重要性在哪。

AI扮演數位轉型要角  營運效能成首要目標

台灣IBM公司技術長莊士逸談到，根據IBM在價值研究院的調查指出，新興科技對於企業業績的表現有其重要性，第一名是行動應用技術，第二名就是AI，若再進一步看，有超過50%的企業領導人表示，導入AI能夠帶動1~5%的營收成長，有3%的企業領導人則是認為營收可以超過20%，在成本的節省上，也能有相當出色的表現。

至於要如何透過AI協助企業轉型，台灣IBM創新工程團隊商業轉型顧問林家瑜認為，答案就是AIOps。以Gartner的定義，AIOps就是利用AI來簡化IT管理。在複雜的現代化IT環境中自動化執行解決方案，企業需要監控工具、資訊科技服務管理以及自動化技術來實現，而從製造業的角度來說，更是如此，根據調查，製造業的痛點有兩點：全球有50%的企業認為現有的監測工具必須儘快整合，同時也有90%的企業認為，導入或是規劃多雲策略來因應更複雜的IT環境成為當務之急。

台灣洛克威爾智慧製造應用發展經理王展帆也呼應了林家瑜的說法，從製造業的角度出發，製造業的確面臨多種來源的分析需求快速提升，實際的困境就是企業本身就要有能力來使用各種不同的系統來進行決策，但系統間的資料無法串聯、資料也沒有標準化，對於製造業造成不小的困擾。所以洛克威爾則是從資料標準化的做法出發，嘗試簡化IT架構與使用介面等，進一步提升廠商的運作效率，維護上也能更為方便。而這些資料，也能透過AI與機器學習的方式做到預測維護，甚至是遇到問題時，可即時地回應甚至是讓系統復原至原本的設定，整體營運的效能上也能明顯提升。

至於台灣IBM創新工程團隊設計師方翔奕則是進一步從Chatbot(聊天機器人)為題出發，來談IBM如何協助客戶進行數位轉型，方翔奕形容Chatbot在疫情時期可以說是新的服務管道，亦或是新的服務載體，所以企業發現了Chatbot的好處，可以協助企業營運的創新，同時結合遠端協同作業等，打造出全新的營運與服務模式，甚至也能將這樣的功能導入企業內部營運，來節省不必要的人力成本。

雲端與邊緣運算皆具重要性  晶片業者亦扮關鍵角色

AMD資料中心暨嵌入式解決方案事業群台灣區資深業務副總經理林建誠談到，AMD在收購Xilinx後，在資料中心與AI領域方面的解決方案變得更加完整。AI模型訓練有Instinct MI200、MI250/250X GPU負責，AI推論方面則有AMD的EPYC CPU與Xilinx的FPGA來加以因應。除了硬體之外，AMD也提供了相應的函式庫與轉譯工具，CPU有ZenDNN、GPU則有ROCm，而FPGA則是Vitis AI，協助客戶在採用不同硬體平台時，也能透過這些函式庫來進一步強化AI運算效能。林建誠不諱言，AMD的硬體產品在這幾年的努力下，已經展現豐碩成果後，未來也會強化在軟體與函式庫等面向的發展，希望能讓軟硬整合為整個AI生態系統帶來更大的綜效。

Silicon Lab台灣區總經理寶陸格則是從物聯網終端所需要的晶片規格出發，探討物聯網AI晶片所需要的規格走向，傳統上，物聯網晶片的設計一般是以MCU(微控制器)的設計搭配無線網路協定而成，但為了因應AI需求，寶陸格透露，在MCU的運算架構上，Silicon Lab先以DSP方式處理所有的類比前端傳遞過來的數位訊號與資料(已完成轉換)，再將資料交由機器學習的加速器來處理，最後決定是否要發出訊號驅動LED或是其他警示訊號，透過這種做法來處理市場常見的神經網路，在效能會比採用傳統的Cortex-M CPU還高出許多，功耗表現也能更加出色，但這不代表Silicon Lab就放棄Cortex-M CPU架構，而是採取協同作業的方式來讓系統運作上能更加均衡。

資料成AI模型良窳關鍵  防護與使用方式皆是關鍵

國立台灣大學資訊工程系教授兼系主任洪士灝則是從學界的角度來分析AI所需的資料與運用的發展走向。洪士灝認為邊緣運算是台灣產業較為使得上力的領域，畢竟大規模的雲端資料中心大多都是由國外少數的大廠在把持，再加上消費性電子與物聯網這些產品也都有AI的功能導入，某程度上，隨著物聯網與消費性電子乃至於邊緣運算都在同時發展的情況下，加上4G/5G的發展，彼此之間能發展出分工合作的場景。例如，將一個神經網路的工作切成數塊，透過網路傳輸，由不同的裝置乃至於伺服器協同把這些運算工作處理完成，這種處理的好處就在於，負責中間與後端處理的伺服器或是閘道器等，不用碰觸終端裝置最為原始的資料，從資安的角度上來看也是一種保障，駭客就不易用逆向工程來取得原始資料。

NetApp技術長張展智也談到，建構AI方案時所遇到的挑戰之一，就是資料，若沒有資料的話 要如何進行運算？再來就也需要對的專家來協助AI達到正確的運算方向。其次，企業要如何優化生產力？如何保護企業的資料？或是如何提升運算效能？以及企業的營運風險降到最低等，這都是企業必須要思考的課題。

有鑑於此，NetApp與NVIDIA合作，由NetApp供應資料，再加上NVIDIA強大GPU運算能力計算，來滿足客戶的需求。像是在醫療病徵(如電腦斷層)的判別，原本由人工辨識需要半天的時間，透過NVIDIA的算力，僅需六秒鐘就能完成辨識工作。此外，雙方的合作也拓展到雲端上，透過微軟的Azure，來因應自駕車的應用情境。張展智表示，NetApp可以協助客戶，能在對的時間上傳至對的地方，進行相應的運算工作，結束之後，再將結果傳回所需要的邊緣端，全程都可以採取加密傳輸的方式。

東吳大學資料科學系副教授胡筱薇則是從智慧數據引擎與數據治理的觀點切入，來談企業如何使用數據的使用。她指出，同樣都是用搜尋功能，為何大家會使用Google卻不用其他搜尋引擎？若把這樣的搜尋引擎當作是一種產品的話，下一個問題就應該要思考資料循環過程中的Out-Side-In，這就是所謂的反饋閉環，簡言之就是理解你客戶的行為，它反映用戶心裡真正所想，用戶在介面上的任何一個行為，都可以視為「活數據」，也就是當下此時此刻所產生的數據，它能被用來優化你的AI模型，亦或是協助你找到AI模型發展的方向，所以嚴格來說，做出AI模型其實是最後一步，如何探索數據，理解用戶，才是重要的第一步。

不過，胡筱薇直言這種透過活數據優化的做法，關鍵並不在這些資料科學家身上，而是一直在第一線為客戶服務的業務人員，這與領域知識密切相關。這也就是數據治理的重要性，公司的終極目標，應該是旗下員工都能成為數據公民，利用自己的領域知識來來獲得他所需要的數據資源，藉此來完成他想達成的工作目標。