「氣溫太高、太低、氧氣與水中酸鹼值等都是養殖漁業的『養殖風險』，一不小心，一台賓士車就沒有了！」寬緯科技董事長暨總經理蔡政勳說。以肉眼觀察水色、泡沫、魚群集中度、在水庫旁與白鷺鷥等鳥群狀態的「傳統養殖」法，就算觀察到了異常狀況，處置的時間也不夠長，讓業者損失慘重。

創新的水產養殖技術可以顯著提升生產力，讓養殖漁業達到「養得好又賣得高」兩大效益。為了解決這個傳統養殖的痛點，也看準這個市場利基，寬緯科技推出「水聚寶」（包括智慧養殖水質監測系統、智慧電箱和雲端平台3大部分），透過物聯網裝置，裝設感測器獲取數據，並且利用大數據分析，深入養殖的各個環節，讓養殖技術更加成熟，數據分析也讓預警機制處理更加充裕。

「利用AI（人工智慧）做到風險預測，我們可以在風險發生的前兩天就提出示警，如水溫高於多少？PH值多高？讓養殖業者有更充足的應變時間，終極目標是能找出養殖業的『最佳處方』。」蔡政勳指出，目前主要客戶還是來自台灣，包括石斑魚、龍膽石斑、白蝦、草蝦與虱目魚等台灣養殖漁業，國際市場的部分則在中國廣東以及印尼的蘇門答臘。

提升運作效率，增加競爭力

為了導入AI技術，蔡政勳親自學習人工智慧課程。他1993年畢業自中山大學企管所，並且有20多年網路科技業的創投經驗，後來在2011年創辦寬緯科技。他是財務出身，並沒有技術背景，對於AI技術也不熟悉，但這並沒有讓蔡政勳視AI為畏途，「過去覺得AI遙不可及，但經由系統性學習，掌握AI技術的系統與架構後，理解數據思考的重要性。」

蔡政勳認為，非研發背景經理人的重點不在於理解AI技術，而是數據思考並利用AI找出客戶的真正問題。除了公司產品面，蔡政勳也表示，「以前對AI一知半解，但有基礎理解後，發現AI不僅能用在公司產品面，也對公司本身從生產、策略到財務等面向，都能找到運作更有效率的方式，是一種競爭力提升。」

雖然在資訊發達的網路時代，各種免費課程都能直接接觸，是自學省時又方便的管道，但他提醒非技術背景的經理人，AI著重在應用，也就是「產業AI化」，因此光是自學技術本身並不足夠，最好能和同業或跨領域經理人相互交流學習，互相討論在實務應用上的問題、挑戰以及解方，這是極為重要的環節。

無懼營業機密外洩，最大受益者是自己

若討論房地產的3個重要因素是地點、地點與地點，那發展AI最重要的因素恐怕就是數據、數據與數據。「就算公司規模不大，若有意發展AI，還是要先累積數據，這是一個重要的準備步驟。」蔡政勳提醒若有意發展AI技術的企業。

台灣企業界雖然理解數據的重要性，也知道研究單位最缺的就是真實數據，但在台灣由於擔心洩漏技術性或商業性營業祕密，企業提供數據給研究單位的風氣並不盛行。然而寬緯大方開放真實的養殖數據給外界，如溶氧、溫度、酸鹼值、電池電壓與ORP（氧化還原電位）等，讓研究人員利用數據找尋最適合的演算法和模型，大力擁抱「開放式創新」。

蔡政勳大方表示：「不擔心營業祕密的問題，由於水產養殖受到天候、地點以及養殖種類不同，養殖數據差異很大，而且開放數據最大的受益者就是我們自己。在AI時代，擁抱數據開放是必經的路徑。」

經理人3心法學AI

1. 跨領域線下交流：經理人別只顧「閉門造車」。
2. 累積數據：有意發展AI前，就先累積好數據。
3. 開放式創新：開放數據最大的受益者，就是自己。

蔡政勳

出生｜1967年
學歷｜中山大學企業管理研究所碩士
經歷｜行政院科技會報辦公室高屏區域科技政策小組委員
現職｜寬緯科技董事長暨總經理

觸控IC大廠義隆電股價來到近5年新高點，2018年度獲利也可能創5年來新高。回首義隆電24年發展歷程，從1994年公司創立，1997年因為「電子雞」爆紅，並在2001年左右切入觸控IC領域，成為營收主力。在逐漸壯大過程中，兩度「以小搏大」，在與新思（Synaptics）、蘋果的「多指觸控」專利戰中勝訴，奠定義隆電在筆電與手機觸控IC領域地位。

