結核病（TB）已有至少 9000 年的歷史，數百年來人們一直致力於尋找治癒或治療的方法，但它仍是全球最致命的傳染病之一，每年奪走超過 150 萬人的生命。 儘管投入了大量心力與努力，在徹底根除該疾病方面僅取得部分進展；然而，韓國公司Standigm正利用其人工智慧平台與深度學習預測模型，並與韓國巴斯德研究所的藥物發現平台合作，設計並合成用於治療結核病的新化合物。 研究結果隨後回饋至 Standigm 的人工智慧（AI）系統以強化學習模型，而這項合作已成功篩選出針對耐藥性結核病的先導化合物。
人工智慧的發展速度遠超我們以往接觸過的任何技術或工具——ChatGPT 僅花費兩個月便達到了 1 億月活躍用戶。然而，伴隨驚人的速度與強大能力而來的，還有出錯的可能性。為了充分發揮人工智慧與機器學習的效益，確保建立完善的系統與防護機制以識別不準確的結果，實屬至關重要。實際上，我們需要關注的重點有兩個面向——資料與學習模型。
垃圾進，垃圾出
顯而易見，劣質的資料會導致錯誤的結果，但其中仍有細微差別。如您所知，ChatGPT 僅使用截至 2021 年 9 月的資料，這顯然可能導致某些誤導性資訊。 若詢問 ChatGPT 萊昂內爾·梅西的實力是否足以贏得世界盃，系統會回覆關於他天賦以及團隊合作重要性的資訊。該演算法著重強調他曾幾次與冠軍擦肩而過，卻渾然不知梅西其實已在 2022 年奪得世界盃冠軍。
但除了原始數據之外，背景脈絡同樣至關重要。諸如測量單位這類看似簡單的疏忽，都可能造成災難性的後果。耗資 1.25 億美元的美國太空總署（NASA）火星氣候軌道器於 1998 年 12 月發射升空，任務是探測火星的大氣、氣候與地表。該軌道器原定於 1999 年 12 月進入運作軌道，並於 1999 年 9 月 23 日按計畫開始執行火星軌道插入點火。 在繞行火星背側之後，軌道器本應重新與地球建立聯繫，但卻始終未能成功。此次失敗的原因在於，地球發送的指令採用了英制單位（磅·秒），卻未轉換為公制標準（牛頓·秒），導致軌道器偏離預定軌道，最終墜入火星大氣層並解體。
不僅數據對取得良好成果至關重要，學習模型同樣不可或缺。在 COVID-19 疫情期間，某個歐盟國家決定對所有足球比賽進行直播，讓球場得以保持空無一人的狀態。他們甚至透過使用人工智慧演算法，省去了攝影人員的需求。這套人工智慧經過訓練，能夠在螢幕上追蹤足球以捕捉比賽畫面，但正如您在上方影片中所見，人工智慧演算法所使用的模型，其重要性絲毫不亞於數據本身。 在此案例中，AI 雖經訓練可追蹤足球，但訓練效果不足以區分球體與場上裁判的光頭，導致鏡頭追蹤光頭而非足球。雖然這個例子並未造成災難性後果（除了那些狂熱球迷之外），但您不難想像，在其他情境下，訓練不當的模型可能引發何等嚴重後果。
發掘人工智慧的真正價值
正如我們所見，要取得成功，既需要高數據完整性，也需要能準確反映系統運作的學習模型。 現實情況是，我們尚未達到能以人工智慧取代自身判斷的階段——我們應將 AI 視為輔助工具而非替代品，因此讓我們為 AI 另覓一個縮寫——加速洞察（Accelerated Insights）——這是一種具備高度資料完整性與有效模型的系統，能讓您更快地得出高度可信的洞察。這樣的系統需要具備以下特質的資料：
- 對於預測期望的學習成果很有幫助
- 是否具備適當的語境
- 其結構設計使系統能夠充分利用它
- 是安全的——未經篡改或操弄
以及一種具備以下特徵的學習模型：
- 目標明確
- 採用正確類型的模型
- 是否已採用正確的技術
- 包含一套實用的資料視覺化系統
- 具備將所學付諸實踐的方法
- 能在必要時即時運用所學
加速洞察：實例分析
汽車產業向來對零組件品質及測試漏檢率設有最高標準。 一種常見的技術是利用元件平均測試 (DPAT) 來尋找異常值，透過找出超出常態分佈的元件來減少測試漏檢。若利用正在測試的特定元件的其他資訊，某項測試在眾多元件和晶圓上的分佈範圍，將比預期變異範圍更廣。實際預期的 IDDQ 結果取決於該元件的具體特性。 可運用人工智慧模型，根據其他特定元件的測量數據推導出預期值，藉此縮小待測元件的範圍，進而與實際測得的 IDDQ 值進行比對。結果顯示，部分雖落在所有元件廣泛分布範圍內的元件，其表現已不符預期，且極可能在實際使用環境中失效。面對汽車等市場的嚴苛品質要求，此類解決方案能提供加速洞察的途徑。
另一個快速擴展的領域是用於程式碼生成的輔助智慧技術。與其為每台裝置從頭開始編寫測試程式，更有效的方法是將特定裝置的測試計畫與一套程式碼函式庫結合。這可透過 AI 程式生成器來實現，但仍需工程師的監督。 透過運用人工智慧，工程師得以專注於流程中最關鍵的環節——程式審查，發揮唯有測試工程師才能提供的專業知識，並大幅提升效率。然而，我們還能更進一步，讓測試時間與測試重複性等參數回饋至人工智慧引擎以優化程式庫，最終目標是利用實際品質數據來優化整體出貨品質，同時將達成此目標的成本降至最低。
人工智慧將推動新製程節點的生產力提升
新聞中常談論人工智慧將如何取代人類的工作，但就目前而言，你的工作內容更可能面臨變革。在這個人工智慧時代，數據的重要性至關重要，而最可能的結果是，相關努力將聚焦於提升製造過程中所收集數據的品質與多樣性，藉此優化半導體製程。
其中一個關鍵驅動力在於控制先進製程節點開發所衍生的成本。一個新的 5 奈米設計成本可能超過 5 億美元，而興建一座 5 奈米晶圓廠則需耗資 50 億美元以上。這些先進製程節點的複雜度正不斷增加，除非我們推動產業向前發展，否則將很難為這類投資找到合理的依據。 半導體產業一直以來都能持續前進，克服技術挑戰以實現更低成本、更高效能，但我們已來到一個關鍵節點，需要另一項突破才能確保產業持續進步。人工智慧所能帶來的生產力提升，是讓先進製程節點具備經濟效益與實用性的關鍵要素，因此對晶圓廠和設計公司而言都是值得的投資，但這需要價值鏈中的每個環節通力合作。
人工智慧能帶來的成果確實真實存在，但您所開發的系統將決定其真正淨效益的程度。若無法確保資料的高完整性，或所使用的學習模型未能真實反映您所影響的系統，其結果可能相當危險。然而，若您注重細節，並持續監控您最終關心的指標——例如效能、成本、生產力等——人工智慧的力量將能帶來革命性的改變。
雷根·米爾斯（Regan Mills）現任泰瑞達（Teradyne）行銷副總裁，同時擔任該公司半導體測試事業部 SOC 業務單元總經理。加入泰瑞達之前，雷根曾於 Automation Engineering Incorporated 及 Arctic Sand Technologies 擔任管理職務。他擁有麻省理工學院（MIT）的電機工程與電腦科學理學士學位，以及波士頓大學的電機工程、控制系統、數位訊號處理與類比設計理學碩士學位。