連結產學界資源，培育AI及相關軟體人才，一直是AIF成立以來的重要工作。本次AIF在與電子時報合辦的「2022 AI EXPO」中，除了AI大環境的討論，更延伸至未來在產業應用、技術發展，以及不可避免的Regulation與AI倫理的挑戰，更不忘人才培育的重要。
活動特別規劃「AI Junior Award」競賽活動，邀請正在大學及研究所就讀的年輕學生參賽，提出他們所想像的、AI在2025年可能的應用專案。會中邀請在國立中央大學資訊工程學系教授，同時也是中研院人社中心地理資訊專題中心執行長蔡宗翰，以及詠鋐智能Chimes AI 執行長謝宗震進行對談。
蔡宗翰不僅鑽研人工智慧運用於人類語言的理解與生成，研究領域十分多元，包括生物醫學、歷史等領域皆有涉略，又因愛好寫詩與文章，而被學生稱作「AI界李白。」謝宗震的新創公司則是幫助台灣許多傳統產業，特別像是高耗能的石化產業利用AI實踐ESG目標，提供解決方案。兩位分別以學界及產業的觀點與人工智慧科技基金會執行長溫怡玲，從AI人才培養的角度探索未來的方向對談。以下為精華摘要：
AIF執行長溫怡玲（以下簡稱溫）：從2017年AI在台灣蔚為風潮之後，最常被問到的以後AI會取代所有的人才，那我的小孩是不是也應該要讀AI？另外一個問題，AI人才不足一直是大家關注的議題。但是，究竟什麼是「AI人才」？現在跟未來的「AI人才」會是一樣的嗎？
詠鋐智能Chimes AI 執行長謝宗震（以下簡稱謝）：以我自己來說，我是唸數學統計，程式寫得也還可以，外界許多人大概會認為我是擁有大數據、資料科學到人工智慧等扎實訓練背景的人，如果從業界的觀念來看AI人才，第一件事情是如果要做AI應用的話，必須要對AI技術有足夠的了解。
第二件更重要的事情則是要思考：為什麼要做AI？我們把AI定位成科學應用技術，它必須要長在某個應用場景上，所以要能從產業的痛點中觀察出問題，並且能透過AI技術來解決這個問題，這也是我們認為AI人才非常重要的一環。
溫：所以能夠想像未來、找出問題且能實際解決問題的人都可以算是「AI人才」，不一定要很會寫程式嗎？
謝：沒有錯！
中央大學資工系教授蔡宗翰（以下簡稱蔡）：其實我做AI算蠻久一段時間了，早期光是手刻一個AI模型就要耗費3個多月的時間，那時候沒有TensorFlow，也沒有什麼套件。現在拜深度學習風潮之賜，有Tensorflow、Keras、PyTorch等工具，還有許多Open Source，學習AI也很方便，就是直接進入模型訓練。所以許多人認為，會Train模型、會調參數就是AI人才，不能說這樣不是AI人才，但這只是最入門的AI人才。
當Code已經簡化到一定程度，不一定要讀資工系，可能其他系的同學只要上過幾天課或工作坊，也能知道如何訓練人臉辨識、情感辨識等各種模型。但是，這些人實際進入企業時，可能會發現他還是派不上用場，為什麼？因為在實務上，你必須要因應實際狀況設計AI模型，例如資料很少時該怎麼辦？或是當資料不能離開場所，這在醫院或公司都會發生。或是說當模型必須在Edge端時，它的運算資源可能比較少時，要怎麼設計模型？這時候就必須要了解模型的設計原理，甚至要結合一些資工系的底子，例如資安的概念，這樣才能變成更高階的AI人才。
還有第二種AI人才很重要，例如我們現在要做智慧金融、智慧醫療、智慧製造，我們會需要這個領域的專家，同時，他也具備AI的概念或基礎，可以跟這些應該資料科學家或工程師合作，這樣才可以設計出各種AI模型。
因此，未來人才應該會往更具資工基礎或更有領域知識，這兩個方向發展。
溫：其實這3天的論壇如果都有參加的話，大家會常聽到一個關鍵字叫No-Code，其實謝老師的公司，做的就是一個No-Code的平台，是個容易上手的AI系統。我跟謝老師兩年前就聊過。為什麼要做這樣的系統？
他告訴我，這可以減低整個企業內部的溝通成本，因為其實早期AI我們看的都是很厲害的演算法，但是，這三四年，我們可以發現到非常吃domain。就像剛剛李白老師說的，如果不是技術非常高深，就是要在變成一個No-Code系統時，必須是這個場域或產業裡的專家，才能發現裡面有什麼問題。我想，No-Code將會是未來的一個風潮，還有一個很重要就是「跨域」，我可能不會在兩個領域都是專家，但是至少要有一個跨域對話及快速跨域學習的能力。
想請問李白老師，為什麼跨域是AI時代的必然？年輕世代應該如何培養跨域學習、對話的能力？
蔡：我想AI會需要有能發展演算法的一小群人，這些人會集中在Google或是OpenAI這些領頭羊公司裡；可是有更多的是要把AI應用在各種場域的人。如果要應用的話，就一定需要領域專家。現在教育部有開許多系列課程，在校的同學可以多修這些AI課程，不要怕被當掉，即使不是資工或電機系背景也沒關係，找機會跟資工或電機同學合作。我相信，規劃課程的老師，他也會想要召集不同領域的同學，這也比較符合現實社會中的合作狀況，彼此貢獻自己的專業跟know-how。或是像這樣參加比賽，一個隊伍可能會有好幾個系的同學，我當評審時，就很喜歡看到這樣的現象。我覺得不管今天有沒有得名，都是一個很好的歷練。
