趨勢觀點

AI未來四大方向:分散式AI、生成式AI、可信任AI、永續AI

工研院產科所研究經理暨陽明交通大學應用藝術設計博士班 陳右怡

AI技術持續神速突破,正貫穿軟硬體並跨各行產業應用,由數位化升級到AI化,帶來人類生活與產業的各種變革。

AI技術持續神速突破中,已然成為全球數位化的主流,也正貫穿軟硬體並跨產業應用,從關鍵零組件、智慧裝置、軟體、平台、應用服務等,正在形成人工智慧產業生態。AI技術持續進步,融合各種新舊技術如雲端、物聯網、大數據、VR/AR/XR等成為各種AIoT新應用,AI成為各行各業的數位化升級到AI化,帶來人類生活與產業的各種變革。

AI整體趨勢方向:市場規模預測與重點投資項目

全球市場規模軟體占大宗,亞太市場正崛起中。根據IDC分析,全球人工智慧整體市場營收(涵蓋軟體、硬體、服務),2021年達3,169億美元,預估2022 年將達4,328 億美元,年成長率近20%,也預估2025年將破7,000億美元。軟體仍占大宗,涵蓋四個次軟體領域,以2021年為例,各自市場占比優先順序為: AI應用占近49%位居第一、其次AI系統架構軟體占35%、第三是AI應用開發與部署軟體占12%、第四是AI平台約4%而在亞太市場正開始崛起,2021年營收達766億美元,占全球AI軟體市場1/4,顯示亞太地區的AI軟體發展也居全球舉無輕重的地位。

圖1 全球人工智慧軟體市場規模(2020~2025) (資料來源:IDC;工研院產科國際所整理)

全球投入人工智慧重點項目與優先順序

根據調查全球私部門投資在人工智慧項目中的前五大依序為:醫療和保健類、資料管理、處理和雲端運算、金融科技、零售、影音視訊,如圖2所示。值得注意的是,多數企業體認到資料在發展人工智慧的重要性,將相對過去更願意投資在資料領域,不論是大數據、小數據(Small Data)、厚數據(Thick Data)、快數據(Fast Data)等都有AI的角色,特別是在發展資料驅動型人工智慧(Data-Driven AI)最初都要從原始數據(Raw Data)開始,再一步一步進行不同階段的資料分析,如描述型分析、診斷型分析、預測型分析及指示型分析等再結合不同的AI演算法來達到。

圖2 全球投入人工智慧項目優先順序(2017~2021) (資料來源:McKinsey & Company;Stanford University;工研院產科國際所)

AI未來四大發展方向:分散式AI、生成式AI、可信任AI、永續AI

歸納AI市場趨勢與長期AI技術發展觀測,預估AI未來二至三年將朝向四個發展方向:分散式AI、生成式AI、可信任AI、永續AI,以下個別分析如下。

分散式AI:Edge AI 2.0 是邊緣協作的關鍵

邊緣AI由於不用上雲端,達到即時回饋、隱私保護、彈性客製化等。目前Edge AI發展已從AI晶片層次邁向AI演算法在邊緣端、裝置端處理分析終端或網絡上所產生或收集的數據,因此企業可以在邊緣端做不同等級的AI運算、分析和模型,如圖4。因永續議題興起,也開始追求減少AI模型訓練時間及資源需求(如算力、時間、資料等),達到低資源需求的分散式運作,此建議兩種思維作法:(1)追求最適化算法:隨著資料量持續成長下,深度學習DL擅長處理巨量且非結構數據,傳統機器學習ML仍然比DL更為實用,ML更透明、具可解釋性、較節能,ML 和 DL 各有優點互補,因此需考量應用場域中的資料特性和限制、算力需求等,結合並用;(2)減少訓練AI之消耗:如現況數位裝置的普遍問題是App支援跨裝置,缺乏彈性,造成部分能耗,如從高階到低階手機,不同硬體資源適合的最佳AI神經網絡架構差異很大,為因應各種裝置情況須從零開始重新訓練,加上大數據處理及AI模型訓練建置等成本,多導致過度能源消耗。因此可以建置一個訓練支持多場景配置架構(Once-For-All,OFA),設計一次性網絡,直接部署在不同架構配置下,分攤訓練AI成本與能耗,讓AI模型架構須能依據狀況進行彈性調整達低能耗。

圖3 Edge層次定位示意圖 (資料來源:工研院產科國際所)

歸納未來AI分散式運作系統架構軟體發展三面向

(1)分散式系統架構:增強AI系統韌性與安全、顧及隱私保護、異地備援等,將朝向去中心化部署;(2)邊雲協作:目前多運用聯邦式學習的特點在於不同邊緣裝置可以在不分享本端資料的條件下,也能在雲端上共同參與AI模型訓練與學習,並持續追求AI模型最佳化,在各地邊緣裝置也能同步從雲端下載最新、最好的AI模型。同時依據資料運作的層次來決定聯邦式學習的運作層次,例如在終端(On-Device)、邊緣(Edge-Based)、雲端(Cloud-Based)這三種層次上,都可以進行AI模型訓練與學習,達到邊雲協作的境界,如圖4所示。(3)虛實整合:能運用AI軟體快速進行各種感測器與智慧裝置的AIoT化等布建,並能依據各種情境設計出實體與數位同步運作的人機協作之AIoT系統,以因應未來數位分身(Digital Twin)及元宇宙等應用。

圖4 IoT-Data-AI 邊雲協作架構示意圖 (資料來源:工研院產科國際所)

