工業技術研究院 資訊與通訊研究所 黃維中副所長
站在時代浪潮上的人工智慧技術
人工智慧（AI）技術自1950年代的專家系統萌芽以來，歷經1980年代的機器學習及2010年代深度學習的突破，現今邁向以大型基礎模型為核心的生成式AI（Generative AI）時代。這項技術不僅改變了人類處理資訊的方式，更為各產業帶來新契機。
生成式AI利用巨量資料與高效能演算法進行深度學習來建立大型化基礎模型，可生成多樣化內容，包括文字、圖片、3D模型、影音、規格、程式碼等各種內容。從內容創作、商務服務、研發製造，到營運與供應鏈等產業應用，生成式AI正在改變我們的工作和生活。
回顧工研院自1980年代機器學習的時代就開始投入AI的發展，陸續投入光學文字辨識、自然語言處理、文字轉語音與語音辨識、電腦視覺等應用。從2000年起，在資料、演算法、算力的推波助瀾下，也進一步助長了人工智慧的快速發展：
- 巨量資料（Big Data）：資料量的爆炸性成長，國家或企業開始重視資料蒐集、資料品質的精進，使AI模型能以更多元從精細的資料進行學習。
- 先進演算法（Advanced Algorithms）：深度學習技術讓模型的訓練與推論更為精準。
- 高效算力（Computing Power）：雲端運算與GPU的廣泛應用、晶片效能持續提升。
面對這樣的趨勢，工研院也陸續投入巨量資料應用創新、人工智慧產業應用的發展，而自2020年起，為了能將AI擴展到更多面向，包括水平與垂直產業應用，工研院也提出以「FAST」四個元素為主的應用發展方向，包括：
Federal Learning（聯合學習）
藉由分散式的機器學習方法，允許多個設備或伺服器在本地訓練模型，而不需將資料集中於中央伺服器。這種技術特別適合於需要高度資料隱私保護的場景，例如醫療、金融或大量的物聯網裝置，因為資料不需離開機構甚至是使用者設備。聯合學習不僅能有效利用分散資料，還能降低資料集中管理的風險。
除了聯合學習技術外，同態加密（Homomorphic Encryption）、零知識證明（Zero-Knowledge Protocol）、安全多方運算（Secure Multi-Party Computation）等，也是目前隱私強化技術（Privacy Enhancing Technologies）發展的重點。
AutoML（自動化機器學習）
將機器學習流程自動化，包括特徵工程、模型選擇、神經網路架構搜尋、超參數調整等，使非專業使用者也能輕鬆建構AI模型，降低了AI開發的門檻，縮短模型部署時間，特別適合中小企業或缺乏專業AI人才的組織，實現高效且精確的應用。
Self-supervision Learning（自我監督學習）
藉由資料內部的結構特徵進行自我訓練，降低對資料標記的依賴，提升無標記資料的利用率，尤其適合於自然語言處理和機器視覺領域，可大幅降低了人工標記資料的成本，並提高模型的泛化能力。
Transfer Learning（遷移學習）
藉由某一領域中學到的知識，應用於相關但不同的任務來提升學習效率。預訓練模型經微調後，能在資料有限的場景中實現優異的表現，加速模型開發過程，可做為解決少量資料問題的重要工具。
歷年來工研院藉由長久以來累積的巨量資料、人工智慧等技術與能量，加上FAST AI技術的加值，降低資料標記成本、解決資料孤島問題、加速模型開發，成功導入包括智慧製造、智慧醫療、智慧服務與智慧商務等諸多產業應用，讓人工智慧應用進入到企業、產線、用戶與消費者的工作與生活中。而這些應用所生的資料，也都具備再進一步以生成式AI技術來進行加值優化。
圖1 AI產業應用案例與生成式AI加值優化方向
生成式AI的崛起與工研院的投入
2022年開始，生成式AI應用受到廣泛的關注，各個國家、大廠、企業等紛紛前仆後繼投入大型基礎模型的發展。然而，期待AI或生成式AI能用在非常廣泛的場域，但是研發、導入一個具備產業實務應用價值的AI技術或系統，仍需要考量其可行性、實際效益與成本的平衡。尤其是近年以來各種AI技術、軟硬體皆不斷推陳出新，AI的導入更需要縝密且廣泛的評估。
工研院具備跨領域研發的先天優勢，原因是院內技術／應用林立是台灣產業生態的縮影與前瞻應用的先行者。對於生成式AI的因應策略與導入規劃自然也責無旁貸。藉由整合AI策略辦公室與全院跨單位團隊，分析台灣產業導入生成式AI的四大議題包括：
- 資料：整合並導入具特色優質資料庫；包括半導體、精密製造、健康醫療等，可藉由生成式AI來延續既有競爭優勢。
