早在三年前，調研機構Gartner便預估，到了2020年幾乎所有新的軟體產品和服務都將融入人工智慧（AI），很快地AI將無所不在。如今，AI或許還未普及到無所不在，但卻也差距不遠，在「AI產業化、產業AI化」的雙軌並行加速下，可謂百花盛開。
一如NVIDIA創辦人暨執行長黃仁勳在NVIDIA GTC 2020中勾勒「人工智慧時代」願景所提：「人工智慧需要對從晶片、系統、演算法、工具再到整個商業生態體系，對整個運算領域進行徹底改造。」但不只是AI產業化發展如火如荼，2020年，受到COVID-19影響以及5G浪潮推動之下，AI也成為全球產業數位轉型的重要技術之一，根據O’Reilly發布的AI Adoption in the Enterprise調查，多數企業（85%）正在評估AI或已將其用於生產環境中，另外也有半數以上的企業處於將AI用於分析／生產的「成熟」階段。
顯然地，AI正在成為一門顯學，各行各業也正積極地將應用場景落地，包含醫療產業將其運用在影像識別、即時體徵監測的健康管理、智慧診療以及藥物開發；製造業則用來改善生產良率、預測維護、品質檢測以及優化產線設備；金融產業則應用在加值客戶服務體驗、創新商業模式，另外在智慧交通方面，人工智慧也被應用於事故偵測與行為分析、車流特徵分析等等。
市場需求強勁 朝三面向發展
根據IDC《全球AI支出指南》調查，未來4年，全球AI支出總額將從2020年的501億美元增加到2024年的1,106億美元。從細項來看，2020年全球AI支出總額中，服務與軟體支出各佔36.6%，硬體支出則是26.8%。到了2024年，預估硬體需求會下滑一些，來到26.3%，而軟體將持續增長至39.6%，服務支出方面則是34.1%。 IDC研究經理蔡宜秀觀察，AI需求力道依然強勁，若從基礎架構角度來看，未來AI市場可能會朝向三個面向發展，一是循著DevOps發展延伸，CI/CD將與AI及RPA整合，從開發到服務執行都將更自動化。第二個面向則是AI Enabled的應用程式會走到產業導向，舉例而言，隨著直播、網紅竄起，市場也推出專門分析網紅表現的AI應用，愛卡拉所推出的網紅查找媒合服務KOL Radar便是一典型的例子，藉由AI幫網紅評分，以協助品牌主或企業瞭解網紅特質，以更精準地找到適合產品需求的合作對象。最後一個面向則是從基礎架構的角度來看，未來AI架構將朝向混合雲發展。
問題釐清優先 沒有百分百AI
儘管市場熱度不斷攀升，但企業對於人工智慧應用依然面臨許多阻礙。多數的專家都認同，資料的收集、處理與清洗是一門苦工；而AI的成功必須取決於資料，但分散式的資料極有可能在匯整分析時面臨更複雜的架構；也有企業認為AI技能與人才的缺乏是關鍵因素，另外，沒有獲得企業組織的支持也是一個問題。然而，更關鍵的是，還有不少企業不知道如何應用與落地。
AWS亞太區代理商，伊雲谷商務創新處協理林柏州指出，人工智慧並非新的名詞，許多企業已經具有相當的認知，也聽過許多美好的故事，但根據經驗，企業最大的問題，還是在對商業模式的理解不足，亦即企業對於想要運用AI來解決哪些問題並沒有想法，「許多情況是，企業因為想法太過發散，導致許多場景都試著想導入AI，在規模不斷擴充後，最終回到成本議題，覺得投資太過龐大，最後只落到再想一想的地步，反而不敢投入。」
他提到，不管是AI演算法或是基礎架構，甚至是資料的收集，都必須先解決最前面的商業問題，如果沒有定義好商業問題，想要落地其實有其困難。 台灣NEC專業解決方案事業群協理何彥明則認為，人工智慧是要針對問題來解問題的方案，並非採用通用型方案或是打造一個共通平台就能夠解決問題，「如果要拿資料倉儲與AI比較的話，資料倉儲比較像先射箭再畫靶，而AI則是要先問清楚問題，才能射箭。這兩種方案的解決手法不同，資料整理的面向也截然不同，簡單地說，AI必須先釐清或定義問題，才能知道需要找哪些資料。」
「但是企業對於人工智慧還存在著認知落差，不少企業認為既然已經導入了人工智慧，那麼AI訓練模型後，準確率應該可達100%。」他提到，AI講求的是可能性，雖然從技術層面來看，確實有可能實現100%，但這必須有許多但書與前提條件，一般情況下，只能說盡可能趨近，也許是90%或是95%、96%。但若想再進一步，就必須等比級數地投入大量資源，企業未必能夠接受。「所謂的人機協作並不是由機器人完全地取代人力，而是由人與機器共同協作，即便有許多工作都已經自動化了，還是檢核點需要由人來執行，如此一來，企業才能在可接受的投資與效益中取得平衡。」
多雲架構成趨勢 資料互通是關鍵
隨著愈來愈多機構投入人才培育，再加上熟悉各個產業領域知識的新創公司，也紛紛進入市場提供顧問服務，對於台灣企業而言，技術與人才的挑戰相對能夠克服，再加上顧問服務通常也能協助企業評估到底是否適用AI或是相關應用場景可取得多少效益，因此商業問題也有機會解決。接下來，便是需要探討基礎架構以及資料量是否足夠的課題。
Pure Storage大中華地區技術總監何與暉認為，AI運用早已跳脫過往所討論的私有雲或是混合雲，而是邁入了多雲架構。舉例來說，企業會選擇將具有法規遵循或政策考量的資料部署在企業核心資料中心，也可能打算在正式生產環境之前，先利用雲端資源打造一個分析環境，這時，資料需要先去識別化再放到雲端上。但也有可能基於某些因素的考量，在A公有雲上進行AI模型訓練，然後選擇B公有雲執行AI推論。當架構與環境愈來愈複雜，資料的互通性以及自動化就至關重要。「微服務架構也會扮演著重要角色，特別是在多雲環境下，微服務可運行在任何環境以及讓使用者無感的優勢，將有利於企業取得成本以及資料流通的效益。」