AI与机器学习技术已从电脑科学的幕後跃居主流，在电商、金融、医学、教育、农业和工业等领域持续深化并扩展影响力。台湾AI新创公司沛星互动科技（Appier）日前列举2021年值得关注的五大AI预测及趋势。

Appier指出，目前较大规模的模型主要在单一模态（Modality）进行训练，例如，在自然语言的模态下，GPT-3是第一个拥有千亿叁数的模型；近期更有兆级叁数模型（T5-XXL）已投入训练。这类大型模型可用於撰写文章、分析文本、翻译甚至是创作诗词。

在图像的模态下，由於采用了更多资料集来进行图像识别与图像生成等模型的训练，这方面的技术进展也很显着。在不更改这些大型模型的前提下，将两个或多个AI模型组合在一起，所能展现的威力已逐渐浮现，模型的成本也将变得更容易负担，因而得以运用AI解释文本，进而产生全新的图像。

Appier针对AI的五大应用领域进行现况观察与趋势预测，并指出，对於2021年後的AI，他们所能做的最大预测或许可用「杠杆作用」一词来概括。采用现有的AI模型架构、结合开发良好的模型，找到普及化现有模型或是推广至其他领域应用的方法，将不断强化AI所带来的影响，同时加速各产业推动数位转型

AI带动电子商务的蓬勃发展

电子商务在过去一年发展迅速，并且有??继续增长。新冠肺炎疫情促使人们在网路上花费的时间更多，除了线上购物，还包含线上会议、玩游戏、使用社群媒体及应用程式等。持续增长的数位应用产生了更多的资料，能用来分析人们的各种行为。

然而，在资料量增加的同时，复杂性也随之提高，能有效触及顾客群的单一渠道已不复存在，如何在对的时间、透过对的管道、触及对的顾客，变得更加复杂，AI正好可以派上用场。AI正运用行销人员过去无法想像的速度和规模改变人们的消费行为，不仅能协助行销人员找到合适的顾客，触及常被遗忘的长尾客群，还能用於有效地生成创意素材，产出顾客专属的个人化内容，测试不同创意素材获致的成效，进而提高消费者叁与度。

资料驱动的金融产业离不开AI

AI目前在金融领域的主要应用是高频交易━━让机器以远高於人工效率的方式执行交易。在传统金融或加密货币，这类应用都将持续发展，我们也将看到不同的AI技术加入这场「战局」。目前有投资者采用AI进行长期的预测━━需要系统理解投资者的长期目标，这些目标通常锁定营业额、收入和利润等指标。

高频交易的策略确实相当重要，但事实证明加密货币的长期预测更具挑战性。在加密货币市场上出现的各种情况，很多都是由「人类的疯狂」所造成。仅管AI模型对此问题尚未产出好的因应之道，但可以预期的是，透过密切监测媒体和社群网路趋势，未来的AI模型有??针对这些行为做出更准确的预测。

医疗保健和生物医学研究中的AI

利用遗传代码序列化的数位化工具，以及由遗传代码序列生成传讯核糖核酸（mRNA）的转录工具，能让新冠病毒的mRNA疫苗原型得以在数天内研发成功；AI也能协助预测Sars-Cov-2病毒的新突变，进而加速开发下一个mRNA疫苗；或者，透过判读经授权的X光片，听取患者的咳嗽声，AI也能辅助医师判断患者罹患新冠肺炎或其他疾病的可能性。

在生物医学领域，使用氨基酸或DNA等序列，可说是相当普遍，由於序列可视为一种具有隐性结构的语言，因此，自然语言处理模型所采用的架构便可运用在理解并生成生物医学领域的序列。2021年初就有个令人印象深刻的例子，生医研究人员使用语言模型架构来预测病毒突变，并了解蛋白质折叠（Protein folding）的成因，这对疫苗与药物的研发来说，代表着关键性的突破，它发现了将模型架构微调後，其实可以解决生物医学领域的问题

机器学习和AI并不是要取代临床医师和研究人员，而是为了让专业人员的工作更有效率，并加速验证假设的过程。利用机器学习和AI模型进行数位模拟，能让临床医师和研究人员更快了解细胞成长後的状况，而不是只能花费时间等待细胞的培养。越来越多人开始佩戴可监测心率、体温、血压及其他关键数据的装置，医师也因此能获得更多资料，来更深入了解患者的病情，不再依靠病人的回忆进行判断，诊断的准确性也会因此提升。

AI让未来教育更个人化

许多课程和教科书都是为了数量众多的一般学生所设计，教材涵盖为培养不同能力的人才所设计的内容。然而，国际教育权威肯．罗宾森爵士(Sir Ken Robinson)等专家却指出，这种「灌输式」的教育方式并没有考虑到学生的个人能力和需求。AI的出现正彻底改变既有创建和授课的方式。

AI能用於为学生提供更个人化的课程或试题，与其让每个学生都使用同一套内容，不如依据其水平制作个人化内容更符合其需求。举例而言，某位同学在数学方面非常擅长分数，但在三角函数问题上却碰上困难。此时，AI并不会让这位同学去上标准课程，而是减少他花在解分数试题上所花的时间，增加学习三角函数问题的比重。AI也能监测学生的学习进度，并根据其需求主动调整课程的内容。

此外，网路资讯多且杂，作弊和剽窃已成为严重议题。虽然侦测抄袭相对容易（AI已可检测出直接抄袭和类似文本，例如只修改几个词或时态），但仍有其他难题尚待解决。例如，当语言被翻译成他种语言的情况将难以被侦测，需要持续精进能应对这类问题的AI技术。同时，解读图像的AI也正在开发中，将可用於查出美术系学生抄袭或模仿他人设计的情况。

智慧农业与工厂

工厂和农场也正在用创新的方式使用资料，不过这些应用使用AI的方式与其他领域截然不同。工厂和农场的重点不放在最终使用者上，而是着重於产品、农产品与机器。正因如此，会需要在感测器、机器人、自动化以及营运最隹化方面进行投资。

这方面，目前AI的最大进展是将某个研究成果套用到不同领域上。好比AI可用於提高苹果的产量，那这类模型是否也能应用於种植香蕉或桃子等其他水果？同理，假设一家液晶面板工厂已找到提高良率的方法，其所采用的工具和获得的经验能否应用於其他制程和工厂？