近日義隆電在觸控板IC市占率節節攀升，可望超越對手新思，躍居全球觸控板IC龍頭。除了觸控板IC，在觸控螢幕IC領域，義隆電早就是一方之霸，觸控產品線占義隆電營收來源近7成。義隆電也成為微軟二合一筆電「Surface Go」供應鏈，並且研發全球首顆帶有觸控筆功能的TDDI晶片。在投資人眼中，這是義隆電在觸控領域研發投資的最佳收割時期，不過也在這時，義隆電啟動大轉型計畫。

解除部門高層疑慮，跨部門溝通更順暢

義隆電未來3年內將投入百人資源，布局涵蓋AI應用產品。義隆電董事長兼總經理葉儀皓在AI部分「兩路並進」，除了在觸控產品線導入AI，也研發智慧交通跨領域產品與3D人臉辨識軟硬體整合方案，並且在內部製造與管理流程也導入AI。

同時，義隆電也以新台幣3千萬元贊助台灣人工智慧學校成立。3千萬元對於年營收上看數十億元的義隆電來說並不多，但其收穫卻超乎葉儀皓預期，台灣人工智慧學校除了是台灣AI人才培育重要基地，也成為義隆電AI人才培育重要大本營。

葉儀皓強調，「企業如果要轉型，不是聘用幾個AI工程師就可以做好，而是從上到下，從公司同仁的理念到IC整體設計流程都要有很大轉變。」

在理念部分，AI技術雖然經由媒體與Google、微軟與IBM等科技大廠吹捧和推展，但對於以IC設計為本業的義隆電部門主管來說，還是對「AI可以做什麼？」與「現有產品如何AI化？」充滿疑慮。

「以智慧交通解決方案來說，就需要大量、各種車流的情境數據，還需要標註，這些都非常耗費人力，也讓主管很存疑，為什麼要這麼做？」葉儀皓說。

因此葉儀皓認為，讓各個部門主管相信AI能產生巨大影響是首要任務。「主管要去了解，AI可以做什麼？哪些AI幫助較大？哪些沒有幫助？」因此他親力親為報名人工智慧學校經理人課程，並要求公司各個部門數十位主管一起上課，「我跟主管們說，『你們若不上課要給我一個正當理由！』，而我16週以來只缺一次課。」葉儀皓說。

論文不掛帥，AI產品化優先

主管們對AI技術有統一認知後，跨部門溝通也更順暢，執行更容易。「整個企業是一個團隊，必須協同作戰。」葉儀皓強調，破除主管自身對於AI效能的疑慮後，部門間也形成良性競爭，「當A部門成功將AI導入產品，B部門主管就會積極尋思『我們部門能怎麼做？』」

另一方面。義隆電在管理流程上也導入AI，如專案管理的部分，把過去經驗數據訓練成預測模型，找出哪些人在哪些市場的什麼產品，有比較高的成功機會，「不僅是對外的產品，整個公司內部流程與管理執行，都可以用AI預測。」葉儀皓說。
義隆電在AI產學合作方面也相當成功

義隆電與中研院資訊科學所所長廖弘源團隊共同研發，推出「城市車流解決方案」，在馬路路口設置360度魚眼攝影機，辨識車種與車流，利用雲端平台分析數據，掌握即時車流狀況，讓交通運輸更順暢、更便利。目前已在新竹400個路口裝設魚眼鏡頭，國際的部分還進軍菲律賓，是義隆電重要新產品之一。

