另一個角度看陳良基部長的AI戰略
這是一篇認錯文。
之前閱讀了陳良基部長說的「台灣要成為AI軍火商」的計畫，當時覺得不以為然，認為為什麼還是要做硬體呢？AI時代重要的應該是資料與應用，是軟體的時代，怎麼台灣還是無法跳脫硬體思維呢？
但細想後，我認為應該跳脫直覺，好好來思考一下這件事。
（圖片來源：蘋果即時）
陳良基部長的計畫包含半導體射月計畫、智慧機器人創新基地、AI創新研究中心、建構雲端服務及大數據運算平台。本文希望能針對兩個點來討論：半導體射月計畫，以及建構雲端服務及大數據運算平台。
半導體射月計畫：協助半導體業進入AI，發展相關晶片或關鍵元件
一開始我的直覺是，又要做硬體？軟體與資料呢？但是細究可以發現，我們太慣於批評製造硬體這件事，但這裡的硬體不是一般進入門檻低，容易被複製的硬體，這是台灣能發揮IC設計以及完整產業鏈的核心能力的，具有競爭優勢的硬體。
先跳脫來看，為什麼Apple iPhone要自己做晶片?（且據說Apple要自己開發支援臉部與聲音辨識的AI晶片)，為什麼被認為是軟體公司的Google，也針對Data center開發自己的TPU？為什麼NVidia要推出針對deep learning 的GPU？
未來的晶片，不只著重運算能力，而是需要針對資料需求以及應用領域，設計符合需求的晶片模組。
回到半導體射月計畫來看，可能的需求有分成兩種：中央運算主機運算與終端裝置運算。（當然還會有應用面不同的需求，但在這邊先專注討論數據分析。）
1. 中央運算主機
如前所述，針對運算的資料不同，會需要有不同能力的晶片，如Google發展TPU，就是針對machine learning data center自己設計的晶片，還有NVidia針對data center影像辨識做的GPU……等等。
2. 終端裝置（在終端裝置先進行初步分析，再把運算資料傳回主機）
需要在終端裝置運算的原因有兩個。第一個是減少傳輸頻寬需求以及中央主機的負荷。尤其目前越來越多圖像資料，解析度也越來越高，對頻寬以及主機運算能力的要求會越來越高，在終端分散式的運算可以解決這部分的問題。
第二個原因是隱私，若是直接蒐集整包私人資料上傳到雲端（例如照片、影片），會引發許多隱私考量，但若是分析完資料之後，僅傳送「分析後的模糊結果」，例如年齡，性別…etc，無法辨識出「確切的一個人」，則較少侵犯隱私的疑慮。
若是要在終端裝置進行初步分析，最需要的是低耗能、高運算能力的晶片，且根據硬體載體的不同（例如是手機，攝影機，還是感測器？），也會需要不同的設計。
無論是中央運算主機，還是終端裝置使用的晶片，都需要差異化，你需要的可能是語音辨識，他需要的可能是圖像辨識，之前接觸到許多廠商，即使都是圖像辨識，也可以再細分為人臉辨識、行為分析、圖片內容:顏色分析….等等需求；即使都是語音辨識，有些需求是自然語音辨識，有些是聲紋比對……，晶片完成這些基礎建設之後，後續硬體才能進一步採用並發展出新的應用。
（補充：此文章發表之後，華為在9/2發布了首個人工智慧移動計算平台（Mobile AI Computing Platform） — — 麒麟970， 把所謂的神經處理器(Neural Processing Unit, NPU)放進手機晶片。）
建構雲端服務及大數據運算平台：
我原本看到這個項目的第一個反應就是，為什麼要建自己的主機？Google運算能力這麼強，為什麼不去跟他們租用就好，還能減少建置成本與時間？
但是和第一點半導體射月計畫一起看的話，這樣的規劃就有其重要性了。
- 增加自己從零到有建構出運算主機的經驗與設計能力。若是連結到射月計畫－－台灣的目的是發展關鍵元件，那有能力自己建構主機，了解其中的眉眉角角與使用需求就很重要了。射月計畫做為雲端服務以及大數據運算平台的後援，加上台灣完整供應鏈的優勢，相信我們是有能力自己設計、打造自己的解決方案的，只是必須先「練功」，訓練自己打造解決方案的能力。
2. 主機架在台灣的話，溝通與客製化能更迅速，且減少頻寬問題，資料供應與處理能力均較穩定。讓較小的企業或是研究機構，可以把建構主機這件事「外包」，但又能享受在台灣即時簡單的溝通，進行實驗性的計畫，或是彈性客製化的需求。
總之，我認為專注於硬體的核心能力，並不表示就是所謂的「硬體思維」 – 常常我還把它定義為，追求低成本、量產能力、不了解客戶的需求、 追求量而非提供服務與解決方案，但IC設計是台灣的強項，相關的設計以及客製化服務也都很成熟，我認為陳良基部長的計畫算是很務實地從台灣產業的核心能力出發，雖然發展應用、取得資料的部分我依然認為稍嫌不足，但硬體部份的深思熟慮還是我們不應該抹滅的。
如果您喜歡我的文章，請多按幾下「拍手」給我鼓勵，或是按”follow”讓我持續提供優質文章給您。
