AI 新趨勢
更新於 發佈於 閱讀時間約 3 分鐘
AI的涵蓋範圍比深度學習大，但現在講AI大多是指深度學習。深度學習並不是一個新的技術，它發展的很早但曾經沉寂一段時間，當中一個主要因素是當時的硬體運算能力跟不上演算法的需要。隨著硬體運算能力的提升與成本的降低，讓深度學習重新回到舞台，成為AI應用的主流技術。
資料是AI時代的石油，沒有資料就無法訓練AI模型，一些大企業或政府單位過去曾經累積下不少資料，這些資料現在都成為AI應用的主要資料來源，從這些資料也的確做出很多亮眼的應用，但是目前也面對不少的限制，這裡面有兩個主要問題:
1.目前可得的資料大多不是為了AI應用的目的而收集的，所以從中能開發出的AI應用是相對有限，而那些我們最想要開發的AI應用目前卻沒有適合的資料可以使用。
2.這些資料大多是私有的，而且未來也不太可能公開。畢竟資料就是AI時代的石油，而誰會把石油平白送人?
因此，雖然近期AI方興未艾，但當這些手頭上的easy data所能開發的AI應用開發完之後，AI發展很快會遇到第一個瓶頸 - 沒有適合資料的瓶頸。而這也必然帶動收集資料的需求，資料收集不能靠人去收集，必須靠各式各樣的聯網裝置，自動化的去收集資料，這表示會有一波IoT設備的部署需求。
這一波IoT設備的部署需求會與以往稍有不同，過去IoT設備的部署主要是為了管理上與使用上的便利性，重點在於聯網，因此部署上幾乎沒有考慮到資安方面的需求，而這使得IoT設備成為資安上的漏洞並造成許多具體的危害案例。新的一波IoT部署是基於AI的應用需要，它的目標會更為具體，範圍更為全面，而且因為AI時代，資料的價值已不可同日而語，因此對於資安的要求會更為提高(就像在內燃機發明以前，石油只是劣質的油燈燃料，內燃機發明以後，石油成為黑金)。雖然無法預測多快，但我認為趨勢應該會照這個方向發展: AI應用先引起產業關注，但這階段大多是侷限性的應用，接下來商機會首先大量出現在IoT設備與IoT network security，而後才是大量的AI應用。 這個順序即是:
先有資料才有AI。
先有IoT才有資料。
先有Security才有IoT。
面對AI與IoT security的需求，有一些專精於IPC的廠商會過度執著於HPC(high-performance computing)，這可視為一種”重艦巨砲”的迷思。基本邏輯是當要執行某種應用，先給你一顆Atom，如果Atom不夠力，那就給你一顆Xeon，如果一顆Xeon還是不夠力，就給你兩顆Xeon，以此類推。
這樣的邏輯表面上聽起來合情合理，但如果換成另一個比喻: 「法拉利跑車既拉風又快速，不過若今天的任務是搬家，一台法拉利的空間太小了，於是廠商建議您應該買兩台法拉利，如果空間還不夠~ 那就買三台」 ，這樣的邏輯並不太合理，因為很明顯地法拉利並不適合搬家這個任務。
x86 CPU的運算特性在某些層面也不太適合AI與IoT security的運算特性。Intel在面對這個大趨勢，體認到光是靠CPU的運算能力是不夠的，因此也整合進了各種不同的技術，像是VPU， FPGA，Switch…等等。其實可以這樣講，在新的AIoT的應用裡，CPU更多是處於配角的角色，其主要任務是在處理資料流向。若過度執著於HPC，很容易會忽略了x86 CPU其實並不那麼適合AI與IoT的運算特性。除了軟體，AIoT也會帶動許多硬體設備的需求，但這樣硬體必須要從應用特性為出發點，以更多元的方式去思考相關的產品，需要整合進那些對應的新技術才適用於這樣的新應用，而不僅僅是我們會做什麼。
資料是AI時代的石油，沒有資料就無法訓練AI模型，一些大企業或政府單位過去曾經累積下不少資料，這些資料現在都成為AI應用的主要資料來源，從這些資料也的確做出很多亮眼的應用，但是目前也面對不少的限制，這裡面有兩個主要問題:
1.目前可得的資料大多不是為了AI應用的目的而收集的，所以從中能開發出的AI應用是相對有限，而那些我們最想要開發的AI應用目前卻沒有適合的資料可以使用。
2.這些資料大多是私有的，而且未來也不太可能公開。畢竟資料就是AI時代的石油，而誰會把石油平白送人?
