AI與機器學習技術已從電腦科學的幕後躍居主流，在電商、金融、醫學、教育、農業和工業等領域持續深化並擴展影響力。台灣AI新創公司沛星互動科技（Appier）日前列舉2021年值得關注的五大AI預測及趨勢。

Appier指出，目前較大規模的模型主要在單一模態（Modality）進行訓練，例如，在自然語言的模態下，GPT-3是第一個擁有千億參數的模型；近期更有兆級參數模型（T5-XXL）已投入訓練。這類大型模型可用於撰寫文章、分析文本、翻譯甚至是創作詩詞。

在圖像的模態下，由於採用了更多資料集來進行圖像識別與圖像生成等模型的訓練，這方面的技術進展也很顯著。在不更改這些大型模型的前提下，將兩個或多個AI模型組合在一起，所能展現的威力已逐漸浮現，模型的成本也將變得更容易負擔，因而得以運用AI解釋文本，進而產生全新的圖像。

Appier針對AI的五大應用領域進行現況觀察與趨勢預測，並指出，對於2021年後的AI，他們所能做的最大預測或許可用「槓桿作用」一詞來概括。採用現有的AI模型架構、結合開發良好的模型，找到普及化現有模型或是推廣至其他領域應用的方法，將不斷強化AI所帶來的影響，同時加速各產業推動數位轉型。

醫療保健和生物醫學研究中的AI

利用遺傳代碼序列化的數位化工具，以及由遺傳代碼序列生成傳訊核糖核酸（mRNA）的轉錄工具，能讓新冠病毒的mRNA疫苗原型得以在數天內研發成功；AI也能協助預測Sars-Cov-2病毒的新突變，進而加速開發下一個mRNA疫苗；或者，透過判讀經授權的X光片，聽取患者的咳嗽聲，AI也能輔助醫師判斷患者罹患新冠肺炎或其他疾病的可能性。

在生物醫學領域，使用氨基酸或DNA等序列，可說是相當普遍，由於序列可視為一種具有隱性結構的語言，因此，自然語言處理模型所採用的架構便可運用在理解並生成生物醫學領域的序列。2021年初就有個令人印象深刻的例子，生醫研究人員使用語言模型架構來預測病毒突變，並了解蛋白質折疊（Protein folding）的成因，這對疫苗與藥物的研發來說，代表著關鍵性的突破，它發現了將模型架構微調後，其實可以解決生物醫學領域的問題。

機器學習和AI並不是要取代臨床醫師和研究人員，而是為了讓專業人員的工作更有效率，並加速驗證假設的過程。利用機器學習和AI模型進行數位模擬，能讓臨床醫師和研究人員更快了解細胞成長後的狀況，而不是只能花費時間等待細胞的培養。越來越多人開始佩戴可監測心率、體溫、血壓及其他關鍵數據的裝置，醫師也因此能獲得更多資料，來更深入瞭解患者的病情，不再依靠病人的回憶進行判斷，診斷的準確性也會因此提升。

資料驅動的金融產業離不開AI

AI目前在金融領域的主要應用是高頻交易──讓機器以遠高於人工效率的方式執行交易。在傳統金融或加密貨幣，這類應用都將持續發展，我們也將看到不同的AI技術加入這場「戰局」。目前有投資者採用AI進行長期的預測──需要系統理解投資者的長期目標，這些目標通常鎖定營業額、收入和利潤等指標。

高頻交易的策略確實相當重要，但事實證明加密貨幣的長期預測更具挑戰性。在加密貨幣市場上出現的各種情況，很多都是由「人類的瘋狂」所造成。僅管AI模型對此問題尚未產出好的因應之道，但可以預期的是，透過密切監測媒體和社群網路趨勢，未來的AI模型有望針對這些行為做出更準確的預測。

AI帶動電子商務的蓬勃發展

電子商務在過去一年發展迅速，並且有望繼續增長。新冠肺炎疫情促使人們在網路上花費的時間更多，除了線上購物，還包含線上會議、玩遊戲、使用社群媒體及應用程式等。持續增長的數位應用產生了更多的資料，能用來分析人們的各種行為。

然而，在資料量增加的同時，複雜性也隨之提高，能有效觸及顧客群的單一渠道已不復存在，如何在對的時間、透過對的管道、觸及對的顧客，變得更加複雜，AI正好可以派上用場。AI正運用行銷人員過去無法想像的速度和規模改變人們的消費行為，不僅能協助行銷人員找到合適的顧客，觸及常被遺忘的長尾客群，還能用於有效地生成創意素材，產出顧客專屬的個人化內容，測試不同創意素材獲致的成效，進而提高消費者參與度。

AI讓未來教育更個人化

許多課程和教科書都是為了數量眾多的一般學生所設計，教材涵蓋為培養不同能力的人才所設計的內容。然而，國際教育權威肯．羅賓森爵士(Sir Ken Robinson)等專家卻指出，這種「灌輸式」的教育方式並沒有考慮到學生的個人能力和需求。AI的出現正徹底改變既有創建和授課的方式。

AI能用於為學生提供更個人化的課程或試題，與其讓每個學生都使用同一套內容，不如依據其水平製作個人化內容更符合其需求。舉例而言，某位同學在數學方面非常擅長分數，但在三角函數問題上卻碰上困難。此時，AI並不會讓這位同學去上標準課程，而是減少他花在解分數試題上所花的時間，增加學習三角函數問題的比重。AI也能監測學生的學習進度，並根據其需求主動調整課程的內容。

此外，網路資訊多且雜，作弊和剽竊已成為嚴重議題。雖然偵測抄襲相對容易（AI已可檢測出直接抄襲和類似文本，例如只修改幾個詞或時態），但仍有其他難題尚待解決。例如，當語言被翻譯成他種語言的情況將難以被偵測，需要持續精進能應對這類問題的AI技術。同時，解讀圖像的AI也正在開發中，將可用於查出美術系學生抄襲或模仿他人設計的情況。

智慧農業與工廠

工廠和農場也正在用創新的方式使用資料，不過這些應用使用AI的方式與其他領域截然不同。工廠和農場的重點不放在最終使用者上，而是著重於產品、農產品與機器。正因如此，會需要在感測器、機器人、自動化以及營運最佳化方面進行投資。

這方面，目前AI的最大進展是將某個研究成果套用到不同領域上。好比AI可用於提高蘋果的產量，那這類模型是否也能應用於種植香蕉或桃子等其他水果？同理，假設一家液晶面板工廠已找到提高良率的方法，其所採用的工具和獲得的經驗能否應用於其他製程和工廠？