眼看2024年人工智慧（AI）即將成為驅動全球經濟成長的動力之一，除了所需與算力相關的硬/軟體，與演算法、語言模型等先進科技，就連傳產中小製造業未來也有機會從中切入，提供獨有垂直領域和高品質的資料協作，以提高AI生成效率與準確性，同時優化生產製程與增加產品價值，加速AI平民化。

在工研院2023年兩度召開的「生成式AI產業高峰論壇」上指出，現今盛行的「人工智慧」（AI）名詞問世已逾60年，惟當時（1956年）僅訴求可讓電腦具備邏輯推論能力，執行接近人腦智慧的工作；直到1970年代推出的專家系統，才訴求能將人類智慧萃取出來教導電腦。並在1980年代的機器學習（Machine Learning）時期，開始讓電腦具備自主學習、改善能力，並延伸至特定領域，包含語音辨識、翻譯，或是醫療影像病變、產品瑕疵檢測等，較傾向學術研究課題。

進入1980~1990年代開始有企業加入相關研究，並先後發表AI語言模型、類神經網路等學術主題論文，卻也因為企業發現投資效益不如預期，而導致AI話題曾在1990~2010年進入寒冬，包括學研界紛紛改以「深度學習」（Deep Learning）為名，投稿發表論文。

隨著2016年AlphaGo橫空出世，擊敗圍棋界棋王，而被視為近期AI發展最大突破。雖然近幾年來聲勢略減，即因為棋類終究只是展現AI能力的娛樂工具之一，必須跨界投入商業化等更有生產力效益的場域，並驅動最新生成式人工智慧（Generative AI；GAI）技術發展。

圖一 : 工研院在2023年兩度召開「生成式AI產業高峰論壇」，號召各領域專家分別從GAI風潮下的領袖、產業發展思維，以及GAI產業應用發展機會與落地作法4大面向獻策，引領產業「乘風破浪」。（source：工研院）

鑑別式AI持續擴大應用生成式AI接力猛進

其中包括利用既有深度/機器學習等AI技術，可讓電腦進行大量有標註資料學習訓練，歸納出輸入資料特徵進行辨識、分類，而稱為「鑑別式AI（Discriminative AI；DAI）」，包括產品瑕疵、人員及場域環境安全等，已大量為企業導入使用。

圖二 : 除了目前熱門的GAI之外，另有讓電腦進行大量有標註資料學習訓練，進行辨識、分類，而稱為「鑑別式AI」，已大量為企業導入使用。（source：aiamigos.org）

加上目前吸收了來自網路、社交媒體時代的巨量數據資料，經過量變產生質變，再利用大語言模型（LLM），而造就更多自主創新GAI內容的能力，包括文字、圖像、影音、程式碼、3D模型數據等，目前較先導入於辦公室應用，將有助於提升工作效率，對產業影響巨大。

根據市場調研機構預測，2023~2028年將是GAI的快速成長期，全球應用市場規模將從2023年的62億美元成長至2028年的585億美元，年複合成長率達56%。工研院預估，2025年將有30%企業導入GAI技術，應用於文件生成、程式設計及對外營銷，包含製造、媒體、工程、國防、醫療和能源等領域將會第一波遭遇衝擊。

圖三 : 依工研院預估，2025年將有30%企業導入GAI技術，應用於文件生成、程式設計及對外營銷。（source：工研院）

面對GAI能與不能 協作以確保AI資料準確度

然而，儘管目前各界普遍看好由ChatGPT、Midjourney等各式各樣GAI帶來不同的技術創新，以及其中蘊含的潛在商機。預計2024年將開始湧現大量的AI軟硬體和商業模式等創造性革新，但對於GAI的定義及其作用限制也開始進入發展關鍵的「深水區」。

由於目前GAI仍無法從根本上解決至今其他類型AI所面臨的市場挑戰，LLM產出內容被定義為「創造」而出；又主要根據公共資料所訓練，輸出內容難免具有偏見、隱私、幻覺（hallucinations）、一致性和可解釋性（Interpretability），甚至在很大程度上加劇了這些問題，此都顯示人們不能完全信任AI，企業也必須在提升效率同時，做好風險管理。

