作者：高煥堂
繼上篇文章說明Container的概念與AI建模師的職責後，我們接著來談談台灣AI產業(生態)如何走出自己的康莊大道。
2022年被稱為是AIGC元年。AIGC是通過 AI 技術來自動或輔助生成內容，從字面來看，AIGC並不難理解。AIGC全稱為AI Generated Content，對應互聯網的PGC（專業生產內容）、UGC（使用者生成內容）、PUGC（專業使用者生成內容）等概念。
抓住AIGC產業大潮流
Science發佈的《2022年度科學十大突破》中，AIGC作為人工智慧領域的重要突破也赫然在列。未來十年，AIGC將顛覆現有內容生產模式，可以實現以十分之一的成本，以百倍千倍的生產速度，去生成包括AI繪畫、AI作曲、AI視頻、AI寫作等AI原創內容。而這些AI原創內容只有經過版權登記，才能成為新型資料要素，進入流通和交易市場，融入數位經濟大發展。
AIGC是元宇宙content 最佳創作者。為什麼AI會創作呢？當今AI是基於ML（機器學習），它會向人類學習。
它向人類學習什麼呢？學習人類的做事、創物的經驗直覺。經驗直覺的邏輯是不清晰的，無法經由程式設計來寫成代碼。那我們該如何把人類的直覺智慧弄進去機器（AI）呢？答案是：從人類的作品（如繪畫、音樂、文學作品、食譜、遊戲、對話、網路文章）中學習作品的形式、風格、情緒等。
這些作品放到網路上，皆成為大資料（Big Data）。於是，我們就拿這些大資料來給AI學習，謂之：訓練。AI從人類作品中學習到人類專家（創作者）的招式（Patterns ）和風格（Style ）。如同金庸武俠中的楊過、小龍女向大俠們學習了許多武功招式。
經年累月，楊過和小龍女，學而時習之，逐漸地在內心深處沉澱出招式背後的精華神韻，謂之：無招祕境。一樣地，AI經過幾十天（上億回合）的學習大量作品的創作招式和風格，逐漸地在AI模型內部的祕境中沉澱出招式背後的精華神韻，這個AI中的無招祕境，謂之：潛藏空間（Latent Space），又稱：隱空間。
武俠中上説：無中生有，從無招中生出千變萬化，無招勝有招。 一樣地，AI也能從其無招祕境中的精華神韻，生出千變萬化的新招式，也就是新作品、新內容（Content ）。這種新創作新內容，就謂之：AIGC（AI Generated Content）。
唯有大力裁培AI建模師，台灣才有機會在AIGC賽道上勝出。因為建模師可以串聯「 AIGC文創 」與「Edge AI晶片 」。AIGC潮流下的企業贏家之路：「家貓+野貓」組合成GAN大模型。而「訓練生成型AI」是最有競爭力的子行業。
AIGC潮流下，台灣AI產業的康莊大道
例如，如何把ChatGPT （野貓），養成企業專用的ChatGPT （家貓）呢？我（高煥堂教授團隊）目前的做法是：開發自己的Graph AI （本家丫環），搭配ChatGPT （外來的格格）。然後建立自己的數字人，當交互UI。而丫環的背後，我建了企業KG（知識圖譜）來支持Graph AI model。ChatGPT 可減輕丫環的開發成本，給最終用戶更廣的common sense。
我們大力傳播〈家貓+野貓〉之美，野貓幾乎不花錢，可節省以前開發土狗（IT系統）的錢，低成本建模、訓練家貓，幫各企業省錢，咱們就有利。因為野貓已服務個人，咱們則是服務企業，而非個人。AIGC潮流下的企業贏家之路：〈家貓+野貓〉組合成GAN大模型。
ChatGPT的能力很驚人，但它仍是縱橫江湖的野貓，而非真正貼心的「家貓」。換句話說，ChatGPT仍是位創新組合食材的炒飯快手，還需搭配您自己的素材，才真正創新大廚師。
ChatGPT 上想搭配您自己的食材，可行途徑之一是：您自己建立中小格局的AI模型，輸入您的素材，您自已訓練該模型，訓練出「隱藏空間向量」，然後將它（向量），融合進去ChatGPT的隱藏空間裡。
