為何要談演算法（Algorithm）而不直接講人工智慧？因為人工智慧是演算法的一種，但演算法不只是人工智慧。現今人工智慧的熱潮並非無跡可尋，而是應該由更長遠的角度來看待這個問題，早在電腦尚未發明以前，就已有人工智慧的概念，而看似早已過去的數位革命，其威力其實才正要開始。數位革命又被稱之為第三次工業革命，是指計算機技術的運用對各行各業造成的衝擊層面。在早期，以核能、航太、資訊工業等領域為主要，而在個人電腦及網際網路興起後，更加的普及於民生，而此一階段又被稱為資訊革命，誕生了許多支撐現代社會運行的演算法。它們的基本特徵就是能夠讓機器更迅速及有效率的實現人類的智力活動，促成了人類社會從經濟及文化的根本變革。其實演算法這門學問看似艱澀冷門，但本質上仍是為了解決人類面臨的現實困難。像行程安排，就是每個人生活中常見的問題。就曾有數學教授利用演算法推算出高鐵要如何分段買票才最便宜，例如彰化到左營票價原為 670 元，但「彰化到嘉義 250 元」加上「嘉義到左營 410 元」卻是 660 元，分開買可省 10 元，並以此來向學生科普演算法在日常上的應用。何謂演算法？演算法是計算機科學中非常重要的基礎科目，常用於計算、資料處理和自動推理。更精確地說，演算法是一個有限長度的具體計算步驟，以清晰定義指令來使輸入資料經過連續的計算過程後產生一個輸出結果。簡單來講，演算法就是電腦科學家為了解決問題，而設計出的一連串數學公式，以得到其想要的解答。之所以需要演算法是因為很多看似簡單的生活問題其實比想像中複雜。雖然如行程規劃若僅限於少數站點，其實許多人無須借助計算機，就可以得出答案。但若要替一個想環遊世界的旅客量身打造最短時間的旅遊行程就沒那麼容易，這件工作出乎意料的困難。在假定已知每個城市間的距離，在不重複訪問同一個城市下，如何求出最快速的行程組合，這就已經是電腦科學中著名的難解問題，又被稱為旅行推銷員問題（Travelling salesman problem, TSP）。事實上，不要說環遊世界這種可能多達數十個站點的行程安排，光個位數城市的行程，不用更有效率的演算法及計算機來處理，就非常繁雜。▲ 有效運算 7 個節點的 TSP 演算法過程，若用窮舉法會有數百種組合。（Source：By Saurabh.harsh (Own work) , via Wikimedia Commons）而解決這些問題的演算法，其用途當然也不僅是能得知怎麼旅遊比較有效益而已，背後數學本質的探討與突破，有更廣泛的用途。像這樣的線性規劃演算法，早已被應用在物流、生產製程、甚至是 DNA 測序等各方面。簡而言之，為了面對越來越複雜的經濟及生活問題，數學及電腦科學在現代經濟中，扮演的角色越來越重要。計算的複雜性歷史上最早的演算法被認為是歐幾里德算法（Euclidean Algorithm），又稱輾轉相除法，在基礎教育中其實就已提到過，是為了求得最大公因數的一種遞迴算法，每一步計算的輸出值就是下一步計算時的輸入值。這樣的算法在處理大數時非常高效，也是計算複雜性理論（Computational Complexity Theory）的開端，讓後來科學家進一步探討如何運用資源進行有效計算的學問。 ▲ 在計算複雜性理論中，以時間及空間需求對問題複雜程度進行分類，前文舉例的 TSP 問題就是 NP 問題中最難的一種。 （Source：By Hand drawn in Inkscape Qef , via Wikimedia Commons） 如果一個問題被認為是可計算問題，那麼就表示可被一連串的機械數學步驟所解決，亦即是能被計算機處理的問題。然而現實中計算機的算力是有限的，如果一個問題的求解需要太多資源，則被認為是難解的問題。簡而言之，計算複雜性理論的作用就是在研究可解問題的實際限制。然而還有一種問題對於演算法的發展更為重要，也就是不可解，不僅是資源有限，而是在數理上不可解。若有一天演算法能突破原先被認為不可解的問題或許就是計算機邁向真正人工智慧的一大步。所以說，雖然摩爾定律非常重要，實現了計算機的普及，而網際網路則加速了資料的傳遞，但演算法的進步才真正發揮數位革命的影響力，也是計算機的威力所在。 演算法的極限演算法的進步，簡單來講，就是讓計算節點增加，但計算步驟不會呈指數式的爆發，就代表演算法更有效率，也能做到更多的事。而現今的演算法已能讓機械高度自動化，將所有製造流程以及機械動作寫進程式裡，在少數人力，甚至完全不需要人力的情況下完成生產過程，還能自我檢測及修正錯誤，這些已並非科幻。除錯程式本身就是一種偉大的演算法發明。不僅如此，現今演算法已經能完成一些高度複雜的工作，甚至勝任超越人類的智力活動，但還是不會將這些演算法，稱之為真正的人工智慧，就像在圍棋上戰勝世界冠軍的 Alpha...
