Loading [MathJax]/extensions/tex2jax.js

0

0
1

文字

分享

0
0
1

陳良基:我會跟外星人交朋友

鄭國威 Portnoy_96
・2017/09/08 ・5932字 ・閱讀時間約 12 分鐘 ・SR值 528 ・七年級

陳良基部長接受泛科學訪問。圖/BY 泛科學

1956 年夏季,由約翰·麥卡錫(John McCarthy)、馬文·閔斯基(Marvin Minsky)、克勞德·夏農(Claude Elwood Shannon)等科學家組織的達特茅斯會議(Dartmouth Summer Research Project on Artificial Intelligence)邀集了數十位科學家,花了兩個月時間探討,並確認了「人工智慧」作為一門學門的誕生。就在約略同時,陳良基出生於在雲林縣的新湖村。

61 年之後的現在,陳良基成為科技部成立後第四任部長,上任後力推人工智慧,同時也接手處理諸多棘手挑戰,包括研究誠信爭議、高等人才流失、以及科技部定位模糊等。帶著來自泛科學社群的好奇,我去找了陳部長聊聊。

「僵化啦,就是什麼都動不了!」

一開始就直率到讓我呵呵笑的科技部長陳良基,戴著眼鏡,穿著標準的「教授牌」直條紋白襯衫跟深灰色的西裝褲。在他位於科技大樓的辦公室中,書架上看過去都是專業科研期刊,大大的茶几上放著一個不大的地球儀,除外沒有什麼多餘的擺飾。

直率的科技部長陳良基,戴著眼鏡,穿著標準的「教授牌」直條紋白襯衫跟深灰色的西裝褲。圖/泛科學

下注在年輕科學家身上

對被稱為「點子王」的陳良基來說,公務機關的確沒那麼好施展,那又該怎麼做呢?上任立即拋出研發、創新產業、人才培育三大目標,他強調:

-----廣告,請繼續往下閱讀-----

「小國大戰略,小國不代表沒機會,但要策略精準。」

陳良基認為基礎科學非常重要,基礎科學有突破才能有後續。如果從諾貝爾獎來分析,大部分諾貝爾獎得主的發明與發現是在他們 25 到 37 歲之間完成的,所以若真的要爭取諾貝爾獎,他認為關鍵在於先讓年輕的學者跟學生有好的發展機會,而年輕學者更該是科技部投資的主要標的,因為年輕學者可以帶出優秀的學生。

為此,陳良基要求科技部提出特殊獎勵方案,希望能有一筆專門的經費來養成年輕學者,在基礎科學領域深耕,讓他們的想像力能有機會實現。

方案規劃一年選出五十位年輕學者,以五年為期,給予數百萬等級足夠經費,最重要的審核標準就是想像力跟原創性。「年輕學者的養成,想像力比知識重要,要讓科學家帶領我們」,他稱之為「愛因斯坦計畫」。

陳良基要求科技部提出特殊獎勵方案,希望能有一筆專門的經費來養成年輕學者,在基礎科學領域深耕,讓他們的想像力能有機會實現。圖/BY Weipeng_Lin@Pixabay

除此,陳良基認為台灣的年輕科學家要能離開本地,在國際學術上有地位,於是他另提出與「愛因斯坦計畫」銜接的「哥倫布計畫」,鼓勵 40 歲以下的科學家探索科技新大陸、爭取國際學術地位。這項計畫經費增加到每年千萬等級,五年一期。兩個計畫加起來,預計每年能讓 80 位台灣最優秀的科學家突破既有限制。在四年的前瞻計畫期間內,就可以讓將近 300 位嶄露頭角。後續若效果不錯,陳良基希望能納為年度計畫,讓一代又一代的生力軍一棒接一棒。

-----廣告,請繼續往下閱讀-----

「我們賭在年輕學者上,等他們以後有機會,可以反過來帶領台灣,」他說。

基礎研究由專業主導,專案研究重在地需求

投資在年輕人身上說起來政治正確,不過科學研究領域那麼多那麼雜,要如何平衡發展?

