2017 年稍早,中国阿里巴巴跟蚂蚁金服的创办人马云才对世界宣告,接下来是“互联网 +”进入“AI +”的时代,各种相关人工智能新闻在这几年与日俱增,也早已标志着人工智能的未来已势不可挡。近期最受人瞩目的消息,当属 Google 子公司 DeepMind 推出 AlphaGo,在 2016 年的围棋对弈中以四比一击败韩国棋王李世乭;到了 2017 年初,更以 Master 之名在网络围棋上横扫各国高手。过去人们认为机器不可能赶上人类的领域,竟然被 AlphaGo 称霸,让人们不得不正视人工智能的重要性及随之而来的影响。
物联网无所不包,AI 人工智能亦然
其实,人工智能发展到今日并非一蹴可及。早在上个世纪 1950 年,著名的英国密码学家图灵(Alan Turing)就提出了“图灵测试”:看机器能不能让人无法辨别隔壁房间里回答问题的是人类还是电脑。而西元 1956 年,人工智能之父约翰‧麦卡锡(John McCarthy)也提出人工智能三大概念“感测、认知、移动”,开启了人工智能研究的第一阶段。但由于研究方法及应用领域的诸多局限,人工智能的整体进展十分缓慢,直到 1997 年 IBM 深蓝电脑用国际象棋战胜人类棋王,再度吸引世人的注意力。
进入 21 世纪,人工智能的研发力道才又持续增长。2004 年美国国防高等研究计划署(DARPA)在内华达州沙漠开始举办自驾车竞赛,促使 Google 从 2009 年启动自驾车专案计划。Google 与史丹佛教授吴恩达(Andrew Ng)合作的 Google 大脑计划,于 2012 年成功从大量 Youtube 影片中识别出一千多万张有猫的数位影像。
同一年间,IBM Watson 超级电脑在美国的问答节目竞赛“危险边缘”(Jeopardy!)打败了两大人类常胜冠军。此外,2012 年苹果公司开始在 iPhone 等装置上推出云端人工智能 Siri,Google 也在2012 年中于 Android OS 上推出 Google Now,人工智能更深入日常生活应用中。
至于令人惊艳的 AlphaGo,它的成功是靠着从 2006 年开始发展的深度学习网络(深度学习是执行机器学习的技术,而机器学习又是达到人工智能的方法之一)。利用类神经网络的原理,透过大量资料训练学习,可以建立出最适合收集数据、预测与观察异常的人工智能模式。当然,这也有赖电脑的绝佳运算能力,以及多台彼此合作的强大系统,让利用大量运算而找出模式不再困难。
AI 人工智能如何应用在物联网
目前物联网各个类别,往往被称为“智慧 XX”(如智慧家庭、智慧城市等)。按照物联网系统的基本的“感测层”、“网络层”、“应用层”三层架构,所谓“智慧”的成分,主要存在于网络层传输后储存资料的云端服务器:透过运用人工智能的机器学习和大数据提供服务,让消费者拥有良好体验。
近期人工智能在物联网的应用,已有许多惊艳成果。2014 年,全世界第一个懂得识别人类情绪的超萌机器人 Pepper 登场,可以跟人类聊天。2015 年,Google 展示首次由盲人完成在公共道路上驾驶的自驾车,震惊各大车厂,纷纷跟进宣布自驾车计划。同年,中国大疆无人机在农田里协助喷洒农药;而电商巨擘亚马逊也展示自家的送货无人机原型,并于 2016 年在英国展开无人机送货服务。另外,亚马逊在 2015 年开始贩卖的 Echo 喇叭,内建直觉好用的人工智能 Alexa,让 Echo 到 2017 年初已卖出超过五百万台,很多大厂亦抢著跟亚马逊合作。亚马逊也因此领先 Google、苹果公司,成为智慧家庭的现任霸主。
▲ Amazon Echo。(Source:Shutterstock)
