編按：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。
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。
圖一：Machine learning vs. Manufacturing
原本圖中標題要寫 AI，不過 AI 是一個相對模糊的名詞，要拿來跟 manufacturing 做對照的話，用 machine learning 這個比較能代表「過程」的詞，會更適合一些。
先將這兩者做比較：
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存在。所以我們會聽到台灣長年把作業系統底層的 driver、燒在硬體裡面的韌體程式，及所有看不到的程式碼都歸類在軟體，但在這些工廠中也沒有所謂的「軟體工程」；所以即便硬體以外的全部都被稱作「軟體」，但定位只是「用來輔助硬體的工具」而已。
3.製造業的鏈結是單向的，所有的箭頭只為了最後的 3C 產品，一旦產品上市，軟體的成長也幾乎停滯（更新只是為了 hotfix，並不會增加新功能），並隨著硬體的壽命逐漸衰老而消失。
而軟體、資料、服務與需要人工智慧的產品則是相輔相成、迭代成長，舉幾個例子。
如客戶需要服務替他們分析資料、提供 insight，於是利用所需要的資料提供他們軟體服務，在這過程中逐漸累積夠多資料，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、可以做出更精準的預測模型，如此循環。
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。我相信李開復並不是要創業家「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，聽了之後這些幻想更會被加強，天真地覺得。
「軟體錯過了，卡位做 web 就好； 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，但卻有搞頭，那就是 B2VC，只是這個 VC 在台灣可能是「政府」，而投資人就是全民納稅買單。
從封建到帝王，再怎樣都不可能跳過城堡時代
FLAG 這些世界級的公司，近年在 AI 研究的能見度遠大於軟體工程。
一方面的確是有一些新的研究突破；但另一方面可能是軟體工程跟喝水一樣自然，沒有太多爆點，另外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。
下面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」的錯覺，或許是以為軟體與數據是硬技術，而且是「硬背的技術」，能夠照本宣科，有固定流程可以依循。但事實上它們不是，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」，就是由看不見實體的「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。
諸如以下這些思維：
1.談美術設計？不就是畫幾張圖？只是我不想畫而已
2.談心理健康？看精神科吃吃藥就好了，再不好一定是他抗壓性差活該；
3.談電競。打電動不務正業也能賺錢？
4.談APP。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、經過大家一起衝突、思考、異中求同、讓步，才好不容易進展到下一階段。
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，辛苦的在選上之後，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，但這在2017年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。
軟體服務的價值在自己找到痛點並解決。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兜得起來、每個元件有按照規格做好該做的事情；數據服務則必須 end-to-end 整個系統一起考量，否則很容易會落得 garbage in garbage out 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 與 Data Engineer 之上，還不包含最普遍的 Software Engineer；而研究最前緣演算法的 ML Researcher 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需要好產品，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 mindset 之前就學習 AI，不會知道什麼對市場重要、什麼有潛在價值；通常會做的事情就是把機器學習當成 API、當做以前製造業當中的一個元件，接個語音辨識 API 想要賣機器人、或是想要接個影像辨識 API 想要賣各種衣服偵測、異常偵測、物體偵測服務。但這些不明就裡兜出來能動的模型，常常無法抵抗產品環境的變動，沒有持續利用資料與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 的訪談中所說，很多東西是只有在業界產品才能學到的，像是 ETL、軟體工程、特定領域資料的知識。並且很遺憾地，也無法速成。
Data science, at the end of the day, is still something that you really just have to have real data to learn. Kaggle’s changing that a little bit, but Kaggle’s mainly focused on building the best model. But it doesn’t cover ETL, it doesn’t cover software engineering …
“… The problem is, when you’re doing data science, you need to learn how to talk to data sources. You need to learn how to analyze your domain-specific data. You have to know when the trends are bad or good. So there’s just a lot of things to learn and you can’t just wave the magic wand and learn that instantly.」— Adam Gibson, co-founder and CTO of Skymind
若學校、學術界、Kaggle 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（e.g. 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、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，又看到了這份想要「跳科技」的新聞，陳良基︰4年內追上AI國際腳步。新聞全文約 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。
1.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能下那麼快，主因Google提供TPU（機器學習定制晶片）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。
2.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有讀完，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。
3.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。
1.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？）
2.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？）
3.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看人工智慧的計畫而已，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
1.AI 要應用在產業，必須要能回答以下問題
1.還沒有商業模式的新創：需要用什麼資料、解決什麼問題？
2.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，都是可以從透過人大量、簡單地、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 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？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，有上萬個軟體的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。
2.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 buzz word。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。
3.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，實際上只是參數調教罷了。
4.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，那是毫無疑問會失敗的。
本文經作者leafwind同意授權轉載自《all about data》 。
《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。
（觀點文章呈現多元意見，不代表《數位時代》的立場。）
