先有軟體與數據文化，才有AI／Leafwind
沒有軟體工程文化、不重視數據，就沒有絲毫追趕 AI 的可能性。
作者註：這篇文章篇幅不短（幾個月前開始想寫，實際動筆花了數週），但也沒有好方法分成上下篇，所以若您在通勤等零碎時間中，看到這篇文章覺得有興趣，不妨先加入書籤，否則可能會消化不完。
Machine learning vs. Manufacturing
原本圖中的標題要寫的是AI（人工智慧），不過AI是一個相對模糊的名詞。與其拿來跟
manufacturing
（製造）對照，用
machine learning
（機器學習）這個比較能代表「過程」的詞，會更適合一些。
先將「製造」和「機器學習」這兩者做個比較：
1. 製造產業鏈中，完全找不到「資料」的角色；
2. 製造業的軟體（更精確地說是程式），只是做為輔助硬體的工具。
所以，我們會聽到台灣長年把作業系統底層的驅動程式（driver）、燒在硬體裡面的韌體程式，以及所有看不到的程式碼，都歸類在「軟體」之中；但在這些工廠中，也沒有所謂的「軟體工程」。所以，即使硬體以外的全部都被稱作「軟體」，定位也只是「用來輔助硬體的工具」而已。
3. 製造業的鏈結是單向的，所有的箭頭都只指向最後的3C產品；一旦產品上市，軟體的成長也幾乎停滯。即使更新，也只是為了hotfix修正，並不會增加新功能，並且遲早會隨著硬體的壽命逐漸衰老而消失。
而軟體、資料、服務、以及需要人工智慧的產品，則是相輔相成、迭代成長的，舉幾個例子：
客戶需要由服務來替他們分析資料、提供深度資訊（insight）：於是利用資料來為他們提供軟體服務，在這過程中逐漸累積更多資料，來建構出機器學習分析的模型；進而提供更好的服務、累積更多資料，以便做出更精準的預測模型，如此反覆循環。
又譬如地圖服務的推薦路徑功能：使用者在上面搜尋目的地、服務提供他最快速、距離最短、或最省錢的各種方案，也個別預測所需時間、塞車與否；而每次使用者的資料也會被收集起來，為下次預測模型的訓練做準備。
接著進入正題。
想做AI，十年前就得先做好軟體與數據了
李開復說：
軟體創業、互聯網、移動互聯網、社群網站四個領域都沒有建樹，而且落後了全球發展。
在AI時代來臨時，台灣不要錯過這個最好的創新創業的機會。
我相信，他並不是要創業家「不做軟體就跳到AI」，但因為他只給了「希望」，卻沒有點出問題。
很多創業家與老闆原本就有不切實際的幻想，聽了這些之後，這些幻想更會被加強，甚至天真地覺得：
軟體錯過了，卡位做Web就好；如果Web錯過了，卡位做行動與社群就好。
行動與社群錯過了，卡位做大數據就好；現在大數據都還沒做，我們直接做AI就好。
所以我們到處看得到這類荒謬的想法：
因為我們錯過軟體、大數據，所以現在趕快追上AI；因為我們不擅長軟體，所以用硬體優勢追上AI。
……彷彿AI跟這些東西毫不相關似的。
只有一種事業可以忽略軟體與數據文化，直接做AI，卻可能有搞頭；那就是 B2VC（企業對創投），只是這個 VC 在台灣可能是「政府」，而投資人就是全民納稅埋單。
從封建到帝王，再怎樣都不可能跳過城堡時代
FLAG（Facebook、LinkedIn、Apple、Google）這幾家世界級的公司，近年在AI研究的能見度方面，遠大於軟體工程。
一方面的確是有一些新的研究突破，但另一方面則可能是軟體工程跟喝水一樣自然，沒有太多爆點；比起艱澀難懂的軟體工程技術，企業行銷部門與媒體更愛追逐與生活相關的AI題材。
（比較陰謀論的想法是：部分企業為了引導潛在競爭者走向毫無勝算的AI戰爭，但這是題外話）。
不管媒體版面如何，矽谷的軟體公司有著遠比台灣「科技業」紮實的軟體工程基礎，而其中大型的軟體公司，更是坐擁其他對手完全無法抗衡的資料數量。
以下試著從幾個面向，來看開頭那段（或許不少人都有的）想法有多荒謬：
硬（背）的技術 vs. 軟的文化