Appier/ikala獨立董事簡立峰認為，當「機器學習服務平民化（Machine Learning as a Service ,MLaaS），語言模型逐漸縮小時，除了閱讀之外的其他能力都下降。」即因除了透過以自然語言和機器溝通之外，人機互動方式改變也開始透過問答方式學習「下咒語」，以提問代替解題，人人都可以是工程師，提高勞動生產力，也就是企業競爭力，讓微軟2023年Q3財報的雲端服務營收提高28%。並估計在程式開發產業中，2022~2032年GAI市場規模年均複合成長率22.1%，將達到9,810萬美元。

同時該注意的是GAI的「能與不能」，雖然對廣泛性問題的回答能力較為強大，卻對較狹隘領域的知識理解有限。一旦面對如企業較少上網的資料時，就連LLM也無法完成企業內的小事。且其答案內容只是比起大多數答案較佳，而無法保證即時、正確或可溯源，還不如個別垂直領域專家；甚至還有偏見與寡占等疑慮，容易在無形中流失國家競爭力與文化代表性。

簡立峰認為：「現今會跨部門編寫程式者，未必都是IT人員的責任，須加入測評比標準才能真正優化。還要賦能員工擁抱AI新工具多多嘗試，以提升效能、增進營運效率，並留意資安的重要性，加速從數位邁向AI轉型目標。」

因此，他建議企業領袖，應對此數位轉型框架新賽局，選定適合項目，包含客服、行銷、程式開發、知識管理等，進而成立跨部門團隊蒐集數據、優化流程、自建模型等，最後發展各自需要的「企業大腦」（Language model for enterprise）。

GAI生態系風起雲湧　加速AI產業平民化

工研院執行副總暨總營運長兼AI策略長余孝先表示，隨著全球GAI生態系風起雲湧，可概分為4類：文字、圖片、影音及程式碼，強大之處來自於其估計擁有超過1,700億筆參數和3,750億字訓練資料的龐大數量，使之算力遠超過以往的AI模型。許多國際大廠都已投入建立GAI模型或相關應用，正在重塑各行各業的面貌。

雖然目前台灣尚未擁有真正可用的LLM，但企業可考慮從以下資料、算力、算法、可信任等面向著手，強化自身優勢：

1. 資料是AI的靈魂，台灣產業可藉導入高品質的私有資料庫和特有產業資料，奠定在特定垂直應用快速落地的能力；再利用演算法來選擇適用於產業資料特性的模型及發展微調技術，並透過整合國家或雲服務商的資源來支持提高算力，提升企業效率；

2. 考量台灣在資料量、算力、和財力方面，恐難與國際大廠在開發通才型GAI競爭，而可考慮從專才型GAI著手，透過相對較低成本，訂製開發微型化、特定領域專用的小語言模型（SLM）加值應用著手。包括提供通才型GAI付費、或是開源碼使用資料訓練模型，並投入發展微型化、特定領域解決方案，發揮台灣產業群聚優勢。

3. 基於各國目前都十分重視GAI的輸出品質，建議台灣可從國際法規和標準的角度，建立相關AI評測機制來提高可信任度；進而利用工研院的技術成果，來加速產業GAI應用與創新轉型、接軌國際AI規範。未來將有機會能共同擴大競爭利基，在國際大企業的布局下開闢新局。

圖四 : 雖然目前台灣尚未擁有真正可用的LLM，但企業可考慮從資料、算力、算法、可信任等面向著手，強化自身優勢。（source：工研院）

工研院也利用累積多年研究成果，積極發展AI科技服務平台，提供系統整合、研發測試、軟體開發等服務，助攻企業布局營運及供應鏈、產品研發、行銷、客戶管理等4大企業應用領域，加速GAI產業應用落地。並在2015年提出台灣發展AI的3大面向：

1. 產業AI化：不只將AI模型視為單一產品，而能協助產業提升總體競爭能力；

2. AI產業化：當有越來越多企業導入AI之後，將形成一定規模產業；

3. AI平民化：降低門檻，讓中小企業和一般大眾都能使用

除了前述兩者已被納入台灣科技政策，並迎合2022年底Chat GPT趨勢被應用。工研院也強調，GAI不只是與資通訊（ICT）技術有關，還涉及人才、法律問題與不同領域科學，所以在近年來成立全院GAI小組，探討其對於特定產業和未來技術的演進方向，以及社會法制、倫理等影響；並培育更多GAI人才來迎接挑戰，期許成為未來生活的基本能力、提高人民AI素養，以持續推進「AI平民化」。

