國家同步輻射中心董事長卸任致詞

國家同步輻射中心董事長卸任致詞

很歡迎各位董監事來參加本屆董事會第六次會議，本次會議也是本屆董事會最後一次會議。行政院已於本月上旬核定下一屆董監事名單，雖然大多數董監事將留任，包括本人在內也有多位董監事將卸任﹔所以今天也是大家在董事會最後一次相聚的日子，因此本人也要趁此機會向各位董監事表達最真摯的謝忱﹔承蒙大家在本任期內盡心盡力，協助中心健全發展﹔當然我們可以同感欣慰的是，在本屆董監事任內，台灣光子源得以如期、如預算、超規格完成，讓這座台灣歷來最貴重、最大型的科學儀器在世界上發光發亮，一方面當然仰賴中心同仁在果主任與負責整個建造工作的陳建德院士的卓越領導，董監事的全力支持，功不可沒﹔是大家可以引以為榮的。

本人有幸由李羅權、朱敬一兩位國科會前主委以及徐爵民科技部前部長聘請擔任共三屆董事長，可謂有緣﹔在李羅權主委任內，例由督導副主委兼任﹔在朱敬一主委任內，本人時任清華大學校長，徐爵民部長任內，本人則已卸任清華大學校長，他們的禮聘顯然有不同考量，確實原因本人則不是很清楚，但我都毫不遲疑地接受，不僅是因為在國科會任職時是因職責所在，而且是因為深知同步輻射中心對台灣科技發展的重要性，如能略盡綿薄，當義不容辭﹔另一方面，由於本人能力所限，擔任董事長必有許多不足之處，還要請各位董監事與中心同仁海涵。

這裡順便一提的是，我國人事制度，對政務官與大學校長兼職，有一定限制，但兼任政府法人無給職董監事，則屬灰設地帶，需要個案處理，而各部會人事單位多保守處理，所以我在擔任國科會副主委以及任清華大學校長任內，各為擔任中心董事長辭去一個有給職的董事職位，雖是小事一樁，或可作為談助。而人事制度對兼職規定，有其歷史背景與必要性，但合理性，或亦可加以檢討。

在本人擔任董事長任內，承蒙歷屆董監事的協助，不論在專業或相關事務上讓中心業務得以順利推動，在此敬致謝忱﹔同時其間歷經梁耕三、張石麟以及果尚志前後三位主任，他們不僅適才適所，也讓中心不僅能立足台灣，而且能放眼天下，中心同仁有志一同，為台灣科技界爭光，而成為台灣科技單位的典範，也是我要深表感謝的。

在今天董事會中，果尚志主任將會報告中心現況，尤其關於建造光束線的進展，中心繼續正向發展可期，還需所有董監事持續關心﹔果主任在任內工作表現，雖然獲得中心內外一致高度肯定，有目共睹，可惜因其本人另有規劃，將於今年七月底卸任﹔據了解，由李遠哲董事擔任召集人的主任遴選委員會已開過兩次會議，遴選工作正順利進行中，等一下或可請李遠哲董事就此略作說明，同時本會包括李董事以及丁肇中董事，應是國內唯一擁有兩位諾貝爾獎得主的董事會，是很值得大家紀念的。兩位董事，以及今天在場的沈元壤董事，都是中心董事會的元老，經常不辭辛勞，遠渡重洋來參加董事會，另一位鄧昌黎董事，雖然年屆九十，在一年前因摔跤而不便於行前，幾乎從不缺席，是特別需要中心同仁，甚至國人感謝的。

下屆董事長將由國科會許有進政務次長擔任，許次長曾於1987-1991年在清華大學資訊系擔任教授，可能因為領域差異與在校時間較短，與本人並不熟識，但身任督導部會次長，與中心溝通必然無礙，相信下屆董事會必然能在維護中心光榮傳統上，繼續盡力，協助中心更上層樓。

