《人工智慧在台灣》是人工智慧學校執行長陳昇瑋，欧博abg所著作的一本關於人工智慧的啟蒙書。我之所以會這麼說，是因為在讀完整本書後，發現其實完全沒有談到人工智慧的技術面，更沒有教你如何寫程式，但會讓你對於人工智慧的發展與現況有一個全貌的瞭解。

更重要的是，他藉由長期推動台灣人工智慧的經驗，點出了台灣人工智慧發展的困境與挑戰、企業在導入人工智慧時所面臨到的問題，以及職場工作者該如何面對這一波的人工智慧浪潮，更好的思考自己的未來。

在讀完這本書後，我想應該可以回答四個問題，包括：

一、什麼是人工智慧？已經發展到什麼程度？

二、人工智慧的發展對於職場工作者帶來什麼影響？

三、企業在導入人工智慧時該具備哪些條件？會面臨到那些挑戰？

四、人工智慧在台灣發展的現況、困境與突破契機？

書中所描述的細節相當多，在此不一一詳述。但我誠心推薦這本書給所有企業經理人，或是對於人工智慧想要有多一些瞭解的職場工作者們。

想認識更多AI人工智慧的應用、技術與發展？有哪些AI學習資源？立刻閱讀：AI人工智慧的必修知識包

人工智慧的定義，簡單來說就是：任何讓電腦能夠表現出「類似人類智慧行為」的科技；更具體一點的說法，人工智慧是一種可以感知、學習、推理、協助決策，並採取行動幫助我們解決問題的科技。

廣告

自從電腦在1950年代被發明後，科學家就一直在思考，如何讓電腦變得和人類一樣聰明？如何能代替人們進行所有的工作？在這個漫長的過程中，人工智慧的發展並不是那麼的順利，甚至歷經了兩次寒冬，直到現在才有了顯著的進展，而這個進展還在進行中。

第一波人工智慧的發展，科學家試圖把人類的知識與思考方式放入電腦，但失敗了。失敗的原因，是因為連人類都還沒辦法清楚理解自己的思考過程，根本不可能將人類的語言脈絡、思考方式，乃至於理解、決策的具體步驟寫入電腦程式中。

第二波人工智慧的發展，科學家退了一步，不再試著讓電腦學會人類的思考，只想讓電腦學會按照人類定義好的規則來做決策，但還是失敗了。為什麼？主要是由於有太多難題連人類自己都無法解答，比如火災、地震預測；即使有能力解答，也不一定能把規則說明清楚；就算說得出來規則，不見得能以程式碼寫下來。這是人類在人工智慧發展遭遇的第二次挫敗。

第三波人工智慧的發展，大約始於十年前，有科學家想到，無法讓機器思考、也無法餵給它所有知識，那能不能退而求其次，把看到的現象告訴它就好？於是科學家僅告訴機器如何識字，然後餵給它大量的現象，讓機器自己判斷，欧博官网於是神奇的事發生了，機器找出了自己的規則、然後學習，這就是現代機器學習的開端，讓人工智慧有了大躍進，而且不斷進化中。

廣告

在2006年有位科學家成功的訓練多層神經網路，可用來描述更複雜的非線性函數，並稱之為深度學習。而在2016年AlphaGo的出現與成功，讓全世界都為瘋狂，使用的就是深度學習的技術；自此，深度學習就成為了近幾年機器學習中成長最快、表現最亮眼的技術。

機器學習，指的是可以從資料中歸納規則的方法，是第三波人工智慧發展的代表技術；而在眾多機器學習演算法中，深度學習（多層次類神經網路的代稱）是近幾年成長最快、表現最亮眼的技術。

大數據是資料來源，機器學習是資料的分析方法，從資料中萃取出複雜的規則，讓電腦根據這些規則展現出擬似人類智慧的行為，就是「現在」的人工智慧。

在第二波人工智慧發展的專家系統，需要由專家定義規則；到了第三波人工智慧發展的機器學習，只需要專家定義特徵，電腦自己會找規則。而深度學習的出現，將定義規則、定義特徵的工作都交給了電腦，而且做得比人類更好。

深度學習，只要懂得定義問題，有足夠質量的資料、有轉化為模型的能力，幾乎可以應用在任何決策問題上，雖然不見得都有準確的預測能力。像是Google的語音辨識、文字翻譯、照片分類、自動回信、垃圾郵件判斷，現在都是運用深度學習來做的。

機器學習是基於統計學習理論，而統計學習理論同樣建構在機率空間上，興起於1960年代，是對於傳統統計學的擴展。而傳統統計學也同樣在發展新的技術，近代統計學也已經和以往有很大不同的樣貌了。統計與機器學習，可以看做少林與武當的關係；沒有統計學，可能就沒有機器學習的存在，但會不會發展出另一種機器學習？不知道，也無法印證。

廣告

統計學的目的，是基於樣本找出真相。比如說，全台灣2300萬人口，能不能只選出1000人各問他們幾個問題，就能瞭解全台灣所有人的生活型態、就業狀態及政治傾向？而機器學習的目的，則是讓電腦從歷史資料裡，欧博學到如何處理新的資料以解決問題。比如說，能不能從一個人的購物紀錄，猜測到他下一次想買什麼？

統計在意的是真實資料的分布，而機器學習在意的是能否根據已知來預測未知。統計注重數學的推導與可解性，而機器學習相對上是結果導向的，但過程不可解釋。統計在學科上通常歸類在科學，而機器學習歸類在工程。

機器學習，做為第三波人工智慧發展的代表技術，依照問題界定的方式，可以分為監督式學習、非監督式學習、增強式學習三種。

機器學習到了現在才開始普及，進入產業與生活中，最主要是由於資料取得的質與量都有了大幅提升、電腦的資料儲存與運算速度也有了天差地遠的倍增，許多演算法的概念才得以實踐。

不少人想像著人工智慧將可以解決所有問題。但真相是，現在的人工智慧只能針對符合特定形式的問題提供良好的解答，而且還需要符合特定條件。人工智慧適合解決甚麼樣的問題？我們可以用下面這張圖說明。

廣告

橫軸代表資料取得的容易性；縱軸代表問題與情境的相關性，情境相關性愈高，表示影響決策的情境資訊愈難觀測到，如消費者是否會購買特定商品，有太多外部因素是資料平台無法觀測到的。

資料取得不易、情境相關性高的問題，相對較難透過機器學習得到好的解答，這是目前人工智慧的限制。

目前，以機器學習為基礎的人工智慧，不可能擁有人類的思考及情緒，沒辦法有人類的常識，更不會有真正的智慧。即便如此，今日的人工智慧仍然足以將許多原本由人類執行的工作做得更好。

身為職場工作者，要為未來做好準備，就一定要有能力分析，人工智慧將會對自己的工作帶來什麼樣的影響？提早做好準備。即使沒有影響，更要認知如何利用人工智慧這項工具為自己加值。

職場工作者的工作本質可以分為四類：行政、溝通、決策與創造。每個人的工作內容或多或少都包含這四種類型，只是比重不同。

有些工作即使人工智慧可以代勞，在情感及法律機制下，還是得由人類來做最後的把關與負責。

例如，未來醫療可能八成可由人工智慧來進行，但我們還是會期待有位醫生可以親自對我們解答問題與憂慮，更需要在任何萬一發生時，有人可以擔負起責任。因為醫生在醫病關係的情境中，不僅是診療的主體，在情感與法律上，仍有不可取代的重要性。

廣告

同樣地，會計師、法官、律師、建築師、檢察官及各級政務官、事務官等，欧博娱乐也都因為相同的理由，成為無法被人工智慧替代的職業，即使在未來也許有很大部分的工作可以由人工智慧代勞。

當你的工作內容多數可以由人工智慧代勞時，不用太擔心，這不會是一瞬間發生的事情，工作結構的改變只會慢慢進行，而且一定會看見改變的訊號。

與其不斷精進技能與人工智慧競爭，如打字速度；不如考慮調整工作性質，逐漸轉往人類較擅長的領域，讓自己從可能被取代，升級為讓人工智慧為自己工作的人才。對於非工程背景的職場工作者來說，能不能善用人工智慧、與人工智慧協同合作，將是影響未來職場競爭力的關鍵。

在職場工作者強化人工智慧的認知及技能的同時，企業的方向與策略也必須與時俱進，而方向與策略是否正確，關鍵在於擁有決策權的主管。

如何打造第一支人工智慧團隊

通常人工智慧團隊的核心成員有資料科學家、資料工程師及機器學習工程師三種專家。當然，也有人可以身兼多種角色，團隊成員可多可少，初期若有資源疑慮，也可以先從兩、三個成員開始，先求有、再求好。

資料科學家擅長連結資料與商業價值，資料工程師擅長蒐集及處理資料，機器學習工程師擅長演算法，從資料裡頭萃取出最多的資訊，讓人工智慧系統的決策更精準。

其中，又以資料科學家最廣為人知。資料科學家，就是能夠定義問題與目標，能夠處理、分析資料，讓資料為企業產生商業價值的專業工作者。

在技術層面上，必須在資訊、統計、業務領域等領域有一定的造詣。在專業能力上，程式及分析能力當然有其門檻，但更難得的是商業敏銳度，可以理解甚至預測商業上的潛在威脅、挑戰與機會。

在人格特質上，除了熱情、細心與溝通能力之外，最好還有一定的創意；有創意的人才懂得在企業流程常規中，提出一般人無法發現的缺點。

企業主常問的一個問題是：難道不能直接導入既有的套裝軟體，或者委託顧問公司就好？問題就在，以今天的人工智慧技術來說，並沒有即插即用的套裝軟體，一定需要大量的客製化工作。

即使軟體可以直接使用，但資料的蒐集與整理還是需要公司自己來進行，還有系統整合及流程調整的工作往往也無法避免。若能培養自己的人工智慧團隊，不論系統是要自建或外包、外購，也才能夠有足夠的掌握度來確認方向、目標及進程，並且做實質的績效管理。

那麼，人才上哪去找？現在的機器學習技術進展神速，離開學校三年，技術可能就過時了；因此，市場上很難找到懂最新技術，同時具多年經驗的人工智慧人才，就算想挖角也無從挖起，這是全球性的問題，不只是台灣才有。

筆者認為，最務實的策略，是挑選內部員工來做教育訓練，適時地搭配外部的協助，成為雙軌人才，也就是在原本的專長領域之外，又能具備人工智慧的專業，由他們來組成企業專屬的人工智慧團隊。

台灣人工智慧學校以及許多線上平台，都有提供人工智慧的訓練課程。而這一波的人工智慧技術以工程為主、理論為輔，所以教育訓練一定要包含大量的專題實作，才能訓練出有實戰能力的團隊。

而團隊中包含三種人：第一種是沒有領域知識，只擅長以機器學習來解題的機器學習工程師；第二種是本身已是某個領域的專業工作者，在學會機器學習後，成為懂得運用人工智慧這項工具的專業工作者；第三種是懂得人工智慧原理與應用，能帶領團隊以人工智慧做業務提升的經理人。

在建立起團隊後，企業仍有許多資源、組織面及文化面的支持工作要進行

第一步，要有足夠的軟硬體，來支持機器學習程式的運作。一是企業內部自行建置伺服器，二是使用公有雲。

第二步，要讓團隊能夠取得所有該取得的資料。

第三步，建立容許實驗的文化。

台灣產業要發展人工智慧，基本上有三大發展方向可以參考，分別是人工智慧技術發展、人工智慧產業化、產業人工智慧化，各有不同的發展重點。

人工智慧發展的三個面向與台灣的發展現況

第一個面向「人工智慧技術發展」是指聚焦在人工智慧的技術突破，使得演算法可以基於同樣的資料，在同樣的條件下，讓機器學習模型有更準確的表現。

而台灣的產業型態以製造為主，製程改善及管理最佳化為強項，極少長期投資在資訊基礎技術，也較少深入參與人工智慧基礎技術發展。

因此，建議從另外二個面向來尋求契機，包括「人工智慧產業化」與「產業人工智慧化」，將既有的人工智慧技術妥善地運用，再找出結合台灣硬體製造的商業模式。

第二個面向「產業人工智慧化」是指體現人工智慧技術的軟硬體元件，以產業的形式提供給市場上的其他角色。

比如說，跨產業的基礎需求有：人臉辨識、語音辨識、情緒偵測、語言理解、物件辨別、行為辨別、場景辨識、語音合成等；而特定產業的共通需求有：瑕疵檢測（製造業）、風險預估（金融業）、銷售預測（零售業）、路線規劃（物流業）、日照與灑水控制（農業）等。

這些技術有著不同的輸出方式，包括人工智慧晶片、公有雲平台與顧問服務這三種。以規模與產值來說，人工智慧晶片與公有雲平台將最具競爭力，然而台灣的現況是：

薪資水準不具競爭力，新創公司很難以槓桿方式來驅動最優秀的人才開創新局；而雲服務也不是台灣的強項，因此僅能扮演雲服務提供者的硬體供應商，以物美價廉的伺服器、網路設備等資料中心設施來提供火力支援。

而人工智慧顧問新創公司，反而是台灣最常見的，特色是很容易就有初始營收，但成長的挑戰在於人工智慧專案的成敗與績效，決定於企業所提供的資料量與質量，但往往在專案執行前無法完全確認。

成敗與績效事前難以評估、事後難以衡量，加上人力限制了可執行專案數，這些都是人工智慧顧問服務會面臨到的瓶頸。

第三個面向「產業人工智慧化」是指將人工智慧導入現有的各種產業中，提升產品或服務的品質，同時優化流程，降低管理、人事及生產成本；甚至有機會能基於新技術來改變商業模式，提升產業競爭力與價值，成為產業升級或轉型的契機。

相較於前二個面向，是台灣相對有機會與優勢發展的一個面向。其中又以金融業、電信業、製造業（特別是電子製造業）、電商平台與大型零售業的發展條件較為成熟。

金融業與電信業，因為監理法規的要求，通常已經累積大量使用者行為及交易資料；製造業則是因為工業4.0與物聯網的觀念推行，尤其在電子製造業，許多中大型廠商都有積極蒐集從下單、備料、排程、生產到出貨的所有資料，而且行之有年；電商平台生而數位，掌握使用者與商品及行銷活動之間所有互動與交易資料；大型零售業也在POS系統的協助下，更了解使用者的喜好及行為。

在「產業人工智慧化」這個面向，其實就是商業智慧（Biz Intelligence）的下一步，在企業蒐集資料，並規律地進行描述性與解釋性的資料分析後，進入預測性與指示性的資料應用，這就是人工智慧的運用，也是目前讓資料為企業產生價值的終極手段。

人工智慧在產業中的應用

今天的人工智慧在未來數十年，所帶來的改變將毫不遜色於網路。在麥肯錫的「人工智慧—下一波數位浪潮？」報告中，提出以四個面向來規劃人工智慧在各產業的應用，包括規劃、生產、行銷與供給。

初次導入人工智慧時，可以依此4P框架先進行全盤分析，在資源有限的前提下，考量每個切入點的機會成本與效益，才能讓人工智慧的投資發揮最大效益；有興趣多瞭解的朋友可以參考書中的第五章，有更完整的詳細介紹與經驗談，在此就不贅述。

