新任Google台湾董事总经理马大康：现阶段全球AI发展仍处于石器时代，未来AI技术将有7大挑战与新机会

在台湾人工智能年会最后一天（11/14），新任Google台湾董事总经理马大康担任活动最后一场压轴，他现场也分享近几年Google全球AI方面的重要进展，并归纳提出7项未来AI技术挑战与机会，包括建立云端与边缘的分散式学习架构、加入AI侦错、容错能力，以及零接触AI应用新机会等。

这也是马大康今年接任Google台湾总经理一职后，首度在公开场合出席活动，就选在台湾人工智能年会。但有别于Google前台湾董事总经理简立峰3年前在大会主题演讲是以AI在台湾的新机会为题，马大康今天则聚焦Google全球在AI方面的最新进展。

马大康表示，现今Google的AI应用，在大家日常生活已随处可见，常见如Gmail收信用的过滤垃圾邮件机制，或是全球10亿用户每天用的Google相簿里的智慧化检索，都有运用大量AI技术，来提升其服务品质，而且不只加入AI功能，并持续改良，如最早导入AI技术的Google Search服务，近来就透过使用神经网络技术BERT，来大幅改善其搜寻品质，甚至不只能输入文字查找，现在也能叫Google语音助理帮你搜。除了生活类应用，在其他环境、医疗等全球重大议题上，也都有不少AI应用的着墨。

但讲到现今AI的发展，马大康仍以AI石器时代来加以形容，现阶段全球AI发展仍在起步阶段，未来还有很大成长空间。他并归纳出7项未来AI技术挑战与新机会。

首先是建立包含云端与边缘端的分散式学习架构。他指出，以往训练资料量多寡，与AI学习成果会有影响，但未来在模型训练上，须符合更严格相关资料使用规范，像是不只得考虑到资料使用者的隐私权，也得要确保这些训练完的模型在推论上能不偏颇且符合公平性。为了做到这些事，分散式学习架构的建立，就十分重要，甚至他强调：“这是未来几乎所有AI学习架构都要采用的新方式。”

以Google作法为例，早在5年前就开始建立分散式学习架构，来优化Android装置上Gboard虚拟键盘的选字建议，他们以联合学习（Federated Learning）技术设计一套分散式机器学习方法，凭借不必上传敏感性资料，而是先在用户手机上进行模型训练后，再将训练完的模型参数与抽像化使用者资讯传回云端中央服务器来优化，借此达到与集中式机器学习相同的训练效果，同时又能维护使用者的隐私。接着再将模型优化后的参数更新到每支用户端手机上。

如今，透过这种分散式学习架构，Google已从全球超过5亿支Android手机中持续累积并搜集其用户键盘使用资料，用于选字AI模型优化。他表示，至今不论是在建议文字、句子，或是表情符号与生动图片的推荐都有相当出色表现，甚至未来亦可加入影片分享的推荐。

但他也提到目前Gboard的AI应用挑战，像是在面对一些自创文字或新的符号的学习效果就不是太好，如年轻人常用的火星文或KUSO符号等，导致最后推荐结果并不是很准确。这也带来新挑战，他强调，未来10年AI算法或深度学习模型的发展，不只要做到分析结果的精确，更需要具有侦错的能力，能从复杂分析过程中找出哪段资料使用可能出错，以避免产生不正确的推论结果或偏见。

除了以用户Gboard资料做训练要确保隐私权，马大康指出，目前Google所有AI产品或服务，都须符合Google内部一套AI规范的最高指导标准，该规范尤其强调隐私权、公平性、不偏颇，以及妥善使用搜集到的使用者资讯等，并已落实到旗下所有AI应用或服务的开发上，都要求严格来遵守。

马大康提到第2项AI挑战，则是要找出新方式，来降低手机端资料的传递，避免对于使用者生活造成影响。第3项则是针对重要边缘装置，如手机等，当搜集资料量不够多时，也需要考虑到一些替代方案的可行性，例如以少量资料依然可达到与用大量资料训练相同或更好地的AI学习结果。

另外，在分散式学习架构下，云端AI模型必须有足够的容错能力，才能在遇到传输资料分析不完整时，减少对其学习效果的影响。他指出，方法之一就是得靠大量装置端用户资料的搜集来改善，而他认为，这样的高度AI容错能力的建立，也是未来其研究重要发展的方向。这是第4、5项挑战。

至于第6项，则是如何让既有模型学习新字汇或符号，或是运用AI模型帮助大众判断假新闻，同样是未来AI另一大挑战。最后，因受到Covid-19疫情的影响，也改变人类生活型态，进入到以零接触为主的新常态，包括远距工作等，他表示，这也将使得AI应用有所改变，从传统字汇理解快速演变到声音及影像的学习，不只技术难度变更高，以后也需要更加庞大的资料量加强模型训练，这也将带来AI新机会。