口述／見臻科技營運長 闕壯穎博士
採訪撰稿／UCAN計畫特約記者 陳昕彤
「人工智慧」悄然進入日常生活的產業結構，已不是未來，而是現在就要儲備的競爭力。本期UCAN新興職務系列，有鑑於人工智慧在多項技術應用之大幅進展，遂積極邀請人工智慧晶片產業專家闕壯穎博士就「人工智慧」的主流趨勢，從科技發展、產業人才能力需求和能力培育三大方向，深度探討AI人工智慧將預見哪些的能力。
 |
| 圖：人工智慧晶片專家闕壯穎博士，與我們分享最貼近實務的AI人工智慧人才工作樣貌！ （圖片來源，闕壯穎博士） |
》人工智慧興起三要素：資料、硬體、演算法
“人工智慧（AI, Artificial Intelligent）近年來興盛有三個因素，包括：資料量、硬體運算能力、以及最後的演算法。”
闕壯穎博士開宗明義指出人工智慧發展升溫的關鍵指標。人工智慧一詞於1956年就已被John McCarthy提出，並確立以「只要經過一代的努力，和人類具有同樣智慧的機器將會出現」做為人工智慧的研究方向；此後的數十年間，AI研究便以實現這一句話為發展目標。
然而，人工智慧的發展過程並不像科學家們所想像的樂觀，一直到21世紀初，全球資料與資訊出現爆炸性的成長之外，硬體運算方面也在nVIDIA帶頭生產繪圖晶片(GPU)之後，不僅提供演算法（Algorithm）充足的驗證環境，更對人工智慧研究領域注入了一劑強而有力的成長激素，最後在Hinton 教授2006年提出成功訓練多層神經網路之後，終於在2012年史丹佛大學ImageNet圖像識別競賽中，以16.42%失誤率一戰成名。
“人工智慧就在資料量、硬體運算能力、演算法三者相輔相成的關係下，解決了過去被視為無法解決的問題，也在實現了商務應用。”
不過，人工智慧技術會振翅高飛，ImageNet是幕後的成功推手。它是開放給電腦視覺研究者使用的圖像辨識測試數據庫，使研究人員能夠很容易地取得圖片訓練演算法。闕博士認為，任何「有志在人工智慧上提出的創新事業，可以在『如何找出一個有自我掌控能力的數據集(dataset)』的思考點上進行；不僅可避開大公司資源獨佔，更會是可行性較高的研發策略。」
有一間以AI應用聞名的以色列創新公司LawGeex，便是應用AI技術審查律師事務中重複性較高的合約審查工作，像是一般活躍量約在2~4萬的企業保密協議（NDA）審核庶務，改由監控概念取代傳統關鍵字搜尋，不僅大幅降低時間成本，也因此掌握到大量的B2B數據。同樣的原則也在「見臻科技」的AI產品模組中出現。「見臻」以提供視線追蹤晶片模組為企業解決方案(eye-tracking solutions，又稱眼球追蹤裝置或是眼動儀)，適合運用於虛擬實境(VR)或擴增實境(AR)、醫療照護、消費者行為分析…等商務場域。在見臻的模組中，使用人工智慧中的機器學習技術為演算法，並以先進的半導體製程來做運算單元，達成業界中最長使用時數(battery life)、最小版型(form factor)、最精準的視線追蹤解決方案，不僅取得不同人種的眼睛影像數據集，也避開了大公司壟斷，取得數據力量的發展藍圖。
》想成為AI工程師？三件不可不懂的事
1.AI晶片製程的層級性
台灣的產業環境在人才培育上，其實：
“還少了一種看全面性問題的人，一種需要同時具備系統觀與策略型思考的人才。”
主晶片製程具有層級性，從最底層的晶片往上算起，第二層是硬體語言（assembly language）主要負責程式轉成邏輯運算，第三層為函式庫(Libraries)主掌數據的運算功能，再更上去一層是AI函式庫，像是nVIDIA的CUDA DNN就是專門為類神經網絡架的library；最後才能接近到較為表層的軟體框架（俗稱：Framework）、軟體架構設計（俗稱：Software Architecture）之後，才能浮出一般社會大眾較為熟悉的程式設計師，撰寫各式各樣功能需求的演算法（Algorithm）。
2.全面性的問題點出自於哪裡？
