AI & Big Data的演變趨勢(下)
TAcc+新創分析師 許雅音
梳理了Big Data和AI的演進和脈絡，以下將從AI的應用面，如商業趨勢、AI新創公司與新創投資趨勢、AI對人類社會的衝擊，以及可信賴AI相關政策及政治因素等面向進一步探討。
1. AI的商業趨勢: 對經濟的衝擊、產值，及實際應用成效
根據PwC的AI報告《What’s the real value of AI for your business and how can you capitalise》（參考圖1），預估AI在2030年，對全球經濟的貢獻將高達15.7兆美元，其中6.6兆美元來自生產力的提升，9.1兆美元來自消費端（占比為58%）。
從各時間點的發展來看，一開始AI的導入主要以製造、生產方面的應用為主，企業引入AI的目的在於削減成本及增加產量，例如公司為了節省人力成本而採用AI，隨著時間的推移，AI的應用慢慢延展到消費者方面，包含提高產品和服務品質，並改善人類整體生活品質。
在2017年到2030年間，運用AI提升生產力占GDP增幅中的55%，到了2024年逐漸飽和。其中，自2023年起，隨著AI技術的逐漸導入，及消費者對產品改良的反應，個性化產品和產品品質的經濟貢獻也逐步提高。
圖1、Where will the value gains come from with AI?
資料來源: ＰwＣ analysis
AI對經濟的貢獻巨大，從地域別來說（參考圖2），拔得頭籌的是中國，其AI相關的產值將貢獻7兆美元，對GDP的影響達到26.1%，緊追在後的則是北美地區，其AI相關的產值將貢獻3.7兆美元，對GDP的影響達到14.5%。
圖2、Which regions will gain the most from AI?
資料來源: ＰwＣ analysis
聚焦分析2030年AI對經濟貢獻最大的兩個地區，首先，中國的AI發展能有那麼大進展，主要仰賴大量人口所創造出的大數據，同時中國境內對數據隱私、數據保護限制寬鬆，導致數據流通性極高，因此大量數據能廣泛運用在包含公共、商業、工業等各種場域，特別值得一提的是，中國以國家級戰略重點部署及整合AI，有望讓中國成為AI大國；而北美地區的主要國家為美國及加拿大，根據美國人工智慧國家安全委員會（National Security Commission on Artificial Intelligence ,NSCAI）指出，北美地區在關鍵的AI人才、硬體與演算法研究上，具備研發上的優勢。
AI巨大的潛能，讓各企業紛紛布局導入AI，根據2020年McKinsey & Company的報告（請參考圖3）指出，目前全球企業的AI導入率約為50%左右，以世界地理區域劃分，亞洲已開發國家(>60%)、印度(>55%)，及北美(>50%)的導入率都已超越50%。。以產業別區分的話，目前AI導入率最高的行業別是高科技、電信通訊產業，在此行業中導入AI的比率高達70%，其次為汽車與裝配件工廠，及金融業，AI導入率為60%以上；第三名則是商業、法律、專業服務，AI導入率為55%以上，而健康醫療、製藥等行業的導入率則僅有40%。
圖3、AI Adoption by Organizations by Regions
資料來源: McKinsey & Company, 2020
圖4、AI Adoption by Organizations by Industry
資料來源: McKinsey & Company, 2020
AI的優點顯而易見，分為降低成本及增加營收兩方面，在降低生產成本方面，總體而言，各類產業中有44%的人認為使用AI能夠減少公司支出，其中，供應鏈管理、製造業與人力資源公司這3個行業的相關人員認為，導入AI能夠降低20%以上的成本。
在增加營收方面，總體而言，各類產業中有63%的人認為使用AI能夠創造營收，其中，行銷銷售產業與產品服務行業認為，導入AI能額外創造10%以上的營收。
圖5、導入AI 後，所展現出的優勢
資料來源: McKinsey 2019 Global AI survey
看得到各行各業嘗試導入AI後，期待能夠降低成本及增加營收，技術儼然已不構成問題。然而，企業決策是否導入AI，仍面臨著其他挑戰（參考圖6），包含：導入AI是否能夠提供足夠的投資報酬率? 是否有足夠的預算、如何訓練現有員工來使用AI系統、及導入AI的過程中面臨的資安問題能否得到妥善的解決等議題，成了企業是否導入AI的重大考量。
圖6、企業考慮是否導入AI 的考量
資料來源: McKinsey 2019 Global AI survey
目前的AI並非一體適用任何產業，各種AI技術的能力各有千秋圖7說明各行業對AI技術的應用情形。以高科技產業為例，相較於2018年，2019年增加了17%的AI使用率，達到78%，其中Machine Learning、NLP、Robotic process automation等技術是高科技產業的熱門AI技術選項；另外在旅遊、運輸與後勤等產業在AI使用上也有大幅增長（從2018年到2019年，增長26%），以及零售業與健康醫療產業也大幅度增加使用AI。
圖7、各行業對各式AI技術的應用情形
資料來源: McKinsey 2019 Global AI survey
目前，AI的應用已遍布各行各業，除了導入率逐步上升，使用AI所產生的效益也無庸置疑，按照AI這麼蓬勃的情勢發展，不禁有人質疑，未來 AI是否取代人類的工作呢?被取代掉的人們應該何去何從呢?
