然而，隨著時序進入2019年，有些以AI為創業題目，或是原本在別的領域耕耘，後來看見AI話題火紅，想來沾AI光的新創業者，已經資金燒盡，創辦者不是想把自己的公司賣掉，就是開始裁員。這些現象顯示，開發AI應用是一回事，要從這些應用變現則是另一回事。
為何AI應用這麼難賺錢？就筆者觀察，這個現象背後的原因有二，一是想用AI解決的問題牽連太廣，除了技術之外，還有商業模式、法律、金融保險等領域的問題需要解決，以一家新創公司之力，根本難以克服。另一個原因則是，有商業價值的應用題目多半與垂直領域的知識密切相關。如果一家AI只懂AI技術，根本解決不了客戶的問題，自然無法讓客戶為產品/解決方案掏出荷包。
AI不是新玩意 速食AI非難事
如果不把統計學領域發展出來的核心知識當作AI發展的起點，而是以艾倫圖靈(Allen Turing)提出圖靈測試的觀念開始，學術圈對人工智慧的研究跟投入，已經有七十多年歷史。如果把許多人工智慧演算法所使用的統計學工具、方法當作人工智慧的發端，則相關技術的發展歷史，已經超過一個世紀。
不管是七十多年或一百多年，以科技業的時間尺度來說，都絕對稱得上是骨董級。這麼漫長的時間所累積、沉澱的知識，加上網路發達跟開放原始碼風潮，有心人要在網路上檢索相關資訊，靠自我進修學AI，絕對是不成問題的。如果在學校念的是數學、統計相關科系，學習各種AI工具的過程，只會更駕輕就熟，因為當前的AI，核心其實是統計跟數學，只是改用程式語言或程式框架來表達。
對大多數資訊科系出身的人來說，學會如何使用AI工具並非太困難的事，但要開發一款AI工具或框架，則是另一回事。統計跟數學都是很高深的學問，要開發AI工具，必須有很紮實的統計跟數學底子，無法速成。所幸對大多數人來說，只要學會如何使用AI工具來解決問題就夠了，不用深入到自己開發AI工具。
但也因為AI工具的使用門檻其實不高，因此產生了「全民瘋AI」的奇怪現象，很多資訊工程背景的工程師投入AI相關產業，或是透過自主進修掌握了AI工具的使用方法，就開始想利用AI來解決問題，創造商業價值。但這其實是一種過度簡化跟跳躍的思維。
AI工具必須與領域知識結合
AI只是一種工具，要用這個工具解決什麼問題，決定了AI工具的商業價值。就像一把菜刀，在廚藝普通的你我手上，大概只能用來切肉切菜，但職業大廚卻可以用來發揮各種刀工，讓食材變得更美、更好吃。而廚藝普通的一般人跟職業廚師最大的差異，就在於對烹飪這門技藝的領域知識(Domain Knowledge)，有著極大的落差。
以半導體、電子業使用AI的成功案例來看，目前AI在產業界最成功的應用在於自動分析大量資料，找出不同資料之間的關聯性，但也僅止於此。一般的AI工具沒辦法告訴使用者，資料的關聯性背後的原因跟其所代表的意義，除非其所使用的AI工具已經結合了特定領域的專業知識。
以IC設計為例，晶片設計工程師在開發晶片時，會需要EDA工具執行大量電路設計模擬，從許多可能的設計方案中，找出效能最好，或結果最符合設計目標要求的設計方案。這個過程需要極大的運算量，同時也會產生大量資料，AI輔助工具可以幫IC設計工程師爬梳出這些資料的相關性，但AI無法告訴晶片設計者，為何資料之間的關聯性會如此分布，因為這涉及了IC設計的領域知識。
在產品測試端，其實情況也類似。不管是晶片或系統產品，在生產過程中或生產完成，進行測試時，都需要經過少則數項、大則數十項、數百項檢測。在真實世界裡，產品缺陷或失效，常常是以群落的形態出現，例如某個檢測項目A不通過，則檢測項目C、D不通過的機率很高，但如果A項目不通過，檢測項目B就很少出問題。AI輔助工具可以幫檢測工程師分析這些資料，找出不同缺陷或失效之間的統計關聯性，但卻無法解釋為何會是這種狀況，因為這也涉及了領域知識。
「知其然，不知其所以然」是目前AI輔助工具在產業應用上最大的問題。因為不知其所以然，所以無法幫助或建議工程團隊下一步該採取什麼行動來解決問題。對AI輔助工具的使用者來說，這種「做半套」的解決方案吸引力有限，工具的供應商自然不容易賺到錢。
有領域知識的工程師最該學AI
在AI工具上手容易，領域知識卻需要靠時間累積的情況下，同樣是會使用AI工具的工程師，身懷領域知識的工程師，身價跟不具備領域知識的工程師相比，自然不在同一個水準上。目前科技業界大喊欠缺AI人才，其實話只說了一半。企業需要的是「具備領域知識」的AI人才，而不是現場實務白紙一張，只懂AI工具的資工人才。
最近有些發展AI應用的新創公司之所以資金燒完，面臨解散或必須把自己賣掉，靠新資金挹注繼續營運的命運，關鍵就在這些新創公司大多是不具備特定領域實務經驗，只懂IT技術的創業團隊，所以他們提出的方案，對客戶而言很難搔到真正的癢處。另一方面，有些企業決定自己培養AI人才，把公司內資工背景的資訊人員送去培訓，也很容易犯了同樣的錯誤。公司裡的IT工程師或MIS，畢竟還是跟產品的研發、製造實務有段距離，同樣有缺乏領域知識的問題，只是狀況外的程度有所差別。
對製造業來說，真正該去學AI的，是負責產品或製程相關研發的工程師，因為這些工程師才有領域知識。正因為AI工具只知其然，不知其所以然，所以需要工程師們的專業知識來解釋這些結果背後的意義，進而找出行動方案。這樣才能讓企業把AI導入到日常運作中。
然而，要製程或研發工程師去學AI、做AI，對許多企業來說是相當具有挑戰性的，因為這些RD工程師平常就已經非常忙碌，要他們再花時間去學AI，進而投入AI工具的二次開發，對企業來說，是很大的投資跟負擔。而且，這些具備AI工具使用、二次開發能力，又有領域知識的工程師，將會是其他同業搶著要的熱門人才，對企業主來說，這樣的育才投資，會不會變成為他人作嫁，又是一個需要審慎考慮的問題。
AI產業進入盤整期 從業人員回頭紮馬步
從2016年開始的AI新創風潮，到現在已經過了兩年多時間，有些未能找到有效商業模式的AI新創公司，已陸續解散或被其他企業收購。2019年將是AI產業盤整、收斂的一年。在這個過程中，很多具備AI使用能力的資訊工程師，不是得轉換跑道進入產業，就是順著公司被收購，有機會接觸到產業運作的實務。這對AI技術的普及應用來說，未嘗不是件好事。
其實，科技業界並不需要那麼多開發AI工具或模型的人力，因為這其實是學術性質很濃厚、很理論的工作，由學術界或幾家世界級大廠來做，也就夠了。懂得使用AI工具的資訊工程師，如果能利用這個AI盤整的機會，投入其他產業，對產業發展跟個人職涯，都是更有幫助的事。但對資訊工程師來說，如果要投入其他產業，最要緊的是要盡速補足產業所需的領域知識，把馬步紮穩了，才能成為企業搶著要的即戰力。
