《數位時代》與前科技部部長陳良基，一同探討台灣在AI代工的角色與商機。
AI代工（AI Foundry）是什麼？
陳： 各行各業都想利用AI，但各有不同需求，像是金融業、製造業、醫療、教育、行銷、法律等專業領域，需要的AI都不同。這時就需要「AI代工廠」提供AI Foundry（AI代工）的服務，企業可以放心把數據交給AI代工廠，進行模型訓練、調校等，不怕資料外洩給第三方，讓企業可以擁有自己的AI。
例如，有1家製藥公司在開發新藥物時，想利用AI輔助，但製藥公司沒能力自己去建置完整的AI設備，包含硬體設施、算力建置與軟體等。
製藥公司可以與AI Foundry合作，由製藥公司負責開出AI應用的規格和使用場景，像是AI需要理解藥品的分類，以及不同藥品、元素之間的交互關係，還有藥品與人體反應和副作用的各種結果，將這些規格開給AI Foundry幫忙建置AI模型，並導入製藥的產業知識，讓製藥公司可以快速導入AI應用。
企業應用AI的關鍵，都是為了提升競爭力。企業絕對不敢隨便告訴競爭對手要做什麼系統，也不敢直接把專業知識都丟進ChatGPT訓練。而當企業需要AI能力時，誰來幫它搭這個舞台？誰來成為AI訓練模型的提供者？
我認為台灣有能力承接AI Foundry的商機，因為只要企業能開出明確的規格，台灣過往代工的經驗，就有辦法拆解、製造。
這不只補上了企業應用AI的需求，也符合台灣現狀。台灣並不擅長「出題」，所以不容易從零開發一個全新的市場，但台灣非常擅長「解題」。當企業需要特殊應用的AI模型工具，就是一種「出題」，讓台灣可以發展AI Foundry。
另外的部分是，AI Foundry目前沒有一個標準或固定的商業模式，所以這也是比較開放的市場機會，AI Foundry發展到最後，其實就是1家廠商，能幫企業客戶去做AI算力規畫和後續軟體服務，並不會和客戶有利益衝突，這也是台灣晶圓代工的精神。
意思是，台灣代工廠商不會跟客戶競爭，這就是很重要的廠商與客戶間的信任關係，因為企業提供很多資料，在數據的時代當中，那麼多廠商客戶機密都要揭露給代工廠，如果發展到最後，有一天會跟客戶競爭，就產生了利益衝突。
台灣的晶圓代工，其實已經讓世界知道，台灣的代工不會跟客戶搶單，也不會跟客戶競爭，這個概念可以適用在AI時代裡面。
AI技術不斷演進，台灣優勢在哪裡？
陳：AI不斷地蓬勃發展，全世界各個產業、各個國家都需要AI的時候，台灣不一定要跳出來當明星，跟著雲端大廠（Google、Meta、微軟等）一起高喊應用端的AI，而是回過頭來看看自己的長處是什麼。
台灣的電子產業早就是全球科技進步背後的舞台架設者，我認為應該繼續善用這樣的優勢，特別是現階段電子、半導體產業打下的信任基礎，也有助於台灣發展AI Foundry的角色。
目前現有的AI工具主要以通用型為主，如ChatGPT、Gemini等，提供一般大眾的使用需求。且雲端大廠多為「封閉型」的AI服務，也就是從雲端、算力、應用一條龍供應，就像過去半導體產業的縮影，AI Foundry可以做更細緻的專業分工，藉此成為另一種力量。
對企業來說，真正好用的AI，一定需要領域專家、專業知識從源頭就開始協助模型訓練，把這些知識變成模型，未來可以持續利用、持續優化，對企業才是最有利的。但企業不敢貿然把所有的知識丟進封閉型的AI，他們害怕核心的知識被偷走。
不過，就像先前所述，只要有辦法開出規格，就是台灣AI Foundry的機會。
而台灣電子產業的另一個特點「靈活性」也會更加重要，當AI技術持續向前發展，革新的規律大概是1到2年會有一個新的世代改變，變化非常快速。只要技術處於快速變動的狀況，對台灣電子產業就有優勢，因為台灣電子產業在技術靈活性比較高，未來業界喊的是什麼口號，台灣都有機會跟上、成為最重要的供應者。
封閉式AI、開放式AI有何不同之處？
陳：AI工具從一開始的訓練到最後成為企業可用的輔助工具，就像是一個大學生讀完書、畢業到進入職場的過程。
在大學階段的學習，就像是AI初始訓練資料的階段，學習科系通用的基礎知識。但進入職場後，畢業生就需要企業的員工培訓，建立企業內部的專業知識和企業文化等，才有辦法成為一個對公司有貢獻的員工，這個員工培訓的過程就是「AI模型的調校」。
而AI模型分成2種，「開放式」和「封閉式」。封閉式的AI模型，就是指所有專業知識調校必須送回到封閉式的後台系統進行，但調校的資料就有可能會洩露給這些提供AI模型的雲端廠商。