葉儀皓認為，「學界不應把學術論文當作主要考量，應該要以AI理論的產品化為優先，而且我對產品的要求很嚴格，要能拿全球第一。」

川普圍堵中國策略，為台灣開東南亞之門

「美國總統川普圍堵中國安防監控相關產品，對台灣科技業來說，是進軍東南亞的好機會。中國的一帶一路政策以金援為主，那台灣可以採用『智慧城市』技術走入東南亞。」雖然團隊已將產品商業化作為主要考量，但這項產學合作，還是讓台灣學界在邊緣運算演算法的研究更上一層樓。

義隆電成為觸控IC的一方之霸後，也不會僅駐足觸控，而是在AI新浪潮上抓到新機會。葉儀皓表示，「義隆電在手機平板與電腦觸控領域站上全球第一後，下個成長動能就來自AI。」

培育AI人才3心法

1. 從理念到流程都改變
   由上到下，從公司主管、同仁理念到IC整體設計流程都必須轉變。
2. 雙管齊下AI化
   不僅是對外產品，整個內部流程與管理都可以用AI預測。
3. AI產品化優先
   學界以「AI產品化」而非論文發表，為優先的產學合作模式。

義隆電子

董事長兼總經理｜葉儀皓
成立｜1994年
主要業務｜觸控IC、指紋辨識IC、微控制器（MCU）

邁入人工智慧（AI）時代，全球頂尖高等學校紛紛砸大錢設置AI專門系所或學院，如培育AI英才無數的美國卡內基美隆大學（Carnegie Mellon University）就在2018年5月宣布，設立美國第一個人工智慧科系，並已經在2018年秋季班學期開課；麻省理工學院（MIT）更直接成立AI學院。

2018年10月15日，麻省理工學院在學校官網公布成立新學院——計算學院（College of Computing）。值得注意的是，這個新學院有高達35％的資金來自企業贊助，贊助的人大有來頭，是美國投資顧問公司黑石集團執行長Stephen A. Schwarzman。他捐助了3.5億美元（約合台幣108.7億元）給MIT設立這個新學院，新學院也因此被命名為「MIT Stephen A. Schwarzman College of Computing」。

選才偏好「即戰力」，願長期投資育才者少

不過，這則消息卻讓台灣大學資工系的教師感觸很深，為什麼呢？原來台大資工系也要在2019年成立招生名額為15名的「AI碩士班」，但是教育部與台大校方都沒有針對這個AI碩士班給予額外的教學研究資源，因此台大資工系教授兼副系主任洪士灝在Facebook撰文，「我呼籲高瞻遠矚的企業家們理解計算和AI對於國家未來的重要性，贊助教育和前瞻跨領域研發。」

他擔憂地說：「我們雖然努力籌措資源，但還是有很大的改進空間，尤其是要跟世界一流的大學在尖端科技上競爭與合作，必須要有充足的資源與先進的設備，不能做土法煉鋼的井底之蛙。」

洪士灝呼籲企業家也鼎力贊助，「光是靠政府的力量恐怕很難有大作為，而且因為拿了一些政府的經費就得設法達成政客要求的KPI，並且接受其他學門和社會大眾民粹式的批判，也是一件頗辛苦的事情，不如透過募款自籌經費來做我們認為正確的事情。」

另外，台灣企業面對AI科技時代總是大喊「缺人才」，在徵才時則是先衝短期，用加薪或增加福利吸引優秀人才，而且大部分企業想招募的是已經理解機器學習（Machine Learning）原理，甚至能創造新演算法的「即戰力」，願意長期投資贊助台灣頂尖院校，培育學生從小苗變大樹的企業則是少數。

台灣企業有沒有想過，在大喊缺人才的同時，自己近幾年又花了多少銀兩或資源，培養台灣本土的學生呢？除了企業捐款踴躍度，在產學合作方面，台灣也還有不少難關有待克服。

產學合作三難：管理者思維、成本、開放數據

第一關也是最重要的關卡，就是企業管理者本身的思維。智慧醫療影像新創長佳智能執行長黃宗祺認為，企業管理者本身思維極為重要，需要更為開放、勇於創新的心胸，「這是一個嶄新的領域，要能容許犯錯、容許試誤，人工智慧領域需要跨領域的溝通協作，因此牽涉到組織型態與工作模式的轉變，以醫療領域來說，就更需要醫師參與，每個科室的醫師都是訓練AI的老師。」

