在過去的十年間，AI可以說是最受關注的科技發展，隨著運算速度的提升與成本的降低，人工智慧科技從研究階段走入了各個產業的發展當中，不論是學術機構、國際企業、還是來自各個領域的新創都在思考著如何將其落實至商業環境中，並以此創造龐大價值。
在這樣的一個趨勢之下，AI在2021年從併購、創投、以及IPO等媒介中獲得的投資總額就高達1765億美金。從中國、日本、美國、歐盟等主要市場中就有超過上萬家AI企業獲得投資，而大企業的動向更是頻繁，在電腦視覺、自動化、自然語言、以及決策支撐等領域投資大筆資金，盼能成為產業的領袖。
我們在這一份報告中，統合了AI技術在各個領域的應用現況、科技發展趨勢、所遇到的困難、以及在不同產業當中的應用實例，盼能支撐許多關注該技術的客戶會員能夠更好的掌握人工智慧的發展。
AI所指的即是通過程式的方式來做到人類需要應用到智慧才能夠完成的事情。
那AI發展的技術面向有許多，但整體來說，其就是通過讓工程師/數據科學家，不斷地以模擬的方式訓練模型，來讓其能通過經驗中學習。
所以不同於傳統的程式，傳統的程式是用一系列的指令以及規範來讓整個程式運作，例如一個計算機，他的Input如數字、以及加減乘除等的運算子，都是被規範好的，而這導致這個程式無法處理沒有被定義的新變數。所以若我們想要此程式處理其他問題，工程師就必須更新指令以處理新的變數。
從人工通用智慧（AGI）、神經形態運算（Neuromorphic Computing）、與知識圖譜（Knowledge Graph）這一類仍然處在研究開發階段的技術，一直到像是自然語言處理、電腦視覺、以及機器學習等已經普及的概念與技術。AI不僅是一個正在被積極研究的領域，其許多發展領域更是逐漸的被導入到實際應用場域中，並且在各個產業中普及。
然而在這一龐大且複雜的AI技術產業中，各個技術都被許多國際機構評估為乘載著龐大潛能，然而同樣的，這些技術卻也有面臨像是科技整備程度不足、政府規範尚未確立、市場接受度、以及許多商業應用範疇等領域需要解決。
譬如以科技整備程度來說，自然語言處理（NLP）雖然因為Transformer技術的成熟而在自然語言理解、自然語言生成等領域出現了許多前沿的應用，但其中的技術仍然處於非常原始的階段，難以處理人類語言當中的許多邊緣案例，更不用說許多使用者較少的語言。
而以政府規範來說，像是負責任的AI，或是AI信任、AI TRiSM等領域的發展，更是沒有一個明確的機制與管理手段，去落實追蹤AI的道德是否在整個開發、使用、回饋週期有被落實導入。
電腦視覺是一種通過不同技術的手段去賦能機器去處理、分析真實世界的圖像、影像，並將其轉換為機器自己能夠理解的技術。
例：監視器通過電腦視覺技術判斷來訪人員是否要做出異常行為。
電腦視覺在幾乎每一個產業中都承載著龐大的價值，譬如在健康醫療產業中，CV（Computer Vision）就能夠通過X光、超音波圖等方式，分析出病人潛在的健康狀況，其準確度在許多領域更是超過醫生平均能做出的判斷。
在運輸產業中，CV能夠有效分析出當前交通狀況，並且在一定程度上支持駕駛決策，而如此技術也是自動駕駛的基石，也就是成為汽車的眼睛。同樣也在運輸產業中，CV更是能從衛星的角度落實追蹤城市裡每一個變化，並且根據當前的交通狀況，提供城市運營者相關建議，以有效疏通交通顛峰期間的阻塞狀況。
在零售產業中，以行銷與銷售為例，CV更是可以分析前往實體店面的客戶，當前的情緒為何，並以此回饋至整個顧客旅程與客戶體驗中，以優化未來的運營。
在科技面向，電腦視覺隨著機器學習技術的突破、GPU運算能力增長與相應的成本降低、再加上許多數據技巧（數據生成、數據強化等），電腦視覺的技術就會更加成熟。