回到小國大戰略的基礎,陳良基認為平衡是假議題,基礎研究不能講求平衡,而是要交由專業來判斷。當然,針對不同的專案,政府還是有考量,畢竟不是每個領域,台灣都要或都能投入大筆經費。例如在地震頻發的台灣,就設有國家地震工程研究中心,他認為像這種特定主題沒有平衡的問題,而是每年都要投入固定經費。陳良基更表示,他一直認為台灣是個海洋國家,在海洋科學上就該投入更多才對。

講到這,就不得不提到目前國內外都大力投入的人工智慧了。陳良基認為人工智慧是台灣產業躍升最重要的一波機會,科技部也將在未來 5 年投入 160 億,推出五大計畫,第一要建立大規模的共用高速運算環境,讓 AI 技術服務公司可以運用,再者則是創設 AI 創新研究中心,形成世界級的研發聚落,培養人才。第三是打造智慧機器人基地,讓軟硬整合。第四要讓台灣的強項半導體結合 AI ,以射月計畫協助半導體產業進入 AI 時代。最後則是帶動社會參與,舉辦科技大擂台,廣邀好手挑戰重大課題,第一波擂台挑戰就是「與 AI 對話」,以電腦的中文聽力理解為競賽主題。

陳良基認為人工智慧是台灣產業躍升最重要的一波機會,科技部也將在未來 5 年投入 160 億,推出五大計畫。圖/BY geralt @ Pixabay

以第四項半導體射月計畫來說,陳良基特別強調「AI Edge」,也就是 AI 在終端的應用。再往五年後、也就是 2022 年去想,到時全面進入物聯網社會,大家使用的設備將會激增,都將具有深度學習能力。要讓這不遠的未來能夠真的實現,現在就要開始開發能源損耗更低、待機時間更長、能讀寫快速及擁有智慧運算能力的記憶體。另一重點就是要做出高效率、高靈敏度的感測器,因為智慧終端裝置要靠這些感測器才能獲取環境中的資訊。

-----廣告,請繼續往下閱讀-----

「大家都說雲端,但台灣沒有太多機會,終端其實對台灣其實比較有優勢。」

陳良基認為科技部是扎根的角色,自己小時候種田,這經驗讓他特別重視「生態系統」,他認為要讓產業邁向前沿,有好環境最重要,因此「要讓養分均勻、好好施肥澆水除草,不是只看開花結果。」

科技部是每個部會的前哨

但等等,聽起來科技部是不是越來越像經濟二部了呢?這樣的批評聲音其實不是最近才出現,從國科會時期就有,陳良基也知道,但他認為真正的關鍵不是讓科技部回歸某種單純的角色,而是要認知「科學、科技、與創新的生態循環速度變得越來越快了」這樣的現實。

陳良基認為科學是為了滿足人類的好奇心而去探索未知,這是第一步;第二步是開發,第三步是交付,也就是成為產品。科學家的嘗試,後來變成社會的常識,就是進步。在以前,這一二三步分得很清楚,如今循環越來越快,雖然分工還在,但不同部會觀察循環時自然會更注意效益,也就是各自的社會使命跟責任。

陳良基直言,大家也不希望資源投入時亂槍打鳥,如果能知道其他部會的目標,方向才準確。他認為科技部的位置還是在最前沿,扮演每個部會的前哨去「面對未知,先搞清楚怎麼做,然後再交給其他部會。」

-----廣告,請繼續往下閱讀-----

陳良基表示,如今變動來的又快又急,科技部身為政府單位在前沿投入,得多想一下可不可能產生什麼效益,但他認為跟經濟部還是很不一樣。

「我以前在大學教創新,重點就是價值鏈。在價值鏈中,每個人貢獻一部分,那誰可以掌握最高的價值?答案是循環最快的才能掌握價值,能夠越快交付,才能掌握整個價值鏈的最大產出。」

這幾年你可能也覺得前沿科學獲得應用,產品化或服務化的速度越來越快。我們不也一直期待政府能夠轉得快一些,別像《動物方城市》裡頭的樹懶那樣慢慢來。只是這轉啊轉的,是不是有什麼東西被甩出去了呢?例如……學術倫理與研究誠信?

