算出流感疫情、預測未來的熱門材料──你看見AI的「商用潛力」了嗎?

算出流感疫情、預測未來的熱門材料──你看見AI的「商用潛力」了嗎?
Photo Credit: Depositephotos

我們想讓你知道的是

這一波人工智慧的浪潮,早已經逐漸湧現。令人印象深刻的例子,還包含2004~2008年流感期間,相對於美國疾管局的事後統計,Google利用其用戶搜尋引擎的關鍵字,即時準確預測的能力。

文:黃爾文

自2016年的轉捩點──AlphaGo以四勝一負打敗韓國棋王李世乭的人機世紀對決之後,人工智慧的熱潮似乎也只能再由人工智慧(Artificial Intelligence:AI)來超越,例如:完全由深度學習訓練出不用參照人類歷史、累積歷代棋譜、新一代人工智慧的AlphaGo Zero,以100勝0負打敗前一代贏過李世乭的AlphaGo(ref. 1)。

其實,這一波人工智慧的浪潮,早已經逐漸湧現,可見諸於2013年麥爾荀伯格、庫基耶(Viktor Mayer-Schönberger)所發表的《大數據》(Big Data:A Revolution That Will Transform How We Live, Work, and Think)(ref. 2)」。

書中令人印象深刻的例子,還包含2004~2008年流感期間,相對於美國疾管局的事後統計,Google利用其用戶搜尋引擎的關鍵字,即時準確預測的能力(如圖一)(ref. 3)。

35ac3a73b3697e590bdbe3fcb0d15c16
數據來源:Google Trends、US Centers for Disease Control and Prevention
圖一:Google關鍵字即時預測與美國疾管局統計流感數據的比對(數據來源:Google Trends、US Centers for Disease Control and Prevention)

這樣驚人依據用戶IP的即時在地預測能力,特別有助於在資源有限時的決策判斷。例如有限藥物該如何精準於何時?投放於何處?系統性的處理公衛危機。

此波資訊科技進步改善人類溝通與交易效率,所開啟的市場新藍海,也反映在經濟櫥窗的股市上:Amazon、Apple、Facebook和Google,因為幾乎為零的邊際成本,與用戶同邊和跨邊市場生態系(ref. 4),快速地進入眾人的日常生活,也站穩了產業鏈中解決服務痛點的頂端位置。

這樣的趨勢,也影響了台灣年輕世代的職涯選擇。例如:剛放榜的2020年大學指考二類組前20名科系中,佔了15個志願的電機和資工於台大、清大、交大、與成大所開設的相關學系。

但是,就在台灣指考放榜的前一週,於美國時間7月29日,上述四大科技巨頭的CEO正在美國的國會,同場接受眾議院反壟斷委員會的質問,接受反壟斷法的檢視。不僅如此,幾乎橫掃全球的Amazon、Facebook和Google其實也有進不去的地方,也就是中國市場。

事實上,透過網路無遠弗屆、藉由大數據威力無限的人工智慧,處於人類社會中,還是要面對法令規章與物理實體的限制。

但是,再稍稍退一步,檢視席捲全球的人工智慧(AI)浪潮與上述的挑戰:上自國家、小至企業與個人,各自然人與法人限制資訊外洩,以保護獨門秘方與不傳之密的情報,也是合情合理。

在更全面的格局下,也就能理解2020年大學指考二類組前20個志願系中,非電資的台大、清大、交大材料系與台大物理系,在產業生態鏈的重要性:「透過物理了解曾經未知的機制、藉由材料工程推進人類能力邊界」。

指考分數排序反映在年輕學子未來投資的科系選擇的「志願」,也可在中研院院士孔祥重籌辦「人工智慧學校」的課程中見到同樣的方向。在人工智慧學校,統整出的產業AI化挑戰中,總計有(一)原料組合最佳化、(二)自動流程控制、(三)預測性維護、與(四)瑕疵檢測這四大項,可以顯著提升材料生產良率與高值化的應用方向。