「AI對科技經濟社會政治產業領域的挑戰與影響研討會」圓桌論壇引言

「AI對科技經濟社會政治產業領域的挑戰與影響研討會」圓桌論壇引言

歡迎大家來參加下午的圓桌論壇。今天在各主題演講之後，安排所有主持人與主題演講人參與的圓桌論壇，一方面是給各與談人一個機會就之前的主題演講有所回應或補充，另一方面，基於主題演講內容面向較為廣博，為了讓此次圓桌論壇有所聚焦，希望與談人能自整體討論轉至檢視台灣的現況，探討人工智慧對台灣產業及政社經等各層面的轉型影響力，提出AI將對台灣相關面向帶來的衝擊與挑戰。

展望未來，人工智慧將無所不在，從學術界來看，文獻搜尋會變得更方便，是人人歡迎的，但論文發表與研究計畫書，由AI審核，可能就不是人人樂見的。

在研究與應用方面，可謂是大好時機，尤其可能以高效率的方法，導致新發現與新產品﹔這裡要特別一提，以往的認知，認為研究基本上是一種無效率的作為﹔至於在教育方面，如何讓AI的認知，成為各學科教育的一環，而且在AI科技本身教育上，應重視其衍生倫理問題﹔對我國來說，政府與民間，產官學研各界，應加整合，全力發展，才不會坐失良機。

從認知學來看，由匈牙利的哲學家和科學家波蘭尼（Michael Polanyi）提出的「波蘭尼弔詭」（Polanyi's Paradox）或者「波蘭尼假說」（Polanyi's Hypothesis）﹕「人的知識，比我們能講出來的多。」(We can know more than we can tell.) 與老子「道德經」篇首「道可道，非常道，名可名，非常名」之意不謀而合，因此成為電腦取代人腦的極限﹔由於電腦自動化必須採取明確的步驟，電腦只能執行出「說得出來」的指令，那些「只可意會，不可言傳」的知識，還沒有辦法進行自動化。

另一方面，近年來盛行的深度學習 (deep learning)，通過多層隱藏層 (hidden layer)，得到的結論，又常無法知道其理由。深度學習系統制定自己的規則。因而有評論家說﹕「沒有人真正知道最先進的演法是怎麼達到結論的，這可能是一個問題」(No one really knows how the most advanced algorithms do what they do. That could be a problem)。對很多科學家來說，這是無法接受的﹔有人曾嘗試從深度學習結論倒推其道理，但發現牽一髮而動全身，並不實際，成為一尚無良好解方的問題。另一方面，雖然一般人認為科學與技術分別是尋求「為什麼」和「如何進行」(Why and how)，技術不能違背科學的理論，學科學要「知其然，也要知其所以然」，但事實上，在最基本層次，科學也只是知其然﹔深度學習將是人類認知的一項嚴峻挑戰。

在之前的主題演講中，我們可以感受到各講座的廣度與深度，如少子化嚴重度在世界各國中名列前茅，對社會與經濟發展影響將更會放大，而AI在老年照護上，可發揮相當功能，但在取代人力問題上，則是雪上加霜。雖然樂觀的經濟學家認為，AI也可能帶來更多新的工作機會，而從歷史上來看，科技與產業發展大批取代人力，最終帶來更多新的工作機會的時間落差有二、三十年，但正如經濟學巨擘凱因斯 (John Maynard Keynes) 曾說﹕「時間一久，最後我們都不在了!」(In the long run, we are all dead.) 對當時現下失業的工人來說，是無補於事的。另一方面，以現有 AI技術而言，最令人擔心的可能是政治與軍事面向，政治上，以假亂真新聞與影像的操弄，軍事上，小型而廉價且能辨識、追蹤並傷人無人機的發展，都有可能造成極大的傷害，而值得多加探討的。

在矽谷很受尊重的科技作家與觀察家凱文·凱利說：「二十年後人人都要用的 AI 產品還沒有被發明出來，意思就是，你還為時未晚」。論壇的另一重點是對於未來台灣應當如何對AI帶來的衝擊提出回應方針，從而協助導引台灣AI政策優先目標的訂定和最大化AI發展潛力，並有助帶動AI發展之正面效益，及減緩其負面衝擊；同時由於兩岸統獨糾結長年阻礙政治與經濟發展，但大陸大國崛起，全力發展AI，台灣科技與產業如何因應與把握機會，或也是可探討的問題。另外，也歡迎藉由此次AI研討會之研討結果，提出未來可以進一步深入探討的主題建議。