陳良基部長認為科技部的位置還是在最前沿,扮演每個部會的前哨去「面對未知,先搞清楚怎麼做,然後再交給其他部會。」圖/泛科學

要讓想用科技騙科技部的錢的人付出代價

台大前陣子發生的論文造假事件餘波盪漾,對與台大有深厚淵源的陳良基來說,他以一貫的工程人思維把問題分成兩類:一是發明,二是發現。發明,也就是做出東西來,當然要確保可以再現,造假的機會少。而發現就比較複雜,有時一位科學家可能是全世界第一個發現某件事的,可是萬一只是「推測」為發現,又急著發表,就會出問題。萬一這個現象不是真的,誰看到算數?大家都說有圖有真相,然而圖片處理技術快速提升,也讓真相撲朔迷離,不過若想抓出造假,也得靠科技。陳良基說:

「我們要對納稅人交代。只要抓到造假,用錢的人跟用錢的單位,就要把所有科技部的錢吐回來。學校拿科技部的錢可能是幾億,這樣壓力很大。嚇阻是為了預防,造假者想得名得利,就要讓他們名利都得不到。」

陳良基認為,科技部設立研究誠信辦公室,重要的工作是跟國際上其他學術倫理單位能對接,國際上風吹草動,台灣要能掌握,但是針對研究有沒有造假,還是要回到各個專業領域來判別,也才符合科技部強調專業的本色。陳良基得知在天文研究領域,因為天文科學研究設備都超級昂貴,所以非常要求資料公開與共享,所有的實驗研究資料,都要登錄到一個單位,由一個獨立法人來管理。他想或許其他領域也可以效法,會請國研院邀請各領域專家來看看是否可行。

-----廣告,請繼續往下閱讀-----

科學傳播是門專業

要是希望民眾對科學界的印象不要被幾樁醜聞給搞壞,或許科學傳播就是關鍵。在今年 7 月 28 日舉辦了一場公聽會,立委黃國書等人針對科學技術基本法修正之後增加的科學普及經費用途跟用法做了討論,包括泛科學在內的諸多台灣科學傳播與教育公司都到了現場提出意見,兩個多小時的溝通,陳良基全程參與。他認為科學普及或科學轉譯是門專業,自己也驚訝於台灣有那麼多人投入科普,他認為科技部應該邀請這些專家來規劃,在專家的想法上往前跑,第一步就從成立諮詢委員會做起。

近來諸多社會爭議都有科學面向,科學家介入解釋的角色吃重,陳良基認為科技部培育了不同領域的科學家,他們若願意,可以對這些議題發聲,不只是自然與應用科學,像是同婚議題就需要社會科學領域專家的意見,讓專家告訴大家,專業對這些議題的想法是什麼。「我們會鼓勵。如果部會需要專家,科技部可以提供名單」,陳良基快速算了一下表示,國內有 48,000 多位教授,科技部每年支持約 30,000 名研究者,這些人都可以提供社會往前邁進所需的知識。

實際上的情況或許沒那麼樂觀。在台灣,科學傳播對教授來說算不上吸引人的差事,儘管科技部的確有科教學門,但升等是由教育部來決定,無法列為升等條件的科學傳播工作對年輕的助理教授或副教授來說甚至有負面影響。陳良基認為,學門經費怎麼用,還是由領域內專家自己決定為妥。如果專家認為科學傳播值得鼓勵,那自然就會列入。專家可以研究科學傳播,或是投入人才培育,不過這都要由專業學者來決定。

那到底誰來決定?不只是科學傳播,科技部計畫的審查制度也不乏批評。陳良基為解決這問題,要求所有科技計畫的審查委員都必須公開,而且要年輕化。

-----廣告,請繼續往下閱讀-----

「我對外說過,當過政務官、大學校長、或掌握過較高權勢的,都不可以再來擔任科技部的審查委員。」

他上任之後要求科技部的審查委員會的審查委員必須有一半以上年紀低於 50 歲。

問題會發生,通常是環境造成,就像田裡的作物長不好,怪在作物上頭沒意義,他認為不該執著於個案,而是要從改變環境著手。

圖/BY lumix2004 @ Pixabay

那又是什麼樣的環境造就了陳良基呢?在他念小學時,兩位華人科學家楊振寧、李政道的成就讓他迷上了科學,從小也喜歡動手自己做,更早早立下了當個工程科學家的志向,如今也貫徹始終地達成了。但如果在另一個平行宇宙有重新選擇的機會,他會希望自己的人生走上別條路、做些別的事情嗎?他想了想:

