人工智慧在臺灣：產業轉型的契機與挑戰｜陳昇瑋研究員
Vložit
- čas přidán 30. 07. 2019
- 108年知識饗宴-7月份科普講座
主講人：陳昇瑋研究員（本院資訊科學研究所、臺灣人工智慧學校執行長）
主持人：吳重禮處長（本院秘書處）
人工智慧在臺灣：產業轉型的契機與挑戰
AI Democratization in Taiwan
摘 要：
有人說，資料是新時代的石油；那麼，人工智慧 (AI) 就是新時代的電力，未來將不會有任何現代產業與AI無關。人類史上第三波的AI浪潮伴隨著「人工智慧民主化 (AI Democratization)」的趨勢來臨，AI技術不該只被某些跨國企業所壟斷，而需讓所有需要的人都有機會參與及使用。具體的作法包含各種深度學習開發工具及模型的開放源碼，及各式最新核心技術的分享等等。這個AI民主化趨勢，AI技術發展在各領域所帶來的機會無窮無盡，是習慣等待國外大廠解決方案的我們應該把握的。臺灣人工智慧學校為此而成立，希望讓「找不到人才」不再成為企業發展人工智慧的障礙，同時建立「自己的問題自己解決」的文化，重建社會自信。在這場演講中，陳昇瑋研究員將分享臺灣人工智慧學校的來龍去脈，如何從一個稱為 Project Theta 的計畫開始，慢慢確認人才培育的需求，以及形塑臺灣人工智慧學校的雛型。
#中研院 #人工智慧 #陳昇瑋 #產業轉型 #深度學習 #AI
🎯主持人開場完畢，演講正式開始：2:22
🎯人工智慧為什麼要發展那麼久
4:04 人類懂的事情比「能表達出來的更多」/博藍尼悖論(Polanyi’s Paradox)
5:18 1956年的Dartmouth AI Project
5:33 人工智慧發展簡史(第一波/第二波/第三波)
🎯「機器學習」的定義
13:10 放棄教電腦「規則」，讓電腦自己學吧！
13:28 學到的東西跟你想的不一樣
15:14 Google是怎麼運用「機器學習」的？
舉例1. Google Photos Search：15:55
舉例2. Image Captions Research：16:15
舉例3. Gmail/Smart Reply：16:35
舉例4. Google Translation：16:40
舉例5. Speech Recognition：17:25
17:42 多數AI應用是讓機器學會一個「對應關係」/「函數」
舉例1. 機器能不能學得到「一張照片被按讚的機率？」：20:17
舉例2. 機器能不能學得到「從照片判斷人的職業？」：20:47
舉例3. 機器能不能學得到「從照片判斷人是否抽煙喝酒？」：21:25
舉例4. 但機器不見得什麼都學得到！：21:48
🎯人工智慧/機器學習/深度學習 三者的關係
22:56 三者的關係圖
24:03「如何訓練AI判斷視網膜的黃斑部病變？」：
舉例1. 20年前，以「Rule-based」為主流技術：24:58
舉例2. 10年前，以「傳統機器學習」為主流技術：25:42
舉例3. 近3年，以「深度學習」為主流技術：27:10
28:26 關於「深度學習」：
29:57 「機器學習」應用範圍之廣泛，今天沒有人在問「人工智慧用在哪裡？」，而是在問「人工智慧在某領域怎麼運用」
🎯講者問觀眾問題：現今人工智慧之新創公司，在哪個領域最多？31:26
32:22 講者的答案是「醫療領域」，其理由論述：
舉例1. 幫助醫生降低誤率：34:16
