先有軟體與數據文化，才有AI（ver.2020）
此文撰於三年多前（2017-07-29），由於最近又有新的文化（遠端工作模式）產生，很多觀念仍然適用，就做了小幅度修改重發。
可能有些人不解，這張歷史街景的照片跟文章有什麼關係，2017 撰文的時候並沒有特別解釋，但心中覺得非常貼合主題。
這是賽爾維亞的首都貝爾格勒，它可能不是很先進，也有很多缺點，但它的歷史街區與建築卻非常有名，這是別的地方學不來的文化累積，乍看跟 AI 文化八竿子打不著，但道理卻是一樣的，不如說，還遠超過常識的一致，因為一般認為 AI 是一種技術，但從最基本的軟體服務開始，我就覺得它更像文化。
機器學習 vs. 製造業
台灣的製造業是頂尖的，所以我第一個想到跟製造業去比較它們的過程有什麼不同，而 machine learning 這個詞，比起 AI 更為貼切。
其中的差異點有：
- 製造產業鏈中完全找不到「資料」的角色
- 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
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。 - 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，鮮少增加新功能），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：
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。
想做 AI，十年前就得先做好軟體與數據了
在當年 AI 熱門的時候，李開復用以下的句子鼓勵台灣創業：
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」，但因為太多這類的觀點都只給了「希望」，卻沒有點出問題（一部分也是媒體推波助瀾），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。
帶來的影響就是：有些新創企業被引導走向毫無勝算的 AI 演算法戰爭；另一群傳統企業則對 AI 技術所帶來的效益過度樂觀。
究其原因，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檢視「跳級」的想法：
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，舉例來說，我們可能會在不同產業都看到類似的輕視現象：
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、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：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。」
聽起來可能覺得很美好，似乎一次選舉就能改變政治、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。放在台灣產業的文化也是同樣道理。
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，所以，不管是軟體、人工智慧、設計、旅遊、文創，要轉型就必須從實體文化走到「價值」文化。
這在 2017 年應該是常識；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；數據服務則必須整個產品一起考量，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
這張是 2014 年就有的示意圖，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心態之前就學習 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「物聯網」這個名詞很受台灣喜愛的原因之一：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，未來是服務價值主導產品，若只想靠代工製造，提供的價值恐怕有限，企業也很難建立長久的護城河。
- 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、使用 real data 才能學到的，像是你在 Kaggle 就無法涵蓋 ETL、軟體工程、特定領域資料的知識。並且也無法速成。
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，而台灣人口少、多數以中小企業為主，有足夠資料的公司就更少了。
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。
當年台灣政府的對策
當時有一篇 4年內追上 AI 國際腳步的新聞稿，呼應了我說的「跳科技」心態：
全文兩千多個字裡面，「軟體」這個詞沒有出現過；「軟硬體」出現了兩次，但都是著重在硬體基礎建設，看起來「軟」這個字也只是順便提到的。
用硬體主導來做 AI
2017 年三月新聞一出，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：沒錯，「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。
做 AI 固然需要大量硬體資源與基礎建設，然而若只看到這個層面，就落入了極大的盲點，我們必須問兩個問題：一是政府打造的平台會比國外雲端服務廠商好用嗎？二是會比較便宜嗎？很可能兩者的答案都是否定的。
因此政府蓋廠房的投資，實質效益可能還比不上把這些錢拿來發 AWS/GCP 消費券。
給錢讓產學兩邊都往錯誤的方向努力，會讓狀況變得更糟
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；然而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，兩者對彼此毫無幫助。
真正的橋樑是產品，而產品的基礎是軟體服務文化、AI 的競爭優勢是資料。
2017 年台灣政府完全沒有補助到這些基礎層面，反而讓產學都往錯誤的方向努力。：
- 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。在 2020，我們已經看到大量的 AI 研究領域學生畢業即失業，或是被迫出國尋求更好發展。
- 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。然而連軟體跟數據都不存在的企業，也無法從根本上改變什麼。
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。
不要一窩蜂追求最熱門的技術，深度學習不是萬靈藥
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。
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。
用「兜」的產品沒有意義，有價值的服務得從文化改革開始
以硬體出發的思維很容易落入簡單的組裝邏輯：「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」。
但比起「兜得出什麼產品」，更重要的是「你的產品想解決什麼問題」，如果沒有領悟這一點，就是「為了做 AI 而做」，不會做好產品。
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。