今天論壇時間安排約九十分鐘，首先請各與談人發言十分鐘，在發言一輪後，再看與談人對之前的發言是否有高見表達看法，如有剩餘時間，將開放與今日到場嘉賓對話。

「AI 對科技經濟社會政治產業領域的挑戰與影響研討會」開幕致詞

「AI對科技經濟社會政治產業領域的挑戰與影響研討會」開幕致詞

首先歡迎大家來參加今天的研討會。人工智慧 (AI) 是近兩年來最熱門的話題。不僅是因為他已無所不在，例如你上網，先進的搜尋引擎，一定會用到AI，收發電子郵件時，攔截SPAM或垃圾郵件，也靠AI，而且因為相關科技的飛速進展，潛力無窮，後勢看好，說「AI時代已經來臨」，並不為過。

今天剛好在紐約時報上有一篇報導，大意為「人工智慧進入尋常百姓家，是好是壞?」(Good News: A.I. Is Getting Cheaper. That’s Also Bad News.) 內容首先提到舊金山有一家名為Skydio的矽谷新創公司最近推出了一款無人機，可以完全依靠自己自動設置路線，一旦無人機開始追踪某人，它的目標會發現它非常難以擺脫。這款無人機是由普通相機、任何人都可以使用的公開軟體和低成本計算機晶片技術構建製成的，而售價僅2499美元，並可預期未來售價會迅速下降，功能繼續增加，但是更難以預測，可以讓人頭皮發麻。另一方面，AI系統越來越擅長於自行生成可信的音頻和視頻。這已經開始通過名為“Deepfakes”的技術來實現。該報導展現一個假造的美國川普總統的演講錄影片中，已能做到唯妙唯肖，這種假造技術，如為人誤用，後果將很可怕。當AI已與我們生活密不可分，而影響會迅速增加之時，未來「其影響沒有最深廣，只有更深廣。」社會大眾必須正視已產生或將發生的關鍵議題。

在台灣對AI的熱情擁抱，反映在電資學院開的AI課程人滿為患，資訊系研究生有志一同要從事AI研究，產業界求才若渴，同時各機關團體，也經常舉辦各種相關研討會，但重點多聚焦於AI技術與應用之討論，較缺乏對科技、經濟、社會、政治、產業等各層面影響之探討。

本研討會的原始構想，是邀請國內外各專業領域，重量級專家學者，整理當代思潮並思考AI在各領域的影響與挑戰，將心得提出報告，並在會後將錄音逐字稿整理成論文集與大家分享﹔AI目前雖然已是人人關心的議題，但特別希望讓目前從事發展AI的科技人員以及學生，能有較整體、全面而深刻的體認，在研發過程中，能多就發展選項有所思考，對負面效應能有所警惕，在與人分享成果時，抱謹慎態度，而不要在充分了解其風險前，廣泛散佈相關技術。

有人認為矽谷高科技人員的信條是，「先構建它，然後再修正。」(Build it, fix it later.) 但「構建技術的選擇會有社會後果。」 我們已可看到Facebook上的假新聞，推特上的假追隨者以及YouTube上的猥褻兒童視頻等嚴重副作用。因此必須戒慎恐懼，以較健全的態度從事影響可能巨大的工作，挑戰有些科技人士認為講求倫理道德是一種發展障礙的態度。

另一方面，從正面來看，AI已展現驚人能力，以及未來發展的潛力，也是社會大眾與學子需要認知的﹔即以人力取代方面，有「四師，即教師、律師、會計師、醫師，最危險」之說，有學者認為，「AI不會取代老師， 但會利用AI的老師，會取代不會利用AI的老師。」可能更為貼切。了解AI的本質與潛力，如何利用AI帶來的機會，破除或減低其負面效應，可能是現代公民在邁入未來時，所需要具備的素養。