用影像重建 3D 數位幾何架構是電腦視覺一個非常核心的問題。這種技術在許多領域都有廣泛應用，例如電影、遊戲的內容生成、虛擬實境和擴增實境、3D 列印等。柏克萊人工智慧研究中心的 Christian Häne 等人近日發表一篇論文《Hierarchical Surface Prediction for 3D Object Reconstruction》，討論如何從單張色彩影像重建高品質的 3D 幾何架構，就像以下這張圖所顯示。對人類來說，即使只看到一張影像，我們也能毫不費力地理解物體和場域的形狀。請注意，眼睛的雙目效果允許我們感知深度，我們不需要了解物體 3D 幾何架構，即使我們只看到一張實體的照片，也能對它的形狀有很好的感知。不僅如此，我們還能理解物體看不見的部分（例如背面），這對拿取物體的動作來說非常重要。於是問題來了，人類是如何從單張影像推理出物體的幾何架構？在人工智慧方面，我們怎樣才能教會機器掌握這能力？一、形狀空間任意匯入影像來重建 3D 幾何架構，基本原理就是：物體形狀不是任意，因此有些形狀是可能的，有些是不可能的。一般來說，物體的表面往往是光滑的，尤其是人造物體，常常是由幾個分段的平面構成。至於預測物體，我們可以使用同樣的規則。例如，飛機通常有機身，兩側各有一主翼，後側會有垂直穩定翼。人類透過眼睛觀察世界，並用手與世界互動，然後獲得知識。在電腦視覺，「形狀不是任意的」這個事實允許我們透過收集大量範例，將一個對象類或多個對象類的所有可能形狀，說明成低度形狀空間。使用 CNN 預測體素（Voxel Prediction）最近 Choy、Girdhar 等人各自發表了關於 3D 重建的論文，在他們的工作中，「匯出」一個 3D 體積空間，這 3D 體積又細分成體積元素（稱為體素，voxel），每個體素會有一個規格（被佔據或自由空間），而物體形狀的預測則表示為由體素組成的 3D 佔據體積。在他們的模型中「匯入」一個通常用來說明物體的單色影像，然後他們用卷積神經網路（CNN）的上卷積解碼器架構來預測佔據體積。該網路線端對端進行訓練，並且由已知的 ground truth 佔據體積（透過合成 CAD 模型資料集獲得）進行監督學習。透過這種 3D 表示（體素）以及 CNN，這種模型就可以學習，且能適應各種對象。二、層進表面預測上述方法（使用 CNN 預測佔據體積）有一個很大的缺點，由於匯出空間是三度，於是相對增加的解析度就會以立方增長。這個問題使這種方法難以預測高品質的幾何形狀，且限於比較粗糙的解析度體素網格，例如上面 32^3 的結果。Christian Häne 等人的工作中，他們認為這是一個不必要的限制，因為表面只是二度。於是他們透過層進的方式利用表面的二度性質來預測精細解析度體素，此時只需要高解析度預測表面即可。其基本思想和八叉樹表示的思想關係很近，八叉樹表示通常用於多視圖立體聲和深度圖融合等領域，來表示高解析度的幾何架構。方法在這個 3D 預測模型（稱為層進表面預測［Hierarchical Surface Prediction，HSP］）中，首先我們匯入一張單色影像，用卷積編碼器將其編碼為低度表示。然後，將該低度表示解碼成 3D 使用體積。主要思想是透過預測低解析度體素開始解碼。關鍵之處在於，不同於標準的方法將體素分為佔據／自由空間，HSP 會將體素分為 3 類：自由空間、佔據空間和邊線。使用這種方法，「匯出」的解析度可以很低，只要保證在那些有跡象表明它包含「邊線」的部分有較高解析度即可。透過更新，我們可以層進預測出高解析度的體素網格。更多模型的細節可參看論文。實驗模型的實驗主要利用合成的...
