長期以來，人工智慧一直是人們感興趣的議題，隨著科技發展日新月異，也有愈來愈多擔心「AI會取代人類嗎？」但是否能夠換一個角度來思考？

人工智慧科技基金會董事長、鴻海研究院執行長李維斌從AlphaGo和李世乭對弈的過程提出了不同的思考點。他指出，若我們不只專注於勝負結果，其實可以發現，當AlphaGo出了一個不被人類看好的「move 37」，而李世乭回以被稱為「神之一手」的"move 78"，這樣的互動過程，或許正暗示了人類與AI未來的關係，意即，AI可以賦能人類，強化我們的能力。

李維斌強調，AI其實可以是人工智慧，也可以是擴增智慧（Augmented Intelligence）。現在許多人都擔心AI會取代人工，因此很多的員工可能對於AI相關的計畫很反彈，但若我們可以重新思考自己和AI的關係，在新技術發展潮流中，隨時以新的心態去面對，就能讓我們有更多機會去探索或發現新的未來，也讓人類的智慧被增強。

AI有哪些特性？將會帶來哪些挑戰？

大家都知道，必須先有數據才能發展出AI模型，但在使用AI的過程中，數據同樣會持續累積，因此AI也會產生數據。不過，重點並不在於「數據」能夠累積到多少，而是「思維」。如果一個人的思維是固著的，那麼他所累績的經驗與數據，只會強化既有的「固著性」。

許多人對於AI的認知都是「提升效率」，但是「效率」仍屬於「肌肉」的力量，如何將AI升級到取代思想的力量，對於此刻的人類來說仍有許多空間與機會。面向未來，我們可以期待「人機互動」（human–machine interaction）能夠啟跳脫既有框架與束縛，帶我們發現過去沒有的事物。

最後，即使我們掌握了AI的各種可能性，還要特別注意，AI帶來的挑戰是否會造成更大的落差？

以「數據」來說，許多像Google、Amazon和臉書等平台皆已掌握了大量數據，在數據為王的趨勢下，已擁有數據者只會愈來愈大，而缺乏數據者則會更缺乏數據蒐集的能力；以「模型」來說，「模型」最需要的就是人才，但是AI人才卻相當匱乏，培養也不易；以AI最消耗的「算力」來說，足夠「算力」是發展AI的基本條件。

從以上數據、模型與算力這三個AI的關鍵來看，往「雲端」運算發展顯然是必然的趨勢，因為雲端就能解決許多問題。在雲端上，我們可以使用Amazon、Google和微軟這些平台的「數據」，且他們同時提供了很好的「模型」與「算力」，我們只要租用即可。

不過，這些提供服務者相對地也會愈來愈強大。大者愈大、小者愈小，會造成哪些問題？是否能夠在使用便利與大環境的公平之間取得平衡，這是對於整體商業世界的挑戰。

AI將對未來的商業模式造成哪些影響？

在未來商業的應用上，AI又將帶來哪些影響呢？

第一，AI能夠提供firefighting（防火機制），去識別某些即將發生的特定情況之驅動因素，比如預測現在是不是溫度變高了？或是某些特定設備內的溫度與頻率是否改變了？是否會發生某些問題？這能幫助我們針對可能發生的問題提早預警。

第二，AI能refinement（細化）目前的工作效率與流程，不斷改進現有的生產解決方案。舉例來說，因為電腦的許多程式都是固定的，難以快速迭代與優化，在處理當前工作時，效率還是不夠好；但AI卻能不斷改善與優化，解決此前生產線上的問題。

第三，AI能透過prototyping（原型設計）挑戰現狀，以全新的想法與技術去解決既有的問題，並非只是強化（enhance）或改善。當新技術出現，管理與營運模式也會改變，需要有新的系統、作業流程與組織文化，因此也需要prototyping。

第四exploration（探索）與第五innovation（創新）是相對理想的狀態，前者是去探索數據中未知的轉換模式；後者是基於AI培育新的思想和business disruptions，屬最高級的創新模式。

目前我們在談AI的時候，大多都是在談第一到第三項目，它們是相對有績效的，也是發展AI很好的開始。不過也建議必須往第四與第五項前進，才是AI最有價值的功用。

現在AI模型的功能大多仍為歸納，較缺乏演繹或推論。雖然歸納可以找到關聯性，但不容易找到因果關係，也會比較難下判斷或決定。不過，透過Hype Cycle（技術成熟度曲線），我們也可以觀察到未來的科技發展趨勢。

面對典範轉移的未來，AI如何賦能人類？

AI的成功其實需要依靠與「人一起運作」，因此雖然技術很重要，但是單靠技術是不夠的，「好的技術」不是成功的關鍵。

那麼我們應該如何幫助同仁和AI成為合作夥伴呢？

首先，企業可以讓同仁從處理「所有事情」到只處理例外事務，不再陷入例行公事之中。因為「例外」仍在AI的能力範圍之外，這也正是「人」的價值之所在，當人們投注在例外之中，可以從中學到新事物。

其次，企業還讓同仁成為訓練者（trainers）與驗證者（validators）。因為所有的AI都需要訓練（training），訓練者本身除了必須擁有關鍵的技能之外，也要有相應的知識；而驗證者則是要能確認AI的結果是否為我們所認可的。

在AI專案中，我們需要針對不同的問題去組合不同專長的人，這其實就是一個"teaming"（組隊）的過程，需要培養默契，才能取得成功。

「組隊」並非易事，需要許多的學習與磨練，尤其AI專案通常很複雜，會牽扯到很不一樣的專業人士，包括數據科學家、工程師，以及擁有領域知識的專家。因為不同專長的人都使用自己的角度去看事情，使得「組隊」難度很高，但這卻是使AI專案得以成功的關鍵。

李維斌提醒，"teaming"是一種充滿挑戰的過程，絕非只是單純的建立一個"team"，或整理出一份名單，只是每個星期來開會，這些都不能確保合作成功。總之，當"team"加上了動詞"ing"，才是成功的關鍵，先要理解AI複雜性，才能知道如何組隊。

啟動AI之前的必要認知

所有的新技術都是為了解決舊問題，並從這裡為基礎帶來新價值。不過，除了新價值之外，當我們在引用AI時也要特別注意，比如「AI系統的內在偏見」與「對AI感到困惑和不信任」。

首先，因為現在我們擁有的許多數據都是舊系統蒐集來的，它們可能本身就已經帶著既有偏見與過去的社會價值觀，即便不符合現實，但卻可能已被AI學起來了，當AI把這些舊的價值帶到新世代，這就會造成系統的內在偏見。

其次，因為AI仍在研究中持續發展，許多炒作、術語和抽象性的討論，都會給AI貼上看似美好的標籤，但往往脫離了具體的商業價值，反而使得部分企業經營者對於AI產生質疑或不信任。當組織領導者對於AI充滿太多想像，就容易低估其複雜性；同時，AI最終仍必須整合到現有系統中才能發揮效用，而這就涉及系統整合與資安隱私等問題了。

最後，在啟動AI之前，李維斌也提出了幾個必須先思考清楚的問題，包含：是否擁有正確的數據來實現AI專案目的？是否擁有足夠的數據？如果沒有，要如何取得？該建置新的資料收集方式還是利用第三方提供的數據？該如何用新的策略方式來開始獲取數據？

最重要的是，在推動AI的過程中，我們必須避免落入只是為了收集儲存更多數據的迷思，並且專注在「相關性」、「正確性」和「即時性」，畢竟沒有深刻的社會分析能力為基礎，再強的資訊應用能力也是枉然。