[現在看起來很厲害的人工智慧，都發展很久了]
應該不少人知道，阿里巴巴的大數據很厲害。但是，阿里雲公司從 2009 年開始創建，到現在也已經八年了。大家也應該知道，亞馬遜現在有很棒的雲端運算與人工智慧的服務，但還記得 Amazon Web Service 是 2002 年開始就創建的嗎？而人工智慧的「書籍推薦」，甚至是在上個世紀就開始在亞馬遜官網上運用了。
圖源：Wikipedia
最近令大家驚異的人工智慧公司當中，最受矚目的 Google AlphaGo、IBM Watson、Amazon Alexa、微軟小冰，都是使用大量資料的深度學習（人工智慧的一個子領域）。以 IBM Watson 為例，在 2012 年開始進入醫療領域，2015 年升級為深度學習，直到 2016 年 在日本救了癌症急症病患 ，才讓人了解到它在醫療診斷協助的強大能力，不過在 2012 年 Watson 已經有在美國的益智問答節目 Jeopardy 狂勝人類的紀錄 了。
這些公司的共通點是什麼呢？收集的資料越多，學習的時間越久，建立的模型預測能力才會越強。
[一開始真的很難，後來就會飛快成長]
如果打算由零開始由公司自己建立人工智慧的系統，現在有很多開放原始碼的平台，是不是比起過去來說簡單很多呢？資源也許比過去豐富，但是真正操作時，難免遇到這些開放原始碼架設的平台還不夠穩定，有問題卻得不到解答的窘境。由此可知，為什麼這些公司過去都得花大量時間建構基礎設施及收集資料，才有後來呈幾何級數成長的成就。
《從零到一》的作者 Peter Thiel 說過，網路創業「從零到一」跟「從一到一百」的時間是一樣的。而人工智慧與大數據的學習有類似的情形：先花時間好好投資，把基礎強化，在基礎打好之後，就可以基於這個能力，飛快地進行，達成很棒的成就。
[台灣過去在軟體耕耘不夠，更要加把勁投入]
台灣過去的軟體能力不夠，是因為重硬體輕軟體的結果，對於軟體需要的投資，很多公司其實根本是沒做的，這也造成進入人工智慧時代，除了幾家之前累積人才與實力的公司（例如台積電、鴻海），其餘大部份電子業的公司，其實往往只是說得一口人工智慧的能力，真要做卻又端不出成績來。
和碩電腦是另一個成功的例子。當初高層看重人工智慧，決定做相關的能力培養，花時間建置設施，聘請人才形成團隊，針對工廠生產過程做影像辨識、收集生產大數據，進行人工智慧的深度學習。幾年過去，終於在人工智慧有所突破，所以童子賢在今年 Computex 期間，介紹和碩在這方面的成就，視訊會議的臉部辨識能力可高達 98.9%，比人眼 93% 還高。
台灣在物聯網時代，需要人工智慧成就物聯網生態系的大腦，要縮短人工智慧的學習時間，人才跟數據是絕對的關鍵，可惜台灣現在人才多在學界，進入業界很難馬上產生效果，相關領域數據收集更是需要時間，想要在沒有基礎的狀況下，達成短期成就自已領域的深度學習能力，無異緣木求魚。
童子賢 說得好 ：「重點還是在於是不是有打下基礎？是不是掌握了深度技術。…要有一定的耐性跟韌性。」和碩現在能有不錯的基礎，是之前努力的累積。建議有志於培養人工智慧能力的企業，要有較長期投資的心理與財務相關準備，深度學習是需要硬底子的，沒有投資，哪來成就？