導入GAI先學趨吉避兇　要求會用又會管

工研院資深副總暨協理兼AI辦公室主任蘇孟宗進一步指出，現今國際生成式AI趨勢雖會賦予個人創造能力，但最終要展現資料的正確性、權威，不僅「眼見為憑」，還要找出背後賦予的意義。「由人類在開發流程中將藉此實現職能翻轉，即從執行導向代理系統發展，擔任審核者，並由AI扮演生產者角色而控管風險，台灣產業須能掌握這波變革機會。」

蘇孟宗建議企業應透過內部從上而下的系統性培育，針對不同階層規劃課程，從觀念啟迪、實戰到產業應用三部曲，為企業儲備GAI關鍵人才及建立自身需求模型。並從CEO角度看待對於未來市場的影響，而不是只交由內部IT人員、技術長負責，完整落實GAI治理。

加速導入產業落地應用　

依工研院資通所副所長暨AI辦公室副主任黃維中估計，2025年將有30%企業導入生成式AI，未來台灣勢必要與世界競爭。現今GAI生態系在台灣企業可發展的定位，由下而上依序分為：晶片、伺服器、軟體平台與垂直應用，可針對具備台灣特色與優勢的垂直領域深入規劃，加速釋放GAI潛力，提升產業競爭力。進而透過AI產業化/產業AI化，來提升各行各業競爭力，帶動資訊服務與新創商機。

圖五 : 現今GAI生態系在台灣企業可發展的定位，由下而上依序分為：晶片、伺服器、軟體平台與垂直應用。（source：工研院）

在台灣當前GAI應用中，最常見的就是內容創作，像是製作2D文稿及圖片、3D影音等；還有用於商業服務，如行銷、客服，已有不少企業藉此積極將GAI導入內部工作，或是擴展至整個供應鏈提升效能。即使在要求較為專業的研發與製造，也能建立規格與流程、程式代碼，用於模擬、編程、設計、維修工作；以及營運與供應鏈面向，提供所需諮詢、訓練等擴充資料，都有很多值得投入與導入的應用。

工研院就嘗試將GAI應用在不同功能需求的晶片設計開發上，特別是輔助程式撰寫，使得晶片設計能夠更快速有效率；或者是因應藥物、材料等創新的配方及組合，也可先透過GAI推演出各種可能或想法，以有助於後續的實驗，並且更快找出最佳結果。

然而，GAI投入研發製造的難度相當高，必須仰賴高品質的精準資料才有可用性。但GitHub Copilot對於Python、C、Java等普遍性程式效果表現優異，對於IC製造與工業CAM編程等低資源程式語言如RTL Code，難以在網路上找到合適範本，且品質難以管控。

圖六 : 工研院也嘗試將GAI應用在不同功能需求的晶片設計開發上，或者是CAD/CAM輔助程式撰寫，先行推演出各種可能或想法，以有助於後續更快找出最佳結果。（source：images.interestingengineering.com）

由於數位IC負責撰寫RTL Code所需豐富經驗工程人才缺乏，又招募困難，約占IC產業人才缺口16%；工業編程人員也難以養成，包含製程工法、刀具與治具選用皆須仰賴現場經驗，一旦刀具路徑和加工參數選用不合理時，容易導致加工品質與效率不佳。

如今可利用共創的RTL Code設計輔助，透過匯集有經驗的RTL工程師回饋，可在工程師發展RTL code過程中給予適當提示，彌補工程師經驗不足問題；高效與精確G-code設計，透過生成式AI輔助工程師提升效率，以解決人才與經驗短缺問題。

所以須針對台灣不同產業需求，由各領域專家蒐集優質編程資料，利用領域客製化模型以達到效果。如工業CAM便是目前工研院正積極投入精密製造領域，將能大幅提高效率和產業競爭力。SpructCAM是容易學習和使用的強大CAD/CAM軟體，現已整合AI虛擬助理GPT模型，幫助用戶處理各方面CAM工作流程，包含CNC規格及限制、解釋G-code、程式碼注解等。

黃維中認為，由此可見在當前產業應用中，若要創造GAI價值的較實務做法，應是將GAI作為工具，並與人類充分互動協作。因此，如何讓GAI與人類更好地連結、整合各自專長，將是企業要仔細思考規劃的方向。