「我還是喜歡做東西,看到問題,就去想怎麼做個東西來解決掉」。

「所以不改其志囉?」我問。

「不改。」他堅定地說。

但當上科技部長,能夠不改其志嗎?若是非得執行某些政治上有壓力,但是卻「不科學」的任務,該怎麼辦呢?他笑著表示,目前還沒有遇到,但是「如果我有夠清楚的資料,我還是會反應」。

-----廣告,請繼續往下閱讀-----

由於各項任務正在加緊腳步推展,陳良基說每天真的太忙了,沒什麼時間看書,大概就是翻翻《科學人》、《科學發展》,以及專業的科學期刊,許多跟人工智慧有關,因為其實他在台大時就開始研究人工智慧晶片,加上現在推行的任務,都得對研究趨勢有所掌握。

對他來說,做研究是自己喜歡的事,但研究的辛苦還是不在話下,所以當他看到假新聞、偽科學流傳,總忍不住氣憤,覺得自己做研究那麼累,卻總是有人胡說八道,有時在 LINE 上頭收到朋友傳來這類訊息,也覺得頭疼。他開玩笑說還好當部長之後「沒什麼朋友了」(P 編:驚!)。

跟外星人交朋友吧

「網路真的太多錯誤訊息」說到這,還以為他要痛斥某個案例,但他卻接著說「但這也代表大家對於科學議題有好奇心,不然大家也不會被這些偽科學吸引,所以其實可以正面思考。」他認為有些人聳動地說 AI 會讓人沒有工作、甚至毀滅世界,他就不認為這是正確的論述(P 編:Elon Musk ,你攻跨邁?),若他有機會能傳遞更多正面且正確的訊息,一定會把握。

好吧,人工智慧會不會毀滅世界,這問題我們看著辦。

圖/BY SoundTrackUniverse @ Pixabay

但說到世界毀滅的原因,外星高等文明也是選項之一。知名科學家霍金就曾警告人類,別跟外星人聯絡,「閉上嘴巴」,不然可能重蹈哥倫布到達美洲後,美洲原住民曾遭遇的悲劇。而科幻作家劉慈欣在著名小說《三體》中提出的黑暗森林法則,如今也成為對費米悖論的一種主流回答。

「如果部長是全世界唯一一個在地球上發現高等外星生命的,會怎麼做呢?」

訪問到最後,我很跳痛但認真問陳良基這個問題,因為我自己也時常自問會怎麼做:我要趁「他」不注意下手幹掉「他」嗎?我要把「他」囚禁起來嗎?還是跟政府報告把「他」拿去做研究呢?種種殘忍的選項在我腦中始終沒有個結論,我想知道身為科技部長的他會選哪一個殘忍的選項。出乎我意料地,陳良基說:

「我會表達地球人的歡迎之意,表達好客,有閒來坐啦!」

他接著說,

「可能是因為我成長的背景在窮困的鄉下,看到的陌生人都是比我們有錢的,對人家表示歡迎還是比較可以避免侵犯的方式啦!」

嗯,真是個正面思考的部長啊。

-----廣告,請繼續往下閱讀-----
文章難易度
鄭國威 Portnoy_96
247 篇文章 ・ 1300 位粉絲
是那種小時候很喜歡看科學讀物,以為自己會成為科學家,但是長大之後因為數理太爛,所以早早放棄科學夢的無數人其中之一。怎知長大後竟然因為諸般因由而重拾科學,與夥伴共同創立泛科學。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
一顆科技巨星的隕落(下)—英特爾的沒落
賴昭正_96
・2025/03/20 ・4190字 ・閱讀時間約 8 分鐘

商業上的成功蘊含著自身毀滅的種子:成功會滋生自滿,自滿會導致失敗。只有偏執狂才能生存。
-Andrew Grove(英特爾首席執行官)