新科技改變零售服務業的經營效率，李世珍提到，五大科技應用是為無人零售服務業帶來新的發展可能性，擅長製造的台灣產業，也可從中找到機會點。不只是便利商店，就連最講究人員細膩服務的旅館業，也開始減少用人。日前才開幕，來自荷蘭 Citizen M 世民酒店，採取自助報到櫃台；該公司經理蘇天佑表示，鎖定 30 歲以下、善用網路資訊科技的商務人士與背包客，兩百多個房間只用 33 名員工，就算面對國內飯店市場的高度競爭，仍樂觀相信會比一般旅店的回收速度更快。醫院也開始有自助服務，台北醫學大學附設醫院行政副院長蔡淑暖提到，現在北醫正建置智慧醫療系統，病人進來醫院，可以自助報到、自助量血壓、測血糖等數據連上網傳給醫師病例資料庫、自助批價結帳，這樣的模式更有效率，護理師工作量減少，不用加班，而病人習慣這樣的流程，資料數據也都存在雲端，還可選擇遠距醫療的會員服務。新科技改變零售服務業的經營效率，李世珍提到，五大科技應用是為無人零售服務業帶來新的發展可能性，擅長製造的台灣的產業，也可從中找到機會點。目前無人商店主要用到有五大科技：首先是為了綁定消費者身分的辨識系統，除了用 App 手機程式外，還可以用人臉辨識、或者刷掌紋來確認；鏡頭則是分布在賣場各處，搭配系統可做影像辨識並記錄消費者行為；此外，為了能進一步分析消費者行為，做商品預測或者是針對個別消費者給予促銷訊息，這就得有 AI（人工智慧）的系統來分析；至於用工業電腦或者是 RFID 標籤，則可進行自動結帳的功能。只不過，電商業者因具備「可設定範圍」和「可設定族群」等特性，可以花大錢嘗試一個新事業，不用考慮太多，就像是所有電商的短時間配送到府服務，都有限制地區。但一旦要擴大複製到實體店，思考就完全不一樣，「投入新科技一家成本 1 千萬元，看起來還好，但若要一次導入 5,000 家門市，成本就很難回收。」有多年零售業經驗的林修煜認為，現階段無人店的新科技投入成本還是太高。科技業對零售服務業所帶來的破壞式創新，姑且不論模式各有不同，業者也在各自表述，雖然有其發展優勢，但究竟能否完全取代傳統服務模式，目前最大的突破關鍵，恐怕還是在成本；誰能把有效率的平台系統價格，降到可以被大量複製，無人店的市場才會真正大爆發。（本文由 財訊 授權轉載）AI 人工智慧新知管道如何深入了解 AI 趨勢？快速收到第一手 A.I. 學習資訊與相關新聞？歡迎加入臉書社團「AI 人工智慧基地」。
近年隨醫療與生活環境品質提升，全球人均壽命不斷提升，特別是在先進國家，多數人均壽命已超過 80 歲，意味著醫療與照護體系負擔的壓力逐年加重，如何確保永續經營，就成為了重要課題。長壽與老齡化，傳統醫療面臨瓶頸在台灣，全民健康保險制度已上路 20 餘年，自 1995 年開辦初期，年支出 1,945 億元，至 2015 年已增加超過 3 倍，達到 6,450 億元。在龐大醫療體系中，有諸多待改善的問題，如醫療分流不彰，民眾習慣至大醫院就診、浮濫用領藥、大醫院的軍備競賽等。此外，醫護人力不足，導致超長工時，而患者等待造成的糾紛與暴力事件更時有所聞。未來，在國人人均壽命持續提高（2015 年為 80.2 歲）的背景下，健保如何永續經營、長期照顧資源如何取得等，皆成為大眾關切的熱門議題。在英國，健保核心價值與台灣類似，醫療制度屬於公醫制，全民皆享有免費接受醫療的權利，但因人均壽命已達 81.2 歲，這種以稅收為基礎的服務使政府負擔沉重。在就醫方面，英國健保服務由國民保健署（National Health Service，NHS）管理，公民必須事先在特定的普通科醫師（General Practitioner，GP）診所註冊，生病時僅可預約所屬 GP 看診、開立處方籤，有必要時由 GP 將患者轉診至大醫院治療。雖有良好的醫療分流，但在民眾醫療需求與各類成本日益增長的情況下，NHS 逐漸難以負擔，進行了數次的醫療改革以削減成本，但最終導致醫療品質下降與 2016 年的醫師大罷工，影響超過 10 萬門診診次。由於支出過高，外界預估 NHS 在 2020 年將面臨 300 億英鎊的資金缺口，另外，在龐大醫療壓力下，NHS 體系內的醫療院所每年不當處置與誤診超過 1 萬名病患，單就賠償費用每年就達到 2 億英鎊。此外，病患的平均等候期間過長，在 GP 診所預約通常需要數天至數週，而轉診至大型醫院則需要再等候數週至數月，高達 2 成病患無法及時就醫。AI 為醫療帶來新曙光受上述因素影響，NHS 開始測試引進 AI 應用於醫療體系。透過 AI 對過往醫療的大數據進行深度學習與分析，將病癥與疾病連結的能力將超過人類醫師。此外，透過 AI 達成的自動化醫療照護與傷病篩檢，也有助於降低臨床醫師的工作量。其中，最知名的案例就是與...