今天的主辦單位中技社是國內老牌推動贊助工程科技公益財團法人，近年更推動知識創新服務，投注前瞻之科技研發，獎掖優秀科技人才，襄贊科技與文創相關活動，實踐公益法人回饋社會之理念。每年僅是發放各項工程科技獎學金即超過一千萬元，未來專注前瞻探索，聚焦智庫研討，而本次研討會主題，正切合中技社「凝聚公眾利益公正論辯，提供國家可行性政策建言」宗旨，據了解，即將執行一個「台灣發展自駕車產業之挑戰與影響」議題研究，期待未來能在研討AI 相關議題方面，更能不遺餘力。

此次研討會，承蒙中技社相關同仁在籌畫與執行階段，盡心盡力，應邀的學者專家，全力支持，在此一併致謝，也感謝與會佳賓熱烈參與，最後祝研討會成功。

與會貴賓合影

人工智慧對科技領域的挑戰與影響

人工智慧對科技領域的挑戰與影響

當初受邀協助規劃「AI 對科技經濟社會政治暨產業之挑戰及挑戰研討會」議程時，沒有想到自己也會成為講員之一﹔在科技議題上，最先是邀請劉炯朗校長，劉校長謙虛的表示，用約半年時間，恐怕準備不足，再來是邀請在工業4.0方面多有著述，也是今天講員之一的簡禎富教授，簡教授認為他熟悉產業，在科技發展上沒有深入研究，幾經周折，讓我也成了今天的講員。

這個機緣，有一部分是因為近年來深切感受數位科技發展對社會的滲透與衝擊，除了大量閱讀以及思索外，並以相關議題，在國內外做了多場公開演講﹔同時也於2016年11月「材料學會」年會時，提出「推動材料基因組計畫芻議」。「材料基因組計畫」（Materials Genome Initiatives，MGI）是美國歐巴馬總統於2011年6月宣布由多個補助與執行研究機構共同推動「材料基因組計畫」，以加速發現和應用先進材料系統的步伐﹔基因體是生物的基本結構，材料的基因體，意為材料的最基本結構和特性，從此出發來開發新材料﹔本計畫主要措施是利用AI 加速材料科技研發，因此關於AI對材料科技的挑戰與影響並不陌生﹔加上現今資訊科技的發達，資訊取得變得利便，也因此可以對有興趣的題目略窺堂奧，以至於今天得以鼓勇上陣，與大家分享讀書心得，並拋磚引玉。

首先是觀念澄清與預告，演講主題是AI對科技領域的挑戰與影響，而非AI科技本身，但無疑與AI科技飛速進展有關﹔同時重點在科學與技術發展，而與產業較少直接關聯﹔對於intelligence 翻作智慧與智能並未做區分﹔另一方面，涵蓋大數據與大科學面向，但也包含非大數據與大科學部分﹔再者，不限於實驗自動化，而包括機器學習元素。

在科學研究上，常會遭遇海量並複雜數據問題，以往即使將數據數位化，利用計算機處理，仍有所不足，甚至常有遺珠之憾﹔例如：

高能或粒子物理
在歐盟核能研究中心 (European Organization for Nuclear Research ，CERN) 大型強子對撞機　（Large Hadron Collider，LHC），2012年，兩個尋找到希格斯玻色子，又名上帝粒子，的研究群 （ATLAS和CMS），都利用機器學習分析其海量並複雜數據，證實希格斯玻色子的存在。[1] 在強子對撞時，每十億次撞擊，才會發現一個希格斯玻色子﹔因此需要利用機器學習演算法，去辨別數據中的模式。而此演算法利用粒子對撞碎片的模擬學習從平淡無奇的反應辨別稀少的希格斯玻色子衰減的模式，再從實驗數據中收尋。

ATLAS 和 CMS 目前每秒中產生幾億次對撞，而只用粗略方法擷取千分之一的數據分析，由於設施的提升，預計到2025年，數據量更會再增加二十倍﹔各增測器必須用更精緻的方法篩選數據。而在LHC另一研究群於LHCb已於2015年4月開始用機器學習演算法來選擇要分析的數據。特別是LHCb對溫度與壓力的微小變化敏感，所以有意義的數據在實驗中隨時改變，而這正是機器學習演算法最擅長的分析方式。