另外一個層面，則是經營者不要陷於成本控制的迷思，落入「要馬兒好，又要馬兒不吃草」的困局。以醫療行業為例，「醫師的平日工作量已經不小，若要跨界合作，還要額外花自己的時間，但若醫師增加工時卻沒有得到應有的報酬，光靠熱血與情懷是走不久的。」黃宗祺說。

第二個關卡則是學術端。AI晶片知名新創、耐能智慧創辦人暨執行長劉峻誠在比較台灣與美國環境之後認為，美國學術圈進行產學合作時，重心在於技術的商品化或市場化，但台灣學術圈太看中論文發表與點數制度，很多產學合作的最終結果僅限於論文發表而沒有實務產品。台灣學術圈的格局還不夠大，或對商品化的企圖心還不夠強，這是很可惜的事。

觸控IC大廠義隆電在AI產學合作方面也相當成功。義隆電與中研院資訊科學所所長廖弘源團隊合作推出「城市車流解決方案」，義隆電董事長兼總經理葉儀皓談到產學合作經驗時不斷強調：「學界不應把學術論文當作主要考量，應該要以AI理論的產品化和產業化為最優先。」

最後一個關卡則是數據開放性。學界需要真實的企業數據訓練機器建出模型，但這些資料往往都是企業的營業祕密，無法外流。要如何取得兩邊的平衡？對此黃宗祺認為，最終核心還是在雙方互信機制。他以台積電為例，作為全球最大晶圓代工廠，台積電手上的客戶其實彼此都是競爭對手，但台積電卻可以贏得這些客戶的信賴，讓客戶放心把產品交到台積電手上。對企業來說，把真實的數據當成營業祕密保護是非常自然的事，因此需要這些資料的學界如何受到企業信賴，且敢把數據交予做研究是最重要的事。

高教和研究單位，是全球機器學習人才大本營！——機器學習人才分布狀況

1. 高等教育和研究單位33%
2. IT和電腦軟體業19%
3. 網路產業7%
4. 金融業5%

5. 諮詢顧問業2%

   資料來源：《Linkedin全球人才大數據報告》 整理：翁書婷

人工智慧（AI）時代，全球都把AI教育列入重要政策，中國已經先推出AI高中教科書，由商湯科技董事長湯曉鷗等多位專家撰寫、華東師範大學出版社出版的《人工智能基礎（高中版）》。這本設計給高中生的教科書除了中國，在台灣也備受矚目，因為鴻海集團董事長郭台銘購買2萬本給員工閱讀而聲名大噪，也成為科技圈的熱門教科書。

台灣也不落人後，桃園市立永豐高中與元智大學、祥儀企業合作，成立全桃園首個「AI科技實驗班」。教育部資訊及科技教育司副司長劉文惠就在一場論壇中指出，「教育部從小學到高中都有計畫引入AI教育。」這對台灣的國民教育來說會有什麼層面的影響？

行政院科技會報辦公室執行祕書蔡志宏指出，正和教育部計畫推動從國小、國中到高中的AI教育。師資與教學的時間，則可以利用《十二年國教新課綱》中「資訊科技」（國高中必修科目）的彈性時數。

課綱著重「引發興趣」，支持者樂觀其成

劉文惠指出，教學內容並不強調AI技術，而是「AI科普」，教學目標也不在於考試，而是在於「邏輯與批判思維」，並且利用基本的AI認知，引發學生自我學習興趣，因此「並非所有的學生都要強制學習」。同時，教育部也在準備給台灣學生閱讀的AI教材，預計2019年教材就會正式出版。

不過，中國出版的AI高中教科書除了許多科技圈人士自己拜讀，也購買給兒女閱讀。劉文惠對於這本教科書的看法是什麼？她指出，這本教材難度艱深，對於一般程度的高中生來說學習不易，台灣版的教科書會更淺顯易懂。