因此，雖然近期AI方興未艾，但當這些手頭上的easy data所能開發的AI應用開發完之後，AI發展很快會遇到第一個瓶頸 - 沒有適合資料的瓶頸。而這也必然帶動收集資料的需求，資料收集不能靠人去收集，必須靠各式各樣的聯網裝置，自動化的去收集資料，這表示會有一波IoT設備的部署需求。
這一波IoT設備的部署需求會與以往稍有不同，過去IoT設備的部署主要是為了管理上與使用上的便利性，重點在於聯網，因此部署上幾乎沒有考慮到資安方面的需求，而這使得IoT設備成為資安上的漏洞並造成許多具體的危害案例。新的一波IoT部署是基於AI的應用需要，它的目標會更為具體，範圍更為全面，而且因為AI時代，資料的價值已不可同日而語，因此對於資安的要求會更為提高(就像在內燃機發明以前，石油只是劣質的油燈燃料，內燃機發明以後，石油成為黑金)。雖然無法預測多快，但我認為趨勢應該會照這個方向發展: AI應用先引起產業關注，但這階段大多是侷限性的應用，接下來商機會首先大量出現在IoT設備與IoT network security，而後才是大量的AI應用。 這個順序即是:
先有資料才有AI。
先有IoT才有資料。
先有Security才有IoT。
面對AI與IoT security的需求，有一些專精於IPC的廠商會過度執著於HPC(high-performance computing)，這可視為一種”重艦巨砲”的迷思。基本邏輯是當要執行某種應用，先給你一顆Atom，如果Atom不夠力，那就給你一顆Xeon，如果一顆Xeon還是不夠力，就給你兩顆Xeon，以此類推。
這樣的邏輯表面上聽起來合情合理，但如果換成另一個比喻: 「法拉利跑車既拉風又快速，不過若今天的任務是搬家，一台法拉利的空間太小了，於是廠商建議您應該買兩台法拉利，如果空間還不夠~ 那就買三台」 ，這樣的邏輯並不太合理，因為很明顯地法拉利並不適合搬家這個任務。
x86 CPU的運算特性在某些層面也不太適合AI與IoT security的運算特性。Intel在面對這個大趨勢，體認到光是靠CPU的運算能力是不夠的，因此也整合進了各種不同的技術，像是VPU， FPGA，Switch…等等。其實可以這樣講，在新的AIoT的應用裡，CPU更多是處於配角的角色，其主要任務是在處理資料流向。若過度執著於HPC，很容易會忽略了x86 CPU其實並不那麼適合AI與IoT的運算特性。除了軟體，AIoT也會帶動許多硬體設備的需求，但這樣硬體必須要從應用特性為出發點，以更多元的方式去思考相關的產品，需要整合進那些對應的新技術才適用於這樣的新應用，而不僅僅是我們會做什麼。
0會員
3內容數
留言0
查看全部
你可能也想看
Google News 追蹤
現代社會跟以前不同了，人人都有一支手機，只要打開就可以獲得各種資訊。過去想要辦卡或是開戶就要跑一趟銀行，然而如今科技快速發展之下，金融App無聲無息地進到你生活中。但同樣的，每一家銀行都有自己的App時，我們又該如何選擇呢？(本文係由國泰世華銀行邀約)
今天我會用不同角度帶大家看這款國泰世華CUB
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
矽光子技術成為今年投資界的熱點。隨著AI運算的發展，資料處理效率成為關鍵問題，而矽光子技術正好能解決這一挑戰。
當AI執行任務時，往往需要大量資料在不同伺服器或數據中心之間傳輸。而傳統電訊號頻寬有限，可能導致延遲，降低效率。矽光子技術則利用光訊號進行傳輸，其頻寬大幅優於電訊號，讓資料傳輸更快、更穩
AI技術的發展，從大型語言模型到終端AI應用，儘管投資甚鉅，但準確性和技術問題等仍陷瓶頸。科技巨頭如Amazon、Microsoft、Google等大規模投入AI基礎設施，促使市場需求增長。同時，AI搜尋引擎的變革也顯示了對GPU的需求上升。未來，AI技術有望在多領域發揮深遠影響，推動全球經濟變革。
學習生成式AI，不僅僅是掌握幾個工具，而是從全方位了解AI的發展範疇及其潛力。我經常在企業教授AI課程時，會遇到HR詢問：某些工具用不上，可以不教嗎？當然可以，但如果同仁不了解生成式AI在「數位內容」上的廣泛應用，又如何掌握大語言模型的發展邊界？
AI的世界充滿了創新和潛力，涵蓋了許多領域，包括但不限於機器學習，自然語言處理、電腦視覺和機器人技術。AI對人類社會的影響是複雜而多層面的，既帶來了巨大的機遇，也提出了新的挑戰。社會需要在技術發展和倫理規範之間找到平衡，確保AI技術的應用能夠真正造福人類。