根據McKinsey的研究（參考圖8），目前，大約有50%的工作內容(work activities)在技術上是能夠自動化運作的，而且，調查發現60%的職業(occupations)中，約有 30%的工作內容可以自動化—但只有約5%的職業)內，幾乎其所有工作內容都可以自動化。也就是說，未來，「部分自動化的職業」將多於「完全自動化的職業」。
AI在未來對工作的影響，主要分為3個層面，包含: AI造成的「失業(Jobs Lost)」、因為AI所產生「新的職缺(Jobs Gained)」，及失去的職缺無法運用新的職缺來取代，因此造成「工作性質的改變 (Jobs Changed)」，以下將詳細說明這3個層面:
該研究設計數種情境(scenarios)，研究2016年到2030年這段期間內，AI對勞工的影響，首先，在失業方面， 以AI中度導入的情境，全球約有15%的勞動力(4億勞工)可能被AI取代。其次，在新的職缺(Jobs Gained)方面，新創造出的職缺數量可能從 5.55 億到 8.9 億不等，占全球勞動力的 21% 到 33%。上述表明，除非出現極端情況，否則工作需求的增長將足以抵消因AI自動化而失去的職缺數量。最後則是工作性質改變(Jobs Changed)，由於「部分自動化的職業」增加，工作內容將發生翻天覆地的變化，工作性質改變所影響的產業(Industry)遠多於失去的工作的勞工。這些產業或許將運用AI機器並配合日新月異的時代，來優化工作流程(Workflows)及加速開發AI機器。
圖8、AI導入後對勞工的影響
資料來源: McKinsey
面對AI時代的到來，有4個顯著的勞動力轉移所帶來的現象，包含: (1) 數百萬勞工可能需要換工作，(2) 勞工將需要不同的技能，才能夠在未來職場上發展，(3) 隨著越來越多的勞工與機器或AI一起工作，工作場所和工作流程(Workflows)將產生變化，及(4) AI提供的自動化(Automation)服務，可能會對成熟經濟體的平均薪資帶來壓力。例如在薪資水準相對較高的發達經濟體，法國、日本和美國，受AI自動化影響的工作崗位的比率可能是印度的兩倍多。
AI帶來的衝擊，按先後次序來說，首先是產業界，其次是企業工作流程的改變，最後才是勞工。產業界面對AI的衝擊，有可能是整個產業都不見了，舉例而言，如同數位相機的發明和普及，讓過去幾乎遍布大街小巷的相片沖洗專門店，已經逐漸式微，又如同串流影音媒體的普及，過去的錄影帶出租店也不復存在，未來，產業界會面臨AI的衝擊，屆時又有一批產業即將消失或沒落。接下來可預見的是，由於AI的導入，對企業現在工作流程造成的影響，某些工作流程將會大幅的改變，很多工作流程將仰賴AI和人類共同協作方可完成。最後受到的衝擊的則是勞工，隨著產業的變革和工作流程的轉變，勞工的工作內容也隨之改變。因此，雖然說AI在未來對工作有全面的影響，但不需太過於緊張，以IoT為例，從一開始到建置到完成架設平均需要60幾個月，產業界老闆的考量一定會比勞工還要多，導入AI的過程中，勞工仍有時間進行準備。
至於企業導入AI所需要相應的員工技能教育培育方面，也就是AI導入和自動化的程度愈高，理應要有匹配的相應技能，很可惜的是，這方面人才很少，造成需要運用AI時，現有的員工無法提供相應技能，因此造成技能不匹配(skills mismatch)的情況，請參考圖9，藍點(行業別)在斜線上越高，代表該領域人才越缺乏，像是AI導入率很高的IT、Mobile等行業，這樣的情況就益發嚴重。
圖9、AI的導入(橫軸)，及未來3年內預期技能不匹配(縱軸)
資料來源: McKinsey
2. AI的新創公司與新創投資趨勢
2.1. AI新創的投資趨勢
根據Venture Scanner的資料顯示，AI相關的新創投資趨勢，自2016年起，投資金額就逐漸上升，在2019年達到最高峰超過250億美元，2020年受到COVID-19疫情的影響略有下降，但投資金額也逼近250億美元。進一步分析2019年和2020年AI相關新創投資金額中，有70%的被投資新創公司都屬於早期的新創公司(Early Stage(約>65%)和Seed Stage(約<5%))。從新創公司出場(Exits)的家數看來，2020年AI出場的新創公司是近5年來新高，接近90家，其中2020年Q3，Snowflake的IPO是2020年最大的出場案件。分析2020年拿到新創投資TOP3的公司，都跟自駕車相關，包含NURO、pony.ai(小馬智行)，及Aurora。
NURO是送貨的自動駕駛車，其服務內容為運送食品、飲料、藥品等必需品，一開始是與豐田Priuse自駕車隊合作推出，之後再加入自家研發的「R2」，R2車速慢、沒有油門或方向盤，內部僅設置包裹擺放空間，能夠提升獲利。2020年年底，R2獲准在美國加州上路，成為第一個在加州推出商用自駕服務的矽谷公司，為自動駕駛市場闢出一條邁向獲利的道路。
pony.ai(小馬智行)則是一家自動駕駛車的新創公司，目前在研發L4/L5級別的自動駕駛技術，L4 等級的自駕車原則上已可由電腦控制自行上路，目前L4無人駕駛已於2021年2月量產。