溫：我們這次給的比賽題目非常大，就是想像2025年後的AI應用，也發現很多同學在團隊合作、跨域發現問題的能力非常優秀，題目也非常精彩，例如說，大家關注的長照、幫助社會弱勢，甚至現在產業熱門的ESG都有人做，還有航太系同學要用AI去預測火星沙塵暴。這些題目先不談是不是真的可以落實，或者準確率，這種跨域對話的能力及想像力非常重要。
我有一個問題想請教謝老師，因為你原本在學術界，後來做了很多有名的公益案子，又轉到新創，想要請問老師，你覺得在不同的這些階段會需要哪些不一樣的素養跟能力嗎？
謝：這問題很好，我覺得像我就是本科唸數學，然後寫統計、解程式、發明新的資料分析方法，當我還在學術這段路時，就是這樣做的，然後我創造了一些東西，並將發明的方法開源給大家用，最後還被放在北極保存起來，。於是，我們就開始思考這件事情，因為資料驅動的AI應用像是一個應用科學，要怎麼在這上面更近一步，做到讓大家想用？最重要的一個點是：「要有同理心。」
你會去觀察生活周遭的一些脈動，例如為什麼之前的口罩排隊排完之後，最近有人又開始排隊？因為要排快篩試劑。從觀察中開始思考：能用什麼樣的技術在環境中做一點事情？從同理心的觀察角度來看這件事情，會讓你的AI應用場景可以落地。例如幾年前我的小孩剛出生時，我會關心兒少家暴議題，當小朋友還不太會講話時，如果受傷的話怎麼辦？能不能透過社工通報的基本資料來判斷這個家庭的孩子有多危險，還有預警的概念，讓社工藉由紅綠燈的分級，知道當下應該要做什麼處置？
那下一個階段，我們希望可以打造像剛剛講的No-Code AI平台，因為能做到資料分析、AI的人，畢竟是少數，透過No-Code降低AI進入門檻，讓更多人可以使用。像昨天論壇，我們請石化業的客戶來分享，我跟他聊天時發現，即便我是No-Code AI演算法跟平臺的設計者，但當他開始使用平台建立十個、百個、千個模型的時候，他反而比我更了解怎麼做AI建模。因為他有領域知識，他知道在落地的過程中會遇到什麼問題，如何讓他的模型變得更好，反而是一個教學相長的概念，未來其實這件事情應該會被大量發展。
溫：你剛剛講到幾個重點，同理心很重要，然後觀察力，我們隨時觀察到有哪一些問題是需要解決。其實後來No-Code AI還是在解決一些問題。因為AIF在2018年開始創辦台灣人工智慧學校。2020年的下半年，我們開始轉進做企業內訓，那在做企業內訓跟賦能這些企業建立AI團隊時，我們其實發現一個極大的問題。
這個問題叫做數據孤島，或者我們叫做企業內部的穀倉（silo），大家很習慣跟電腦有關的事情，不管是AI還是電腦壞掉，都是IT部門的事情。
但剛剛這樣談下來，可以發現未來AI導入時，應該像是流通整個企業內部的心血管。要流通企業內部的時候，軟體人才就變得非常重要。這次AI EXPO中，我們聽到非常多國外公司，希望可以接觸台灣的大學生或研究生並直接延攬人才。這對台灣產業界來說，我不認為它叫做一個警訊，反而會是我們可以轉換，讓自己的企業可以升級的時候。
我們經常說：「要培養未來的競爭力。」但是，未來是什麼？如何預測？想分別請問兩位老師，企業界應該可以做些什麼事情，不只是薪資，讓台灣的軟體人才有更大的發揮空間？
蔡：企業應該提升它的願景 ，可能本來是扮演整個產業鏈裡的某個角色。但是，企業領導人應該去觀察：「基於這樣的角色，他有沒有機會在這個AI時代扮演更重要的角色。」軟體人才不是一個單純來公司裡做一些應用程式的開發，他要有更大的舞台。
另外，我們經常聽到學生畢業回來，說覺得很挫折。例如他在銀行想要試行一些AI想法，但是他的同事可能不懂AI，就會有些鄙視跟排斥，覺得加了這個東西不一定會賺錢。所以，公司從最高層開始就要去接受AI的觀念，透過像企業內訓、或是自己研讀一些跟AI概念相關的書籍，增加自己對AI的認知，幫助自己去想像，到底現在擁有這麼多資源，在未來AI時代可以怎麼走？
又或者像我實驗室好像都被某家大企業包走了，這家企業也很積極的在發展AI ，一般企業如果要跟這家企業搶人，就必須要提供給員工更好願景，讓他們知道，我們可以扮演什麼角色，而不是只是在公司裡負責修電腦的小螺絲釘。
溫：Top-down其實很重要，所以，如果有企業要找AIF合作，我們通常會要求跟他們董事長或總經理見面，確認公司的策略是玩真的、方向是準確的，才進來一起攜手走這條路。
謝：以我們公司為例，我們很需要軟體人才，其實要做 No-Code AI平台，真的需要軟體人才且門檻蠻高的。不只要懂軟體，還要懂AI演算法，還要考慮到實際的各種應用場景，包括使用者會怎麼用等許多不可測的狀況。因此，不僅要知道什麼是演算法，還要能做結構端開發，要非常知道產業應用狀況，更要懂使用者體驗，才可以做出一個好的AI產品。
未來就是追求優秀的AI演算法開發人才會是一個區塊，另外一塊是從遍地開花，例如No-Code AI就會是種遍地開花的工具。但要能夠做到遍地開花，也會需要很大量的軟體或AI演算法工程師投入裡面。
閱讀更多「人工智慧發展關鍵趨勢」精彩文章：2022 AI EXPO：探索新時代人工智慧發展關鍵議題