舉例2. 只要是「訊號」，AI都很擅長學習：44:25
舉例3. 「醫院內的活動」很多都是可被預測的：47:22
🎯人工智慧的其他有趣的應用
48:42 AI用在圖片的著色
52:45 AI用來做「生成」
56:28 「Style GAN」的概念
1:00:15 「AI自動生成二次元妹子」MakeGirlsMoe：make.girls.moe/#/
1:02:08 「自動生成圖像」
1:02:59 「Deepfakes」
1:03:40 「GazeDirector」修改影片人物的眼球狀態
1:05:08 「生成文章/假新聞」
🎯增強式學習/Reinforcement Learning
1:07:37 用AlphaGo說明「增強式學習」
1:09:15 「讓AI一邊摸索一邊學」的學習方式
1:12:05 DeepMind年薪一千萬
1:14:13 自駕車的「增強式學習」範例
1:14:49 更多「增強式學習」範例
🎯觀眾提問： AI超過人類的話？1:14:59
🎯講者問觀眾問題：「第四波工業革命的主體是啥」 1:16:56
🎯談「台灣的下一個機會」
1:19:44 跨出中研院，接觸台灣各式各樣產業
1:22:07 台灣產業AI化的挑戰
1:23:22 台灣產業共通挑戰之一：瑕疵檢測
1:27:45 台灣產業共通挑戰之二：自動流程控制
1:28:44 台灣產業共通挑戰之三：預測性維護
1:30:07 台灣產業共通挑戰之四：原料組合最佳化
1:31:54 如何把「AI解決問題」的能量放大：人才是關鍵 / 「台灣人工智慧學校」培育AI人才的現階段成果
🎯談「AI的限制」1:45:46
1:48:25 「Chinese Room」/「強AI v.s 弱AI」
1:49:50 「已經會實現的事」 vs. 「至少還要30年才會發生的事」
1:55:27 工作的消失/人類與AI共存的藍圖
🎯演講結束，用新書「人工智慧在台灣」的封面做ending 1:57:07
感謝妳😊
時間軸太棒了
John Zheng 不客氣～ 哈哈，延遲好久才回覆😜
Randy Kaiqian Gao 很高興有幫助！
醫療需求最大，是因為 不管是醫生 還是護理師，『人員就是病毒的問題最大』，一堆罪犯，尤其是『護理師』，從在學開始就一堆罪犯學生在犯罪，『更中要的是 任何犯罪在醫療行業都是不能允許與進入的』，但是『在教育部的核定中』，『學生有謀殺、偷竊、霸凌等等一大多 犯罪案件 ，都沒事情，教育部一樣會繼續補助這些罪犯上學』，更扯的是，因為那些罪犯知道 『這個領域根本不要他們』，『他們就會繼續加重犯案』。
現在的ＡＩ 就是為了 『使醫療人員更加簡易 但是 更加專業』，由而設計，專業的人員能協助到最多的人，就是最大的助益，剩下的那些，行屍走肉『也不知道到底懂不懂 也不能到會不會辨別的 照著書上背就想躲過了』。
更重的是，『取代 醫療人員犯罪後 剔除 ，所造成的臨時空缺，
更一步加強醫學環境穩定 = 台灣醫療實力提升』。
謝謝您對台灣的貢獻。
RIP 陳老師，感謝你為台灣AI教育做的貢獻
这个老师怎么了
@@user-fw1bu6fd2i 我刚查了一下，3月29号突发脑溢血，4月11号辞世
@@Gies_1 谢谢回复，天妒英才
@@user-fw1bu6fd2i ❤️
陳博士，一路好走。
謝謝陳老師的講解!即時是2021/4才聽到也是受益良多。陳老師走太早，真的太可惜!