搜索太陽系外行星
美國航太總署(National Aeronautics and Space Administration，NASA) 利用谷歌的AI發現了一顆遙遠的恆星周圍的第八顆行星，這意味著我們所在的太陽系不再是我們所知道的最大的太陽系。Google通過對克卜勒太空望遠鏡 (Kepler Space Telescope) 捕獲的數據中以前被忽視的“微弱”信號進行掃描，發現了這顆行星。 [2,3]

克卜勒任務（Kepler Mission）是NASA設計來發現環繞著其他恆星之類地行星的太空望遠鏡。使用NASA發展的太空光度計，觀測145,000萬顆恆星的光度，檢測是否有行星凌星的現象（以凌日的方法檢測行星）。克卜勒太空船於2009年發射，已確認了130多個系外行星和發現了超過2700顆候選行星，改變了我們對在星系周圍發現行星有多普遍的理解。克卜勒太空望遠鏡團隊估計，大約有5.4％的恆星擁有地球大小的行星，而17％的恆星則有多顆行星。 [2, 3]

近年來，人工智慧已經成為天文學中一個很強有力的工具。包括克卜勒數據工作人員在內的科學家，越來越多地轉向用機器學習分析數據，以幫助對優先順序較低，而之前無暇處裡的數據進行分析，以尋求以往可能漏失的發現。克卜勒90i的發現是在NASA讓Google在克卜勒數據庫中訓練其來自潛在行星的15,000個信號的機器學習算法之後。其後，科學家們接受了訓練有素的系統，並將其設置處理已知擁有多個行星的670顆恆星的數據，因為他們認為這些恆星是行星最有可能藏身的地方。開普勒90號 (Kepler 90) 恆星系的新發現的星球(Kepler 90i)，成為NASA第一顆能夠從谷歌AI的新結果中得到證實的星球。[2,3]

人類基因組
英國《泰晤士報》曾評論說，發現西格玻色子的意義，如同人類當初發現去氧核糖核酸 (DNA) 雙螺旋結構等一樣重要。而DNA正是一個包含海量並複雜數據的大分子﹔DNA可組成遺傳指令，引導生物發育與生命機能運作。主要功能是資訊儲存，可比喻為「藍圖」或「配方」。其中包含的指令，是建構細胞內其他的化合物，如蛋白質與核醣核酸所需。帶有蛋白質編碼的DNA片段稱為基因。其他的DNA序列，有些直接以本身構造發揮作用，有些則參與調控遺傳訊息的表現。[4]

Google最近發布一個名為DeepVariant的工具，它使用最新的人工智能技術，從測序數據中構建出一幅更準確的人類基因組圖像。DeepVariant可幫助將高通量測序讀數轉換為完整基因組的圖像。它能自動識別測序數據中的小段插入和缺失突變以及單鹼基對突變。[5]

高通量測序在2000年代變得廣泛可用，並使得基因組測序更容易獲得。但是使用這樣的系統生成的數據僅提供了有限的，容易出錯的全基因組快照。對於科學家而言，區分測序過程中產生的隨機錯誤的小突變，特別是在基因組的重複部分中，通常很具挑戰性。這些突變可能與疾病如癌症直接相關。[5]

去年，DeepVariant贏得了美國美國食品藥品監督管理局 (Food and Drug Administration，FDA) 「PrecisionFDA真相挑戰賽」的第一名，這項由FDA舉辦的比賽，旨在促進更精確的基因測序。因為數據的規模和複雜性是前所未有的，基因組醫學代表了一個特別好的機會。 專家認為「DeepVariant的成功非常重要，因為它證明了在基因組學中，深度學習可以用來自動訓練性能優於複雜手工方式的系統。[6]