Aurora也是自駕車新創公司，收購了Uber 自動駕駛部門及做Lidar的新創公司，正在進行SPAC上市的談判中。去年 12 月收購的自動駕駛汽車初創公司 Aurora Innovation 將通過與特殊目的收購公司 Reinvent Technology Partners Y 的合併上市。
圖10、AI新創的投資趨勢(2016年~2020年)
資料來源: Venture Scanner
根據Venture Scanner的資料顯示，2021年第一季AI相關的新創投資趨勢，與去年同期(2020年第一季)相比，增長了許多，顯示後疫情(Post covid-19)投資趨勢的回暖；出場部分，相較於去年同期，2021年第一季AI相關新創公司的出場下降很多，只有14個M&A。2021年第一季的AI相關新創公司收到投資的比例，與2020年差異不大，有71%的被投資新創公司都屬於早期的新創公司(Early Stage約>65%、Seed Stage約<5%)。分析2021年第一季拿到新創投資TOP3的公司，包含開發企業軟體的Databricks、機器人流程自動化的UiPath，及為企業提供AI數位化服務的4Paradigm(第四範式)。
特別值得一提的是Databricks，作為資料分析的AI公司，獲得Cloud 3大巨頭的入股，並在2021年2月，再次獲得10億美元的融資，讓估值飆升至280億美元，為2019年10月的5倍之多。
圖11、AI新創的投資趨勢(2021年第一季)
資料來源: Venture Scanner
2.2 AI新創的領域別
根據CB Insights的AI Trend，選出每年度最值得關注的100家AI新創公司，其中，包含12家獨角獸公司(估值$1B以上的新創公司)。
2021年的AI Trend分成了2大領域，包含Industrial AI Applications(產業AI應用程序，水平領域)，及Cross-industry AI Applications(跨行業AI應用程序，垂直領域)。其中Industrial AI applications涵蓋18個領域，從零售到遊戲皆有；而Cross-industry AI Applications為一個以上的核心產業構建各種業務和運營智能工具。
這100家AI新創公司，累計共拿到117億美元，其中包含資本最密集的3大領域，分別為自動駕駛汽車(代表性新創公司如上述提到的Aurora，及Momenta)、藥物研發(例如Insitro)，及AI(中)所提到的AI晶片處理器(例如，Horizon Robotics，Graphcore)。另外，一些AI應用的新題材也拿到不少錢，包含AIOPs（例如Snyk，Harness）及醫院的收入周期管理（例如Olive，吸引了投資者的多輪1億美元投資）。特別值得一提的是，運用AI來處理網路安全問題的新創公司也不少，包含推出網絡威脅防護的深度學習平台的Blue Hexagon、幫助客戶使用AI和機器學習來了解安全數據的SentinelOne，及基於AI的平台能夠發現潛在資安風險的SecuritiAI。
圖12、AI 100(2021年)
資料來源: CB Insights
2.3 COVID-19的影響
從2019年年底開始肆虐全球的COVID-19，對AI新創的投資有什麼影響呢?圖13提供2019年和2020年AI新創公司所獲得的投資比較(領域別)，整體而言，AI的新創投資雖然往下掉了一點，可是AI的新創投資市場其實並沒有想像中的差，只是把一部分的投資轉移到與健康醫療相關的產業，例如Drug 、Cancer還有MRI這些項目，另外一個，則是轉移到教育上，因為疫情期間，大家都被隔離，需要運用遠端模式使用教育服務。
以新創投資的角度而言，COVID-19的影響，較多顯現在2020年第一季度，甚至以AI領域的新創投資而言，其影響更小，可以看到AI領域的新創投資在2020年第二季就蠢蠢欲動，探究原因，是因為有限合夥人(LP，Limited Partner，亦即出錢的人)的資金，還是一定要運用在投資上，另一個原因則是，綜觀古今，許多投資者有一個信念，認為危機就是轉機。可以假設一個極端的情況，若是COVID-19不會把人類殲滅，最終人類社會終究會回復正常，到時候需求還是不會減少(還該用的還是要用)，投資人會思考，回復正常後的社會需要什麼，人類的數量減少了，這時候AI的需求不就更高了嗎?因此，AI領域的新創投資在投資清單上排名第一，雖然在疫情的肆虐下，反而有愈來愈多的熱錢湧向AI領域，讓AI的熱度不斷地向上爬。
但疫情的確是對旅遊行業、交通行業，實體零售業等造成極大的衝擊。
轉換視角，從半導體(Semiconductor)與晶片(Chip)的角度來看AI的新創投資(請參考圖13的倒數第二項)，2020年受到疫情影響，投資看起來有些微萎縮，但在2021年又顯得特別火熱，箇中原因在於在2020年疫情期間，各產業都預先假設實體消費會減少，因此砍掉了很多晶片(Chip)的訂單，但後來疫情稍緩，需求穩定回升後，各產業們又發現現在需要去搶回訂單了，但面對所有產業都在搶訂單，可以預見的是很多訂單都搶不回來，因此出現了需求鏈斷層，在供需不平衡的情況下，這也就是為什麼到了2021年半導體(Semiconductor)與晶片(Chip)的投資特別火熱的緣故。
