[新聞] AI仍處炒作期 施宣輝:大數據在哪裡?消失
AI仍處炒作期 施宣輝:大數據在哪裡?
http://www.appledaily.com.tw/realtimenews/article/hot/20170927/1212219
宏碁自建雲智慧產品事業總經理施宣輝唸書就以AI(人工智慧)為研究重心,他接受媒體
《TO》訪問表示,做AI最重要是先收集數據,現在只有3類企業有大數據,看到AI晶片如
此紅,他認為目前AI晶片仍處於炒作階段。
宏碁正轉型朝「硬體軟體加服務」邁進,透過服務提供價值創造,並因此賺錢。
自建雲新事業下有很多子公司,打造新群龍計畫,鼓勵有能力企業自行IPO,其中數位看
板業務進展最快,他表示,雖此產業不新,但宏碁以數位變革方式把雲跟大數據都做好,
讓數位看板成為「實體」的網頁廣告,根據客戶隨時彈性更改廣告策略。施宣輝表示,很
多新零售一定要實體,比方生鮮產品需要到實體店面購買,所以亞馬遜也買實體服務擴張
版圖。
宏碁的數位看板前端有感測器,可以收集看的人的資訊,最大特色是可以即時。施宣輝舉
例,行銷公司過去是以廣告數據給客戶結案,但一個行銷活動結束往往已錯失修改機會,
現在線上即時回報點擊率數據,客戶即便在聖誕節檔期中都可彈性下廣告。
他透露,自建雲賺錢的是數位看板的大數據,已經可以靠月費賺錢。
施宣輝說,數位化過程需要很多IOT技術,硬體難度比軟體更很高,因為硬體有庫存跟新
舊版本更新的問題。未來IOT服務還可以客製化,利用AI去瞭解客戶,所以AI在終端運算
越快越好,若都丟到雲上再運算,不僅有成本考量,送上雲的費用也與現場運算不同。
未來很多AI在終端一定要靠硬體加速,這是台灣強項,宏碁是混和雲的概念,能利用全球
的通路網路,在終端AI運算後,以資料不可逆(保護個資)的方式上傳到雲端。
施宣輝表示,台灣硬體產業非常成熟,希望台灣不要覺得跟不上軟體發展,因為IOT時代
到來,硬體是台灣的優勢也是台灣的機會,但台灣比較弱的是市場的應用。
施宣輝在南加大唸書時就研究AI,領域以影像跟語音為主,他表示學校當時做AI研究沒有
網路可用,在學校時必須先取得公告允許,在校園張貼徵求志願者,再拿麥克風跟筆電去
一一錄音回來建檔,資料收集後才能用模型去訓練,他表示,走過這一段(研究歷程),
體驗到的是:做AI,數據收集是前段最重要的部分。
施宣輝說,現在AI晶片很紅,但哪裡來這麼多資料?他疑惑現在沒有很多大數據,怎麼會
需要這麼多AI晶片?根據他觀察,目前有3類行業客戶有大數據,包括銀行金融業者、網
路服務如谷歌、數位行銷如臉書等,其他企業根本還不知道資料在哪裡,所以怎會有這麼
多AI晶片需求,他認為現在AI晶片還是在炒作階段,未來等所有實驗室都在研究AI,才會
是AI爆發期。
施宣輝說,AI發展必須先有收資料的平台,建立模組,最後發展到系統,所以第1步就是
要先收資料,前端有了資料才能作訓練,若看完整的AI生命週期來說,其實台灣扮演相對
重要角色,因為生產終端收集資料的裝置,雲端的下面很多東西可收資料,比方電燈都可
以連上雲收集資料,雲端的運算也要用硬體,整個價值鍊中,AI只是一小塊,台灣應該把
握機會,不要自暴自棄,雖然雲的軟體落後,但台灣在端跟伺服器都做了。
對於台灣的AI發展機會?施宣輝表示,每個國家都有特性,中國美國有大市場,美國科技
領先,中國應用先進,中國市場很具特殊性,法規上,政府態度是先讓基層玩,在旁看再
訂規範,政府一聲令下就推動,反而有效率,台灣市場很小,一定要走國際市場。
施宣輝坦言他過去也有盲點,看美國雲端成功就認為要用美國那一套,但事實上那只能在
美國成功,台灣市場資源跟生態圈跟美國不同,用同一招肯定失敗,反而要思考本身優勢
。
AI帶來的危機?施宣輝表示,大趨勢無法擋,數位化雲端化就是大趨勢,我們必須順勢而
為,人類要面對並一直往前走,否則落後就會被淘汰,這一點他也最佩服施振榮,因為施
振榮每天一直想往前走。
施宣輝表示,不必擔心人類機會被AI取代,除非原地踏步,至於AI的道德問題要由法規制
衡,他也分享一個月前回到母校USC(南加大),發現現在學校學弟妹對於AI應用都非常
興奮,整個實驗室都在做AI。(王郁倫/台北報導)
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.160.36.218
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1506529824.A.0A2.html
推
09/28 00:35, , 1F
09/28 00:35, 1F
推
09/28 00:54, , 2F
09/28 00:54, 2F
→
09/28 00:54, , 3F
09/28 00:54, 3F
→
09/28 00:59, , 4F
09/28 00:59, 4F
推
09/28 00:59, , 5F
09/28 00:59, 5F
→
09/28 00:59, , 6F
09/28 00:59, 6F
→
09/28 02:25, , 7F
09/28 02:25, 7F
→
09/28 06:06, , 8F
09/28 06:06, 8F
推
09/28 06:25, , 9F
09/28 06:25, 9F
→
09/28 07:05, , 10F
09/28 07:05, 10F
→
09/28 07:06, , 11F
09/28 07:06, 11F
推
09/28 07:45, , 12F
09/28 07:45, 12F
噓
09/28 07:57, , 13F
09/28 07:57, 13F
噓
09/28 08:11, , 14F
09/28 08:11, 14F
推
09/28 08:18, , 15F
09/28 08:18, 15F
→
09/28 08:20, , 16F
09/28 08:20, 16F
推
09/28 08:26, , 17F
09/28 08:26, 17F
→
09/28 08:43, , 18F
09/28 08:43, 18F
噓
09/28 08:48, , 19F
09/28 08:48, 19F
推
09/28 09:12, , 20F
09/28 09:12, 20F
→
09/28 09:14, , 21F
09/28 09:14, 21F
→
09/28 11:46, , 22F
09/28 11:46, 22F
→
09/28 11:46, , 23F
09/28 11:46, 23F
推
09/28 12:24, , 24F
09/28 12:24, 24F
推
09/28 12:43, , 25F
09/28 12:43, 25F
→
09/28 19:04, , 26F
09/28 19:04, 26F
→
09/28 20:36, , 27F
09/28 20:36, 27F
推
09/29 02:23, , 28F
09/29 02:23, 28F
推
10/01 12:07, , 29F
10/01 12:07, 29F
→
10/01 12:08, , 30F
10/01 12:08, 30F