生成式AI時代第一波基本的入場券，就是要有足夠的算力。但就像2000年時網路泡沫一樣，基礎建設不是最終的解答，軟體和搭建在基礎設施上的服務才是最後能有效利用。AI鏟子伺服器相關產業鍊賣得很好，誰真的挖到礦了？
作者認為AI，它不特屬於哪一個產業，在一定時間成熟之後，它充斥你我生活之中，就是像水電一樣的自然。有很多人還搞不清楚它的未來發展到哪裡？ 當這變化還很劇烈時，過早投入反而浪費時間與成本，所以作者的洞見是：什麼是你我最珍貴的價值？
AI 訓練與推理要用電、EV要用電、半導體製造業回流要用電。同時也吃到再生能源轉型與天然氣等減排發電題材的公司，會有很長的成長跑道。Data Center 資料中心的建置與營運，使得周邊的供應鏈需求有顯著的成長。
人工智慧(AI)在當今社會扮演著越來越重要的角色，然而，我們應該關注的不僅僅是AI潛在可取代的工作，更重要的是AI能夠帶來怎樣人類無法達到的價值。本文深入探討AI的成本與發展潛力，並提出對於AI未來發展的看法。
本文介紹了人工智慧的定義和發展，以及在醫療、金融、製造、交通、教育等領域的應用。探討了AI的優勢和挑戰，以及AI在未來社會中的角色。作者提出了對AI發展的個人觀點和建議，強調了謹慎發展AI並制定相關法律法規的重要性。
現代社會跟以前不同了，人人都有一支手機，只要打開就可以獲得各種資訊。過去想要辦卡或是開戶就要跑一趟銀行，然而如今科技快速發展之下，金融App無聲無息地進到你生活中。但同樣的，每一家銀行都有自己的App時，我們又該如何選擇呢？(本文係由國泰世華銀行邀約)
今天我會用不同角度帶大家看這款國泰世華CUB
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
矽光子技術成為今年投資界的熱點。隨著AI運算的發展，資料處理效率成為關鍵問題，而矽光子技術正好能解決這一挑戰。
當AI執行任務時，往往需要大量資料在不同伺服器或數據中心之間傳輸。而傳統電訊號頻寬有限，可能導致延遲，降低效率。矽光子技術則利用光訊號進行傳輸，其頻寬大幅優於電訊號，讓資料傳輸更快、更穩
AI技術的發展，從大型語言模型到終端AI應用，儘管投資甚鉅，但準確性和技術問題等仍陷瓶頸。科技巨頭如Amazon、Microsoft、Google等大規模投入AI基礎設施，促使市場需求增長。同時，AI搜尋引擎的變革也顯示了對GPU的需求上升。未來，AI技術有望在多領域發揮深遠影響，推動全球經濟變革。
學習生成式AI，不僅僅是掌握幾個工具，而是從全方位了解AI的發展範疇及其潛力。我經常在企業教授AI課程時，會遇到HR詢問：某些工具用不上，可以不教嗎？當然可以，但如果同仁不了解生成式AI在「數位內容」上的廣泛應用，又如何掌握大語言模型的發展邊界？
AI的世界充滿了創新和潛力，涵蓋了許多領域，包括但不限於機器學習，自然語言處理、電腦視覺和機器人技術。AI對人類社會的影響是複雜而多層面的，既帶來了巨大的機遇，也提出了新的挑戰。社會需要在技術發展和倫理規範之間找到平衡，確保AI技術的應用能夠真正造福人類。
生成式AI時代第一波基本的入場券，就是要有足夠的算力。但就像2000年時網路泡沫一樣，基礎建設不是最終的解答，軟體和搭建在基礎設施上的服務才是最後能有效利用。AI鏟子伺服器相關產業鍊賣得很好，誰真的挖到礦了？
作者認為AI，它不特屬於哪一個產業，在一定時間成熟之後，它充斥你我生活之中，就是像水電一樣的自然。有很多人還搞不清楚它的未來發展到哪裡？ 當這變化還很劇烈時，過早投入反而浪費時間與成本，所以作者的洞見是：什麼是你我最珍貴的價值？
AI 訓練與推理要用電、EV要用電、半導體製造業回流要用電。同時也吃到再生能源轉型與天然氣等減排發電題材的公司，會有很長的成長跑道。Data Center 資料中心的建置與營運，使得周邊的供應鏈需求有顯著的成長。
人工智慧(AI)在當今社會扮演著越來越重要的角色，然而，我們應該關注的不僅僅是AI潛在可取代的工作，更重要的是AI能夠帶來怎樣人類無法達到的價值。本文深入探討AI的成本與發展潛力，並提出對於AI未來發展的看法。
本文介紹了人工智慧的定義和發展，以及在醫療、金融、製造、交通、教育等領域的應用。探討了AI的優勢和挑戰，以及AI在未來社會中的角色。作者提出了對AI發展的個人觀點和建議，強調了謹慎發展AI並制定相關法律法規的重要性。