半導體與晶片的供不應求，也反映在自駕車的新創投資上，2020年疫情肆虐期間，產業預期旅遊業會受大很大的衝擊，連帶著將會影響汽車的使用，因此自駕車產業率先取消晶片的訂單，要知道，普通的一台車，就需要40種以上的晶片，更別提自駕車，一台自駕車至少需要150種以上的晶片(Chip)，在2021年初，車用晶片的CMOS感測器（CIS）、電源管理IC（PMIC）及微處理器（MCU）等地缺貨壓力，連帶的影響了自駕車的投資。
如同上一篇AI & Big Data的演變趨勢(中)—運算能力篇，所提到的AI晶片(AI Chip)，該產業的投資需要有大量的資金支持，而目前的晶片(Chip)用途都跟AI脫不了關係。從政治上的考量，台積電到美國、德國去投資、設廠，到未來中美關係情勢的演變、第三代半導體晶片(5G的升級、軍事)的運用，都與晶片的投資脫離不了關係。
圖13、COVID-19對AI新創投資的影響(2019年 vs. 2020年)
資料來源: CapIQ, Crunchbase, and NetBase Quid, 2020
2.4 AI新創的未來(狂歡已結束)
相較於過去新創公司只要掛個AI噱頭，估值就會盲目上漲的時代已經過去了，過去科技巨頭瘋狂收購AI新創公司，買的是人才和未來的潛力，現在要來審視這些新創公司是否能夠帶來價值、巨頭們是否能回收成本。
舉例而言，Google2014年所收購的DeepMind，號稱「燒錢機器」，2019年財年虧損了4.77億英鎊，但是卻遲遲尚未探索出可實際大幅營利的商業化市場，從揭露的財務數據來看，為其技術產品買單的其實還是Google，且同時進行語音助理和資料管理中心任務及改善Android的電池續航力等研究。
科技巨頭們購買AI人才購買得差不多的這個時機點，由於當初投資太大，能不能賺回來都是未來式，現在巨頭們要煩惱的是怎麼用AI來營利，並積極地尋找可營利的機會和商機。
另外一個趨勢對AI比較不利的發展是新創公司中新興(Newly)被投資的AI 公司的數量自2017年起就一直往下掉，參考圖14，針對這個現象有可能的一個解釋是，以AI為核心的公司越來越少，導致這樣的新創投資不能算在AI新創公司投資中，然而，另一種解釋則是現在AI已經不是一種獨立的東西，而是AI作為工具或基礎建設進入到各行各業，舉例而言，AI的部署就像電力一般，在每一種現代化的公司都需要AI，所以沒有一個能稱作AI的公司。因為AI會在各個領域中(如健康醫療(Healthcare)、教育(Education)等領域)發揮功效。
圖14、新興AI新創公司的數量(2015年~2020年)
資料來源: CapIQ, Crunchbase, and NetBase Quid, 2020
2.5 2021年的AI趨勢
根據CB Insights的報告AI Trend 2021指出，2021年的趨勢如下: 請參考圖15。
- 「無/低代碼AI(No Code/ Low Code)」的興起: 此領域是打破過去AI程序工程師一定要寫代碼(Code)的習慣，改使用具有可視化的圖像、已編程的標示或以功能呈現的程式方塊，且採用拖放界面來部署 AI 和機器學習模型，降低學習門檻，也能夠令非技術用戶能夠快速分類、分析數據並輕鬆構建準確的模型。
- AIOPs(Artificial Intelligence for IT Operations，AI運營)的新創公司得到關注和投資: 此技術能夠運用AI來簡化 IT 作業管理，並在複雜的IT 環境中，加速與自動化執行解決方案，例如: 收集並彙總由多個 IT 基礎架構元件或應用程式所產生之大量作業資料、智慧地智慧地從「雜訊」中過濾出「信號」，及診斷主要原因並將其回報給 IT 以進行快速回應及補救。這樣的技術，能夠讓 IT 作業團隊能夠更快速、甚至是更主動地回應IT問題。
- 圖像神經網路(Graph Neural Nets，以下稱GNN) : GNN是一種深度學習的方法，目的在於對圖片的編程進行處理與訓練，此種用於圖形的神經網路，能夠透過DL來進行圖形預測，GNN自2017年Amazon推出了名為Neptune的數據庫，並在2020年年底，推出了Neptune ML，專門用於圖形的機器學習，為顧客提供數據庫並對企業進行分析，目前Neptune ML可以將用其他方式所做的大多數圖形預測的準確性提高 50% 以上。
- 串流媒體(Streaming)分析的市場增加: 隨著IoT的激增，及對及時(Real-Time)數據需求的上升，過去傳統批次處理的方式已不是用了，預估此領域，到了2027年，將有約520億美元的產值。
- 非結構化資料(Unstructured Data): 非結構化資料是指沒有預定義的資料模型或格式的資料，目前如IoT感測器、圖像、社交媒體貼文，及監控攝影機等，都會產出許多非結構化資料，其格式、處理方式和管理方式目前都已成為Cloud Computing不可或缺的一環。
- 數據治理(Data governance)和可解釋的AI(explainable AI): 數據的搜尋、處理，和使用的規範對於建立合乎道德的AI解決方案，是至關重要的，並且需要在演算法中避免偏見(Bias)的產生。強大的數據治理(Data governance)是可解釋的AI的基石，為了遵守 GDPR(General Data Protection Regulation)和CCPA(California Consumer Privacy Act 2018)等法規，AI供應商越來越關注AI的可解釋性、偏見和治理。