話說英特爾於 1986 年冒著丟掉大客戶百年 IBM 的危險,轉向成立僅 3 年多的小電腦公司推銷其最新微處理器的賭博,得到了回報:康柏電腦公司一炮而紅的成功加速客戶對新 80386 晶片的要求。90 年代中後期英特爾更大力投資新的微處理器設計,促進了個人電腦產業的快速成長,成為市場佔有率高達 90% 的微處理器主要供應商,使其自 1992 年以來一直保持半導體銷售額排名第一的地位,於 1999 年將英特爾推上代表美國 30 主要工業的道瓊指數之一成員。

但到了 2000 年代,特別是 2010 年代末期,英特爾面臨日益激烈的競爭,導致其在 PC 市場的主導地位和市場佔有率下降。儘管如此,截至 2024 年第三季度,英特爾仍以 62% 的市佔率遙遙領先 x86 市場、更是筆記型電腦的明顯贏家(72%)。可是為什麼今天英特爾股價竟然倒退了 28 年,回到 1996 年底的價位呢(註一)?為什麼它已經不能再代表美國主要工業,於 2024 年 11 月 8 日被踢出道瓊工業指數,為英偉達(Nvidia,臺灣與香港譯為「輝達」)取代呢?

是什麼原因讓英特爾失去產業龍頭的位置? 圖/pixabay

英特爾的失足

在回答此問題之前,筆者得先指出:個人電腦到了 2000 年初已不再是一高利潤的高科技,而是一種日用商品。當初將英特爾培養壯大的 IBM 於 2004 年年底完全退出了個人電腦的市場;而避免侵權透過逆向工程、製造出第一台 IBM 個人電腦相容機的康柏公司,也在個人電腦市場的價格競爭日益激烈、及想打入主機電腦市場的錯誤政策下,於 2002 年被惠普 ( Hewlett-Packard ) 收購「消失」了。

冰凍三尺,非一日之寒。Google 的人工智慧謂:「英特爾在晶片產業落後的主要原因是多種因素」,包括:
(1)未能洞悉智慧型手機的崛起,在行動晶片市場明顯落後,錯失創新機會給高通(Qualcomm Inc.)等競爭對手;
(2)依賴過時的製造流程,未能像台積電、AMD、和英偉達(註二)一樣採用更靈活晶片設計和外包製造,來應付快速不斷變化的市場需求,導致失去了高效能運算和人工智慧等關鍵領域的市場;
(3)一些分析師認為英特爾在個人電腦市場長期佔據主導地位可能導致高階主管自滿,不願適應不斷變化的產業動態。

-----廣告,請繼續往下閱讀-----

筆者認為前述的(1)及(2)都是果,真正的原因只有(3)一個。80 年代,當英特爾的晶片和微軟的軟體成為快速發展之個人電腦行業的雙引擎時,公司充滿活力,專注於其在個人電腦和資料中心伺服器的特殊領域。英特爾高層曾半開玩笑地將公司描述為「地球上最大的單細胞有機體」:一個孤立的、獨立的世界。像 IBM 一樣,數十年的成功和高利潤也催生了英特爾目中無人及自大之企業文化!這種開會又開會、討論又討論、開不完的會、討不完的論正是公司成熟的標註。

英特爾企業文化

想當初英特爾剛成立時,諾伊斯只聽了幾秒鐘霍夫有關微處理器的激進想法後,就立即說:「做吧」!真是不可同日而語。又如到了 1983 年,其主要記憶體晶片業務受到日本半導體製造商加劇競爭而大大降低獲利能力時,格羅夫立即迅速地不怕「…微處理器是個非常大的麻煩」,脫胎換骨成為微處理器主要供應商━又豈是 90 年代不遺餘力地捍衛其微處理器市場地位而與 AMD 鬥爭的英特爾所能比?