所以，逐漸地家家戶戶都需要「AI建模師」來建模、訓練，然後融合成有高度智慧的「AI家貓」。企業與ChatGPT，其實商業化的關鍵並不在於：企業的人如何使ChatGPT ，而是在於企業的家貓（Graph AI）如何與外來野貓（ChatGPT ）交互說話，來引導野貓發揮其天份做出極佳的內容（ex.文案）。
我（高煥堂教授團隊）的做法是：把野貓做出的文案交給（輸入）家貓，由家貓AI自動在文案內容貼標注（Label ）。家貓AI再把貼好標注的文案，交回給野貓，引導（Prompt ）野貓重新生成優化內容。
例如，〈 ChatGPT + 數位人 〉很棒的組合。開發自己的Graph AI（本家丫環），搭配ChatGPT （外來的格格）。NER將成為家貓（丫環）的重點。然後最有創意的是：野貓ChatGPT 的輸出檔，成為家貓Graph AI的輸入資料。
就如同醫療AI的NER模型閱讀病歷檔一樣，小丫環閱讀格格的文案，並依據企業KG知識去標注、修飾格格的輸出文中。家貓扮演「判別器」角色，而野貓扮演「生成器」角色。〈家貓+野貓〉巧妙組合成為大型GAN。
所以AI建模師訓練家貓成為最佳的prompt AI來引導強大野貓。用AI跟AI對話，才時髦高效。以人跟AI對話，太Low了。歡迎加入高教授的〈建模師俱樂部〉，加快養自己的家貓。
贏家之路：從KG與Graph AI出發
台灣AI產業(生態)的康莊大道：KG 和Graph Al。它將是臺灣AI產業(生態)未來10~20年最具商業獲利之點。而其人機介面：數字人，也會水漲船高。任何捕捉專家直覺(智慧)的機制，都可獲利。因為AI在200年內，都缺乏果因性推理能力，它愈強大對專家直覺的需求愈大。茲說明Graph AI，如下：
傳統的機器學習和深度學習工具專門用於簡單的數據類型。就像具有相同結構和大小的圖像（Image）。Graph Data非常複雜，給現有的機器學習演算法帶來了很多挑戰。但是還有更複雜的圖，沒有固定的形式，具有可變大小的無序節點，其中節點可以有不同數量的鄰居。
現有的機器學習演算法有一個核心假設，即實例相互獨立，這也無濟於事。這對於圖形數據是錯誤的，因為每個節點都通過各種類型的鏈接與其他節點相關聯。圖形神經網絡 （Graph Neural Network, GNN） 是一類深度學習方法，旨在對圖形描述的數據進行推理。
GNN 是可以直接應用於圖形的神經網絡，並提供了一種簡單的方法來執行節點級、邊緣級和圖級預測任務。GNN 背後的核心概念引入了隱藏的卷積和池化層，以通過一組內核形式的感受野來識別空間局部特徵。
關鍵點：Graph AI是處理圖形結構的大數據，而一般的AI都是處理向量（Vector）和矩陣（Array）結構的資料（數據）。茲說明「知識圖譜與Graph AI」如下：
由於知識圖譜本身就是一種圖資料，因此知識圖譜+GNN 的組合自然就成為瞭解各類知識圖譜問題的新手段。例如： GNN 對知識圖譜進行建模，相比之前基於單獨三元組關係的推理，基於 GNN 的方法可以更好地捕捉三元組鄰域複雜而隱含的模式資訊，這種優勢對完成關係、補全任務具有十分重要的作用。
近幾年，知識圖譜在工業界聲勢日隆，在這種語境下，我們也稱知識圖譜為業務圖譜。GNN 技術對電影業務圖譜進行建模，在電影流行度預測上效果表現十分出色。GNN 本身是一種深度模型，與推薦系統結合之後，多層 GNN 模型可以更好地捕捉使用者與商品之間的高階協同關係。
（責任編輯：謝嘉洵）
近5年來，從事於AI普及化教育工作，目前擔任銘傳大學AI課程、長庚智慧醫療研究所AI課程授課老師。也擔任永春國小、東園國小、立志中學、君毅中學、永春高中等學校的AI師資培育工作。
- LoRA微調三步驟：以大語言模型MT5為例 - 2024/05/02
- 為什麼Gemma採取Decoder-Only Transformer架構呢? - 2024/04/08
- 如何從0訓練企業自用Gemma模型 - 2024/04/03
.jpg)
.jpg)