在這麼多的材料中,我們先看看人工智慧預測了哪些被歷史驗證為「熱門的重要材料」(ref. 5)。

Tshitoyan等人的團隊蒐羅了1922年至2018年間,總計330萬篇材料科學、物理和化學的期刊論文。相對於過去的逐字詳讀和反思,這個團隊刪去無法作為詮釋資料(metadata)的資訊,得到150萬篇的摘要。並進而預測出七大材料研究的種類,並且獲得證實。

他們證實的方法非常驚人。舉例來說:他們先依據從150萬篇摘要中訓練出來的文字關係比對出:文章發表的材料就算原始研究者尚未理解此配方的最佳應用場域,但是如果文章中,具有特定語意(semantic relationship),該配方材料就應該具有熱電效應(thermoelectric)。這樣的機器學習(Machine Learning),不僅處理天文數字的閱讀量,更達到了投入研發費用的團隊所期待的特殊配方(ref. 6)。

Tshitoyan等人的團隊預測出前景可期的重要材料計有:

  1. 介金屬化合物(Intermetallics)
  2. 超導體(Superconductors)
  3. 電池材料(Battery Materials)
  4. 有機化合物(Organic Compounds)
  5. 壓電材料(Piezoelectrics)
  6. 熱電材料(Thermoelectrics)
  7. 光電材料(Photovoltaics)
  8. 量子異質結構(Quantum Heterostructures)(ref. 5, 6)

如此的科研進展,距離商用還有一步之遙?我們引用英國劍橋大學卡文迪西實驗室與勞斯萊斯公司,透過人工類神經網路開發出鉬基合金的新配方的文獻(ref. 7),就可以知道關鍵在「成本」。

我們可以想像Tshitoyan等人預測出的配方像是狀態方程的終點,但是怎麼樣的製程和材料來源的價格,與碳足跡成本的組合,則決定了路徑總長的性價比(C/P值)。


結語

後新冠疫情的世界,如同台積電亞利桑那新廠的第一步,台灣的產業、供應鏈勢必或早或晚、或快或慢的逐漸重組。莘莘學子的職涯方向,恰可補上這個轉型中的產業需求。

身為物理與材料研究者的我們,如果能投資部分的時間,關注將影響經濟效益的評估指標與新興技術,例如以成本和環境污染相關稅率以Peter Navarro的Death by China所引用的世界銀行數據為例,用來計入汙染管制的貿易競爭成本(ref. 8),或由專責單位任務編組以滾動試算推演指標與權重,以彈性因應變動的供應鏈風險。

如此一來,將更有助於分工合作的不同產業鏈,對標可行的介面,進而擴大橫向異業串接的綜效:達到以AI預測、用3D列印客製化高值產品,並由本土提供可循環再利用且風險可控的原料供應鏈,以航向AI時代台灣的新藍海。

致謝:科技部吳大猷計畫108-2221-E-009-131-MY4、行政院科技會報辦公室「科技決策支援與科技計畫管理模式精進」計畫培訓。

參考資料

  1. S. Singh, A. Okun and A. Jackson, Nature 550(7676), 336-337(2017).
  2. V. Mayer-Schönberger, Big data:a revolution that will transform how we live, work and think.(John Murray, London, 2013).
  3. D. Butler, Nature 456(7220), 287-288(2008).
  4. 周欽華 , 科技巨頭不是問題,反壟斷不是答案 , # 474 in 科技島讀(2020).
  5. O. Isayev, Nature 571, 42-43(2019).
  6. V. Tshitoyan, J. Dagdelen, L. Weston, A. Dunn, Z. Rong, O. Kononova, K. A. Persson, G. Ceder and A. Jain, Nature 571(7763), 95-98(2019).
  7. B. D. Conduit, N. G. Jones, H. J. Stone and G. J. Conduit, Scripta Materialia 146, 82-86(2018).
  8. Cost of pollution in China :economic estimates of physical damages(https: //documents.shihang.org/zh/publication/documents-reports/documentdetail/782171468027560055/cost-of-pollution-in-china-economicestimates-of-physical-damages)(2010)

本文經物理雙月刊授權刊登,原文刊載於此

責任編輯:朱家儀
核稿編輯:翁世航