針對教育部的政策，學者專家怎麼看？台灣國民教育或高中教育需要開始教AI嗎？這是贏在起跑點，還是揠苗助長？

對於高中以下的學生而言，引發興趣是首要工作，而非課程的教學。對此，台灣知名AI新創Appier首席資料科學家林軒田指出：「10年至15年後，年輕人的身邊都是圍繞著AI，若他們能保持著對AI科技的興趣，然後有所啟發，都是很好的事情，這裡的興趣不僅是對於技術本身，培養一種AI使用的品味也是一種能力。了解AI能做到什麼、不能做到什麼，哪些是好的、哪些是不好的、哪些是有機會的，也就是AI的鑑賞能力培養。」

Appier首席AI科學家孫民則認為，「尤其是以興趣為主軸的科普教育，不僅對年輕人，對全民來說都是很好的事情。對年輕人來說，興趣才是最重要的。」孫民也指出，「因為未來AI會緩慢應用在我們生活中，其中大部分是使用者，僅有少部分是推動AI技術往前發展的人，希望藉由AI演講或推廣，找到真正有興趣的年輕人。目前教育部也有AI向下扎根的計畫，例如暑假舉辦高中教師AI訓練營，訓練出教師鑑賞能力，藉由基層教師找出哪些學生對研究AI感興趣，因此我對相關課程樂觀其成。」

國英數學業繁重，反對者憂揠苗助長

不過，AI在國教課程中出現適合嗎？尤其現在學生課程繁重，除了數學、國文與英語等學科還要加上學程式語言與AI，因此也有專家持反對意見。智慧醫療影像新創長佳智能執行長黃宗祺指出，「並非人人都適合做AI，有人喜歡數學，也有人喜歡寫詩。機器學習（Machine Learning）的核心在於評估為什麼電腦學不好，需要很強的理論分析、邏輯與推理能力，這些都是人的天賦，應該讓天賦自由。」

台灣人工智慧學校執行長陳昇瑋則認為，「微積分、數學、線性代數等學門是AI領域的基本功，高中生若感興趣，把這些領域的基礎打好即可。」

在AI教育之前，程式教育是熱門討論議題，台灣的程式教育和AI教育是什麼關係？專家皆認為，台灣要深耕AI教育，程式教育是重要根基，是AI領域的入門基礎，不會寫程式就沒有辦法從事AI相關領域研發與應用。

微軟大中華區人工智慧負責人暨台灣微軟行銷營運長趙質忠則妙喻，會寫程式就好像會寫字，而AI研發就好比寫作文，不會寫程式沒有辦法進入AI領域，就像不會寫字就沒有辦法寫作文一樣，不過「字寫得好不好和作文寫得好不好並不相關」，因此台灣AI教育課綱中，也會涵蓋程式教育。

趙質忠指出，AI重點在於各種場域的應用導入，因此AI科普教育中「人文思維」非常重要。社會學與哲學等領域都是很好的人文思維培養學科，舉例來說，當無人車撞到行人，在法律上要怎麼解決這樣的問題？

另外他也提醒，AI研究不斷變化，現在深度學習（Deep Learning）夯，也有可能在幾年後就被取代，因此培養學生自我學習能力才是重點。

全球大缺機器學習（Machine Learning）等人工智慧（AI）領域人才，根據2017年騰訊研究院發表的《全球人工智能人才白皮書》顯示，全球AI相關產業人才總數約30萬人，但光是中國，人才需求就超過百萬人。

從薪資分布來看，中國近8成AI職缺月薪資超過人民幣2萬元 （約合新台幣9萬元），5成突破人民幣3萬元 （約合新台幣13.5萬元），還有1.9％的企業更開出人民幣5萬元（約合新台幣22.5萬元）以上月薪。

台灣也不例外，104人力銀行指出，台灣AI職缺增長至6千個，以資料科學家、演算法工程師、機器人工程師的平均年薪較高，分別為新台幣122萬元、88萬元及83萬元。在強勁需求與高薪待遇下，聲望卓著、蟄伏學界已久的教師轉入業界，電腦科學學生也以AI為發展目標，資訊相關背景的人才也紛紛加入，還有不少非資訊背景的人才蠢蠢欲動，想轉職進入AI領域。