這也是現在企業導入AI的痛點：公司要培訓新進員工，應該在公司內部訓練完，變成我公司的專業人才才對，但是我現在把AI教會，等於把知識給模型背後的科技巨頭。
所以有很多新創企業很可憐，他們好不容易用AI提出一個新的工具，但半年後，科技巨頭的AI模型就可以做到新創所推出的新技術，那新創公司的利基就都不見了。
而「開放式模型」的意思是，學生大學畢業後到企業應徵，我會知道這個學生過去學了什麼內容，比如是電機工程相關科系，或是傳播相關科系，然後接下來學生進入企業後，企業怎麼訓練員工跟原本的大學是沒有關係的。
意思就是，公司內部的資料不會再丟回去給原本設計AI模型的公司，資料是掌握在公司手中，也就是AI模型公司提供一個開放的模型，然後接下來所有要調校的資料，公司可以自己掌握，甚至修改AI模型的原始設定，不需要再由AI模型公司（學校）修改。
幾年後，如果有新的AI模型（新的畢業生），而且符合企業的需求，就可以再導入企業（聘一個新的畢業生進來），並繼續進行內部訓練調校，這樣的型態是比較適合各個行業，也可以達到百工百業用AI的目標。
小語言模型是未來趨勢？台灣如何掌握先機？
陳：台灣其實是可以藉由AI帶來的機會，與全世界正在做開放式AI模型的研究機構，如Llama、Mistra AI（2023年成立的法國科技公司）等研發AI開放模型的公司合作。
類似槓桿原理，產業要發展一定要透過相互助力，台灣若要做到AI Foundry，就是要找到世界的助力，那這些助力就是做這些開放式AI語言模型設計的公司。
而且現在大家普遍使用的都是大型語言模型（LLM），那大型語言模型現在其實是一種比較暴力式的超人形態，什麼都要會，要會寫詩又要會訂機票，因此運算的需求量也高。可是如果使用者只想聘請一個美術、文字編輯或行銷人才等，就不一定要員工所有技能都會。這時，其實模型就可以設計成特定功能的小語言模型，進行小規模運算，變成比較精巧型的模型。
另外，既然是精巧型的模型，所運用的算力，不見得是要通用的GPU來算，也可利用AI的ASIC（客製化的晶片）來做，而現在設計研發ASIC對台灣來講已經非常容易。
所以未來只要需求量夠大，台灣的晶片廠也能協助開一個專用的ASIC來服務企業內部的AI運算，這就是台灣企業可以掌握的商機：針對提供AI能力的企業，或想要用AI能力的企業設計出開放式的AI模型和晶片。
那要提供企業AI模型，又要硬體設備，在這2個領域當中，台灣本來就有這個軟硬體整合優勢，因此台灣並不陌生。台灣廠商對專業代工很有經驗，所以AI軟硬體整合服務的轉型方向比較不會轉到完全無法負擔，因為AI Foundry就是一個解決方案，透過專業代工服務來提供企業的AI使用需求，台灣其實是有很長期的經驗，這是我們的優勢。
AI代工需要的人才從何而來？
陳：假設AI Foundry是從台灣先開始的話，在AI軟硬整合這一塊，基本上還是屬於韌體（控制硬體設備的系統），而不是提供給消費者的軟體，那台灣的晶圓代工、電子代工產業在這個領域並不會那麼陌生，且台灣這類的人才並不缺乏，因為我們過去從PC代工開始，所以PC裡的韌體台灣廠商本來就都會做，我們只要再思考如何優化這些運算的能力並強化。
所以AI Foundry比較像模型服務產業，也是運算服務的產業，提供企業一個調校更快、推理更快的AI模型，就像想要喝牛奶，不見得要蓋一個農場，企業只需要一個品質好的AI模型而已，不需要自己蓋整個資料中心。而讓AI模型調校得更快，推理更快，對人才的需求也會是設計韌體應用介面的人才，而這已是台灣的強項。
台灣晶圓代工和電子代工的產業，現階段要做的就是從生產製造轉型到數位服務的型態，工作模式也比較有自由度，不會像過去製造業的工作模式這麼嚴格，人員操作的部分，將來可能會以工業自動化或智慧化做替代，人員就會是監控系統設備的角色，並且需要比較多的時間去發想新的商業模式，以這樣的發展趨勢下，台灣的人才其實不會不夠用。
而關於人才的核心能力，在AI時代可以想像成新的工業革命，過去18世紀工業革命下，車子就是當時代的新產物，那時的人們就會需要學習如何開車，而AI就像是這時代的車子，將來不管學什麼內容，每個人可能都會需要使用AI的能力。
延伸閱讀：「一滴水落在伺服器就完了！」黃仁勳催出液冷散熱商機，但普及還有2大難題
誰是下一個OpenAI？盤點5家「重量級AI新創」，輝達等科技巨頭都捧錢投資
責任編輯：蘇柔瑋