P53蛋白質研究
IBM，Baylor醫學院和休斯敦MD安德森癌症中心生物學家和數據科學家使用利用整合知識工具（Knowledge Integration Toolkit ，KnIT）系統來鑑定修飾p53的蛋白質，p53是一種被稱為「基因組守護者」的關鍵蛋白質。當p53突變時，它可以影響多種癌症腫瘤的生長。這項成果於2014年在計算機協會「知識發現和數據挖掘」國際會議上以題目為「基於自科學文獻自動採礦而產生假說」研究論文發表。 [7, 8] KnIT是由IBM與研究單位共同開發的一個挖掘科學文獻中所含信息的原型系統，結合實體檢測與鄰近文本特徵分析和基於圖形的信息擴伸，將訊息明確地以詢問網絡方式表達，以搜尋由現有實體的屬性關係強烈顯示的潛在的新實體特質，然後再對這些數據推理引伸出新穎而可由實驗驗證的假說。應用初期即令人驚訝的發現：即使是相對簡單的方法，當運用足夠的數據和專家知識，可能迅速導致在一個複雜領域的重大發現。

p53是一個廣受注目的研究課題。目前已有7萬多篇有關p53的論文。 KnIT通過自動化的方式閱讀所有這些論文信息，預測可以使p53活性開啟或關閉的蛋白激酶。使用2003年以前文獻分析，癌症研究人員檢定了九個潛在的蛋白質，回顧分析證明了這種方法的準確性，也就是其中七個，在以後文獻確實有報導，另外兩個，也由精心設計實驗也顯示由KnIT搜尋到的激酶確實可以磷酸化p53。這些結果建立了基於自動化科學文本挖掘產生假說與發現的原理證明。顯示KnIT能從文獻分析中，就已知的知識，有能力推理、預測並導致新的發現。本研究提供很好的範例，展現自動化系統可大幅提高效率並加速科學發現的潛力，這加快發現的步伐預期可打開更有效的藥物和其他療法的大門。

材料基因組計畫
在材料科技方面，歷年來屢現花車效應 (bandwagon)，也就是流行熱潮，推究其原因，主要是材料在特性方面具有強大吸引力，而製程相當大眾化，也就是幾乎人人可參與，但應用誘因很大﹔這包括高溫超導體、奈米碳管、石墨烯等。回顧華人材料科學史上最大的遺珠之憾，也許可說是1987年與諾貝爾物理獎擦身而過的朱經武等人。那一年，這對搭檔發現了臨界溫度超過90K的金屬氧化物高溫超導體，性能非常優異。然而最後當年的物理獎卻峰迴路轉，頒給了發現臨界溫度不到40K金屬氧化物的瑞士穆勒 (K. A. Müller) 團隊。有意思的是，穆勒等人發現的獲獎材料，也早有一組法國團隊製作過，並非什麼新材料。但直到這項材料「幸運的」遇上穆勒這個「伯樂」，其超導特性才得見天日。

另一例就是奈米碳管。奈米碳管成為大家熟知的名詞，可歸因於日人飯島辰男在1991年於自然雜誌發表的研究成果論文。但當時只要曾使用過高分辨電子顯微鏡的學者都知道，在考使用執照時，都要能夠照出清晰的石墨環影像，才能過關﹔而石墨環正是自奈米碳管頂端所看的影像，為何之前幾乎沒有人會想到搶拿發現奈米碳管的科研大獎杯，是一個有趣的公案。

從這兩個真實案例可以對照出，材料研究向來仰賴實驗，重要學術成果的產生，往往是不容易預測的。穆勒團隊從已知材料中找到新的特性，就是最好的案例。如果當時有資料庫系統的介入，配合理論計算與模擬，讓每個材料的各種特性，都能被盡可能徹底地檢視，則結果或將大為不同，不再有將「諾貝爾獎」拱手讓人之憾。

事實上，材料領域一直存在著理論、模擬及實驗之間的落差 -- 一種情況是涵蓋的參數過多，傳統仰賴人力的實驗及驗證方法使不上力；另外則是理論假設中忽略雜質、缺陷等實際應用面的變數，導致預測的失敗。簡言之，缺乏一套能精準預測、並快速產生實驗數據的研究方法，成為材料研發緩慢的主因。