圖15、AI Trend 2021
資料來源: CB Insights
3. AI帶來的影響/衝擊
3.1 AI的三大階段
AI經歷三波發展熱潮，最新的一波熱潮，讓AI真正落實在我們的生活中，按照模仿人類行為的能力作為劃分依據，將AI主要分為三個階段，參考圖16。第一個階段為狹義型AI(Artificial Narrow Intelligence，ANI)。狹義型AI主要為了單一目標而進行的AI設計，期望機器能夠根據已定義的數據，執行單一任務，舉例聊天機器人，例如Apple 的 SIRI 和亞馬遜的 Alexa 等個人助理執行的任務。目前，狹義型AI已經發展得相當成熟，許多應用程式能夠接收單一指令並準確地執行操作。第二階段為通用型AI( Artificial General Intelligence，AGI)，這個階段的AI，想要完成人類級別的任務(human-level tasks)，例如Tesla的自動駕駛車，通用型AI不再只限至於定義好的問題進行解答，而是需要透過機器的持續學習，回饋新資訊再進行調整，例如自駕車就需要時時根據行車的場景進行駕駛調整。第三階段為超級AI(Artificial Super Intelligence，ASI)，意指AI能夠運用比人類還要聰明的方式進行工作，也就是與人類不相上下或超越人類的智慧的AI。
目前全世界正在經歷AI的第二階段：通用型AI，其主要目標是使AI成為通用智慧，期望AI能夠模仿人類的智慧與行為表現，且具備出色的學習能力，能夠將所學的內容應用於不同場域。通用型AI可以在特定情況下做出幾乎和人類一樣水平的思考模式、速度，及行動。
圖16、AI發展的3個階段
資料來源: Hackernoon
3.2 Next Tech(擬人化高科技)的到來
AI的影響如此巨大的原因，如同行銷學之父Philip-Kotler 2021年的新作《行銷5.0(Marketing 5.0)》一書所揭示的，Marketing 5.0是高度應用「擬人化高科技（Technology Mimics Humans，Next Tech）」，在整個客戶旅程（customer journey）中創造、溝通、交付、提升價值和顧客體驗。而書中所提到的「擬人化高科技」為什麼刪掉?，是指一組能夠模擬人類行銷人員功能的技術，包含AI、NLP、感測器、機器人技術、IoT，及數位孿生等技術。參考圖17。
「擬人化高科技」從人類自身為出發點，探詢為何人類能夠從複雜環境中抽取對自身有用的資訊，尋找相關性，並進行判斷，並在擁有無與倫比認知能力的同時具有感情交流的能力。研究的結果，是由於人類具有五種感官刺激，包含視覺、聽覺、嗅覺、味覺，及觸覺等，透過眼耳鼻舌皮膚與整個外在環境互動，並不斷學習與回饋調整，因此自古以來科學家就癡迷於用機器複製人類的能力，包含NLP，AI試圖模仿上下文進行學習，但是AI理解的是演算法而非這個句子的內在含意；或者IoT模仿人類的視覺進行監控，例如機器視覺是基於人類的視覺學習模型區分物體(如CNN)，未來人類將藉由這些「延伸後的五感」的技術，為現在商業注入一股活水，並帶來天翻地覆的改變。
其中，AI技術已被廣泛用於許多行業中，金融服務公司已用其進行自動欺詐檢測和信用評分。在Google搜索欄位中，只要輸入前幾個字母，它就能猜出前幾種此人可能想查找的內容。Amazon的書籍建議及動態定價機制等，這些無一不體現了AI的價值與能力。AI就如同喔一個是自動化且不斷學習回饋的大腦。透過AI為核心，搭配其他技術，如IoT、機器人技術，臉部識別，及語音技術等，提供新一代獨特的客戶體驗。
但是也需要提醒，雖然「擬人化高科技」將不斷蓬勃發展，但人類自身擁有的獨特性並不止於機器模仿而已。人類可以理解抽象的概念，如倫理、文化和愛，這些沒有具體物質所代表的意義，並且具有想像力，能夠讓人類發揮天馬行空的創造力。除此之外，人類是高度社會化的群居生物，渴望與他人建議連結，這些都是AI至今尚未能夠達到的高度，雖然AI現在已經滲透到客戶的日常生活，但AI在創造價值的同時，也需要防範偏見，並謹慎使用與管理，若是讓偏見悄然無聲地進入AI內，將會喪失人類社會的包容性發展以及貧富差距的擴大，這是我們不樂見的。
說回「擬人化高科技」在商業行銷方面的應用，根據Statista的統計數據，行銷團隊越來越多地轉向AI來提升行銷效益，僅在 2018 年，行銷人員就在AI的技術上投資了超過 2.27 億美元。所使用的AI技術包含運用「無/低代碼AI(No Code/ Low Code)」這種平易近人的方式來部署虛擬智能助理(Intelligent Virtual Assistant，IVA)以了解客戶的數據資訊、運用NLP了解客戶回饋(Feedback)，及社交媒體AI情感分析等。也就是說，在打造Marketing 5.0未來的過程中，AI成了至關重要的工具之一。
圖17、Next Tech的技術種類與應用方向
資料來源: Marketing 5.0