- 演算法：絕大部分的演算法皆是由全球頂尖的科學家或工程師所研發，台灣的重點在於挑選合適的模型、投入模型（預）訓練、提示工程、檢索增強、內容後處理；此外，依不同需求採中小型模型領域化、雲端大型模型加值化等方案。
- 算力：企業能力有限需整合國家或雲端服務業者的資源支持。透過搭配國家級高速電腦中心、雲端平台服務商提供高運算力機器，提供算力完成模型訓練與推論。
- 可信任：參循國際規範、法規與標準，建立國家、企業層級應用規範，確保AI的正向使用並重視AI的輸出品質。
在全院的整合下，目前也完成了工研院的AI科技研發的初步規劃，從GAI關連性、國際發展現況、國內可掌握之應用項目、國內產業需求、技術可行性及優勢、資料掌握度等六個面向，針對文字與圖片、3D與影音、規格與流程、程式代碼、擴增資料等資料或內容生成的對象，結合工研院「2035技術策略與藍圖」，以「智慧化致能技術」為基礎，並聚焦「智慧生活」、「健康樂活」、「永續環境」、「韌性社會」四大應用領域擘劃生成式AI科技研發的應用範疇：
1.內容與創作，包括分身、文創、虛擬偶像、公益應用，如：
n文創影視動畫：快速生成電影場景與角色動畫，極大地縮短製作週期。相較於傳統數位場景或角色動畫的創作，若能導入合適的生成式AI技術，可以降低所需的時間與成本。
n公益手語應用：結合手語轉譯、手語辨識技術，藉由分身或虛擬偶像，生成式AI可以成為聽障群體的重要溝通橋樑。
2.商務與服務，包括行銷、銷售、洞察、客服，如：
n行銷文案生成：以Amazon和Jasper AI為例，企業利用AI工具編寫行銷內容，縮短文案生成時間、降低成本。
n銷售商品建模：傳統商品建模費用高昂且耗時，既有3D建模方法缺乏細緻的擬真度，生成式AI的技術可加速高品質、具備真實物件質感的3D商品模型生成，並降低製作成本。
3.研發與製造，包括模擬、設計、編程、維修，如：
n程式語言編程：既有商用的生成式AI如GitHub Copilot已可為工程師提供即時程式碼建議。目前有愈來愈多比例的程式語言編碼是以生成式AI來輔助。
n低資源語言編程：如IC設計的RTL、工業製造的NC Code（G Code、M Code、T Code）、PLC Code等，則需進一步進行垂直領域模型訓練與調校。
4.營運及供應鏈，包括諮詢、行政、訓練、合規，如：
n教育訓練：以AI系統來輔助進行虛擬授課，或以AI教練系統模擬實際業務與應用場景，幫助新人或受測者快速掌握專業技能，縮短學習曲線，目前的案例包括金融領域的新手業務員培訓、醫療領域的OSCE訓練等。
n合規：針對企業營運所需要的各種ISO標準、領域主管機關訂定法規等，AI可協助企業進行自動化資料蒐集、彙整、以及分析。此外，針對部分有大量數位查證需求的領域，如企業碳盤查，可以用AI來輔助進行數位查證彌補人工查證能量不足的缺口。
圖2 生成式AI應用發展規劃（資料來源： 工研院生成式AI規劃小組）
機會與挑戰並行，持續的AI浪潮下的挑戰與機會
AI技術的發展絕不會停留在目前的狀態，藉由生成式AI的點火，未來已有不少應用技術蓄勢待發，包括：
- Hybrid AI：隨著AI愈發普及，愈來愈多的運算將由訓練端邁向推論端，此外，在sLLM模型的推波助瀾下，需要搭配混合邊緣與雲端運算資源，包括AI伺服器、AI工作站、AI終端等各種設備與裝置提高運算效率、擴大應用場景。
- Agentic AI：智慧化的AI Agent將具備更高的自主性，能夠處理複雜任務減少人為干預，並提供個性化的服務體驗，讓Agent可以處理更多的任務，未來將有愈來愈多的日常決策會是由AI Agent來進行。
- Spatial AI：目前LLM主要的應用場景以虛擬場域為主，而VLM、LBM、LWM等模型的發展將讓電腦能在三維世界中進行即時的場景理解、環境感知、行動規劃、以及任務決策。尤其在智慧機器人應用中，Spatial AI將扮演很重要的角色。
圖3 持續演進的AI技術發展方向（資料來源：Gartner、工研院產科國際所整理）
生成式AI的應用雖然是在ChatGPT推出後橫空出世，但相關的技術絕非一蹴可及，而是累積從機器學習、巨量資料、深度學習與FAST AI等諸多演算法、機制、應用與實務經驗堆疊而來的成果。而面對生成式AI仍存在可信任性、高昂的算力與成本等議題，以及國際上AI技術日新月異、國內AI應用快速發展的局面，工研院已經累積深厚的能量，再加上跨領域的實務經驗，持續研發精進，相信將能在國內甚至是全球的AI發展中扮演舉足輕重的角色。