事實上英特爾也曾多次嘗試成為人工智慧晶片領域的領導者,但都以失敗告終(註三):專案被創建、持續多年,然後要麼是因為英特爾領導層失去耐心,要麼是技術不足而突然被關閉。為了保護和擴大公司的賺錢支柱(x86 的數代晶片),英特爾對新型晶片設計的投資總是退居二線。史丹佛大學電機工程教授、英特爾前董事普盧默 ( James Plummer ) 曾謂:「這項技術是英特爾皇冠上的寶石——專有且利潤豐厚——他們會盡一切努力來維持這一點的」。英特爾的領導者有時也承認這個問題,例如英特爾前執行長巴雷特 ( Craig Barrett ) 就曾將 x86 晶片業務比作一種毒害周圍競爭植物的雜酚油灌木叢。

微軟 Copilot AI

英特爾能再放光芒嗎?

在一連串的機會錯失,決策錯誤及執行不力下,英特爾於 2021 年任命曾經主導其發展人工智慧晶片、2009 年離職去擔任 EMC 總裁的基辛格(Patrick Gelsinger)回來當執行長,積極嘗試透過其所謂的「五年、四個節點」進程追趕台積電。這位浪子回頭,被請回來拯救公司的基辛格於去年 4 月 25 日宣稱:即將推出的英特爾 3 奈米製程伺服器晶片的需求很高,可以贏得那些轉找競爭對手的客戶,謂『我們正在重建客戶信任。他們現在看著我們說:「哦,英特爾回來了。」』…但半年後,董事會對他的扭虧為盈計畫完全失去了信心,給了他辭職或被解僱的選擇。基辛格於 12 月 1 日辭職,現由領導英特爾全球財務部門和投資者關係的津斯納 ( David Zinsner ) 擔任臨時聯合執行長,正在務色下一任執行長。

-----廣告,請繼續往下閱讀-----

英特爾現在的處境事實上很像 1993 年的 IBM:在官僚體制、大型電腦利潤下滑,及失去個人電腦的主導權後,其股票從 1987 年 7 月的最高點倒退了 26 年!當總裁兼執行長阿克斯(John Ackers ) 於當年元月宣布首次下調股息 55% 及離職後,遴選委員會竟然找不到任何人願意來收拾這個爛攤子━曾幾何時 IBM 執行長還是眾人夢寐以求的職位呀!最後選委會只好推薦自告奮勇、完全外行(註四)、銷售菸草和食品的 RJR Nabisco 公司的首席執行官郭士納(Louis Gerstner Jr.)!郭士納在自傳中回憶說:重振 IBM 所面臨的最嚴峻挑戰是改變其企業文化。現 IBM 雖然不再像以前在科技界一言九鼎,但其股票已「趕上時代」屢創歷史新高,為道瓊工業指數中歷史最悠久的高科技成員(1979 年起);郭士納也被視為美國商界的偶像,IBM 轉型和重拾技術領導地位的救星。

IBM 和英特爾的股價走勢圖。圖/作者提供

股票名嘴克萊默(Jim Cramer)在年初謂:「我們需要將英特爾視為資產負債表非常糟糕的國寶」,因此有必要幫助英特爾公司渡過難關。美國政府顯然也同意,商務部根據 CHIPS 激勵計劃的商業製造設施資助機會,已經給英特爾公司提供高達 78.65 億美元的直接資助。但如前面所提到的 IBM 如何啟動發展個人電腦,錢真的是萬能嗎?英特爾能重新燃燒發光嗎?

英特爾不像 1993 年的 IBM 具有百年的歷史,各方面人才濟濟:多項技術創新和最多的專利,包括自動櫃員機、動態隨機存取記憶體 、軟碟、硬碟、磁條卡、關聯式資料庫、Fortran 和 SQL 程式語言、UPC 條碼、以及本文所提到之個人電腦等;其研究部是世界上最大的工業研究機構,員工因科學研究和發明而獲得了各種認可,包括六項諾貝爾獎和六項圖靈獎(Turing Award,註五)。因此筆者懷疑英特爾能夠重新奪回業界領先地位;CFRA Research 技術分析師齊諾 ( Angelo Zino ) 表示:「目前來看,它們重返輝煌的可能性非常渺茫。」

