台灣在物聯網時代，人工智慧在影像辨識、語音辨識、自然語音處理、大數據趨勢分析等領域有很強的需求，達到需求，才可能發展智慧機器人，以及在物聯網的影像、聲音感測做到夠好的表現。
最近科技部部長陳良基提出打造AI生態圈的五大發展策略明，台灣政府也把預算提高，表示政府重視人工智慧的發展趨勢，對台灣未來的物聯網與人工智慧發展是個好的開端。
仔細研究五大發展策略後，筆者做了以下解析。
1.建構AI主機
物聯網裝置將會產生大量的數據，而用這些數據，利用人工智慧的深度學習方式，可以得到不錯的模型。陳良基強調建造一個能高速運算的系統，為廠商與學界提供一個不錯的人工運算能力的服務。
我聽到有些業界的朋友認為政府這樣做是「與民爭利」認為AI中心自己做就可以了，但不是所有的廠商都能建得了很貴的Fab廠，如台積電為IC設計廠商提供Fab廠，才讓台灣的IC設計廠不用花大錢自建晶圓廠。
專注於設計，才能強大。同理人工智慧軟體公司不用花大錢自建人工智慧資料分析中心，透過這個強力系統來達成人工智慧的運算能力，讓人工智慧與物聯網產品及平台的公司，專注於自身系統與產品的發展，不必因為缺乏人工智慧學習系統而受制於人。
2.打造智慧機器人基地
因應少子化與老年化的趨勢，利用工業機器人與服務機器人替代短少的人力需求是不可變的趨勢，面對這個需求，在中科及南科設立智慧機器人研究中心，打造關鍵技術，這是好的方向。
在工業機器人上，台灣的上銀科技與鴻海集團在工業機器人都有不錯的能力及產品，目前的狀況是卡在服務機器人的能力不足，例如鴻海把機器人Pepper導入台灣後，機器人Pepper仍然不夠智慧是該產品租用量不佳的主因，所以重點放在服務機器人所需的台灣式（符合台灣現狀的）中文語音辨識、視覺辨識與智慧反應（跟AlphaGo類似的強化學習，不過更進階），台灣目前也已經有很多新創在視覺辨識上努力，中文語音辨識也有一些廠商投入，不過都不是專為機器人應用所打造。
達成好的智慧機器人能力，必須有清楚的藍圖，仔細的規劃台灣需要的人工智慧軟體能力，整合業界及學界的力量。學界進一步成立新創公司，最後達成強而有力的智慧機器人及對應產品。而50家新創與4000人的培育如果有此規劃做背書，會更有意義。
3.設立AI創新研究中心
以5年為期，每年預計投入10億元，鼓勵人工智慧基礎技術、智慧醫療、金融科技、智慧製造等人才與技術研發。台灣在智慧醫療與金融科技領域，因為法律問題造成數據蒐集難度高，可能導致創新研究進展緩慢，這樣反而就可惜了。
4.半導體射月計畫
這個部份是要強化物聯網用晶片、虛擬實境/擴增實境半導體的能力，以及人工智慧專用應用晶片（ASIC，就跟Google的TPU類似的晶片），或人工智慧通用型晶片（FPGA或GPU），這跟台灣本來就強的硬體設計能力結合。
在這之中，如何做好軟硬整合，支持人工智慧的利基廠商是關鍵。這個過程涉及將軟體邏輯做成硬體，強化運算速度，讓深度學習模型的邏輯運算增快，這不是硬體廠商閉門造車就可以完成的，而是要跟客戶深入合作。在客戶發展對應軟體及訓練模型時就參與，最後完成客戶所需的快速運算晶片，讓智慧設備與機器人不用一直聯網，用雲端大量運算達成智慧能力。
這跟台灣電子廠商過去習慣的ODM模式不同，而是與客戶共創的JDM（Joint-Design Development）模式。
5.科技大擂台
這是利用比賽吸引團隊加入，以完成好的數據模型。第一波是電腦中文聽力理解為主題。其實電腦中文聽力（語音辨識＋語意理解）在對岸已有很多團隊發展，也發展到不錯的程度，特別是北京微軟研究院（語意理解正確率達94.1%）、百度跟科大訊飛（語意理解正確率達97%）。
但是因為兩岸地方語音習慣與很多用語不同，對岸已經發展出來的中文聽力能力，在台灣使用準確率不高。而透過這樣的獎勵方式，以深度學習的觀點，其實是激勵大家去蒐集大量相關的語音數據，並針對它下人工智慧的功夫，只是這樣的效果是否可以達成精確辨識語音的目標，其實有待觀察，如果成功，未來甚至可以衍生到台語或客語辨識。
除了語音本身，語意理解更是另一個難處，這點如果可以跟微軟合作，用位在微軟亞洲研究院開發的微軟語意理解引擎做轉接，深度學習就不用從頭學，進展會快很多，不知道這次參加的隊伍有沒有這樣的想法跟能力。
陳良基在文中也提到目前只有圍棋有顯著的人工智慧發展，所以台灣還有機會。
不過面對中國以國家之力發展的「互聯網+」與「AI+」的產業，我認為台灣其實並不適合跟中國做同樣的東西正面對決，可以針對台灣可以比中國做得好的部分與利基（例如智慧醫療與穿戴式裝置的整合，再搭配台灣的長照2.0計畫）好好發揮，而這需要台灣發展好的人工智慧做基礎。