上述例子,都是用人工智能的机器学习协助达成。而针对人工智能在物联网上的运用,我们可以归纳成以下六大方式:
- 影像辨识分析。例如:
- 便利商店透过摄影机,用得到的影像资料分析来店客户的年龄、性别。
- 透过智慧家庭装置在门口的数位摄影机,得到影像资料分析后可以判断在门口按门铃的是家中成员还是陌生人。
- 机器人 Pepper 透过眼睛(摄影机),用影像辨识人的表情对应到数据库中的情绪种类,了解对象的情绪状况。
2. 声音辨识分析。例如:
- 透过麦克风收集到声音的能量与频率,可以分析出对象背后的情绪。
- 透过麦克风收集到人的声音资料,辨识分析后转成文字。
3. 自然语言处理。例如:
- 翻译器将各国语言之间进行对应翻译。
- 将麦克风收集到的人的声音转成文字意义后做语意分析。
- Siri 辨识出声音的意义,然后应对或下达指令。
4. 大数据─利用各种资料整合,正确判断出趋势。例如:
- 智慧工厂透过平时收集的机器运作资料,在机器损坏前随时分析评估状况,让工作人员进行预防性保养。
- 智慧医疗透过穿戴式装置以及可上传资料的家用血糖/血压计,分析收集到的资料之后,可建议病患是否需要前往医院就诊。
5. 透过各种资料的整合深度学习,提高判断正确率。例如:
- 整合摄影机拍到的画面、声音并加上分析后的语意等资料,一起进行深度学习处理,能让正确判断的概率大增。
6. 主动做出决策并行动。例如:
- NVIDIA 的自驾车整合多种感测器的资料,判断车子的行进模式,以达到安全自动驾驶。
- 无人机在空中透过影像与雷达资料,即时判断前方状况,以躲避障碍物。
- 机器人 Pepper 在家中能主动与人沟通,并且自主行动。
人工智能的机器学习十分重要,不只是系统的大脑,更是强化感测器能力的支柱,因此机器学习在未来物联网世界将扮演非常重要的角色。
▲ Pepper。(Source:IBM)
投入机器学习是发展 AI 的必经之路
但是机器学习对开发者而言,从零开始是相当困难的,因此不只早先的开放源代码社群,从 2015 年起各大厂商也开始释出关于机器学习的开放源代码:包含 Google 的 TensorFlow 系统、中国百度的 PaddlePaddle 系统、三星的 VELES 系统、Facebook 的 Torchnet 框架及 Caffe2 框架、微软的 LightGBM 框架与 DMTK / CNTK 工具包、Intel 基于 Apache Spark 的 BigDL 工具库、亚马逊的 DSSTNE 工具,以及亚马逊 AWS 强力支援的 MXNet 框架。这些举动很明显的是要争取开发者社群合作,希望借由社群共创,强化企业本身的机器学习能力,找出更多的可能商机与应用。
另外,机器学习需要大量资料,如果是标记好的资料更能省下大量时间,所以 Google 在 2016 年 10 月又开放了跟卡内基美隆大学与康乃尔大学建置的 Open Images 数据库 ,提供 900 组由电脑、人工修正标记资料的图形数据库,及总长度时间超过 50 万小时的 800 万组影片数据库 YouTube8-M(一样由电脑、人工方式预先标记好)。透过这些资料,投入深度学习者不但可以很快上手,而且能专注强化自己想做的部分,不会被一些基本琐事卡住。
在这些协助机器学习的工具中,TensorFlow 是到目前为止最受欢迎的。Google 从 2012 年设计了一款专用运算芯片 TPU(TensorFlow Processing Unit),于去年完成,并宣称这款 TPU 比 Intel 的 Haswell CPU 及 NVIDIA 的 K80 GPU 快 15~30 倍, 引起轩然大波,导致 NVIDIA 的 CEO 黄仁勋亲上火线,说明自家最新产品 P40 GPU 是 TPU 速度的 2 倍,带宽则大 10 倍。其实 Google 的声明,加上雇用创办“ImageNet 大型视觉识别挑战赛”的史丹佛教授李飞飞,以及打算收购最大的资料科学家、机器学习开发者社群 Kaggle,可看出 Google 意图让机器学习开发者社群知道它在这方面的用心。