圖18、Bionics: Six Ways Technology Mimics Humans
資料來源: Marketing 5.0
3.3 AI對人類社會的改變
第三波的AI浪潮襲來，不僅是科學界的熱潮，而是市場化、商業化、生活化的熱潮，所以必將對整個人類社會產生深遠變革。首先來談工作，很多人很擔心自身工作被AI取代，面對AI在特定領域，不只是說要取代人類而是遠遠超過人類，但是如何判斷AI能否超越人類，其實在各種工作領域上有不同的標準，AI的記憶能力、尋找能力是人類比不上，但是人類獨特的無中生有、抽象概念等，則是目前AI無法如魚得水的領域。特別值得一提的是，若是在虛擬世界，AI就能仰賴先天優勢(演算法)占盡優勢，但在愈物理性、愈情感的領域，目前的AI尚無法超越人類。
AI，包含NLP、Next Tech(擬人化高科技)已經開始取代人類，某些產業就典型的代表了「人類無望論」，意指人類未來在該領域可能遠遠追不上AI，其中就包含自駕車產業，正如同本文第一章所提到的，雖然數百萬勞工可能需要換工作，但未來將產生更多工作機會是需要勞工與機器或AI一起工作，工作場所和工作流程(Workflows)將產生變化，有的工作則是由於AI的導入所誕生，例如未來導入大量AI後，可能需要創造新職缺用來監控或維護AI或機器人，相關職缺在未來可能創造出新的一群藍領階級，主要工作內容則是擔任AI的保姆，確認AI的各項表現都能夠符合人類的需求，降低出錯率。也就是在AI時代，勞工需要有不斷學習的精神，以因應未來職場的變化。
其次要談的則是AI偏見(AI Bias)，AI在商業上的好處雖然顯而易見，然而在DL的學習和判斷過程中，如何減少訓練者的主觀偏差，而達到客觀的提供資訊，在目前情況中，仍然是個挑戰。最著名的案例是Microsoft於2016年在Twitter上推出的AI聊天機器人Tay，以19歲美國女性的談話方式在平台上聊天，藉由平台上與用戶的互動學習語言表達與反應，然而在短短一天，Tay機器人成為一名言語中帶有種族歧視與極端言論的聊天機器人。這樣的實驗證明，將AI置放在一個無規範的空間下任其自由學習，AI很快地會根據其學習環境帶有相關的偏見，現今，如何讓AI能夠了解哪些行為是符合規範，而哪些行為是違反道德倫理的研究領域，持續有許多研究人員投入心血去改善AI偏見的問題。
第三，則是AI黑箱問題(AI Black box)，除了上述提到的倫理道德的挑戰外，AI在訓練上，因為DL和各種AI演算法的精進，通常我們都只能了解大概的運算模式，然後接受「輸出」的結果，中間的運算過程宛如黑箱，連開發者都只能判斷運算結果的好壞，卻無從得知 AI 如何作成決策，因此「可信任的人工智慧」（Trustable AI）或上述提到的「可解釋的AI」(explainable AI)，成了AI開發者極度想攻克的議題。
為什麼「可解釋的AI」的研究及討論度急遽上升呢? 其中有一個很大的推力是法律制度，誠如大家所知，在法律面前一切要講證據、邏輯，及來龍去脈，可是偏偏DL演算法，卻是在Input數據後，就交由AI一層一層去推理(Layer by Layer)，直到Output結果，AI在其中究竟做了哪些判斷，很難層層進行剖析及解釋。DL演算法請參考AI & Big Data的演變趨勢(中)—演算法篇。舉例而言，假設一輛自駕車撞死了一個小孩，再追究法律責任時，法官詢問AI公司說出演算法的機制和該案件發生時AI運算的細節，如果AI公司無法清晰地回答該問題，則在法律面前可能面對嚴重的訴訟。因此「可解釋的AI」成了AI開發者迫切想要處理的議題，也帶出了，在法律面前，AI可能面前極大的挑戰及人類目前還未知的影響。
GDPR 也相當強調「可信任的人工智慧」在法規上的具體實踐，舉例而言，當演算法自動為人類產出決策時，必須分析該決策是否對用戶產生法律效應或相關重大影響時，必須賦予用戶權利，包含: 請求AI解釋決策原因，並表達個人意見，或直接拒絕適用，或以人為方式介入判斷。
最後要提的是Deepfakes (深偽技術)，Deepfakes在2016來出現，該技術能夠偽造面部表情並將其嵌入至目標影片的人物，並能夠實時的掌握面部表情，讓一般人無法判別該影像的真偽，Deepfakess分為4種型態，包含: 臉部替換(使用某人臉部的影像，替換掉另一個目標人物的臉，請參考圖19)、臉部再製(修改目標人物的臉部表情，例如移動他們的嘴巴、眉毛和眼睛等，主要是更改臉部細節來傳達言外之意的訊息)、人臉生成(生成一個全新的臉)，及聲音合成(使用目標人物的說話方式和語調唸出文字)。
當然Deepfakes也會某些產業帶來了正面的影響，像是播報體育新聞時，運用Deepfakes加上NLP技術，讓假的播報者五官配合講稿變化，未來就能部份取代播報人員，抑或是，目前流行的網紅(Influencer)直播，也能透過Deepfakes技術創造出更漂亮、更專業的假網紅。
圖19、TikTok 最近發表一系列「偽湯姆克魯斯」影片，讓人以為這位大明星也玩 TikTok
資料來源: TechNews
深偽技術被大量的應用在色情影片、政治競選等爭議領域中，導致假影片橫竄，根據2021年3月份發表在Arxiv.org的論文顯示，Deepfakes的精湛合成技術，有極大的機率能騙過臉部識別API。研究人員選擇對Microsoft和Amazon的臉部識別API進行基準測試，結果發現所有API都容易被Deepfakes欺騙。
