壹、前言
這些年來，在科技發展與演算技術突飛猛進之下，人工智慧(Artificial Intelligence，AI)逐漸走入人們的日常生活，不再如同過去那般，只是侷限在少部份專家學者的學術象牙塔裡。而隨著應用場景愈來愈加廣泛，產業結合AI的各式各樣應用也如雨後春筍般冒出，例如電子商務產業運用AI演算法分析數據、實現客製化的精準行銷，或是透過AI圖像辨識系統、降低搜尋時間與成本；再或是醫療照護產業利用民眾的就醫紀錄及醫療影像，搭配AI實現各類醫療輔助與精準醫療等，都是鮮明例證。
不容否認，產業AI化已是一個未來趨勢，但究竟產業該如何導入AI或是在哪個時點導入何種AI技術，目前仍是莫衷一是，未有定論。普遍來看，現在主流作法多是從技術層面切入，先看產業現有的智慧化程度為何，再看AI技術能夠應用在產業的哪個面向，從而找出產業AI化的流程與藍圖。台灣人工智慧學校主任蔡明順2019年一篇「產業AI化的黃金10年」文章就明白指出，未來十年將有機會看到四波產業AI化的轉變，主要就是從產業結合AI技術看到未來企業甚至是產業升級轉型的機會。
蔡明順指出，這四波產業AI化的轉變，分別為單點效率的提升、企業流程的提升、產業水平面的提升、以及生態系統整體的提升。由「點」到「線」到「面」再到「立體」，充分演示產業AI化的可能進程。不過，依循著這樣的產業AI化脈絡與思維，其實不難發現，不同產業導入AI應有不同的指導方針與順序。也就是說，就所有產業而言，沒有一體適用的標準。
有鑑於此，本文嘗試用另一種不同方式，即從早期資金脈動的角度切入，看是否可以提供另類的產業AI化觀點，來補足或平衡當前的主流看法。所謂的早期資金，一般泛指由天使投資人及創投(Venture Capital，VC)所構築出針對新創企業的投資資金。這類資金由於必須承受較大的失敗風險，因此除了要有豐厚報酬作為高額風險補貼外，相對在技術或市場層面的要求與標準通常也會較高。也因如此，市場往往以智慧資金(Smart Money)稱呼之。
知名的VC如紅杉資本、Firs Round Capital、SV Angel等機構，不僅具備強大的資金實力，且具備專業眼光，能洞悉市場發展前景，獨具慧眼發掘有商業價值的新創企業，並將他們推向業界巨頭。許多新創企業在獲得這類早期資金挹注後，常常就在短期晉升為獨角獸，或是成為目前改變產業遊戲規則(game changers)的顛覆者，因此市場也愈來愈加關注早期資金的投資動向。
另一方面，這些以小博大、具顛覆性的新創企業，其研發資訊往往不容易被調查或追蹤到。然而，新創企業取得早期股權資金，通常會用來投入研發、產品原型開發或商業化模式測試，因此早期資金指標可視為「研究發展經費」與「商業化開發」的代理變數。如果能有系統的監測新創企業獲投資訊，不僅可獲得來自投資者的專業看法，更能反映未來3-5年市場商業化風口。
過去VC的早期投資或科技巨頭併購等資訊並不透明，不過近年來拜大數據分析技術快速的發展，已經能有系統從多元管道整合股權投資的資訊並進行精確分析。因此，透過早期股權投資或策略性收購資訊，是一種具科學事證與隱含商業化潛力的「錢」瞻短期產業技術或創新趨勢的新方法。
本文就是在這樣的大前提下，將早期資金脈動結合產業發展趨勢，進行技術前瞻與市場洞察，同時進一步去檢視及探究產業AI化的過程。本文架構如下，除前言外，第二部分將概略說明人工智慧定義與演進過程，藉此釐清當前人工智慧熱潮與過往的差異；第三部分針對全球AI早期投資趨勢進行掃瞄研析，透過具有專業能力與雄厚資金的VC投資動向，掌握整體AI產業技術發展的潛力與概況；第四部份則以金融科技產業為例，剖析產業如何結合早期資金脈動，進而推動產業AI化；最後做出結論。
貳、人工智慧的定義與演進
誠如前述，人工智慧並不是一套全新的科學理論，而是發展已有很長一段歷史的技術。因此，在探討人工智慧的演進之前，必須先來定義何謂人工智慧。一般對人工智慧的認知，最早可追溯至1950年圖靈(Alan Turing)預言人工智慧機器的可能，並設計圖靈測試開始。不過圖靈並未給予AI一個明確的定義，而是到1956年達特茅斯會議中，麻省理工學院麥卡錫(John McCarthy)教授指出，人工智慧就是要讓機器行為看起來像是人所表現出的智慧行為一樣，AI才有一個明確定義。隨後知名投資機構高盛(Goldman Sachs)也提出類似看法，指稱AI就是一門利用在電腦或智慧型機器上模擬智慧行為的科學。總括來說，人工智慧是指讓電腦或機器具有人類的知識與行為，並且具有學習、推理與判斷解決問題、知識儲存記憶、了解人類所說語言等能力。
