2017年是台灣的 AI 發展元年，進入 2018 年後， AI 更成了企業提升營運績效、追求創新突破的關鍵字。以往 AI 似乎像空中樓閣，只是政府超級電腦的配備，或者頂尖學術機構的實驗室工具，畢竟 AI 涉及機器學習和演算法，須要高速運算能力以及強大 IT 架構的配合。
空有演算法，卻沒有跑得動 AI 的硬體系統，就像電影鋼鐵人中的場景：
主角東尼史塔克的父親幾十年前就找到未來新能源的架構，卻礙於當時科技不夠進步，無法做出鋼鐵人的那顆心臟。
被企業寄予厚望的 AI 也是一樣，一直在等待克服技術上的門檻，才能化為實際的應用，像鋼鐵人的心臟，真實地跳動。2017年 IBM 推出 Power 9 晶片及相關系統，並與擅長 AI 演算法晶片的美國大廠 NVidia 合作，等於宣告跨越了硬體的技術鴻溝，讓企業能夠快速導入 AI 。
IBM 硬體系統事業部總經理于伯琨表示，國內企業在從事數位轉型時，並不排斥導入 AI ，只不過 AI 的要件包括深度學習及機器學習，這中間牽涉相當龐大的資料量。以前企業的統計數據其運算分析，或許交給 CPU 來處理就能勝任；但進入 AI 時代，機器學習及深度學習的巨量數據，必須仰賴運算能力更強大的 GPU；「光是運算時間就相差數十倍以上。」換言之，過去用 CPU 進行數據分析，可能三天三夜都跑不完。
從硬體系統建置，催生企業 AI 的快速普及
此外， AI 的深度學習也須要時間來建立模型、訓練機器；若採傳統的 IT 裝備及架構，動輒要花一個月以上的時間。當資料科學家如火如荼地開發深度學習工作負載，訓練模型用的（一批次）神經模型的矩陣結構與資料要素必須存放在 GPU 記憶體。因此僅有 16 GB 的 GPU 記憶體空間是不敷使用。
由於模型的開發環境複雜（較深度的神經網路需要更多疊層與更大的矩陣）且資料集的大小也不斷擴大（高畫質影片與網頁影像擴充），資料科學家因此受限於 GPU 的16 GB 記憶體空間而做出權衡讓步。
「 IBM 的Power 9系統，解決了上述這些技術障礙。」于伯琨指出，與上一代的Power 8相比，除了核心運算能力大躍進、高效核心數量加倍，更設計了更強大的I/O，讓系統能夠外接GPU等專用加速器或其他周邊設備。
IBM Power 9 除了獨特 NVLink 可連接 CPU (記憶體) 與 GPU之外，同時提供 Large Model Support 功能，使用者可大幅增加模型大小、資料要素以及批次或資料集大小，並且執行大型模型以及在四個 GPU 將系統記憶體容量增加近 1 TB。並透過DDL分散式深度學習工具，讓過去曠日費時的建模工作，時程大幅縮短；「 AI 所需的 IT 系統，是各種高效能單位的協同運作。」
以製造業為例，過去管理生產流程的各個環節，只須要一部伺服器、 一塊主機板，因為產線的每個節點，大多採用人力判斷，並沒有導入人工智慧來輔助。不過近期全球許多大型製造業，已開始利用 AI 進行「視覺檢測」，數據量龐大，對運算能力的要求也高，可能須要十部伺服器同時工作，才能兼顧所有生產環節的良率、確保暇疵在可控範圍內。
AI 做影像辨識，成功要件之一就是 IT 架構設置
在金融業方面， IBM 也在協助客戶導入 AI 。金融業對於 AI 的終端應用雖然與製造業不同，但對硬體的要求卻是一樣嚴苛。以保險業為例，某位保戶割了盲腸要申請理賠，所檢附的證明，可能是「上闌尾局部摘除手術」這類專業術語，以往是交給人員判讀，比對這個病症的ICD（國際疾病編碼）號碼是否符合理賠資格及健保給付。此外，包括文件上的出院時間、門診次數等，也都是仰賴人力來判讀。