會有「可以跳過軟體」的錯覺，或許因為以為軟體與數據是硬技術，而且是「硬背起來就好的技術」；所以能夠照本宣科，有固定流程可以依循。
但事實上它們是「軟的文化」；人工智慧雖然可以跟硬體結合，但本質上無法逃離軟體服務的範疇。
「軟體服務」是由看不見實體的「軟體」、與沒有實體的「服務」所組成，而這些正是台灣長年漠視的文化；我們真正在意的，是看得見的包子與看得見的價格，對深遠的影響與內在的價值，卻鮮少認真評估。
美術設計？不就是畫幾張圖？只是我不想畫而已。
心理健康？看精神科吃吃藥就好了，再不好一定是他抗壓性差，活該。
電競？打電動不務正業也能賺錢？
一個 app 也要幾十萬？這不是看書自己學一學幾天就會了嗎？
凡是文化，必定得經過一段陣痛改變期，大家一起衝突、思考、異中求同、讓步，才有可能進展到下一個階段。
譬如選舉。台北市長柯文哲曾經說：
對我而言，這不只是一場選舉而已，它更是一場改變政治、改變選舉文化的社會運動。
不懂的人，還會覺得是個成功的故事，從此過著幸福美滿的日子。但選舉時任何的改變都只是開頭；辛苦選上之後，如果沒有持續進行文化的抗爭，幾個月的波瀾很快就會被幾十年的文化打回原形。
而產業的文化，也並沒有比較輕鬆；不如說，整個台灣的文化都是類似的問題。
台灣是個小島，自然資源成本（土地、環境）在先天上有著絕對的劣勢，同時人口紅利也已經消失，廉價的勞動力優勢不再。
不管是軟體、人工智慧、設計、旅遊、文創，要轉型就必須從實體（硬體）文化走到「價值」文化。
十年前或許大家半信半疑，但在2017年的現在，這應該是很基本的常識。
然而台灣目前的「軟體服務文化」、「產品開發文化」、「數據導向文化」，目前都是不及格的狀態；要跳過這些課程，直接進到人工智慧，只怕在「課堂」上會鴨子聽雷。
軟體服務的價值，在於自己找到痛點並且解決
若軟體服務與數據文化不存在，那不管再怎麼拼命套模型，也很難套出一個有價值的服務。
製造業著重在硬體功能必須可以整合、每個元件都按照規格做好該做的事情；而數據服務則必須「端至端」（end-to-end）整個系統一起考量，否則很容易會落得資訊業界所謂「垃圾進、垃圾出」的下場。
機器學習技能金字塔底層廣且深 ，深厚的地基需求無法忽略
這張國外三年半前就有的示意圖，可以看出機器學習是奠基在「ML Engineer」（機器學習工程師）與「Data Engineer」（資料工程師）之上。
這還不包括最普遍的「Software Engineer」（軟體工程師）；而研究最前緣演算法的「ML Researcher」（機器學習研究員）只是頂端的、最少數的那群人。
通常連象山都沒自信爬得上去的人，應該不會想要去爬玉山主峰；而台灣業界與政府在這十年中，並沒有積極培養基礎軟體工程、資料工程的人才；部分新創有在努力，但資源、人數與大企業相比，只能說是聊勝於無。
實務經驗吃重：資料科學仰賴從工作中大量的學習
AI 本質是軟體、它分析的是資料。
雖然有時候營利的確不一定需要好產品（唉），但不懂軟體、不知道資料的價值，就無法做出有價值的產品，更遑論營利？
舒適的回頭路：把機器學習、人工智慧當做API接起來給硬體用
在沒有軟體與資料的思維之前就學習AI，不會知道什麼對市場重要、什麼有潛在價值。
這類人士通常會做的事情，就是把機器學習當成API（程式介面）、當做以前製造業當中的一個元件，接個語音辨識API就想賣機器人，或是接個影像辨識API就想賣各種衣服偵測、異常偵測、物體偵測之類的服務。
但這些不明究裡、兜出來能動的模型，常常無法抵抗產品環境的變動；沒有持續利用資料、並且隨之成長的軟體服務，很快就會失去價值。
最直接能賣的，或許就是這些智慧軟體服務周邊的硬體產品，回到以前的製造業老路，這也是台灣很愛「物聯網」這個名詞的原因之一：新的智慧硬體設備「或許」在未來會有大量需求，因此把人工智慧、服務的部分交給其他人，而台灣繼續著重在製造代工這一塊，也「或許」可以賺上一筆。
