資訊爆炸的時代，每個人都得到了不同程度的網路資訊恐慌症。人們每天透過滑手機輕易迅速的接受到各種所謂流行新知或議題，深信這樣就是在累積知識。AI更是這一年來，席捲各式資訊Channel、侵襲眼球最頻繁的流行語（Buzz），人人言必稱AI。「取代你的工作」或「毀滅人類」這種說書人末日論述這裡不談、「N個步驟讓你輕易了解並成為AI達人」這種123懶人包這也不提、深入淺出的解釋AI原理已經有好多神人發表了神文。我只關心，當其實是身處於絕對外圍的你，不想再把當AI看做一個潮流用語，而真正的想要開始將AI放進你（公司）未來事業規劃中的時候，該從何審慎的、亦步亦趨的開展？ AI生態系統的宇宙觀 先談一下宇宙觀，那是指你認為世界總的來說是什麼。如黑格爾說：宇宙是精神的，馬克斯說: 宇宙是物質的。漫威電影宇宙（Marvel Cinematic Universe）設定九大國度在一個平行宇宙，無限寶石（Infinity Gems）是這宇宙中威力強大的寶物。復仇女神因厭倦存在，她將自己的身體分化成7顆寶石，而只要擁有無限寶石，即擁有超越神人級的力量。寶石被陸續發現與爭奪，開啟了一個個演不完的英雄故事。這裡的宇宙觀是指，你認為，你所在AI的生態系統有多大、有哪些要素、該怎麼運作、怎麼演。 生態系統是一個，嗯，算是流行語，是台灣IT產業每天最喜歡掛在嘴邊的五大流行語（Cost Down、Update、Sync-up、CP value、Ecosystem）之一。但在AI時代，不能就如此反射性的提到「生態系統」，因為完全沒有辦法依循PC或Mobile時代的前例來打造AI時代的生態系。 IT產業過去習慣的Wintel架構下的供應鏈思維與競爭方向性應該要被重新洗牌。接下來是AI。其層次簡單來說，機器學習是達成AI人工智慧的一個途徑，而深度學習是機器學習的一個途徑。AI人工智慧包在最外層、機器學習在第二層、深度學習是最裡面的第三層。 要成功的建構AI的生態系統，必須從產業Vertical出發，由擁有Domain know-how的Vertical提出當下痛點、界定欲解決的問題後，和會寫深度學習演算法的資科科學家，一起定義何謂有意義與質量的資料，資科科學家決定使用的Network model，擁有Domain know-how的Vertical 協助在龐大資料裡加入標籤(Labeling)。如此在夠透過足夠強的硬體運算，反覆驗證及深度的學習， 形成演算法，完成訓練(Training)的階段，再將此演算法部屬(Deploy)到Edge 端，進行推論(Inference)，依照使用情境在Cloud端推論或是用Device來推論。 Vertical、擁有Domain know-how者、資料來源方、資料科學家、訓練端軟硬體提供商、推論場域、推論端軟硬體提供商等等，是為構成AI生態系統裡的不同角色。一但要開展AI的事業，一定要報隊找到可以扮演每種角色的人，組一個生態鏈。至於要運轉及推動這個生態系統圈繼而打造成功的Business model，其所需要的動態競合機制，就是你心中的與宇宙觀。 認清你在生態系中的角色 生態系統中有不同的角色，你我都可能在其中代表著重要的份量。若你在某個產業中， 若你有某種Domain know-how，且握有海量資料，或知道如何取得海量資料，你就可以針對欲想解決的問題與痛點，預期一個問題被解決場域（場景）及解決後所帶來的好處，來設計Business model。 目前市面上所看到的AI應用都是這樣發展出來的。矽谷有一家Startup叫作GoFind，他們觀察到消費者有一個痛點，就是常常看到別人正在用某一個東西，覺得很棒很喜歡，卻不知道馬上知道在何處購買或是價格多少，GoFind認為，如果消費者能用手機拍照後直接辨識物品連結到相關電商page進行下單，這應該是個很好的Business model。 於是他們找了600家的eCommerce stores，用深度學習的方式，使用NVIDIA CUDA及Tesla K80 GPU，訓練了超過2000萬張商品圖片，由具有產品Domain know-how的商家來協助標出商品特徵，該公司的資料科學家萃取出這些特徵，寫出可以準確辨識的演算法，經過大量資料與反覆驗證後，佈署到Amazon及IBM的雲端服務進行推論。當消費者手機拍下身邊即將要錯過的商品後，傳至雲端比對，立刻將消費者導入商品的購買頁面，並且還給予更多更好的推薦。