日經亞洲評論 26 日報導，瑞克魯特職業研究所（Recruit Works Institute）預估，快速的自動化進程恐將導致日本失業率在 2025 年升至史上最高的 5.8%。瑞穗證券首席市場經濟學家 Yasunari Ueno 表示，人工智慧（AI）的快速發展恐令白領勞力過剩，進而導致失業率升高。第一生命經濟研究所首席經濟學家 Toshihiro Nagahama 指出，能夠成功地透過 AI 等方式提升效率的企業也將會要求旗下員工素質跟著提升。日經、英國金融時報的聯合研究顯示，在大約兩千項人類有償工作項目當中、機器人能夠執行的比率已達 30%，在日本此一比率更是超過 50%。日本官方數據顯示，2017 年 4-6 月工業機器人訂單金額年增 49% 至 1,717 億日圓。日本政策投資銀行的調查發現，本會計年度大企業資訊科技投資金額預估將年增 28% 至 5,582 億日圓，佔整體資本支出 8.2% 的比重。MarketWatch 8 月 16 日報導，倫敦政治經濟學院經濟學家 Grace Lordan、加州大學爾灣分校經濟學家 David Neumark 分析 1980~2015 年期間美國人口普查局「現行人口調查」數據後發現，最低工資大幅提高所引發的自動化浪潮對低技能工人的衝擊程度最大。Forrester Research 曾預估，未來 10 年自動化、AI 的興起將為美國創造出接近 1,500 萬份新工作，相當於 10% 的勞動力。不過，同一時間機器人等新興技術也將讓 2,500 萬份工作消失。（本文由 MoneyDJ新聞 授權轉載；首圖來源：shutterstock）延伸閱讀：...
由集邦科技與拓墣產業研究院主辨的「智慧製造新革命」研討會，日前在台大國際會議中心舉行，會中邀請包括 ABB、IBM、INTEL、NVIDIA 等產業先趨講者，和關心工業 4.0 的產業人士分享關於工業 4.0 與智慧製造的未來趨勢，以及目前業界針對工業 4.0、自動化與智慧製造的精闢見解。製造業的數位轉型劉耕睿／集邦科技拓墣產業研究院分析師開場由拓墣產業研究院分析師劉耕睿分享關於智慧製造工作的研究報告，劉耕睿在報告中指出，製造業目前面臨的最大問題是「需求的轉變」，產品品項從過去的大量、單一形態，演變到現在強調客製化、少量與多樣化，製造業必須在串聯雲端、網路和終端硬體（機台），開始數位轉型。透過開發便利、相容性高、擴充性強與技術導向的整合性平台，打造出生態圈與解決方案，將流程、製程與資產可視化，以及利用數據運算、即時監控來預測效能，最大化產品品質與能源效率，並透過邊緣運算讓製造架構最佳化，才能有效與智慧製造趨勢接軌。▲ 劉耕睿／集邦科技拓墣產業研究院分析師 集邦科技AI 正在改變製造業的未來蘇家興／NVIDIA 亞太區技術行銷經理致力發展 GPU 運算的 NVIDIA 在工業 4.0 的發展上則是透過 GPU 處理晶片的強大效能，結合圖形運算處理與深度學習技術，讓過去必須耗費大量人力與資源的檢測工作與流程，利用 AI 進行最佳化。舉例來說過去檢測機板必須透過人眼一片一片檢視，現在透過 GPU 強大的圖形處理及運算能力，可以快速又有效的利用圖形辨識的方式，檢測出機板上的缺損，只要透過深度學習技術，AI 甚至可以進行晶圓的檢測工作。另外，製造業還可以藉由 VR 與虛擬介面，與生產線上的機器人進行互動以及訓練，不但可簡化作業流程，還能節省成本，降低錯誤發生機率。▲ 蘇家興／NVIDIA 亞太區技術行銷經理由軟體定義的自動化製造解決方案湯正睦／INTEL 亞太日本區物聯網解決方案架構師在工業 4.0 的時代裡，INTEL 扮演的不止是晶片供應商的角色， INTEL 亞太日本區物聯網解決方案架構師湯正睦表示，在工業 4.0 與智慧製造的領域中，解決包括效能、功耗、穩定度與網路速度等基礎架構問題，才能無後顧之憂地去發展。