生成式AI:正在快速衍生新應用市場

Generative AI目前幾乎是AI創造力的代名詞,其原理是透過生成網路(Generative Network)與鑑別網路(Discriminating Network)進行博弈競賽,AI藉此過程中創造出各種虛實多元的可能性,如圖5。目前生成式AI可以處理文字、語音、聲音、圖像、音樂、視訊、生理感測等,可以寫文章、編故事、虛擬人物、影音創作、數位設計、資料擴增、程式設計等,也可以發展各種數位工具,正快速衍生各種新應用市場,如智慧醫療影像、新藥開發、實體商品虛擬化、機器人模擬器以及現在很熱門的元宇宙。

圖5 生成式AI運作原理 (資料來源:工研院產科國際所/圖片來源:Google Developer)

在AI元宇宙生態系架構中,可協助元宇宙發展軟硬整合的平台,AI在跨軟硬體可同時發力, AI晶片負責支援不同的算力需求,而AI演算法從感測資料、認知學習、模型建立與維運,去連結具體應用場景,特別是能依據不同的終端設備入口與介面來設計人機互動方式並且創造新服務,如圖7。AI是元宇宙的大腦,會成為元宇宙的管理者,但關鍵在於是否能發展出可交換或協作的AI工具或標準,同時在虛實整合的世界裡必須要以人類使用者體驗為中心,達到AI個人化體驗。

圖片6 AI元宇宙生態系架構示意圖 資料來源:工研院產科國際所

可信任AI:將促使AI新解決方案或驗測工具興起

人工智慧的黑盒子是AI發展的痛點之一,隨著AI應用百花齊放,企業也開始評估導入AI所帶來的問題如網絡安全、人身安全、合法性、可解釋性、隱私保護、資料偏誤、公平性、多元性、對環境所帶來的負面影響等,這些皆屬於可信任人工智慧(Trusted AI/Trustworthy AI)範圍,國際上從2018年迄今從可解釋AI(Explainable AI)、負責任AI (Responsible AI)、可信任AI等相關議題持續演化,歐美等及國際組織等已研擬AI規範或標準,加上隨著AI應用遍地開花,也伴隨著AI風險隨之升高,因此導致企業導入AI時會產生疑慮或技術障礙。故從2020年開始迄今,可信任人工智慧議題也從倫理道德層次朝向工具化、技術化落實。如此一來,一方面為了提升AI被導入的意願,也許會間接加速AI應用市場擴展,另一方面成為AI新商機,也觀察到國際大廠或新創發展出各種可信任AI工具或解決方案,也是AI新應用市場。但每個應用所需要可信任AI的需求程度不同,如圖7所示。簡言之,目前全球產官學研積極布局可信任AI,未來將左右AI技術發展與應用市場,台灣業者宜及早布局。

圖7 可信任AI應用需求評估分布 資料來源:truera;工研院產科國際所

永續AI:全球需要AI-based 工具協助有效全面淨零減碳

前三項AI都必須與永續AI扣合,全球需要AI-based 工具協助有效全面減碳,並進行綠色與數位雙軸轉型。但若要運用AI需要有數位化的設備及大數據基礎等,因此先進國家和開發中國家才有機會充分利用AI,如歐、美與東亞具有大量高科技人力、數據與技術,可以導入AI來協助。目前這方面的AI較多運用在協助精準生產、提升企業營運效率以及自動化方面。

值得注意的是,AI雙軸轉型哲學在於先掌握AI發展的一體兩面,即能評估運用AI帶來的正負影響,方能善用AI融合ESG驅動雙軸創新轉型策略。根據聯合國調查分析AI在 SDGs 134個指標之中,有近80%可以帶來正面影響,特別是在智慧製造、智慧農業、衛星影像辨識、環境感測、智慧城市等五個應用,而另一方面,AI也會帶來一些負面影響,例如數位落差加劇、資料偏差帶來歧視、取代勞力威脅、先進AI需大量運算資源、模型缺陷與濫用、操控輿論、對民主與人權造成威脅等。此以發展AI技術三大要素-算力、算法、數據為核心,並從供給面、需求面、製造面、環境面切入AI可以協助淨零永續的面向,如圖8所示。

圖8 AI協助淨零永續應用發展面向 資料來源:工研院產科國際所

結論與建議

AI跨域多元,從晶片、演算法、大數據、基礎架構及商業模式等,AI都面臨著不同層次的問題與挑戰,如在裝置端或邊緣端,在不犧牲算力的條件下達到低功耗、發展出可以追蹤或監督資料所導致監督模型偏誤的工具或平台、善用生成式AI產生合成資料以解決數據不足的問題、運用分散式架構避免運算或傳輸資源的浪費等,如圖9所示。AI技術本身仍在發展中,所遇到各種的挑戰中,也隱藏著AI技術創新機會或潛力商機。

圖9 AI發展層次中的挑戰與機會 資料來源:工研院產科國際所

參考文獻

[1] IDC Worldwide Artificial Intelligence Software Revenue(2020~2025)
[2] Stanford University Human-Centered AI(HAI), Artificial Intelligence Index Report 2022. Available at: https://hai.stanford.edu/research/ai-index-2022
[3] Cai, H., Gan, C., Wang, T., Zhang, Z., & Han, S.”One-For-All:Train one Network And Efficient Deployment” .Available at: https://arxiv.org/pdf/1908.09791.pdf
[4] Generative Model. Available at: https://developers.google.com/machine-learning/gan/generator [5]Will Uppington.” Introducing Truera” .Available at: https://truera.com/introducing-truera/