美國所推動的「材料基因組計畫」(Materials Genome Initiative, MGI) 是美國歐巴馬總統基於先進材料對於經濟安全和人類福祉的製造業息息相關重，但一般來說，從新材料的發明到將材料轉移到市場，至少需要10年到20年，因此，加速發現和應用先進材料系統的步伐對於在21世紀維持全球競爭力與繁榮至關重要。歐巴馬總統於2011年6月宣布由多個補助與執行研究機構共同推動「材料基因組計畫」﹔基因體是生物的基本結構，材料的基因體，意為材料的最基本結構和特性，從此出發來開發新材料﹔本計畫主要措施是創建新時代的政策、資源與基礎設施來支援美國各相關機構得以在較少經費情況下加速實現發現 (以一半成本而讓時程加速一倍)、製造與使用新進材料，希望由推動此計畫，縮短新材料從研發到應用的時間。[9]
美國科技主管部門經過三年多的研議，廣泛徵求眾議並舉辦多次工作坊，於2014年12月發佈「材料基因組計畫策略規畫」(MGI Strategic Plan)，[10] 認定MGI四大關鍵挑戰以及主要目地與其目標:

l 鼓勵和促成團隊合作﹔目標為鼓勵和促成整合研發、促成採用MGI途徑、與國際社群緊密聯繫
l 整合實驗、計算與理論並提供材料社群先進儀器與技術﹔目標為創建MGI資源網、助成創建精確可靠之模擬運算、提升從材料發現到佈署之實驗工具、開發數據分析方法增強實驗與計算數據之價值
l 促使共享材料數據資料﹔目標為確認落實材料數據基礎設施之最佳方式，支持創建共享材料數據資料庫
l 培育材料科學與工程學術與產業高級人才﹔目標為從事新課程開發與落實、提供整合研究經驗之機會

就是要將資料庫結合理論，輔以人工智慧(AI)的判讀，由巨量資料中篩選出有潛力的組合，進而優化從理論到實驗的成功機率。2016年8月2日，白宮主辦了一個慶祝材料基因組計畫（MGI）五週年的活動。[11] 說明過去五年，美國聯邦機構已投入超過5億美元資源，支持這一計畫。同時發布了一系列成就和技術成功，說明在計畫的頭五年取得的進展。也顯示MGI在美國繼續如火如荼的展開。另一方面，歐盟、日本、中國大陸等迅速啟動了類似研究計劃。世界領導廠商在材料數位科技發展案例包括美國波音公司將新材料商業化時程從12年縮短至6年﹔美國通用電氣公司開發渦輪機用高溫合金，將相穩定性調高至1000 °C，研發經費降低80%﹔美國福特汽車開發輕量化發動機合金材料，時程縮減25%，成本節省1億美元﹔美國QuesTek公司，開發齒輪用高強度合金，最高張力強度(UTS) 提升 39 % ，輕量化 >20%﹔韓國三星公司開發高電壓鋰離子電池的電解液，循環效率從64.3%提升至80.8%等。

雖然AI是銳不可擋的趨勢，但要落實在台灣材料學術界，仍有許多挑戰。具體來說，台灣學界現階段能做到自動化的實驗流程已相當少見，在材料比較這類關鍵的步驟上，仍得靠人力逐一檢視。從自動化走到AI是一段漫漫長路，假使沒有專業的資工團隊加入，材料學界恐怕力有未逮。

在國內努力上，喜見工研院材料化工所已開始結合電腦模擬與AI機器學習加速產業創新研發，建立起國內領先團隊。具體案例包括建立二元陶瓷材料楊氏係數預測模型，可於1天內取得物性，如全部依靠第一原理材料理論計算物性資料庫建立，至少需耗時半年以上﹔在陶瓷材料耐化性方面，透過機器學習以小樣本實驗數據 (25組) 建立酸蝕失重與鹼蝕失重的預測模型，大幅減少後續實驗次數，縮減產品開發時程≧50%。該預測模型可提供國內廠商產品快速由民生等級提升至工業等級，大幅提升產品產值20倍﹔在樹脂配方導熱係數方面，可以透過材料模擬設計新結構，結合預測模型快速預測配方之導熱係數，大幅降低實驗成本與開發時間﹔在PCB異質多層結構快速預測方面，我們以力學模擬(FEA)建立800組數據並結合類神經網路(ANN)，建立客製化快速預測 (10~30min) 模型與工具，協助工廠端在製程開始前即可預估熱翹曲，以決定是否調整材料或鍍銅圖案配置。[12]