但畢竟當年是硬體主導產品，以後恐怕會是服務價值主導產品，若只想靠代工製造，實在令人擔憂。
資料服務的學習曲線不只陡峭，連入門的機會都很少
那麼我們只要去累積軟體服務與資料的經驗不就好了？
可惜的是這些經驗在學校、學術界極難取得，如同Adam Gibson在訪談中所說的，很多像是ETL（資料抽取轉換處理）、軟體工程等特定領域資料的知識，是只有在業界實際做產品才能學到的。
而且很遺憾地，這些也都無法速成：
資料科學終究是一門必須靠實際資料來學習的專業。Kaggle平台的出現，確實帶來了一些改變，但它的主要目的在於建立最好的機器學習模型；而這個部分並沒有涵蓋到ETL或軟體工程。
……問題在於，當你從事資料科學工作的時候，必須懂得如何跟資料來源溝通；你必須學習如何分析屬於特定學術領域的資料，也必須知道趨勢正在往好的方向、或是壞的方向走。
所以，要學的東西真的很多，你不可能像變魔術一樣，一下就全部學會了。
— Adam Gibson，Skymind共同創辦人、技術長
如果在學校、學術界、甚至Kaggle都學不到，那去業界學呢？
這又回到前面不斷提到的文化問題：台灣業界並不將軟體工程與資料科學視為顯學，因此只有非常少的地方（例如少數跟大企業有真實資料合作的研究室、更少數擁有夠多資料的新創公司）有機會接觸到這些真實資料的產品。
多數情況是，連大企業都未必有好好收集和處理資料，更遑論台灣是以中小企業為主的國家？
不管從文化、技能、經驗的角度來看，要跳過「軟體」與「資料」這兩大基礎，卻能做好AI，都無疑是緣木求魚。
台灣政府的對策
這篇文章寫到一半，又看到了一份想要「跳科技」的新聞稿：〈陳良基︰4年內追上AI國際腳步〉，全文約2400個字（註：貼上Google Doc算的）裡面，「軟體」這個詞沒有出現過；其中出現兩次「軟硬體」，但「軟」這個字也只是順便的。
硬體主導的陰霾仍然揮之不去
台灣博士黃士傑近期回台灣就坦言，AlphaGo棋能下得那麼快，主因是Google提供TPU（機器學習定製晶片）讓它能快速學習及演變出新招數，棋力才能大增。AI要運作奏效，最重要還是「頭腦運作要快」、也就是輸入的資料數據演算要更快速，才能與思考、推理結合一起。
三月時新聞一出，我問：「用50億打造AI人工智慧研發中心，該不會就只是要買機器？」
四個月之後，政府告訴我們：「雲端服務與大數據平台」的內容就是砸50億買硬體主機。」（還特別強調AI的大腦是晶片）
中國有霧霾，台灣則是有看不見的心霾：一片揮之不去的硬體遺毒，長年籠罩著台灣揮之不去。
乍看之下產學端都考慮了，但卻看不到連接的橋樑
剩下的兩個建設項目，為的是能夠兼顧產學雙方的需求。
論學界的先進研究：
用50億預算打造「AI創新研究中心」希望整合學界演算、AI 教授學者去招攬國內外人才到台灣來研究。
論產業應用：
編列20億預算給『智慧機器人創新自造基地計畫』，可以應用在生技、機械跟醫療器材等領域。
看似既能培養研究人才、又幫助了台灣產業，兩端好像能結合供需；但如果有認真看這篇文章前半段，部長兩千多字的採訪也讀完，就會發現盲點：
沒有軟體與數據的文化藍圖，就像是在河的兩邊興建開發案，但是沒人會搭橋，最後西邊蓋起象牙塔、東邊蓋起百貨公司。
政府要鼓勵大家去想，而不是給錢讓兩邊玩自己的就結束了
有人會說：政府不應該告訴企業要解決什麼問題，產業營利、轉型是他們自己的責任。
誠然，政府不應該替企業煩惱這些事情，但也絕對不該只是砸錢產出一堆研究人員、再砸錢買廠房給大家用，最後兩邊搭不起來。
在目前這個時間點，我看到的不是鼓勵造橋，而是回過頭去補助既有的包袱，讓他們用以前的方法做事情：
研究機構的技術無法應用到產業端 ⇒ 再補助更多經費跟機器，讓學界產出更多研究人員（創造更多失業人口？）