在明確賦予定義後，AI的演進也經歷過一番波折。1957年，羅森布拉特(Frank Rosenblatt)發明第一款神經網絡(算法)，讓世人驚覺機器模擬人類思考並不是紙上談兵而已，同時也成功推動人工智慧邁向第一個高峰。不過，這樣的熱潮雖持續到1970年，且機器的運算能力也持續大幅突破，但卻始終沒能讓機器完成大規模數據訓練和複雜行為，這也讓AI從高峰跌落至第一個谷底。
來到1980年代，新理論出現帶來AI復興。如1982年霍普菲爾德神經網絡(Hopfield neural network)被提出、1986年反向傳播(Back Propagation，BP)神經網絡算法出現，均使得大規模神經網絡的訓練成為可能，AI進入第二個黃金期。但跟第一個高峰期一樣，1990年美國國防高等研究計劃署(Defense Advanced Research Projects Agency，DARPA)沒能實現AI計算機的突破，導致政府預算投入縮減，AI也隨之進入第二個谷底。
第三波，也是現在這一波AI熱潮，則是從1997年IBM計算機深藍(Deep Blue)戰勝國際西洋棋大師開始。然後延續到2006年，AI深度學習(Deep Learning)之父辛頓(Geoffrey Hinton)提出深度學習神經網絡，使得人工智慧獲得突破性進展。一直到近十年，在國際科技大廠的重兵投入下，如IBM Watson在電視真人秀節目中擊敗該節目歷史上兩位最成功的選手、蘋果推出虛擬助手siri、Facebook發佈「deepface」讓人臉識別準確度接近人類、Google的AlphaGo完勝全球數一數二的圍棋手等，都讓這波AI熱潮綿延不斷。
無疑地，驅動AI第三波發展的關鍵，主要在現代演算法、大數據與硬體運算能力核心條件的大幅改善與雲端技術加速。其中在現代演算法中，主要是2012年起深度學習技術開始引領AI領域發展，也讓AI進入到與以往不同的境界。值得一提的是，深度學習是機器學習(Machine Learning)的一個分支，而機器學習又是人工智慧的一個分支，兩者皆是透過演算法使機器能從大量歷史數據中學習規律，從而對新的樣本做智慧辨識或對未來進行預測。
在深度學習與機器學習成功驅動並引導AI邁入第三波熱潮後，許多過去比較難以想像或是無從切入的業態，紛紛如雨後春筍般冒出。例如自駕車、智慧工廠與家庭、甚至是智慧城市的實現，都不再是遙不可及。而這也讓產業如何結合AI來實現這樣的夢想，成為各個國家或是科技大廠、新創積極努力的目標。國際研究暨顧問機構Gartner最新公布的2019年新興技術發展周期報告(Hype Cycle for Emerging Technologies, 2019)，就明白指出，包括像情緒AI (Emotion AI)、可解釋AI (Explainable AI)、邊緣AI (Edge AI)、AI平台即服務(AI PaaS)等，都將是未來5到10年引領全球科技進步的主流技術。其中，邊緣AI甚至可能在未來2-5年內就會成為被廣泛應用於各個產業或領域的主流技術(參見圖一)。
圖一、Gartner新興技術發展周期(2019年8月)
資料來源：Gartner 2019年新興技術發展周期報告。
此外，由台經院研究六所組成的早期資金資訊平台FINDIT研究團隊，則是嘗試利用自建的FINDIT資料庫，自行統計2014年至2018年早期投資情況，並以獲投件數(2018年)及其成長率(2014年至2018年)的99分位數做為基準，發現人工智慧、區塊鏈及健康照護這三大領域，不只是早期投資人最關注，也是資金挹注最頻繁的領域，顯見AI確實是未來科學技術領域的新風口(參見圖二)。
圖二、全球早期投資觀測到的新風口資料來源：FINDIT資料庫，台經院整理。
參、全球AI早期投資趨勢
不管是從Gartner的新興技術發展周期報告或是FINDIT的早期資金研究，都可以發現AI在未來各個領域的重要性。不過，想要分析全球AI早期投資趨勢，清楚界定與AI相關的技術、應用與領域，了解AI的新創生態系統或範疇，絕對是必要的。然而，有關AI的生態系統或範疇，基本上國際並無統一的定義。為了解決這個問題，FINDIT研究團隊透過FINDIT資料庫，同時參考相關分類文獻，將AI領域的生態範疇劃分為基礎層、核心技術層與應用層(參見圖三)。
