近年來，物聯網(IoT)掀起一股科技浪潮，人工智慧(AI)繼而成為眾所注目的焦點，「Google智慧台灣計畫」於今年3月份啟動，Google於今(4)日宣布Google AI創新研究營正式開跑。響應科技部「AI 創新研究中心專案計畫」，Google邀請駐於英、美等地的AI專家專程訪台，為台大、清大、交大、成大四所AI創新研究中心師生打造培訓內容，以協助台灣優秀的AI學術人才建立產學間的知識交流、推動台灣的AI研究進展與人才培育。

(圖左至右) Google台灣董事總經理簡立峰、科技部部長陳良基與、AI創新研究中心推動辦公室主持人林永隆教授與Google AI 首席科學家紀懷新合影。(攝影╱陳復霞)

AI技術的創新研發奠基於人才的投入，Google台灣董事總經理簡立峰表示，Google推出AI創新研究營與實體教室，幫助在人工智慧領域耕耘的研究人員進行更深度的交流與培訓。希望透過在Google推動AI進展的科學家，能與台灣的AI領域研究人才進行實務與經驗交流，這是好的開始，期望藉此提升台灣年輕AI科學家的研究動能，以及與國際研究主題接軌的機會，甚至將AI連結到台灣的產業鏈。

科技部部長陳良基表示，為了讓台灣在全球的AI版圖上，能充分運用台灣的人才資源與既有的科技優勢，一舉站上領先地位，科技部積極布局台灣的AI發展策略，成立四個AI創新研究中心，以人才為核心提升整體競爭力，槓桿全球資源來培育人才到位、協助企業升級以及形成生態系，與國際有最好的連結。他表示，AI擴散到各行各業需要4-5年，他形容至2020年時，如果不會使用AI，就像身處在今日卻不會用網路。Google為全球科技領頭羊，秉持對台灣人才的重視，舉辦Google AI創新研究營，幫助提升台灣AI研究的發展，期盼藉產官學的連結，激發台灣AI創新的原動力。

「Google智慧台灣計畫」三大主軸包括人才、經濟和生態系，每年目標為培育5,000位工程師，徵聘300位人員，以因應產業界對於人才的需求，簡立峰表示，目前訓練過程參與度高，進度超前，為目標會努力做得更好。Google擁有軟、硬體及雲端人才，台灣人才居於其全球平均水準之上，他認為台灣的人才具有優勢，需要的是機會、刺激和訓練。昔日軟、硬體的銜接點低，雖然有優勢卻未能整合，他分享”On the device AI”的概念，認為AI是機會，能重新改造產業，創造更高的毛利，台灣應該把握此優勢。

Google AI創新研究營符合「Google智慧台灣計畫」所提出的人才培育方針，在今年暑假於國立台灣大學開跑，特別針對台大、清大、交大、成大等四所 AI 創新研究中心超過百位研究師生，邀請多位駐於英、美等國的頂尖Google AI專家，與參與的師生們進行深度交流。Google AI創新研究營中安排多場「AI專題演講」，探討包括自然語言處理、醫學影像深度學習應用、強化學習 (Reinforcement Learning)、推薦系統(Recommendations Systems)，以及機器學習在Google雲端的應用實例等多個AI領域相關主題。此外，為了幫助台灣AI研究學者熟悉Google的線上機器學習開源資料庫TensorFlow，Google更設計了全天的「TensorFlow初學者實作應用工作坊」，讓研究人員學習透過這項工具來建構他們自己的AI應用、並且加速研究的時程。

AI創新研究中心推動辦公室主持人林永隆教授表示，台灣四大AI創新研究中心在今年分別於台大、清大、交大和成大正式啟用，針對生技醫療、AI核心技術、智慧製造、智慧服務等不同領域執行研發，並且透過國際學術人才延攬與產業交流，藉此提升台灣智慧人才與產業的競爭力。從學界到產業界，再與國際連結，他以人才供給面和社會應用面來說明， AI的這一波浪潮將影響社會經濟及文化等各層面，未來將有更多的平行運算需求，更多的應用。透過AI創新研究營，讓駐於海外的Google AI專家面對面與AI創新研究中心的師生進行交流，了解更多國外的知識與應用，能夠促進台灣AI研究發展。

Google不僅在台灣強化AI科技研究的動能，也積極推動AI教育的普及化。Google已於今年推出Google AI的全球線上資源「機器學習速成課程 (Machine Learning Crash Course，MLCC) 」的中文化內容，並已在五月份於台灣北、中、南各自舉辦三場Google AI教師研習營推廣AI知識及MLCC的免費資源。

機器學習於推薦系統的應用

駐於Google美國山景城總部的AI首席科學家紀懷新於此次AI創新研究營的機器學習技術論壇擔任主講人，分享Google機器學習技術如何打造出更精準的推薦系統。根據長期累積針對網路搜尋與線上社群系統的研究經驗，以及對使用者行為所帶來的社群效應的洞察，探討Google如何利用AI技術瞭解使用者偏好、以提供更個人化的服務，以及機器學習於推薦系統在不同領域的應用和實例說明。

科技日新月異，紀懷新表示，現今使用者的期望不斷攀升，個人化及情境化的服務需求讓推薦系統面臨更多的挑戰，像是不同情境會需要不同內容，使用者的偏好隨著不同的情境而變化，大量且不斷改變的項目內容和雜亂稀少的標籤，而且在如此大量的使用者和內容中要提供「即時」且「有用」的推薦，例如在Google Play上逾100萬個應用程式，其中在全球190多個國家內，就有超過10億個人在過去30天內曾使用Google Play，而在2017年更有高達820億次的應用程式下載量。借助深度學習處理龐大且複雜的資料量，才足以提供使用者情境式的個人化推薦服務。

他認為透過深度學習建構推薦系統如同建立數學函數 (Function)，藉由輸入使用者，而產出推薦結果，而空間和時間則是個人化推薦在考慮情境因素時的要點。例如使用者在不同的時間點會出現特定行為，可能是每天早晨會對於新聞資訊類有所需求，而在晚上會想要玩遊戲，如有出現酒醉後隨意選取應用程式等異常行為模式時，事後在系統上也可修正調整項目。

想要提升推薦品質在於建立推薦系統三大原則：1.推薦為個人化及多元化；2.透過機器學習的協助，不斷優化所有產品介面；3.為所有人提供適當的推薦。Google針對不同使用頻率調整模型設計，平衡不同使用頻率所設計的推薦模型，藉以平衡所有使用者的意見。他強調推薦模型不止考慮推薦使用者、情境與項目內容三者的關聯，加入「因果關係」的考量能讓使用者的推薦體驗升級。例如Google透過「平衡不同使用頻率設計推薦模型」的方法，並且對使用者如何與應用程式互動進行模擬，已經讓Google Play上應用程式的安裝率提升3.3%。而在過去兩年Google運用深度學習網路為Google Play、廣告、搜尋、YouTube等產品及服務帶來66項重要改善。此外，Google提供開源的機器學習軟體庫TensorFlow，他認為加入計算、大數據及人才三合一能讓深度學習達到良好的成果。