而智慧製造的未來趨勢將會走向類似 Android 手機的模式，以開放的系統或平台，讓製造業者可以在不同硬體上安裝類似或相容的軟體，突破硬體限制，讓生產線擁有更多彈性，不再被單一設備限制住。同時，透過軟硬整合的生態圈，以及各種相關協定的制定，加速智慧製造趨勢發展。▲ 湯正睦／INTEL 亞太日本區物聯網解決方案架構師認知製造將帶來更多智慧工廠應用張瑞源／IBM 雲端事業部雲端策略副總經理IBM 雲端事業部雲端策略副總經理張瑞源在會中表示，「認知製造 Cognitive Manufacturing」將是未來智慧工廠最重要的核心，透過基礎平台的建置、跟供應鏈的企業互連與協同管理，認知製造可以利用電腦視覺、機器學習、AI 以及數據分析，大幅減少不良率，並且透過監控、運算資料蒐集與分析，來預測機台與原物料狀況，即時反應到生產線上，在問題發生前就先解決問題，讓智慧工廠不只是自動化，更進一步成為「智」動化工廠。▲ 張瑞源／IBM 雲端事業部雲端策略副總經理串接雲端，讓機器人不止助你一臂之力洪彥成／ABB 電子產業全球產業經理來自瑞士的 ABB 以多樣化的機器人產品聞名全球，在這次會議中 ABB 電子產業全球產業經理洪彥成特別強調，機器人與機器手臂在智慧製造革命中，已經為進入下一個世代做好準備，透過各種內建或外掛的傳感器，ABB 的機器人已經可以兼具監控、蒐集資料與製造功能，並且透過不同的軟體應用，將蒐集的資料用來預測與診斷生產狀況，不僅可以大幅提供產品良率，還可以透過數據分析與整合，降低 25%...
為何當今全球前五大市值企業（蘋果、Alphabet、微軟、臉書、亞馬遜）全部都是坐擁龐大數據資料的科技公司？丹麥為何將駐印尼大使改派至美國矽谷，負責與科技大廠建立直接溝通管道？馬提斯（James Mattis）為何在造訪過亞馬遜（Amazon.com）、Google 後感慨美國國防部的人工智慧（AI）應用能力不如民間企業？沙烏地阿拉伯主權財富基金「公共投資基金」（PIF）為何願意拿出 450 億美元協助成立「軟銀願景基金」（SoftBank Vision Fund）？《經濟學人》（The Economist）今年 5 月指出，世界上最寶貴的資源不再是石油，而是數據。該篇文章指出，今年第一季全球前五大市值企業合併純益超過 250 億美元。CBC News 8 月 25 日報導，Net Market Share 統計顯示，Google 在搜尋市場的市佔率高達 81%，高於標準石油（Standard Oil）被反托拉斯監管單位盯上之前的 79% 市佔率。wired.com 8 月 11 日報導，美國國防部長馬提斯說西岸民間業者在 AI 領域出現許多重大進展，國防部得進一步整合這項技術才行，希望科技業能幫五角大廈趕上潮流。（本文由 MoneyDJ新聞 授權轉載；首圖來源：Flickr/KamiPhuc CC BY 2.0）
中國國務院近日發布「新一代人工智慧發展規劃」，要求在中小學階段設置人工智慧相關課程、逐步推廣寫程式教育、建設人工智慧學科，培養複合型人才，形成人工智慧人才高地。中國央視新聞客戶端報導，上述規劃還明定，為完善人工智慧（AI）領域學科布局，設立人工智慧科系，儘快在試點院校建立人工智慧學院，增加人工智慧相關學科方向的博士、碩士招生名額。規劃也鼓勵大專學院在原有基礎上拓寬人工智慧專業教育內容，重視人工智慧與數學、電腦科學、物理學、生物學、心理學、社會學、法學等學科專業教育的交叉融合，培育高水準人工智慧創新人才和團隊。上述規劃還支持展開人工智慧競賽、布局建設科技創新基地，向公眾開發人工智慧研發平台等。