以目前來看,英特爾技術劣勢難以逆轉,重返業界領導地位機會渺茫。圖/unsplash

結論

這顆科技巨星真的要隕落了嗎?真的是「一失足成千古恨,再回頭已百年身」嗎?英特爾第三任首席執行官(1987-1998)格羅夫真的不幸言中了嗎:「商業上的成功蘊含著自身毀滅的種子」?當然,像英特爾這麼有成就的公司要徹底消失是不太可能,因此最可能的命運應該是分割拍賣或像仙童半導體公司一樣被其它公司收購(註六)。事實上去年高通公司就曾與英特爾洽談收購事宜,但最終放棄了這個想法。

-----廣告,請繼續往下閱讀-----

最後讓我們在這裡以同時被 IBM 培養狀大、在個人電腦上一起嘯吒風雲的微軟公司,其創辦人蓋茨(Bill Gates)元月 8 日的美聯社訪談來結束本文吧。蓋茨聲稱:如果英特爾沒有在 70 年代初期取得技術突破,創造出能夠驅動個人電腦的微型晶片,他的職業道路可能會有所不同。他接著表示:微軟也像英特爾一樣,在 18 年前錯過了從個人電腦到智慧型手機的轉變,但微軟已經恢復元氣,而英特爾的困境卻惡化到需要尋找新執行長的地步(註七),他說:

他們錯過了人工智慧晶片革命,(因為晶片設計和製造方面落後)其製造能力達不到英偉達和高通等公司認為是簡單的標準。我認為基辛格非常勇敢,他敢說:「不,我要解決設計方面的問題,我要解決晶圓廠方面的問題。」我(曾)希望為了他自己、為了國家,他能夠成功。我希望英特爾能夠復甦,但目前看來它們的處境相當艱難。

今天微軟公司已是全美市值最大的前三名公司之一,而英特爾卻淪落至此,能不讓人感嘆造化弄人嗎?

(2025 年 2 月 3 日補註)本文完稿於元月 15 日;英特爾元月 30 日第四季業績報告謂:營收連續三季下滑,較去年同期下降 7%;本季淨虧損總計 1.26 億美元(即每股 3 美分),而去年同期的淨收入為 26.7 億美元(即每股 63 美分)。今年第一季的業績指引令分析師失望!

備註

  • (註一)同一期間道瓊股指上升了 7 倍多。
  • (註二)這三家公司現在全是中國人在主導。在英特爾全盛時期,這三家全是在後者的陰影下求生存;而現今這三家的市值均遠遠超過英特爾!
  • (註三)2005 年,當英特爾的晶片在大多數個人電腦中充當了大腦時,執行長歐德寧( Paul Otellini)就已經意識到了圖形晶片最終可能會在資料中心承擔重要的工作,向董事會提出了一個令人震驚的想法:以高達 200 億美元收購電腦圖形晶片的矽谷新貴英偉達(英偉達的市值現已超過 3 兆美元)。但因英特爾在吸收公司方面的記錄不佳,董事會拒絕了這個提議,歐德寧退縮了!反觀 AMD 於 2006 年收購英偉達對手 Array Technology Inc. 後,現正挑戰英偉達的圖形晶片市場。
  • (註四)在 1993 年三月宣布將擔任執行長的記者招待會上,被問及用什麼牌子的計算機時,新執行長說他有一台筆記本電腦,但不記得是什麼牌子。
  • (註五)公認為計算機科學領域的最高榮譽,被稱為「計算機界的諾貝爾獎」。
  • (註六)仙童半導體公司於 2016 年 9 月被安森美(ON)半導體收購,品牌已不存在。
  • (註七)英特爾於 2025 年 3 月任命陳立武出任新執行長。

延伸閱讀:圖形處理單元與人工智能

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

賴昭正_96
46 篇文章 ・ 59 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此獲有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪,IBM顧問研究化學家退休 。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?

馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?

-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。

AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。

此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具,自己卻無法理解?

原因有二。首先,深度學習模型結構複雜,擁有數百萬參數,人類要追蹤每個輸入特徵如何影響最終決策結果,難度極高。例如,ChatGPT 中的 Transformer 模型,利用注意力機制(Attention Mechanism)根據不同詞之間的重要性進行特徵加權計算,因為機制本身涉及大量的矩陣運算和加權計算,這些數學操作使得整個模型更加抽象、不好理解。

-----廣告,請繼續往下閱讀-----

其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。

假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。圖/unsplash

試想,AI 協助診斷疾病時,若理由是基於醫生都無法理解的邏輯,患者即使獲得正確診斷,也會感到不安。畢竟,人們更相信能被理解的東西。

打開黑盒子:可解釋 AI 如何運作?我們要如何教育 AI?