Framework。全球Framework由Tensorflow和Caffe所壟斷，它是一個使用於機器學習的開源軟體庫，支援深度學習各項演算法，全球有大量的軟體工程師在Tensorflow和Caffe上撰寫AI程式，已非常習慣使用大公司所提供的函數庫環境，早已綁住了程式設計師的使用者行為，要做到使用者「無感」移轉，在有限的資源下貿然從事，成功機率頗為艱難。
3.要有掌握資料自有的策略思維
台灣AI人工智慧的發展方向應從需求少但很專精的小眾開始耕耘，做到一個對數據有自我掌控能力的裝置的發展策略，如：監視鏡頭的圖像就是不需要和外界溝通、能自我定義輸出的執行策略。
》踏入AI世代不可或缺的職涯能力是什麼？
對於AI軟體設計工程師的核心競爭力，闕博士以工匠vs.工具的關係來譬喻：
- 工具：也就是程式語言，要了解當下有哪幾個主要的程式語言及其相關優勢，有利於加速進入工程師的工作領域。
- 了解工具的使用方法：使用程式語言寫出需要的程式，而之中最重要的能力是要有能力掌握寫程式語言的邏輯思考歷程（logical thinking process）。
- 最熟悉的工具：選一個你最有心得的程式語言，然後，專注深耕。
對學習者來說，邏輯思考歷程是最為關鍵，這個習慣雖無法用量化方式檢測出來，卻是能在未來職涯的旅途中，透過一次又一次的練習，持續進化問題答案的搜尋品質。一旦遇到實務問題，從失誤到搜尋資料、再到找到答案的邏輯歷程，就是凸顯自己與其他人不同的隱形力量，翻轉AI人工智慧的人才樣貌。
有鑑於此，闕博士勉勵所有大專校院學生，應多在大專校院的學習過程中，儲備六個成為AI人才的好習慣：
1. 打造斜槓競爭力
與其要求自己專心在單一領域，不如改變思維，先建立一組有核心優勢的專業，然後再以自己的核心優勢延伸到各種不同的領域，給自己更多換位思考的機會，使多元領域的知識能在原本的核心優勢上，帶出更多的延伸優勢。
2. 邏輯思考
邏輯思考對每個人的幫助是很大的，可以賦予我們直接面對到問題的本質，提高尋找答案的品質。
3. 找答案的能力
這項是台灣人才非常缺乏的能力，不喜歡自己去找答案，，太急著把答案硬塞入自己手上的問題，其實，以為有效率的外表下，失去的是激發想像力的深層問題。
4. 80分就要開始的勇氣？
台灣傳統的技術研發人員，很容易有非要做到100分才對外露面偏執傾向，然而這樣的偏執卻很可能遇到”其實使用者跟你想的不一樣”的窘境。同樣的議題，若是換成以色列的研發團隊，會在開發專案執行到80分時候，就放到市場上試煉的，無論正評或負評，都會回饋到產品最後一哩的研發流程，成為重要校正指標。這樣的模式，闕搏是稱它是一種：用失敗找答案的競爭力，能夠讓產品研發過程，更早一步取得使用者意見，共創實用價值！
5.團隊合作(teamwork)
若職涯發展越往硬體端靠近的話，你會發現AI晶片的世界裡團隊合作是無比的重要，往往一個開發專案，就必須和不同領域的資深工程師推展專案進程。然而，這樣的工作邏輯，是和台灣目前強調成績排名、把同儕當競爭對手的學習環境大相逕庭。以過去在AMD經驗，一個新開發專案上上下下，至少要經過五種工程師，包括：演算法設計工程師（Architecture Engineer）、RTL硬體設計工程師、整合工程師（Synthesis Engineer）、APR工程師完成之後，還需經驗證工程師（Verification Engineer）的再三修改、驗證，直到整個程式迴圈（loop）都不會出錯，才能交到產品工程師(Product Manager)與量測工程師的手上，與客戶進行功能校對。如果不及早習慣團隊合作的學習模式，熟悉高度跨領域的溝通氛圍，其實關起門來自己埋頭苦幹，不僅拖累了專案，也容易影響到外界對你工作能力的評價。
6.深化通識能力
AI人工智慧是一場機器往生命演化的產業歷程，除了技術硬底子的學習之外，領導力、英語（之後還有第二外語）、藝術涵養、人文素養、推己及人的感受力，都將是在AI世代中，將超越科技融合人性根本需求的重要底蘊，雖隱藏在肉眼最難察覺之處，卻擁有極大的創新能量。
沒有留言:
張貼留言