這個現象表示Deepfakes將對臉部識別帶來巨大的衝擊，目前大公司和新創公司紛紛提出相應的解決方案，另一方面，新創公司看到檢測Deepfakes的商機，全球約有100家新創公司投入該領域，其中，特別值得一提的是，愛沙尼亞的Sentinel，是開發基於深度防禦(Defence-in-Depth, DID)的檢測型AI來幫助政府和媒體抵制虛假內容，主要的技術內涵有別於Microsoft僅用檢測圖片的方法。而以色列的Cyabra則是運用生成對抗網路(GAN)創立了名為FAM(Facial Reenactment Manipulation)的演算法，該算法能夠區分真實照片和偽造照片。目前Cyabra的檢測技術能夠識別91%的偽造影像。
其實用來比對的Deepfakes數據量的重要性遠超過任何用來解決Deepfakes問題的特定技術；許多小眾平台的數據難以全部納入數據庫，仍是Deepfakes檢測有漏網之魚的因素，加上Deepfakes能夠不斷優化更新，開發完成的Deepfakes檢測器有時反而還作為Deepfakes繞過監測的靈感。這也讓Deepfakes議題不斷發酵，攻擊方總是比防守方具有優勢，注定是一場貓抓老鼠的遊戲。
3.4 可信賴AI(AI Trustworthy)與政治因素(Political Factors)
AI最近有許多研究關於「可解釋性」(Explainability)、「嵌入偏差」(Embedded Bias)、歧視(Discrimination)，及隱私(Privacy)的問題，這些都攸關於一開訓練AI時，如何去判斷哪些數據能使用、哪些數據不能用，也就是被各種數據餵養的AI，其所作出的判斷，是否值得人們「信賴」?許多研究正在關注與討論這些議題，很多國家也逐步把AI數據及AI信賴度相關的政策制定下來。請參考圖19。
綜觀各國，關於「可信賴AI」(AI Trustworthy, 為探討AI安全的問題)的第一個措施出現在2019年，包含歐洲的Ethics Guidelines for trustworthy AI制定、澳洲的Ethics framework，及美國的Ethical Use of AI。從各國的AI政策，將重心從基本的AI政策轉移到了可信賴AI，未來可信賴AI的影響範圍將會更加擴大。
圖20、AI Trustworthy Work
資料來源: Adversa
在AI的政治因素上，特別值得一提的是，美國和中國之間所產生的較量，由於中國AI的發展愈來愈進步，從學術論文方面，中國AI論文的篇數比美國多、重要引證論文篇數也超越美國，在商業方面，由於中國對於隱私權保護的鬆散，使得中國擁有更多數據(隱私/非隱私)進行AI訓練等因素，因此目前美國在AI議題上愈來愈繃緊神經，認為AI也是國力展現的一環，美國防部聯合人工智慧中心（JAIC）格羅恩（Michael Groen）主任參與國防產業協會（NDIA）指出，隨著「2025中國製造」的推進，中國AI技術在2030年可能會超越美國，未來必須持續加強雲端服務、數據標準化，並將AI和軍事作戰技術整合，不得不審慎應對。亦即將中國視為AI技術上重要的競爭對手。
根據以上種種因素，在2021年年初，美國成立AI辦公室(Office of Science and Technology Policy, OSTP, 美國白宮科學技術政策辦公室)，企圖主導AI國際標準制定與AI資源分配，該組織將協調和監督美國政府的國家AI政策計劃。主要任務是作為AI相關的聯邦政府、企業、學術界，和利害關係人的中央樞紐，進行協調與協作。
在美中AI競賽的過程中，AI晶片不可或缺，由於台灣坐擁傲視全球的半導體產業，在AI發展上所扮演的角色變得益發重要，根據美國人工智慧國家安全委員會（National Security Commission on Artificial Intelligence, NSCAI）歷經兩年研究所做出的結論(Final Report)，其中提到了24次台灣，並認為美國對台灣晶片製造商的依賴，恐怕喪失自身對於商業與軍事成功至關重要的半導體優勢。
台灣在AI晶片的供應鏈上益發重要，然而正所謂福兮禍所倚，由於國際錯綜複雜的政治關係及面對美國對於AI產業想要具有絕對的優勢，台灣傲人的半導體產業可能成為美國的潛在威脅，半導體廠商需要與美國達成協議，並維持足夠信任感，或許能持盈保泰；又需要提醒的是，雖然短時間Intel戰不過台積電，但是台積電的優勢能夠保持多久，也是需要隨時關注的。
4. 結論
本文第一章介紹了AI的商業趨勢，AI作為工具正風風火火的導入各行各業，對各行業的正面影響也是有目共睹的，在AI的浪潮下，AI對工作的影響也愈來愈深，以AI中度導入的情境，全球約有15%的勞動力(4億勞工)能可能被AI取代，面對這樣的趨勢，目前我們能夠有何因應方式? 第二章則是眾多人所關心的: AI的新創公司與新創投資趨勢，從AI新創投資趨勢分析了，AI未來將作為工具深入各行各業，未來AI可能不會作為一個獨立的項目來談。第三張則是AI對人類社會帶來的衝擊，在某些領域，AI能取代人類的工作，並且做得比人類還好，這樣的事實導致的人類無望論，以及AI偏見、AI黑箱，及Deepfakes AI是如何在人類社會中掀起波瀾。第四章則是探討了可信賴AI(AI Trustworthy)的政策及AI的政治因素。
