「我們真的希望可以把一些AI的想法、unique的solution放在這些場域,讓它可以真的發生。產品的成功、技術的落實,就像我剛說的,都不是把現成的solution套上去做一做而已。」

Frank娓娓道出這段話,眼神中流露著對於AI產業發展的熱情。現任台灣大學電機工程學系副教授的Frank Wang 王鈺強,大學從台灣大學電機系畢業後,前往了美國頂尖電算學院 – 卡內基梅隆大學繼續攻讀電機碩士與博士,目前是電腦視覺、機器學習、人工智慧領域的專家。

扎實的數理訓練,是台灣人才的優勢

待過國內與海外頂尖學院的Frank認為,在AI高等教育上國內與海外並沒有太大的差異,師資與課程都具有同樣的品質。另外根據在台灣大學任教多年的經驗,Frank也指出coding能力雖然是因人而異,但扎實的數理訓練,是普遍台灣人才的優勢。

有優勢,當然也有弱項,「台灣同學比較不懂得表達自已的優勢,是我覺得有點可惜的地方。」Frank語重心長地表示,很多同學的能力都很好,但在與老師、同學溝通時的口語表達能力較為生疏,是蠻可惜的,畢竟就算有再好的想法,缺乏溝通的能力也難以讓其他人知道。

數據資料是AI產品成功的基礎

近年AI成為了產業的熱門發展重點,不管是具規模的公司或新創公司都想做。Frank認為要讓一個AI產品與技術應用成功,背後的使用者資料、場域服務資料都是不可或缺的基本要素,而這些資料的搜集對於新創公司來講相對起來是比較大的挑戰,不像大公司有不同的事業群的優勢,能夠接觸到不同面向的實物資料。

產業與學界的合作,可以讓一些solution真實發生

「我跟業界單位都保持帶著蠻好的互動、合作關係。剛好ASUS AICS的泰一提出了一個邀約,是我覺得蠻難得的機會。」Frank回憶,他認為在ASUS這種具規模的公司,可以看到很多面向、碰到很多data,有別於在實驗室跑模擬情境,在這可以讓一些事情、一些solution真實發生。

「在AICS,我看到比較廣的實務經驗與實物資料的可能,也是當初決定合作的原因。」Frank微笑接續說著。

成為AICS team顧問的Frank,首要的合作目標,他提出了兩點:

1. 解決有市場需求、可以影響使用者日常生活的問題。
2. 提出使用者、應用資料與問題導向的解法,而不是把現成的機器學習或深度學習套用在視覺資料而已。

Frank 補充:「像自駕車、監控的應用,或是一些消費者使用行為的視覺資料的分析、應用,我們都是希望可以找出,在這個場域中我們不好解的原因是什麼?為什麼我們可以解得好?舉例來說,今天在監視的環境中,可能是因為攝影機離使用者有遠有近,照片的解析度變化很大,或是今天室外的環境太陽很大,明天颳風下雨,亮度的變化等等都可能是影響的原因。」

Frank接著提出另一個例子:「又或許是一些實例上的需求,像是我們在做自駕車的時候,我們不會希望說今天我們在台灣的場景所學出來的自駕車,結果最後沒辦法賣到日本,不能賣到歐洲,這樣就有點可惜。可是我們又不希望為了要把產品賣到日本、歐洲,就要在當地重新聘一堆人幫我們收資料,做一些low level的processing,所以我們希望說在現有技術上,是不是有辦法把想法落實,去解實際上的問題。二方面希望這些解法也有它的獨特性,又可以有很快的延伸性、延展性。這都是要靠大家的腦力激盪,看手上的問題是什麼、難題是什麼,一起合作想出一個solution,這跟平常在學術上只拿個data set來做一做、解一解,是完全不一樣的。」

大家對於AI的期待太高

有了目標,在執行過程中面對的挑戰與問題自然不會少。「大家對AI的期待會太高,好像覺得AI很厲害,甚至只要提出一個很厲害的model問題就解決了。」Frank語氣停頓了一下,慢慢的把這句話說出。他覺得AI是一個概念、是一個目標,但在實務運用上有太多挑戰,不是那麼容易提出一個想法就能適用到所有的環境上,「這就衍伸說為什麼我會說要靠真實手上拿到的資料、甚至是需要面對的場景、要解決的問題,跟大家的腦力激盪,想辦法把這個想法給實現。」Frank解釋。

技術端與使用者端的溝通

Frank同時也認為與使用端一同定義好應用的環境是成功的要素之一,他舉了一個簡單的例子:「我們今天講Apple,有人可能會以為是食物,也有人可能會以為是手機品牌的Apple。你提出一個想法、一個應用,要再進一步定義好明確的方向和細節,因為可以做的事情太多了。」AI的想法和solution在實現的時候,技術端和使用者端不斷的討論是必然的,要不斷地把要應用的環境、要解決的問題收斂出來。「一旦把這個定義好,又有data的話,那就有機會把這些AI的solution做出來。」Frank自信地說。

即便AI的發展上充滿挑戰,Frank與AICS team的團隊,仍然在台灣準備創立下一個AI里程碑。

原文刊登在此