有很多企業轉型困難 ⇒ 再補助這些包袱沈重的企業讓他們弄幾個創新專案（連軟體跟數據都不存在的企業，要怎麼養人才？）
不知道錢該怎麼花 ⇒ 先買機器、蓋工廠就對了（標準的製造業思維，而非服務業）。
當然，目前也只是從媒體報導的紙上談兵，去觀察人工智慧計畫而已；我還是很希望以後能夠被政府狠狠地打臉，說這些他們都考慮到了，是我太天真。那樣的話，表示台灣還有一點希望。
Do’s and Don’ts
前面寫了不少悲觀的想法，當然，台灣也不缺我一個人去批評，所以最後試著提供個人愚見，希望改變一些陳舊的想法、也引起更多人的重視。
AI 要應用在產業，必須要能回答以下問題：
還沒有商業模式的新創：需要用什麼資料、解決什麼問題？
有什麼問題是有資料之後，可以雇用「人」來解決痛點的嗎？有什麼資料是「人」可以拿來分析並創造價值的嗎？
這裡都講用「人」而不是「人工智慧」，是因為很多服務要解決的問題，都可以透過人來大量、簡單、重複地分析資料來做；只是機器學習「有機會」讓服務更精準、更有效率。
所以在研究人工智慧之前，不妨先想想「工人智慧」可以做到什麼：比如影像監視、圖片物體辨識、語音辨識、自動駕駛，請人類來做，可以提供有價值的服務嗎？如果有，機器來做可以做得比人更有效率、或是做到差異化嗎？
如果沒有辦法回答這些問題的話，再強的模型都沒用，也沒必要去想AI。
還在殺豬公的企業：要怎麼實現外太空的應用？
長年缺乏的軟體環境與無結構化的資料，要如何提供養分給機器學習？業界知道資料的重要性嗎？
業界的訓練資料（training data）哪裡來？大數據喊了很久，業界有在積極收集、處理、分析資料嗎？
企業主不應該輕易放棄收集資料，如果沒有頭緒，這篇〈Brands are Hiring Chief Data Officers for all the Wrong Reasons (And What to Do About it)〉給了一些收集資料的方向，是個不錯的參考。
怎麼導入AI？CNN、RNN等這些學界正夯的機器學習模型，如何應用在既有產業上？以台灣業界長年忽視軟體產業的體質，如果幾年內暴增上千個優秀的研究人員，上萬個軟體工程師，能做好基礎建設嗎？
目標放在上太空固然是好事，但這類務實面的問題百廢待舉，我們每天要做的事，應該是考慮如何讓自己殺豬公的科技樹跟上，而不是興致勃勃地談那還上不去的外太空。
回頭做好基本的軟體與數據文化
不要民粹式地一窩蜂擠向頂尖研究、或盲目追逐任何熱門話題關鍵字。頂尖研究很好，但要有對應的基礎支持。
硬體當然是基礎的一部分，但如前面所提，軟體的基礎是個大洞；即使有這麼多非資訊本科系的人才都拼命想做AI，台灣每年大量的資訊科系畢業生卻都以投入硬體產業鏈居多。
目前的軟體生態系要支持AI產業，恐怕還是太脆弱。
不要一窩蜂追求最夯的研究議題，深度學習不是萬靈藥
近年深度學習（deep learning）正夯，在校園徵才時聽聞不少實驗室都開始在做深度學習；可以說只要是理工的實驗室，做深度學習就一點也不奇怪。
但我卻發現，有些案例只專注於研究深度學習，其他基礎的機器學習模型並不熟、甚至不會；或許這只是特例，但我卻開始擔心這是常態。
就像機器學習產品必須建構在軟體服務之上，深度學習模型也是建構在那些「不時髦的」機器學習理論基礎之上；如果連基本理論都不懂，那表面上說在研究深度學習，實際上只是參數調校罷了。
不是什麼東西都用「兜」的，有價值的服務得從文化改革開始
「給硬體就能生出 Alpha Go」、「給企業更多的研究人才就會迸出 AI 產品」、「拿硬體去套 deep learning 的 API 就能賣錢」。
所有認為「兜一兜就有」的人都應該想想，自己心中那個模糊的「AI」到底想解決什麼問題，戳破這些不切實際的幻想之後，才能正視問題。
最後，雖然重視軟體與數據，不見得就做得起 AI；但任何組織若喊著AI，實際上仍然不重視這兩樣基礎的重要性，那是毫無疑問，必定會失敗的。