郭总裁重磅推荐：没有SI（系统整合），何来AI（人工智慧）？

前沿观点：

1.从数据的数量入门，SI（系统整合）是AI（人工智慧）的第一道门坎，然后才是数据的质量和数据转换为智慧的挑战。

2.在一个平台为王的时代，整合者掌握数据，而被整合者将沦为打工仔。

3.在新产业革命中OT(Operational Technology)数据将与IT数据汇流，没有SI,将不会有AI。

文章来源：台湾工商时报（2017/09/20）

作者：佘日新    逢甲大学讲座教授兼跨领域设计学院院长

人工智慧在迩近成为具有神奇疗效的解方，任何社会或产业的问题仿佛在人工智慧面前无不俯首称臣。西洋棋王败于IBM Deep Blue与围棋棋圣败于Google AlphaGo，带给人类空前错综复杂的情绪：一方面认为人工智慧科技的进展如此神速而寄望解决当前问题者有之；另一方面对于高速运算所展现的人工智慧所可能引发的潜在威力与危机而抱持怀疑与恐惧者有之。若将科技视之为制度的一环，需要在平衡与永续的前提下发展，对于人工智慧的思考需要更全面与缜密（虽然不可能完成），以利技术的导入真正能嘉惠人类生活，而非为技术而技术。

在遥远的人文与社会关怀之前，人工智慧欲贡献人类生活还有三重问题需要先解开：如何转化数据为智慧、数据的质量与数据的数量。首先，数据是生冷的，透过数学（统计）模型也转不出有温度的智慧，需要的是专精于各行各业的老前辈挖掘并解读硬数据（Hard Data）所代表的硬道理，启动中国大陆改革开放的邓小平曾说“发展才是硬道理”，近四十年前，邓谈的发展是经济的，现在全球面对的是生态的、环境的、能源的、与社会的发展，无不环绕著人的未来。若仅检视当前产业的挑战，代际传承缺口与工作价值转变都造成数十年经验化于无形，对于企业组织而言是难以言喻的损失。若就广泛的社会挑战而言，新旧秩序的衔接不及往往造成社会动荡、人心不安。若能以不间断的数据擷取、传输与分析，永续性的知识与智慧传承将有效缩减摸索的时间与降低生活郁闷的程度。

其次，根据李杰教授《工业大数据》书中论及的数据瑕疵，包括了3个B：隐匿性（Below Surface）、碎片化（Broken）与劣质性（Bad Quality）。大数据并没有神奇之处，“数大便是美”是宇宙中的通则，任何事物大量之后所浮现出的规律总是能牵动人心中的共鸣或触发问题的解决机制。工业4.0倡议几年下来，厂商明白并非所有的数据都要，因为从撷取、传输与运算都要成本，成本效益才是运用科技的目的，明白隐含在数据背后的产业竞争力才是厂商要撷取、传输与运算的。或许整体社会效益已经大到错综复杂难以计算的地步，因此，谁也说不清楚政策辩护能否运用大数据所堆叠而成的人工智慧，但毕竟公共投资的效益计算机与评估是一个负责的政府所展现的基本能力。提升数据的质量是欲发展人工智慧的应用时无可回避的挑战。

（李杰教授）

最后，当前最严苛的问题出在数据的数量。以智慧制造为例，目前能有效掌握生产数据的厂商堪称凤毛麟角（因此，厂商就此有庞大的精进空间与商机）。自1990年代以来，竞争力都取决速度；这波产业变革中，厂商间竞争的不是开发技术产品的速度，而是有效的掌握数据优势的速度。不仅单机智慧化没有意义，连整线智慧化恐怕都欠缺说服力，真正能让董事会进行庞大投资的理性在于经营绩效的验证，亦即在于整个经营系统整合后所能展现的效益。从数据的数量入门，SI（系统整合）是AI（人工智慧）的第一道门坎，然后才是数据的质量和数据转换为智慧的挑战。而在一个平台为王的时代，整合者掌握数据，而被整合者将沦为打工仔。没有数据，何奢言智慧？无论智慧制造，抑或新零售，掌握片段数据和没有数据的决策在信、效度上可能相去不远，欠缺整合平台与单打独门的竞争者均将面临被淘汰的结局。

台湾厂商对于服务与解决方案的具体作为是相对缓慢的，解决方案与硬件产品不同之处在于硬件产品基本上可以标准化（尤其过去30年的3C产品），集中化大量生产后进行全球销售，但解决方案则必须针对每个客户量身打造，解决方案需要贯穿上、中、下游的营运，加上资讯透通的SI就成为下一波兵家必争之地。在每个终端客户端导入解决方案必须同时整合使用者界面、资讯部门与营运部门，在新产业革命中OT(Operational Technology)数据将与IT数据汇流，没有SI,将不会有AI。以台湾智慧制造的现场为例，OT与IT若不能以软体驱动SI,将不会产出链结企业资源规划（ERP）的有效数据，没有ERP的数据库，从何采矿产出商业智能（BI），AI充其量停留在技术端，走不进商业竞争的领域。若短短的制造供应链都难以进行SI，消费端的SI如何串接？AI应该还是美丽的想象，难以迈向全生命周期管理的境界。

没有SI就没有AI的应用空间

要董事会投资？

还得多加把劲！

推荐阅读：