中國官方人工智慧技術總體發展規畫已明定「三步走」發展戰略。 2020 年，人工智慧總體技術和應用與世界先進水準同步，人工智慧產業成為新的經濟成長點。 2025 年，人工智慧基礎理論重大突破，部分技術與應用達到世界領先水準，人工智慧成為產業升級和經濟轉型主要動力。 2030 年，人工智慧理論、技術與應用總體達到世界領先水準，成為世界主要人工智慧創新中心。 （首圖來源：Flickr/Rex Pe CC BY 2.0）AI 人工智慧新知管道如何深入了解 AI 趨勢？快速收到第一手 A.I. 學習資訊與相關新聞？歡迎加入臉書社團「AI 人工智慧基地」。
根據佛羅里達大學鯊魚攻擊的資料，澳洲目擊數量是全球排名第二多，僅次於美國。飽受鯊魚危害的澳洲決定用更有效的方式，用 AI 搭配無人機的鯊魚辨識系統，守護海岸避免鯊魚來犯，比起人眼辨識率更高。人類辨識鯊魚的成功率有 20%~30%，而 AI 影像辨識則可達 90% 的成功率。鯊魚偵測系統開發者用目前公開的監視器畫面，能從影像中分辨衝浪者、泳者、划船人、鯊魚及其他海洋生物，且能做到即時辨識的程度。2016 年雪梨科技大學與無人機公司 Little Ripper 集團合作開發鯊魚偵測系統。參與計畫的雪梨科技大學 Nabin Sharma 博士表示開發基於無人機，不是要取代人類，而是更有效率的偵測鯊魚來襲。儘管人類仍需要確認辨識結果，但比起以前的舊方法結果更準確可靠。除了找出威脅海邊戲水人的鯊魚之外，用機器學習也能找出海豚或是鯨魚，增加學者海洋研究數據。Little Ripper 集團的鯊魚偵測系統會在 9 月上線，不過這並不是澳洲第一個空中偵測鯊魚的計畫。2016 年曾嘗試用飛船監視海面鯊魚的計畫。 Shark-detecting drones to patrol Australian beaches Australia Is Getting Anti-Shark-Attack Drones Drones will watch Australian beaches for sharks with AI help Little Ripper shark-spotting drones will launch in September （首圖來源：pixabay）
中國目標在 2030 年之前成為世界人工智慧大國，各行各業都在搶世界頂尖人才，而美國企業在中國的分支則成為中國最大的 AI 人才訓練所。QUARTZ 報導，中國 Linkedin 計算 AI 領域的職位，包括深度學習、語音辨識和自然語言處理報告指出，中國 10 大人工智慧雇主當中，有一半是美國企業。其中美國企業在中國聘請 AI 人才最多的是微軟、IBM、Intel、AMD、惠普，許多中國 AI 專業人士已經在這些公司的本地分支機構磨練技能。海外人才回流也是一個趨勢，目前在中國有海外工作經驗的 AI 從業者比率為 9%，這樣的人愈來愈多，如百度宣布找來曾在微軟工作的 AI 專家陸奇率領 AI 開發，取代矽谷出身的吳恩達。而雇用最多 AI 人才的中國企業是智慧手機製造商華為、網路公司百度和電子商務巨頭阿里巴巴、騰訊、聯想。（Source：Linkedin）不過，目前中國 AI 技術人才有 5 萬人，遠遠少於美國的 80 萬人，其次為印度的 15 萬人，英國、加拿大、澳洲、法國、中國、德國、義大利、荷蘭。全球 AI 技術人才有 190 萬人。根據 Paysa 研究，美國企業投資超過 6.5 億美元雇用 AI 人才，平均僱用 AI 專家的前 20 名公司將花費 3,300 萬美元來建設人才庫，但大部分集中在科技巨擘。根據雇用 AI 專家的公司平均淨薪資調查，亞馬遜投資 2.278 億美元最多，其次是 Google 和微軟，分別投資...