演算法推薦這部影片，感謝老師對資訊產業的貢獻！
R.I.P. 谢谢陈老师的普及。希望大家都活久点，能看到General AI。
利用人工智慧進入中小企業 ，臺灣社會將創造出百倍財富--‘一年內可體升臺灣的總體實力。’112／4／4
任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）。以便對一些事件做出精准智能的預測。所謂自我學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的參數而已。40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。
近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。因此也不用太誇大眼下的AI , 這些理論早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。
另外， 眼下AI 服務非專業大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。
其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 搞編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。
只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。
此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。
而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。
另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。
其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。
其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。
因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。
但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。
未來可能的發展模式：
1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。
有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。
2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦參與分散型算力的提供，並予以整合，這也是需由資訊及硬體工程來實現的。
謝謝！受益良多！
是因為現在網路的發達才造就了AI能夠生存的環境 , AI能夠不斷問世也都是相對的通訊技術足夠成熟 , 要符合通用型的應用其實也會是相當程度的挑戰 , 但也不能忽視IOT所具備的需求
台灣在這方面早已具備相對的硬實力了 , 不論發展如何都要考慮到使用倫理的問題 , 考慮全面才能創造更加實用型的AI應用工具
陳博士 一路好走
如未能查到答案繼續往查資料庫，直到能判定對或錯，如有卡關，開發團要去了解AI卡在何種思維上再給與建檔定對或錯，慢慢資料庫變大，未來AI最少也能有些基本思維呀嘻～
謝謝您~
謝謝陳老師對台灣AI的貢獻
給博藍尼悖論：人類懂的是內容，我們懂的是作法，也許10000個人包括學生都沒一個人懂的完全。我跟你講人工智慧如果用現在只依賴IT的作法，100年都不會有何進步，最少要學統計與心理學。
人工智慧一直在進步中，我不明白你為什麼說不會進步。
人工智慧在進步？講一些最近顯著改變的方法來聽聽看？不然就是停滯！
@@cattellho2227 我不是這方面的專家，我看到的有「 AI 花六小時就設計出人類工程師要花兩個月的晶片」、「在蛋白質預測上，AI 基本上已經解決了」相關新聞。
感謝知識分享
原來手要動才跑的好，學到了
資料庫若太大或許可分類屬於那種型態的思維作規類或是能否分給多組AI作查尋，找出正確答案作出0或1呢嘻～
我覺得 人工智慧是從無開始的 剛開始的 沒有語言 沒有規則 沒有判斷 沒有方法開始的 應該由機器自己產生 創造自己的語言 想法規則 情感 感受 而且要重複的遞迴演算(反思) 因為 人有無限種定義方式 假設觸碰到這個東西(可以用 視覺 聽覺 觸覺 生理感受) 他可以定義唯一 也可以定義為A 甚至至可以定義成一個我們所不知道的語言符號 或動作 不同的環境下 會有不同的智慧產生 因此 智慧跟實體應該要有人輔助生產 哺乳類第一個動作是 感受+觸覺 被人抱的感受 所產生的反應 再來就是找尋能量的來源(進食) 來累積不同的反應與定義 等累積的定義多了之後 再去跟機器做交流 等於是教學 教學後產生不同的感受 再去記憶新的定義 產生隨機的拼湊 再由人去理解反饋 所以人工智慧在於不同地區會有不同的智慧 與思考方式 再由人工智慧去做交流
人的智能產生於信息的積累，人腦的功能區塊各有不同，從無數訊息透過五感進入神經元不斷激盪後留存於大腦之中，人類再從中不斷獲得刺激後，開始記憶，並逐漸開始理解背後的邏輯，同時在逐漸產生的思考與觀察中需要不斷的驗證與揪錯，在幾萬年的積累裡逐漸形成人類今日的態勢。
從無開始的設想太過夢幻，那無異於模擬宇宙或是生命初生，宇宙如何誕生? 生命最初的樣貌如何出現?
從零開始的設計並不現實。
無論是硬體的結構與軟體的設計都並非是能由虛無中誕生的東西。
在非我等可控規則中誕生的智慧亦不為我等所能理解。也不能理解我等。
現有的人工智能是精緻的機器，但那不是智能。
產生一個完全足以自行思考處理的智能離我們還太過遙遠。
我們依然在智能的大門之外，正嘗試從剛剛撬開的門縫中擠進那巨大的門扉。
为什么我的额不能评论只能回复别人的评论
@@coraliebrook9504 你驗證帳號了嗎
@@chenmianacanaan9220 验证了
R.I.P.