從資源與基礎建設面向，開源工具、教育資源、以及其他的整體基建整備程度的普及與成熟，也進一步的讓電腦視覺在數據的獲取、架構、治理、以及訓練上更佳有效。
雖然電腦視覺這一項技術，是整個人工智慧當中，科技整備僅次於已然普及的機器學習的科技應用，但是其依然存在在許多科技要素，不論是科技整備還是其他要素。
自然語言處理（Natural language processing）是一種透過複雜的數學模型及演算法來讓機器去認知、理解並運用我們的語言的技術。機器翻譯就是 NLP 應用的一種，我們將需要被翻譯的文本輸入進所謂的 NLP 系統，而背後的演算法以及模型就會處理辨識、理解、以及生成等流程，最後再輸出被翻譯好的目標語言資訊。
整個NLP的領域中，我們可以細分為自然語言理解（NLU, Natural Language Understanding）與自然語言生成（NLG, Natural Language Generation）。常見的NLU應用就包含情緒分析、文件識別與歸類自動化、自動推理（Automated Reasoning）；常見的NLG應用包含自動文案生成、專業文件生成（通常適用於制式化程度較高的文件範疇）、聊天機器人的回覆等。
基於文字是我們現在世界在溝通上最為主要的渠道，故此NLP乘載著潛能不論是在自動化許多勞力以降低相關營運成本，抑或是在支撐客戶互動等領域的應用以提高客戶體驗，NLP都承載著龐大的潛能。
許多已經走進主流的應用包含：任何產業中的在處理文字上的流程自動化，譬如像是律師在處理龐大的過往紀錄時，在一些應用場景中，就不需要人工的去稽查每一份檔案，而是可以讓電腦自行在不同的文件中找到關係。
抑或是在客戶服務領域中，分析每天上千上萬筆的來信資料，並自動的去判斷應該轉寄至哪一個部門去負責相關業務；甚至是通過Chatbot來自動化與客戶的互動過程。
在金融業中，NLP更是應用於將非結構化的數據轉換為結構化數據，並支撐其運營或決策。譬如在投資領域中，一份報告出爐時間往往遠優先於其進入到許多企業訂閱的資料庫的時間，而就是在這一時間差中，對於許多投資人士來說也是所謂的競爭優勢。
再者，NLP更是賦能了新的商業型態的體現，現在更是有許多新創通過聊天機器人來完成與病人之間的諮商。
NLP當前的驅動因素主要是來自於其應用領域範疇中的發展，由於整體NLP在處理邊緣案例的能力尚不成熟，使其無法成為一個可依賴性較高的系統，故此產業正在積極發展各個領域中的應用，並通過減少處理邊緣案例的場景，來提高精準度。
從技術層面來看：
從應用面來看，以NLP為基礎的服務在未來將會更為頻繁，而這些服務也將進一步的刺激企業投入並驅動技術發展：
人類的語言本身就非常複雜，一個成熟的NLP系統不僅需要將日常的工作以接近100分的方式完成，其還需要在一定程度上具有處理邊緣案例的能力。
舉例來說，在年輕人的交談中，就使用了很大比例的火星文、網路用語等，然而NLP模型的訓練數據中可能根本沒有這一些文本，而導致其無法有效的判斷出這些字詞。而另一個角度來看，倘若在訓練時納入這些字詞，在實際應用場景，機器更有可能原本正常的案例歸類進邊緣案例中。
例：在日本年輕人的網路用語中，wwww代表著笑的意思，而後來因為其形狀類似草，故此許多人也以 「草」這一字代表很好笑的意思。
故此，要能夠處理好這些語意，NLP在分析出所謂的語境（Context）就必須要再加強，而這也是當前NLP走進主流應用中的最大限制要素。
Knowledge Graph，中文譯為知識圖譜，象徵著一個由不同實體所串聯在一起的網路，為一種機器可讀的資料結構。