另一方面，科技部已決議在近期於工程司材料學門徵求「智慧仿生材料與數位設計平台」專案研究計畫，以四年每年八千萬元的經費，整合建立材料數據庫、理論模擬、機器學習等最新發展於傳統方式材料研究中，輔以材料基因技術平台(MGI)與人工智慧(AI)進行製程優化及最佳化設計，加速新材料之開發與產業化驗證﹔未來自然希望教育部也積極投入﹔如能結合科技部、經濟部與教育部資源，「材料基因組計畫」將大有可為，達到整合綜效。

展望未來，人工智慧將無所不在，從學術界來看，文獻搜尋會變得更方便，是人人歡迎的，但論文發表與研究計畫書，由AI審核，可能就不是人人樂見的。

在研究與應用方面，可謂是大好時機，尤其可能以高效率的方法，導致新發現與新產品﹔這裡要特別一提，以往的認知，認為研究基本上是一種無效率的作為﹔至於在教育方面，如何讓AI的認知，成為各學科教育的一環，而且在AI科技本身教育上，應重視其衍生倫理問題﹔對我國來說，政府與民間，產官學研各界，應加整合，全力發展，才不會坐失良機。

從認知學來看，由匈牙利的哲學家和科學家波蘭尼（Michael Polanyi）提出的「波蘭尼弔詭」（Polanyi's Paradox）或者「波蘭尼假說」（Polanyi's Hypothesis）﹕「人的知識，比我們能講出來的多。」(We can know more than we can tell.) 與老子「道德經」篇首「道可道，非常道，名可名，非常名」之意不謀而合，因此成為電腦取代人腦的極限﹔由於電腦自動化必須採取明確的步驟，電腦只能執行出「說得出來」的指令，那些「只可意會，不可言傳」的知識，還沒有辦法進行自動化。

另一方面，近年來盛行的深度學習 (deep learning)，通過多層隱藏層 (hidden layer)，得到的結論，又常無法知道其理由。深度學習系統制定自己的規則。因而有評論家說﹕「沒有人真正知道最先進的演法是怎麼達到結論的，這可能是一個問題」(No one really knows how the most advanced algorithms do what they do. That could be a problem)。對很多科學家來說，這是無法接受的﹔有人曾嘗試從深度學習結論倒推其道理，但發現牽一髮而動全身，並不實際，成為一尚無良好解方的問題。另一方面，雖然一般人認為科學與技術分別是尋求「為什麼」和「如何進行」(Why and how)，技術不能違背科學的理論，學科學要「知其然，也要知其所以然」，但事實上，在最基本層次，科學也只是知其然﹔深度學習將是人類認知的一項嚴峻挑戰。

[1] D. Castelvecchi, Artificial intelligence called in to tackle LHC data deluge, Nature, 528, 12-13 (2015)
[2] Sean O'Kane,
https://www.theverge.com/2017/12/14/16777394/google-nasa-ai-machine-learning-planets-astronomy
[3] https://zh.wikipedia.org/wiki/克卜勒太空望遠鏡
[4] https://zh.wikipedia.org/wiki/去氧核糖核酸
[5] https://www.technologyreview.com/s/609647/google-has-released-an-ai-tool-that-makes-sense-of-your-genome/
[6] https://www.technologyreview.com/s/604305/an-ai-driven-genomics-company-is-turning-to-drugs/
[7] KDD 2014 - Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery, 1877-1886 (2014)
[8] https://bits.blogs.nytimes.com/2014/08/28/questions-for-ibms-watson/
[9] materials_genome_initiative-final
https://www.mgi.gov/sites/default/files/documents/materials_genome_initiative-final.pdf
[10]. mgi_strategic_plan https://www.mgi.gov/sites/default/files/documents/mgi_strategic_plan_-_dec_2014.pdf
[11]. mgi-accomplishments-at-5-years https://www.mgi.gov/sites/default/files/documents/mgi-accomplishments-at-5-years-august-2016.pdf
[12].
材料數位科技(MGI+AI)-結合電腦模擬與AI機器學習加速產業創新研發
張志祥/張哲銘，工研院材料化工所 (2018)。