成功的利用生態系統裡面的各種角色來協助完成AI。 至於何處能夠找到厲害的資料科學家或如何訓練或培養公司IT人才呢？目前不是每個會寫程式的人都可以勝任資料科學家這份工作的（如果你學過統計學中的貝氏定理更能體會）。貴公司的IT人才也不是一朝一夕可以訓練到位、做出準確度極高的演算法。建議可以從國際大廠在local想要培植的Hero developer team開始詢問合作機會， 如NVIDIA的inception program，投資或輔導了全球各地2000家左右的Startup，可以從中挑選試合的團隊進行分工合作。 Microsoft與Google也有許多Startup方案，資源豐富透明。 訓練培養公司IT人才的部分，建議直接上Coursera找AI大神Andrew Ng吳恩達的Deep Learning Specialization課程或是台大資工林軒田老師的「機器學習基石 」，開始照表操課，學習使用各種Framework，加上利用Google、Amzaon、Micrcosoft、NVIDIA所提供的軟體教學資源，還有試用Github上面各種大神無私分享已經驗證過的model。諸多伸手可以及的學習資源，可以讓有志加入深度學習行列的人才更容易學會。 掀桌理論 一位對岸的年輕創業家和我分享他自己行走市場奉行的「掀桌理論」。當你飢腸轆轆的進去一間方圓百里中唯一的一家餐廳，發現沒有你的位子坐，也沒有人要讓座給你時，最好的方式不是摸摸鼻子離開，而是找一張桌子來掀桌，也許會有衝突，但可以重新洗牌，創建新秩序，也讓別人立刻知道有你這號人物，不敢輕視你（當然你要確保自己有足夠實力不被整個攆出去）。雖然這狼性論點有點戲劇化，但AI所要達到的，就是破壞新秩序，摧毀現有供應鏈，讓原本生態重新洗牌，建立你認為的新生態。 在設計AI策略時，若沒有想到這一個夠遠大的目標而只是為了取代人力，AI策略及產品不會太成功。這就回應到我開頭所說的宇宙觀，你得Dream Big and Think bigger。 競爭者 vs 互補者 組成AI的生態系統後，你會發現裡面充滿了各種型態的競合，想要發展致勝策略，無法適用波特五力分析來完整論述。本文建議用Adam Brandenburger與Barry Nalebuff根據競合理論所提出之分析模式—價值網(Value Net)來詮釋，如圖所示。 價值網模型與波特五力分析模型的表現手法上略有差異。產業鏈上表現上，波特五力分析之水平軸為產業上下游，而價值網以垂直軸表示；在中心部分，五力分析的中心為競爭者，而價值網為公司本身；在競合關係上，價值網將波特五力分析中之現有競爭者、潛在競爭者與替代品均視為競爭者看待，並且在原本五力分析模型中增加互補者(Complements)組成一五角形模型；最後，價值網模型中，角色與角色之間關係（即互動之箭頭）由原來單向轉變成雙向互動。 最值得一提的是「互補者」的概念，價值網模型與賽局理論(Game Theory)密切相關，AI 生態系統中，如何由開闢新賽局觀點重新思考競爭與合作角色，是價值網分析方法之主要立論點。在價值網之五角模型中，互補者是站在與競爭者相反之角色，其中競爭者所提供之產品與本公司現有產品相同，而互補者所提供產品與本公司互補，其中「互補」即是當顧客買A時，也一定會買之B產品。在發展AI應用時，互補者可能會變成競爭者，供應商也可能變成競爭者，例如：原來使用深度學習需要NVIDIA的GPU來運行Google的TensorFlow Framework，其為互補關係。但Google隨即推出TPU，號稱運算自家Tensorflow Framework時比NVIDIA的GPU快很多倍，成為競爭者。又如上述GoFind的例子，若原先配合提供商品照片的店家雇用寫得出更高端演算法的資料科學家，自行發展AI生態系統，將會和GoFind從互補關係變成競爭關係。所以與互補者間的新賽局，反倒是AI生態系統該特別思考的策略。 結語 發展AI永遠不嫌晚，AlphaGo永遠不會贏你的，如果你要做的AI不是為了贏得圍棋賽事（AlphaGo被餵的資料和訓練的戰術只夠他學會下圍棋）。用專案管理的精神來打造你的AI生態系統：想好你要解決的問題，界定好推論(nference)的場景、找到或發展會建model寫演算法的資料科學家團隊幫助你做訓練(Training)，準確度逐漸提升後，將原先小小生態系統不斷複製與外擴至更大場域，最終可以造出你最厲害的漫威宇宙！