AI & Big Data的演變趨勢(下)

Home - 趨勢分析 - AI & Big Data的演變趨勢(下)

AI & Big Data的演變趨勢(下)

 

TAcc+新創分析師 許雅音

 

延續 AI & Big Data的演變趨勢(上)

AI & Big Data的演變趨勢(中)—演算法篇

AI & Big Data的演變趨勢(中)—運算能力篇

 

 

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