首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。

-----廣告,請繼續往下閱讀-----

其次是局部解釋,LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈,它將每個特徵看作「玩家」,而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻,讓我們可以了解各個特徵如何影響最終結果。並且,SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的,還能透過「全局解釋」理解模型整體的運作中,哪些特徵最重要。

以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。

-----廣告,請繼續往下閱讀-----

第三是反事實解釋:如果改變一點點,會怎麼樣?

如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大,就像揭示一道菜中,哪些調味料是味道的關鍵。例如在金融風險預測中,模型可能指出「收入」影響了 40%,「消費習慣」占了 30%,「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時,還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術,才能達到更完整的解釋效果。

講到這裡,你可能會問:我們距離能完全信任 AI 還有多遠?又或者,我們真的應該完全相信它嗎?

-----廣告,請繼續往下閱讀-----

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。因此,AI 既要「可解釋」,也要「能代理」。

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。圖/unsplash

舉例來說,當一家公司要做一個看似「簡單」的決策時,背後的過程其實可能極為複雜。例如,快時尚品牌決定是否推出新一季服裝,不僅需要考慮過去的銷售數據,還得追蹤熱門設計趨勢、天氣預測,甚至觀察社群媒體上的流行話題。像是暖冬來臨,厚外套可能賣不動;或消費者是否因某位明星愛上一種顏色,這些細節都可能影響決策。

這些數據來自不同部門和來源,龐大的資料量與錯綜關聯使企業判斷變得困難。於是,企業常希望有個像經營大師的 AI 代理人,能吸收數據、快速分析,並在做決定時不僅給出答案,還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子,而可解釋 AI (XAI)則清楚解釋其判斷依據。例如,為什麼不建議推出厚外套?可能理由是:「根據天氣預測,今年暖冬概率 80%,過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

-----廣告,請繼續往下閱讀-----

但會解釋還不夠,AI 還需能真正執行。這時,就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」,大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時,這位產品經理不會手忙腳亂,而是按以下步驟行動:

  1. 檢查倉庫物料:庫存夠不夠?有沒有替代料可用?
  2. 評估交期影響:如果需要新物料,供應商多快能送到?
  3. 計算成本變化:用新料會不會超出成本預算?
  4. 做出最優判斷,並自動生成變更單、工單和採購單,通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節,還會記錄每次決策結果,學習如何變得更高效。隨時間推移,這位「智慧產品經理」的判斷將更聰明、決策速度更快,幾乎不需人工干預。更重要的是,這些判斷是基於「以終為始」的原則,為企業成長目標(如 Q4 業績增長 10%)進行連續且動態地自我回饋,而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作,讓企業決策流程不僅透明,還能自動執行。這正是數智驅動的核心,不僅依靠數據驅動決策,還要能解釋每一個選擇,並自動行動。這個過程可簡化為 SUPA,即「感知(Sensing)→ 理解(Understanding)→ 規劃(Planning)→ 行動(Acting)」的閉環流程,隨著數據的變化不斷進化。

偉勝乾燥工業為例,他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後,偉勝成功將數智驅動融入業務與產品開發,專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合,開發出新形態智慧化設備,成功打入半導體產業,帶動業績大幅成長,創造下一個企業的增長曲線。

-----廣告,請繼續往下閱讀-----

值得一提的是,數智驅動不僅帶動業務增長,還讓員工擺脫繁瑣工作,讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術,還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用,企業首先要確保它服務於具體的業務需求,而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐,才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力?免費上手企業 AI 助理!👉 企業 AI 體驗
現在使用專屬邀請碼《 KP05 》註冊就享知:https://lihi.cc/EDUk4
訂閱泛科學獨家知識頻道,深入科技趨勢與議題內容。

👉立即免費加入

-----廣告,請繼續往下閱讀-----
鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia