2017 年稍早，中國阿里巴巴跟螞蟻金服的創辦人馬雲才對世界宣告，接下來是「互聯網 +」進入「AI +」的時代，各種相關人工智慧新聞在這幾年與日俱增，也早已標誌著人工智慧的未來已勢不可擋。近期最受人矚目的消息，當屬 Google 子公司 DeepMind 推出 AlphaGo，在 2016 年的圍棋對弈中以四比一擊敗南韓棋王李世乭；到了 2017 年初，更以 Master 之名在網路圍棋上橫掃各國高手。過去人們認為機器不可能趕上人類的領域，竟然被 AlphaGo 稱霸，讓人們不得不正視人工智慧的重要性及隨之而來的影響。
物聯網無所不包，AI 人工智慧亦然
其實，人工智慧發展到今日並非一蹴可及。早在上個世紀 1950 年，著名的英國密碼學家圖靈（Alan Turing）就提出了「圖靈測試」：看機器能不能讓人無法辨別隔壁房間裡回答問題的是人類還是電腦。而西元 1956 年，人工智慧之父約翰‧麥卡錫（John McCarthy）也提出人工智慧三大概念「感測、認知、移動」，開啟了人工智慧研究的第一階段。但由於研究方法及應用領域的諸多侷限，人工智慧的整體進展十分緩慢，直到 1997 年 IBM 深藍電腦用西洋棋戰勝人類棋王，再度吸引世人的注意力。
進入 21 世紀，人工智慧的研發力道才又持續增長。2004 年美國國防高等研究計劃署（DARPA）在內華達州沙漠開始舉辦自駕車競賽，促使 Google 從 2009 年啟動自駕車專案計畫。Google 與史丹佛教授吳恩達（Andrew Ng）合作的 Google 大腦計畫，於 2012 年成功從大量 Youtube 影片中識別出一千多萬張有貓的數位影像。
同一年間，IBM Watson 超級電腦在美國的問答節目競賽「危險邊緣」（Jeopardy!）打敗了兩大人類常勝冠軍。此外，2012 年蘋果公司開始在 iPhone 等裝置上推出雲端人工智慧 Siri，Google 也在2012 年中於 Android OS 上推出 Google Now，人工智慧更深入日常生活應用中。
至於令人驚豔的 AlphaGo，它的成功是靠著從 2006 年開始發展的深度學習網路（深度學習是執行機器學習的技術，而機器學習又是達到人工智慧的方法之一）。利用類神經網路的原理，透過大量資料訓練學習，可以建立出最適合收集數據、預測與觀察異常的人工智慧模式。當然，這也有賴電腦的絕佳運算能力，以及多台彼此合作的強大系統，讓利用大量運算而找出模式不再困難。
AI 人工智慧如何應用在物聯網
目前物聯網各個類別，往往被稱為「智慧 XX」（如智慧家庭、智慧城市等）。按照物聯網系統的基本的「感測層」、「網路層」、「應用層」三層架構，所謂「智慧」的成分，主要存在於網路層傳輸後儲存資料的雲端伺服器：透過運用人工智慧的機器學習和大數據提供服務，讓消費者擁有良好體驗。
近期人工智慧在物聯網的應用，已有許多驚艷成果。2014 年，全世界第一個懂得識別人類情緒的超萌機器人 Pepper 登場，可以跟人類聊天。2015 年，Google 展示首次由盲人完成在公共道路上駕駛的自駕車，震驚各大車廠，紛紛跟進宣布自駕車計畫。同年，中國大疆無人機在農田裡協助噴灑農藥；而電商巨擘亞馬遜也展示自家的送貨無人機原型，並於 2016 年在英國展開無人機送貨服務。另外，亞馬遜在 2015 年開始販賣的 Echo 喇叭，內建直覺好用的人工智慧 Alexa，讓 Echo 到 2017 年初已賣出超過五百萬台，很多大廠亦搶著跟亞馬遜合作。亞馬遜也因此領先 Google、蘋果公司，成為智慧家庭的現任霸主。
▲ Amazon Echo。（Source：Shutterstock）
上述例子，都是用人工智慧的機器學習協助達成。而針對人工智慧在物聯網上的運用，我們可以歸納成以下六大方式：
- 影像辨識分析。例如：
- 便利商店透過攝影機，用得到的影像資料分析來店客戶的年齡、性別。
- 透過智慧家庭裝置在門口的數位攝影機，得到影像資料分析後可以判斷在門口按門鈴的是家中成員還是陌生人。
- 機器人 Pepper 透過眼睛（攝影機），用影像辨識人的表情對應到資料庫中的情緒種類，了解對象的情緒狀況。
2. 聲音辨識分析。例如：
- 透過麥克風收集到聲音的能量與頻率，可以分析出對象背後的情緒。
- 透過麥克風收集到人的聲音資料，辨識分析後轉成文字。
3. 自然語言處理。例如：
- 翻譯器將各國語言之間進行對應翻譯。
- 將麥克風收集到的人的聲音轉成文字意義後做語意分析。
- Siri 辨識出聲音的意義，然後應對或下達指令。
4. 大數據─利用各種資料整合，正確判斷出趨勢。例如：
- 智慧工廠透過平時收集的機器運作資料，在機器損壞前隨時分析評估狀況，讓工作人員進行預防性保養。
- 智慧醫療透過穿戴式裝置以及可上傳資料的家用血糖/血壓計，分析收集到的資料之後，可建議病患是否需要前往醫院就診。
5. 透過各種資料的整合深度學習，提高判斷正確率。例如：
- 整合攝影機拍到的畫面、聲音並加上分析後的語意等資料，一起進行深度學習處理，能讓正確判斷的機率大增。
6. 主動做出決策並行動。例如：
- NVIDIA 的自駕車整合多種感測器的資料，判斷車子的行進模式，以達到安全自動駕駛。
- 無人機在空中透過影像與雷達資料，即時判斷前方狀況，以躲避障礙物。
- 機器人 Pepper 在家中能主動與人溝通，並且自主行動。
人工智慧的機器學習十分重要，不只是系統的大腦，更是強化感測器能力的支柱，因此機器學習在未來物聯網世界將扮演非常重要的角色。
▲ Pepper。（Source：IBM）
投入機器學習是發展 AI 的必經之路
但是機器學習對開發者而言，從零開始是相當困難的，因此不只早先的開放原始碼社群，從 2015 年起各大廠商也開始釋出關於機器學習的開放原始碼：包含 Google 的 TensorFlow 系統、中國百度的 PaddlePaddle 系統、三星的 VELES 系統、Facebook 的 Torchnet 框架及 Caffe2 框架、微軟的 LightGBM 框架與 DMTK / CNTK 工具包、Intel 基於 Apache Spark 的 BigDL 工具庫、亞馬遜的 DSSTNE 工具，以及亞馬遜 AWS 強力支援的 MXNet 框架。這些舉動很明顯的是要爭取開發者社群合作，希望藉由社群共創，強化企業本身的機器學習能力，找出更多的可能商機與應用。
另外，機器學習需要大量資料，如果是標記好的資料更能省下大量時間，所以 Google 在 2016 年 10 月又開放了跟卡內基美隆大學與康乃爾大學建置的 Open Images 資料庫 ，提供 900 組由電腦、人工修正標記資料的圖形資料庫，及總長度時間超過 50 萬小時的 800 萬組影片資料庫 YouTube8-M（一樣由電腦、人工方式預先標記好）。透過這些資料，投入深度學習者不但可以很快上手，而且能專注強化自己想做的部分，不會被一些基本瑣事卡住。
在這些協助機器學習的工具中，TensorFlow 是到目前為止最受歡迎的。Google 從 2012 年設計了一款專用運算晶片 TPU（TensorFlow Processing Unit），於去年完成，並宣稱這款 TPU 比 Intel 的 Haswell CPU 及 NVIDIA 的 K80 GPU 快 15~30 倍， 引起軒然大波，導致 NVIDIA 的 CEO 黃仁勳親上火線，說明自家最新產品 P40 GPU 是 TPU 速度的 2 倍，頻寬則大 10 倍。其實 Google 的聲明，加上雇用創辦「ImageNet 大型視覺識別挑戰賽」的史丹佛教授李飛飛，以及打算收購最大的資料科學家、機器學習開發者社群 Kaggle，可看出 Google 意圖讓機器學習開發者社群知道它在這方面的用心。
▲ Google TPU。（Source：Google）
人工智慧運算需要快速適合的硬體，在 2012 年的 ImageNet 大型視覺識別挑戰賽中，多倫多大學的 Alex Krizhevsky 使用 2 片 NVIDIA 的 GPU 及自己創建的 AlexNet 深度學習模型，不但大為提升視覺辨識準確率，更將原來 CPU 需要 40 天的運算縮減到只需 3 天，一舉得到當年的冠軍，讓大家認識到 GPU 是深度學習大量運算的好幫手，這也讓 NVIDIA 發現機會，最後將 GPU 導入百度、Google、Facebook、微軟等人工智慧巨頭做機器學習運算。
而 Intel 也為了強化自己這方面的能力，先後在 2015 以及 2016 年買下 Altera 與 Nervana System，接下來準備用自己設計的專用晶片出擊，在人工智慧領域挑戰 NVIDIA。
來到自駕車領域，NVIDIA 更是積極切入。2016 年 Tesla 電動車在美國出了自駕車死亡車禍後， 它便取代了以色列 ADAS（先進駕駛輔助系統） 著名開發商 Mobileye，成為 Tesla 半自動駕駛方案的提供者。由於自駕車的未來商機很大，讓很多大公司也紛紛搶進。Intel 在 2017 年初花了 153 億美金買下Mobileye；高通 Qualcomm 在 2016 年初，也為了能強化車用晶片領域，收購佈局自動駕駛一段時間的恩智浦半導體公司（NXP Semiconductors）；而三星也買下了美國車用電子公司哈曼（Harman），並且早在 2015 年底就已展開自動駕駛的研究。
▲ NVIDIA P40。（Source：NVIDIA）
台廠需擺脫硬體思維，著重建立物聯網生態系
從上述世界級企業的大動作，再再都說明人工智慧將主導物聯網時代的服務。可惜的是，很多台灣製造業公司的老闆仍舊只有硬體思維，希望可以賣大量生產的物聯網相關產品出去。然而物聯網是一個系統，人工智慧與大數據，讓提供客戶個性化需求的服務變得容易，少量多樣的客製化是必然趨勢。也就是說，在物聯網時代，要考量自家產品在整個價值鏈與生態系扮演的角色， 結合其他夥伴（尤其是人工智慧），才有成功機會。只想以一家公司提供的產品做好物聯網的垂直整合，又受消費者歡迎，是非常不容易的事。從全球人工智慧領域的前幾名大廠 IBM、Google、微軟、騰訊、阿里巴巴、百度、Facebook 跟亞馬遜等，在硬體方面都不會插手太多，而是以買公司或找夥伴合作可知一二。
台廠過去習慣用大量生產、微薄利潤來賺錢， 但紅色供應鏈崛起，早已大為侵蝕台廠版圖，代工與純硬體思維的商業模式到了物聯網時代也不再適用，必須改變才能存活。而因為選擇變多， 必須提供更好的使用體驗，客戶才願意掏錢，這在 B2C 面對一般消費者的時候特別明顯，連帶對 B2B2C 的影響也越來越大，一旦忽略，公司就可能會因訂單大減而覆亡。
也就是說，在物聯網時代，有價值的產品+ 服務的商業模式，必然得在價值鏈+生態系中占有一席之地，當中人工智慧更是決定服務優劣的核心。現在台灣學界在人工智慧研究的能量有一定水準，政府也打算朝這方面強化，雖然台灣產業界在人工智慧上的能力比起中美相對弱勢許多， 但若找到學界或大廠一起合作發展，就能在物聯網時代共創美好未來。
（首圖來源：Shutterstock）