整個知識圖譜主要由兩個元素所組成，一為實體（Entity），在圖普上以一個節點（Node）象徵，代表的是任何形式的個體，譬如人、企業、年份、或是一種概念。譬如像是口罩、衛生、2019、病毒，都可以為一個節點/實體。
出於KG（Knowledge Graph）本身能夠很直覺的將不同來源的資料以關係式的方法結構化，當前知識圖譜的主要應用聚焦在Metadata或是Taxonomy這一類中的數據管理模式上，不過僅是這一特性，就能夠支撐整個組織在分享、搜尋、以及分析等活動的落實，並且孕育出無數個種應用。
在零售業中，知識圖譜可以應用在產品的資料庫當中，並以此為基準，去做相關產品在電商平台上的推薦機制。
在金融業中，KG也能將來自KYC、Due Diligence、投資評估、受保物件或受保人等數據中，以知識圖譜的方式儲存，並且在各種不同的使用案例中應用，最為常見的應用案例包含風險評估、法遵、異常行為偵測、投資組合商品推薦機制等。
KG在近年來得到了非常多的討論，不過是否知識圖譜能夠進一步的普及成為許多資料庫的基礎，去支撐運營、機器學習、以及其他IT需求，將取決於以下的幾種動因要素：
由於人工智慧在近年間獲得龐大的投資與成長，而其乘載著的潛能也讓許多人民乃至政府感到許多不確定性，不論是出於擔心成熟的AI系統會對許多既有的工作而帶來許多取代性的效應；抑或是AI會基於數據與演算法而對其使用者有歧視性的結果；甚至是對於是否會出現像是科幻電影中所展現出來的末世場景。
雖然在這一領域中，許多研究機構與企業也嘗試著通過提高AI的可解釋性來提高大眾對逾期的理解，其中還有提高AI風險管控、AI信任等領域的研究，但是現在AI在不論是美國、中國、歐盟、抑或是印度等國也都浮出了許多正在進行提案與審議的法規限制。未來究竟會以何種形式問世，就會是許多企業所聚焦的討論。
隨著AI模式越加複雜，人類也就越來越無法理解AI，不僅是使用者，研究員更是如此。通過神經元網路訓練的AI（深度學習），在許多真實應用場景下，研究員根本無法得知為何AI會做某些動作。
倘若僅是讓AI下下圍棋到還好，但是在許多高風險環境中，譬如診斷癌症、支持基金投資者交易、企業風險決策等，讓AI具有解釋自己動作的背後邏輯不僅能提高使用者對於AI的信任，其更是能夠讓人類從中學習。
人工智慧機乎可以說是在所有科技發展中蘊含最大潛能的技術，在像是傳統製造、農業、文書處理等勞力密集度較高的產業中，AI在自動化這一領域即乘載著龐大的潛能；在像是金融、消費品、零售等直面消費者的產業中，AI能夠精準的在複雜的顧客旅程與客戶體驗數據中找到模式，並落實更好的推薦、更精準的行銷、以及其他相關的客戶體驗活動。
而在邏輯思維要求極高的業務中，AI更是逐漸的能夠落實決策支持，讓決策者能夠參考AI所提出來的建議，發現不曾發現的線索；在風險管理及為重要的產業中，AI可以挖掘出龐大的數據，並從中找出許多安全漏洞與異常行為，提供給工程師去做進一步的優化。
不止於此，AI更是在模擬、設計、績效管理、甚至是藝術面向都有著龐大的價值潛能，隨著技術越來越成熟、資源越來越豐富、同時基礎建設越來越完善後，AI將能賦能每一個產業，為所有類型的業務帶來價值。
人工智慧可以解決零售與消費品所遇到的許多難題。像是如何更好處理供需匹配？如何更好的管理存貨？如何更好的預測需求？如何更好的落實定價？如何提高實體店面的客戶體驗？如何提供更為個人化的行銷與銷售？
這些問題不僅都是零售與消費品業著每日所面臨的挑戰，隨著供應鏈變得更加變動、顧客旅程變得更加複雜、以及競爭變得更加激烈，這些挑戰在未來也只會進一步的加劇。
歡迎訂閱我們在不同市場的機會見解，可以先參考我們近期發送的信件，也希望您可以積極地分享回饋給我們團隊！