特別值得一提的是，美國新創公司和台灣新創公司的差異，根據Forbes (福布斯)風險投資公司Sequoia Capital(紅杉資本)和Meritech Capital合作所評比的AI 50(2021年)中，有37的AI位於舊金山灣區，代表矽谷仍是AI新創公司的中心，美國的AI新創是以AI為技術核心，為不同產業建立AI平台，例如上述提到的Databricks，或是切入某個具體產業，以AI作為工具實現產業改革；而台灣的新創公司，多以專案式為主，在尚未找到具體產業之前，AI新創團隊需要針對特性產業進行客製化的產品服務，從此往復，陷入不斷接案又客製化的迴圈中，對於台灣新創公司，最重要的是事先定義商業模式及產品，尋找到真正的Product-Market Fit，才是長久之計。
美國新創公司最大的優勢在於，在做足了能夠分析總體環境中的政治（Political）、經濟（Economic）、社會（Social）與科技（Technological）等四種因素的PEST後，對於產業當下和未來的趨勢具有深遠的洞見，透過其產官學研的緊密合作，令學校教授研發的主題緊密扣合產業未來3至5年的趨勢，搶先一著地為未來布局。舉例而言，產業就如同一塊瑞士起司(艾曼塔乳酪(Emmental or Emmentaler))，這種瑞士起士最特別之處在於一個個大小不同的孔洞，將這些孔洞比喻為市場機會，而大學內前瞻研究的宗旨就是在產業的基礎上，預先填補一個一個孔洞(市場機會)。整體而言，這是一個系統性、且具有一個架構的國策與產業規劃方式。
台灣新創公司多是技術雄厚的背景，依賴過去的成功經驗- product development model，需要強化的則是看清楚產業的全貌(Whole Picture)-也就是瑞士起士的本體，識別大大小小的孔洞，也就是市場機會在哪裡，並清楚的定位自己欲切入哪個具體的領域(定位，Positioning)，以增加走向國際、與他國新創公司一較高下的機會。
參考資料
- “Overcoming Uphill Challenges for the New Generation Entrepreneurs,” Gary Wang,2019~2021
- “SPACs keep rolling as autonomous vehicle startup Aurora targets blank-check debut with $13B valuation, ” TechCrunch,2021
- “5 Entry-Level Marketing Projects for AI Newbies,” CMSWiRE, 2021
- “打破 AI 黑箱，各國政府極力發展的 Trustable AI 是什麼？, ”Tech Orange,2019
- “2041年AI世界會失序嗎？李開復憂：低成本自動殺人武器需控管, ” 數位時代,2021
- “你所見不一定為真–AI與Deepfakes（上）, ” AILI,2019
- “AI-Deepfakes合成技術精湛，破解Deepfakes的攻防戰宛如貓抓老鼠, ” TAcc+,2021
- “惡名昭彰的deepfakes換臉技術，居然幫候選人圈住千萬選民的心！怎麼做到的？, ” 數位時代,2020
- “行銷0來了！科特勒：疫情下的成功行銷，要從 3 大場景貼近顧客, ” 經理人,2021
- “最後一刻仍抗中 川普成立AI倡議辦公室 確保美國優勢, ” 自由時報,2021
- “NSCAI Recommends $40 Billion Investment in Artificial Intelligence, R&D and Innovation, ” Lexology,2021
- “Covid-19 Devastated Some Industries But Accelerated AI Use By Companies Across The Country, ” Forbes,2021
- “車用晶片荒！一輛車至少有40種晶片，打方向燈或開車門都靠它, ” 中央廣播電台,2021
- “台積電評估德國設廠，外界預料首選薩克森矽谷, ” 財經新報,2021
- “DeepMind 巨虧 180 億、加拿大獨角獸遭 3 折賤賣，AI公司為何難有「好下場」？, ” Tech Orange,2021
- “4 億多英鎊虧損再創新高！「燒錢機器」DeepMind 多年虧損後仍無商業化市場, ”財經新報,2020
- “DeepMind與Google關係轉差，AI 部門爭取更大自由方案被否決, ” unwire,2021
- “AI & Big Data的演變趨勢(中)—運算能力篇, ” TAcc+,2021
- “AI & Big Data的演變趨勢(中)—演算法篇, ” TAcc+,2021
- “Final Report, ” National Security Commission on Artificial Intelligence,2021