這個現象與2007年iPhone第一代上市後，全球瘋寫Android與iOS App潮流相似。當時台灣也有不少沒有電腦科學背景的人，靠著自學或坊間補習班進修C/C++、Java等相關程式語言，靠著寫App致富，日進斗金；然而人工智慧演算法或機器學習相關領域難度較高，也需要更深的學識基礎，換句話說，想靠幾個月的短期進修就轉職進入AI領域，可不像十幾年前轉職寫App或寫程式這般簡單。

基本功、產業知識要扎實，速成班只是神話

中文巨量資料分析新創藍星球副總經理宋浩就指出：「招聘人工智慧演算法工程師時，還是很重視學歷血統，希望是資工、資管等電腦科學相關領域的碩、博士生。」原因是一般寫個程式、架個網站，熟悉Objective-C、Swift與PHP等重要程式語言或平台即可，在資策會或巨匠等上個半年課就會有不錯的成果；但AI演算法工程師可就不同了，若要能設計新的演算法，除了基本的程式設計外，必須有線性代數、離散數學與微積分等數學基礎，以及懂資料結構與演算法等，這些領域基本功要夠扎實，只懂皮毛是不夠的。

也因此，對於坊間如雨後春筍般出現的「AI速成班」，或是各類強調「不需要擁有研究生水準的數學，你也可以輕鬆建立屬於自己的AI」的課程也要特別小心。這類課程可能學費幾萬元並不貴，但花招大於實質效益，花了時間可能只學到皮毛而已，這種三腳貓功夫要真正應用在產業界並不容易。

另外，若想要轉職，是否已經累積足夠的產業Know-how了呢？人工智慧重點在於跨領域整合，空有一身技術但對特定產業一竅不通，在未來跨部門協作時也會產生不少阻力。艾爾科技（MyET）執行長林宜敬指出：「依據我個人的經驗與理解，要調整出最好的參數，必須對特定的問題有洞見，也必須對機器學習的原理有深刻了解；對特定問題一知半解是不行的，只懂得如何使用工具也是不行的。」

轉職者學習速度，恐追不上大廠自動化速度

另外一項業界趨勢「自動化機器學習」工具出現，也讓入門相關領域的壓力變大。

雖然目前這類工具效用還相當有限，以Google的AutoML工具來說，主要還是在於「建模」，讓機器學習變成更容易上手。說能取代工程師是在開玩笑，但隨著技術進步，Google與微軟等公司所提供的服務取代入門級機器學習新手，並非毫無可能。

談到機器學習人才，機器學習的初學者和專家等級差距不小。當產業僅需要直接介接API（應用程式介面）或調用開源工具就可以調教出簡單的模型時，需要的是進一步將模型客製化，更貼近企業需求的高階AI人才。

展望未來，科技大廠販售或免費開源AI工具，降低機器學習複雜度是必然趨勢，因此在非相關背景的轉職者好不容易負笈歸來，可以一展長才時，可能科技大廠提供的工具或雲端服務水準就已經超越入門新手，也就是說轉職者的學習速度可能趕不上大廠的自動化速度。

另外，台大資工系教授兼副系主任洪士灝也在其文章〈對深耕專業領域的新創，Google AutoML應不是阻力，而可能是助力〉中，點出這類速成工具可能帶給學生的「學習隱憂」。

「我比較擔心的是學生們產生一種迷思：那就是趕快學會幾個所謂實用招數就去就業或搞新創，比起一些曠日費時的學習來得實在。什麼打好理論基礎、磨練研究分析能力、學習跨領域溝通技能，還不如讀幾本坊間入門書籍、用現成API做出吸引群眾目光的聊天機器人來得有成就感。」洪士灝在文章中如此描述。

當然，有志者事竟成，畢竟只要有決心，無背景轉職又何妨？天下無難事，只是若你已非社會新鮮人且年齡不小，非相關背景想要轉職AI領域，三思而後行。

熟悉演算法、機器學習技能人員最搶手！——全球AI領域人才需求Top 10

1. 演算法、機器學習
2. GPU（圖形處理器）、智慧晶片
3. 機器人
4. 圖像識別與計算機視覺
5. 自然語言處理
6. 智慧精準行銷
7. 語音識別
8. 推薦系統
9. 搜尋引擎

10. 智慧交通與自動駕駛

    資料來源：《Linkedin全球人才大數據報告》  整理：翁書婷