现在是因为网速巨大的提升 ，处理海量数据
1:50:00 RIP
那可能要建置超級思維庫供AI能夠查尋作出0與1等的決策嘻～
醫療需求最大，是因為 不管是醫生 還是護理師，『人員就是病毒的問題最大』，一堆罪犯，尤其是『護理師』，從在學開始就一堆罪犯學生在犯罪，『更中要的是 任何犯罪在醫療行業都是不能允許與進入的』，但是『在教育部的核定中』，『學生有謀殺、偷竊、霸凌等等一大多 犯罪案件 ，都沒事情，教育部一樣會繼續補助這些罪犯上學』，更扯的是，因為那些罪犯知道 『這個領域根本不要他們』，『他們就會繼續加重犯案』。
現在的ＡＩ 就是為了 『使醫療人員更加簡易 但是 更加專業』，由而設計，專業的人員能協助到最多的人，就是最大的助益，剩下的那些，行屍走肉『也不知道到底懂不懂 也不能到會不會辨別的 照著書上背就想躲過了』。
更重的是，『取代 醫療人員犯罪後 剔除 ，所造成的臨時空缺，更一步加強醫學環境穩定』。
R.I.P
RIP ...
代表我還有三十年可以學習AI
兩次世界大戰之前各國經濟都是相互依賴的, 全球你中有我 我中有你 只搞經濟不談政治 結果就打起來了. 冷戰之所以沒打起來, 那是因為兩大陣營間沒有經濟互賴, 不需要貿易也就不用打仗了.
所以說, 經濟互賴會導致世界大戰, 經濟脫鉤才是避免戰爭的方法
So nice
真的没想到，竟然去世了。 好可惜，R.I.P.
Rip
獲益良多，謝謝陳老師
痛失人才台灣AI產業想要快速發展 可能要再等等了
Ai
Very nice video my linda se
今天用来 拍西游记 孙悟空 72变 很容易了
陳老師怎麼了？
上次你回不出來的問題，我現在跟你講，不是「X」的分配成常態，而是sigma Yi - Y^ 成常態。
查资料才看到陈先生已经过世，非常非常可惜，真的感到非常遗憾。。。。。。。。
nope,要不了那么久
倒數第二個花襯衫他到底在問什麼問題？才剛開始要學走路，你就在這邊說怎麼不是用光速在飛行？電腦如果做了人類簡單的事，那一些笨蛋怎麼辦？我覺得這樣你在這邊問笨問題，才是阻止人類發展文明最大的一顆絆腳石！
我教鹦鹉说话算不算人工智慧？
QQ
不過你應該有更好的想法。
怪人
😈邪恶AI
千古
難怪亂翻譯
問題是台灣缺電 ㄏㄏ
人不要太聪明了，天会收。太可惜了
不 要 用 嘴 呼 吸！！！！
你們去打球要小心了
RIP 您走了也是中国的损失
哈哈哈
這樣也能嘴
他走不僅是一個國家的損失
是人類的損失
跳脫國界吧:)
A.I 沒有國界的
挺好的，挺好的。算是科普吧，然而也仅限于此。
毕竟台湾撑不起整个AI产业。台湾或许有这个需要，但没有这个必要，也没有这个能力。
QP426
井底之蛙批評台灣科技？ 哈哈！
@l lie 哪個國家偷最多呢？哈哈哈！
你這樣嘴就否決了ai產業工作者的努力了，台灣不是撐不起，而是沒有作為領頭羊的資格，台灣人就兩千多萬，哪能跟日本、中國、美國比
文武 講這麼多 你AI是不是 打成這樣誰要看 可以說一聲謝謝樓主就好了嗎
鬼島每年都在講產業轉型
是在酸什麼，這時代那麼快，本來就時時刻刻都要變