现在的位置: 主页 > C嗨生活 >台湾想发展 AI,却忽略了这件事:没有软体与数据文化,硬体优 >
台湾想发展 AI,却忽略了这件事:没有软体与数据文化,硬体优
2020-06-24 / C嗨生活 / 864浏览量 /评论数 92

台湾想发展 AI,却忽略了这件事:没有软体与数据文化,硬体优

台湾的硬体思维,硬要套到 AI 上,忽略数据和软体服务的重要性,

没有软体工程文化、不重视数据,就没有丝毫追赶 AI 的可能性

这篇文章篇幅不短(几个月前开始想写,实际动笔花了数週),但也没有好方法分成上下篇,所以若您在通勤等零碎时间中,看到这篇文章觉得有兴趣,不妨先加入书籤,否则可能会消化不完。

Machine learning vs. Manufacturing

原本图中要写 AI,不过 AI 是一个相对模糊的名词,要拿来跟 manufacturing 做对照的话,用 machine learning 这个比较能代表「过程」的词,会更适合一些。

 

台湾想发展 AI,却忽略了这件事:没有软体与数据文化,硬体优

Do’s and Don’ts

前面写了不少悲观的想法,当然,台湾也不缺我一个人去批评,所以最后试着提供个人愚见,希望改变一些陈旧的想法、也引起更多人的重视

AI 要应用在产业,必须要能回答以下问题:
  • 还没有商业模式的新创:需要用什幺资料、解决什幺问题?

    有什幺问题是有资料之后,可以雇用「人」来解决痛点的吗?

    有什幺资料是「人」可以拿来分析并创造价值的吗?

    这里都讲用「人」而不是「人工智慧」, 是因为很多服务要解决的问题,都是可以从透过人大量、简单地、重複地分析资料来做,只是机器学习「有机会」让服务更精準、更有效率。

    所以在人工智慧之前,不妨先想想「工人智慧」可以做到什幺:比如影像监视、图片物体辨识、语音辨识、自动驾驶,请人类来做,可以提供有价值的服务吗?如果有,机器来做可以做得比人更有效率、或是做到差异化吗?

    如果没有办法回答这些问题的话,再强的模型都没用,也没必要去想 AI。

    • 还在杀猪公的企业:要怎幺实现外太空的应用?

      长年缺乏的软体环境与无结构化的资料,要如何提供养分给机器学习?业界知道资料的重要性吗?业界的 training data 哪里来?大数据喊了很久,业界有在积极收集、处理、分析资料吗?

      怎幺导入 AI?CNN、 RNN 等这些学界正夯的机器学习模型如何应用在既有产业?以台湾业界长年忽视软体产业的体质,如果几年内暴增上千个优秀的研究人员,有上万个软体的工程师能做好基础建设吗?

      目标放在上太空固然是好事,但这类务实面的问题百废待举,我们每天要做的事,应该是考虑如何让自己杀猪公的科技树跟上,而不是兴致勃勃地谈那还上不去的外太空。

      回头做好基本的软体与数据文化

      不要民粹式地一窝蜂挤向顶尖研究、或盲目追逐任何 buzz word。

      顶尖研究很好,但要有对应的基础支持。

      硬体当然是基础的一部分,但如前面所提,软体的基础是个大洞,即使有这幺多非资讯本科系的人才都拼命想做 AI,台湾每年大量的资讯科系毕业生却都以投入硬体产业链居多,目前的软体生态系要支持 AI 产业,恐怕还是太脆弱。

      不要一窝蜂追求最夯的研究议题,深度学习不是万灵药

      近年深度学习(deep learning)正夯,在校园徵才时听闻不少实验室都开始在做深度学习,可以说,只要是理工的实验室,做深度学习就一点也不奇怪;但我却发现有些案例只专注于研究深度学习,其他基础的机器学习模型并不熟、甚至不会。或许这只是特例,但我却开始担心这是常态。

      就像机器学习产品必须建构在软体服务之上,深度学习模型也是建构在那些「不时髦的」机器学习理论基础之上;如果连基本理论都不懂,那表面上说在研究深度学习,实际上只是参数调教罢了。

      不是什幺东西都用「兜」的,有价值的服务得从文化改革开始

      「给硬体就能生出 Alpha Go」、「给企业更多的研究人才就会迸出 AI 产品」、「拿硬体去套 deep learning 的 API 就能卖钱」

      所有认为「兜一兜就有」的人都应该想想,自己心中那个模糊的「AI」到底想解决什幺问题,戳破这些不切实际的幻想之后,才能正视问题。

      最后,虽然重视软体与数据不见得就做得起 AI;但任何组织若喊着 AI,实际上仍然不重视这两样基础的重要性,那是毫无疑问会失败的。