▲ Google TPU。(Source:Google)
人工智能运算需要快速适合的硬件,在 2012 年的 ImageNet 大型视觉识别挑战赛中,多伦多大学的 Alex Krizhevsky 使用 2 片 NVIDIA 的 GPU 及自己创建的 AlexNet 深度学习模型,不但大为提升视觉辨识准确率,更将原来 CPU 需要 40 天的运算缩减到只需 3 天,一举得到当年的冠军,让大家认识到 GPU 是深度学习大量运算的好帮手,这也让 NVIDIA 发现机会,最后将 GPU 导入百度、Google、Facebook、微软等人工智能巨头做机器学习运算。
而 Intel 也为了强化自己这方面的能力,先后在 2015 以及 2016 年买下 Altera 与 Nervana System,接下来准备用自己设计的专用芯片出击,在人工智能领域挑战 NVIDIA。
来到自驾车领域,NVIDIA 更是积极切入。2016 年 Tesla 电动车在美国出了自驾车死亡车祸后, 它便取代了以色列 ADAS(先进驾驶辅助系统) 著名开发商 Mobileye,成为 Tesla 半自动驾驶方案的提供者。由于自驾车的未来商机很大,让很多大公司也纷纷抢进。Intel 在 2017 年初花了 153 亿美金买下Mobileye;高通 Qualcomm 在 2016 年初,也为了能强化车用芯片领域,收购布局自动驾驶一段时间的恩智浦半导体公司(NXP Semiconductors);而三星也买下了美国车用电子公司哈曼(Harman),并且早在 2015 年底就已展开自动驾驶的研究。
▲ NVIDIA P40。(Source:NVIDIA)
台厂需摆脱硬件思维,着重建立物联网生态系
从上述世界级企业的大动作,再再都说明人工智能将主导物联网时代的服务。可惜的是,很多台湾制造业公司的老板仍旧只有硬件思维,希望可以卖大量生产的物联网相关产品出去。然而物联网是一个系统,人工智能与大数据,让提供客户个性化需求的服务变得容易,少量多样的客制化是必然趋势。也就是说,在物联网时代,要考量自家产品在整个价值链与生态系扮演的角色, 结合其他伙伴(尤其是人工智能),才有成功机会。只想以一家公司提供的产品做好物联网的垂直整合,又受消费者欢迎,是非常不容易的事。从全球人工智能领域的前几名大厂 IBM、Google、微软、腾讯、阿里巴巴、百度、Facebook 跟亚马逊等,在硬件方面都不会插手太多,而是以买公司或找伙伴合作可知一二。
台厂过去习惯用大量生产、微薄利润来赚钱, 但红色供应链崛起,早已大为侵蚀台厂版图,代工与纯硬件思维的商业模式到了物联网时代也不再适用,必须改变才能存活。而因为选择变多, 必须提供更好的使用体验,客户才愿意掏钱,这在 B2C 面对一般消费者的时候特别明显,连带对 B2B2C 的影响也越来越大,一旦忽略,公司就可能会因订单大减而覆亡。
也就是说,在物联网时代,有价值的产品+ 服务的商业模式,必然得在价值链+生态系中占有一席之地,当中人工智能更是决定服务优劣的核心。现在台湾学界在人工智能研究的能量有一定水准,政府也打算朝这方面强化,虽然台湾产业界在人工智能上的能力比起中美相对弱势许多, 但若找到学界或大厂一起合作发展,就能在物联网时代共创美好未来。
(首图来源:Shutterstock)