現在已有保險業者導入 AI 的「影像辨識」功能；透過機器來讀取醫療單據，將之化為可讀式的數據資料。「有了 AI 之後，只要訓練它進行自然語意的理解，就能判斷某個案件是三天住院加上兩天手術，自動比對投保內容有無包括理賠項目。」
這類視覺辨識的過程，首先在機器學習的階段就須要大量的數據匯入及分析，才能將人工智慧訓練完成，接著人工智慧上線，要同時處理的資料量更多，因此只有新一代的 IT 架構才能輕鬆駕御。
這也是為什麼，Google 的資料中心近期宣佈從英特爾的 x86 架構，轉向 IBM 的Power 系統，因為後者無論是核心運算、傳輸頻寬、可支援記憶體容量，都高出許多，才能滿足企業的 AI 需求。
企業導入 AI ，視個別需求可有不同程度的投資
企業在導入 AI 時，也有技術層次的不同，必須視個別需求而定。以銀行業為例，國內龍頭中國信託，在自建雲上導入「影像辨識」的 AI 引擎，可辨識貸款客戶客戶提供的文件資料，第一張是身份證、第二張是薪資證明、第三張是存摺影本。「過去貸款的申請過程，須要大量的人力來判別，因此能核發的數量有其上限；透過 AI 協助，可以加快流程。」
不過因為身份證、存摺這類資料，被視為「高度個資」，企業一般會傾向放在公司內部的自建雲上，除了軟硬體投入龐大，也須養一組人員來維護。因此不是每一間銀行業者都會採取這樣的 AI 導入方案。若要減輕初期的 AI 佈建成本，也會有金融業者選擇以導入智慧聊天機器人，作為數位化的初步嘗試。
AI 應用是一趟旅程，須要時間和決心
IBM 強調，國內企業對 AI 的普遍迷思是，「 AI 是一個現成方案，只要導入，它立刻就變得很聰明，幫我解決所有問題；」其實不然。 IBM 全球企業諮詢服務事業群顧問協理陳昌裕指出，企業導入 AI ，是一趟旅程，企業內部必須先收集數據、人工智慧也須要訓練學習，另外還要人員負責維運。「數據」、「機器學習」、「人員」這三者都須要時間來建置及培養。如果企業能夠先建立這樣的認知，導入 AI 時腳步將可更加穩健。
國內企業建置 AI ，一般耗費的期程約為六到十二個月，但事實上所需時間應該更長。只不過業者通常很難接受一個新技術或解決方案的導入時間長達兩年以上，因此會設定分階段目標，希望在第一階段的半年到一年內就看到成果。
IBM 指出，即使如影像辨識這類的 AI 應用，導入時間較長，「但企業都已意識到 AI 是未來競爭力的來源，仍然願意投入。」除了金融保險業，國內包括工具機大廠、跨國零售業，都已將 AI 逐步落實在日常營運及全球據點管理上。「人工智慧的落實，必須結合硬體平台、軟體、數據，三者，才能夠縮短學習曲線，避免不必要的重複投資，加速拉開與競爭對手之間的差距。」
─ ─
5 / 25，上午 9：20 開始，IBM 年度科技論壇
《TechOrange》獨家直播
帶你一起參與機器學習與架構平台的年度盛會！
直播網址：https://buzzorange.com/techorange/2018/05/24/ibm-tech-summit-2018-machine-learning
─ ─
（本文提供合作夥伴轉載）
其它你會感興趣的文章
3 個工作天完成整月結帳作業，IBM 怎樣改造財務流程的？
台灣起飛？《富比世》專文分析為什麼微軟、Google、IBM 相繼來台大舉投資
IBM 對深度學習系統的新觀點：GPU 的運算速度太快並非好事，為什麼？
…