台灣過去二十年來製造業產業的外移，雖然延續了代工利基，卻也延遲了科技創新。人工智慧是一個必須即時掌握的重要關鍵技術，也可能是未來十年、二十年唯一的轉型契機，可以幫助台灣產業徹底脫胎換骨，重新找回全球競爭力。

以人工智慧的全球發展現況來看，美中兩國競爭的態勢幾乎已成定局。首先，美中人口分居全球第一及第三，內需市場規模遠大於其他國家；其次，兩強在資金、人才的高規格軍備競賽，也讓其他國家望塵莫及；最後，由於這波的人工智慧發展與資料有直接關係，中國在商務資料、民生行為資料的累積速度上，幾乎沒有任何國家可以超越。

英國研究機構牛津經紀公司的「人才大未來報告」，調查42個國家的人資長，對於人才供給與需求狀況的主觀評估。結果，台灣人才短缺的嚴重程度是第一名。

反觀台灣目前的現況，研究人才數量及規模無法跟大國，甚至大型科技公司相比，光是Google一家公司的人工智慧學者，就比全台灣的相關領域學者總和還多。

此外，業界研發人才的薪資水準遠低於中、美科技大廠，優秀人才不斷外流；即使留在台灣，也往往投效外商公司，造成本土企業人工智慧人才的空洞化。

同時，人工智慧在台灣的產業應用，發展進程已經嚴重落後；加上內需市場不大，以及企業資料取得不易，還有個資法的限制。

台灣目前扮演的角色為軍火商，以半導體及運算設備的提供來協助科技大廠捉對廝殺，而在技術的發展及應用的加值上，仍處於起步階段。必須透過產管學研的跨界合作，台灣的人工智慧才有機會在地化。

產業人工智慧化目前面臨的五大挑戰是：資料取得不易且品質不佳、資源不足、找不到合適人才、資訊技術基礎建設不足、找不到合適題目。

對於企業組織來說，必須由上而下全力推動，進行跨部門整合，甚至往往必須調整現有組織架構、改變工作流程，才能夠讓人工智慧的導入真正為企業帶來競爭優勢。

筆者建議，企業在擬定導入人工智慧的策略之前，必須先瞭解人工智慧的本質與限制，同時避免短期內的過高期待，可以改變四個思維做起：

一、重新思考投資回報率（ROI）無法評估人工智慧專案成效的事實。

二、建立資料驅動的決策文化，而不是以人力來判讀。

三、企業經理人的思維也要與時俱進，有正確的認知。

四、循序漸進，先還清技術債再談人工智慧；大數據與機器學習是發展人工智慧的必要條件，沒有人可以跳過任何一個環節。

後記：從工人智慧到人工智慧，與其擔憂被取代，不如主動創造未來

面對這一波人工智慧浪潮，很多人擔心工作會馬上被取代，甚至有人提出未來世界將被電腦統治等令人恐慌的說法。事實上，人工智慧為這個世界帶來的改變，就如同過去的活版印刷、電力、網路與行動裝置，影響著每一個人的工作及生活，有些工作因此而消失了，同時也創造出新的工作。

所以，與其一知半解跟著人云亦云而感到憂慮，不如正視這個必然的趨勢發展，瞭解人工智慧對我們的影響是什麼？及早做出準備；如果沒有影響，更要去思考如何運用人工智慧提升自己的價值？

誠如人工智慧學校執行長陳昇瑋所言，看清局勢是作出正確決策的第一步，他在書中更提出了台灣人工智慧學校創立的故事與面臨的挑戰，也點出了台灣當下所面臨的困境與限制，以及給政府的建言。

說實話，看完後對台灣在這一波人工智慧發展中的定位與角色扮演還滿憂心的，但與其坐以待斃，不如起身做些改變，就在今年我也參加了人工智慧學校第三期的經理人研修班，期許自己能從中學習，也能作出一些改變。