張益肇：AI 時代已來，產業和個人的機會和挑戰

前微軟亞洲研究院副院長暨人工智慧科技基金會(AIF)常務董事張益肇指出，AI 工具愈變愈聰明，企業得思考如何重新規劃技術、人力等資源配置。同時也要注意，除了生成式 AI，機器人、AI 輔助材料、製藥研發也有許多進展。

生成式 AI 經過這一年多來的發展，大家都知道是可以創造新內容和想法的人工智慧，包括創造對話、故事、影像、視訊和音樂，同時還學習人類語言、程式語言、藝術、化學、生物學或任何複雜的主題。

大家都用過 ChatGP，這個是起源於大型語言模型(LLM)、對話式 Al 和其他 NLP 技術的生成式技術。其實早在 1960 年代，就已經出現名為 Eliza 的 AI 聊天機器人，當時聊天機器人發展速度很緩慢。因為研究人員設定了一系列規則來定義機器人的行為，但這遠遠無法處理複雜的人類語言。

2022 年 ChatGPT 獲得熱烈的關注，正因為它具備過去類似模型所缺乏的「對話功能」。

2023 年 OpenAI 再推出 GPT-4。文字輸入之外又增加讀懂圖像和文字的能力。不過雖然功能增加，但仍然有尚未無法克服的問題，像是無中生有的文字或是生成有偏差的回答等。

從電腦軟體發展到 AIGC 的四個階段

回顧電腦軟體發展歷史，可分為四個階段，首先是「所見即所得」(What You see Is What You Get) ，這 是大家都熟悉的用戶友好設計原則，特別是在 Web 開發環境中。這一概念使輸出和開發階段看到的視覺效果非常相似，從而簡化了設計和創建應用程式的過程。

從「所見即所得」到「所言即所得」(what You Say Is What You Get)，爾後的「所示即所得」(What You Show Is What You Get)，以及現在的「所求即所得」(What You Seek Is What You Get)，則已經進入透過 AutoGPT 自動制定計劃，用於優化單個指標，只要有明確的目標與指標，就可以將大部份的工作交由 AutoGPT 來完成。

生成式 AI 影響很多產業，以製造業為例，如物流優化，可以改進流程，其中包括 AOI、品質控制、遵守 SOP，進而發現新材料和新工藝，都可以藉由生成式 AI 協助更加快速省力。

目前，人工智慧已經可以訓練機器人，且成本費用也較過去便宜，大約三萬美元。同時，過去訓練機器人可能要花上一個月才能教育它，但常常在學習後也很難真正施作。不過，現在 AI 機器人可以透過觀察人的行為，自己去學習細節動作，甚至可以舉一反三。

人工智慧運用於藥物開發是巨大商機

除了機器人和 AI 輔助材料的應用，AI 在製藥研發也多有進展。張益肇舉NVIDIA 為例，NVIDIA 去年挹資 5000 萬美元投 AI 藥物研發平台 Recursion，希望加速 Recursion AI 基礎模型的開發。這項合作也讓該生技公司能利用輝達的 SaasDGX Cloud 來加速其 AI 訓練，並進一步開發出「人工智慧即服務」(AI as a Service, AIaaS)的軟體。

張益肇認為，基於人工智慧的藥物研發，是相當巨大的商機。NVIDIA 在藥物開發領域，醫療保健客戶和合作夥伴每年直接或間接透過雲端合作夥伴消耗的 NVIDIA GPU 運算費用已超過 10 億美元，希望在估值達 2500 億美元的藥物探索領域中，透過利用新興的生成式人工智慧工具，篩選出更精確的候選藥物領域進行研究，從而減少昂貴且耗時的物理實驗需求。

通常要研發一款藥物得花上約十年的時間及 20 億美元的成本，在臨床開發過程中的失敗率高達九成。不過，近年來醫療領域數位資料的興起，再加上生成式 AI助力，使得藥物研發的門檻可望快速降低。

人工智慧不可避免的倫理與風險

不過，張益肇也提到，人工智慧即使能促進機器人、AI 輔助材料、製藥研發的進展，仍不得不面對倫理與風險。他舉出，常見的四種 AI 應用可能造成的倫理問題或風險，包括演算法偏誤，意即 AI 在某些群體的判斷準確率或預測結果上總是很差，導致結果可能對於此群體造成系統性的不利；第二種可能帶來倫理風險，AI 技術偏離原先使用目的，例如深偽技術 deepfake；第三種則是有些 AI 技術或產品本身就可能有善惡兩種用途，例如人臉辨識技術；第四種是演算法設計不良或現有技術限制所導致的問題。

「我相信，在未來 AI 對每個人的工作和生活影響會更大，尤其是 GAI 在我們生活中正迅速發展。AI 對於社會的變化，是遠遠超過互聯網。」張益肇舉例，就像現在回頭想想，如果我們的生活中沒有網際網路的話，你的工作、生活會有怎麼樣的影響？而AI的影響可能更加廣泛。因此張益肇認為，「最根本的是應該為每個人、組織和社會提供學習、適應和充分利用人工智慧的機會。」