圖三、AI產業生態系統資料來源：參考CB Insights與Shivon Zilis相關資料，FINDIT整理。
從圖三可以清楚看出，基礎層包括如NVIDIA的AI晶片研發、Google 開源機器學習系統TensorFlow、大數據與雲端運算平台等，大多為科技巨頭主導，亦有少部份的新創企業在其中，另外，大學與研究機構則是相關基礎技術研發的主要供應者；核心技術層則包括機器學習、深度學習、自然語言處理與產生、電腦視覺辨識、語音辨識、文本分析與預測分析等；應用層主要是應用AI進行技術與商業模式創新的垂直產業，如醫療健康、零售、金融業、汽車業、能源產業等，另外還包括一些新應用如擴增實境/混合實境、手勢運算、機器人與情緒辨識，幾乎涵蓋所有產業與領域。這不啻也意味著探究AI與產業的結合，將是未來的一大顯學。以下就分別從全球AI的整體、國別、階段別及次領域別的早期投資趨勢切入，一一說明。
一、整體獲投趨勢
圖四列出全球AI股權獲投趨勢，從圖中可以看到，AI新創企業近五年(2014年至2019上半年)獲投趨勢有逐漸加溫跡象，2018年為獲投案件數最高的一年，共有3,121筆獲投，投資金額則達到337億美元，紛紛創下歷史新高。相對而言，2019截至上半年則僅有993筆獲投，不到2018年三分之一的水準，但投資金額卻高達151億美元，佔據將近一半，顯示2019年儘管AI投資熱度稍有減弱(以件數來看)，不過由於鉅額投資(單輪金額超過一億美元)增加，讓獲投金額下降幅度少於件數，某種程度或許也意味著AI商業化應用加速，需要更大規模的資金挹注。
圖四、全球AI股權獲投趨勢(2014-2019H1)資料來源：FINDIT資料庫，台經院整理。
二、獲投趨勢按國別區分
圖五為全球AI新創企業近五年獲投案件數的國家分布，可明顯發現，美國、英國及中國大陸為主要獲投三大地區。其中，美國案件數佔據將近一半，共有5,058家，英國居次，有941家，中國大陸則排名第三，僅557家。不過，值得注意的是，由於本文統計依據為FINDIT資料庫，資料來源主要是介接國際數一數二的CrunchBase新創資料庫，其是以英語體系新創登錄為主，對於中文地區的獲投消息掌握度，並不如中國大陸本地的一些早期投資資訊平台如36Kr、投資界與IT桔子等，因此對於中國大陸地區的AI新創獲投統計，可能會有些許失真情況。
圖五、按國別區分之全球AI股權獲投趨勢(2014-2019H1)資料來源：FINDIT資料庫，台經院整理。
三、獲投趨勢按階段別區分
圖六為依據階段別區分的全球AI新創企業近五年獲投案件數與金額分佈情況，首先在案件分佈方面，可以看到歷年皆以種子/天使輪為最大宗獲投輪次，趨勢與整體獲投情況一致，從2014年至2018年，明顯呈現逐年遞增。此外，晚期階段也與種子/天使輪趨勢一樣，都是逐年增加。顯示在AI的獲投趨勢上，早期投資人較為關注的還是在於概念發想與如何出場。其次，在投資金額方面，結果未出人意料，大多集中在中、晚期階段，代表技術愈成熟或商業模式更加確定的AI新創，更容易吸引想要快速出場的投資人目光。
圖六、按階段別區分之全球AI股權獲投趨勢(2014-2019H1)資料來源：FINDIT資料庫，台經院整理。
根據大和有話說網站上提供的新創各募資階段背後含意圖(參見圖七)，可以發現，種子/天使輪投資人重視的是創意發想以及有原型(prototype)與初步的商業模式(可能已有累積一些核心用戶)，而中、晚期階段(C輪、D輪及E輪)，通常是營運已上軌道的行業內前幾大公司，焦點自然就落在出場及上市準備上。因此，對於AI獲投階段別呈現的趨勢，不管是件數或金額，其實都還蠻符合新創募資階段的成長軌跡。
圖七、新創各募資階段背後的含義資料來源：大和有話說網站。
四、獲投趨勢按領域別區分
最後，按照領域別來區分，圖八列出近五年各領域獲投件數與金額的分布情況，可以看到，人工智慧核心技術都位居第一。主要原因在於該領域多屬深耕AI技術的新創，因此可適用產業領域範圍通常較為廣泛，獲投件數與金額自然就較其他領域來得多。另外商業數據分析、金融科技及醫療照護等領域，多為近年來最為熱門的幾個產業領域，當然會吸引AI新創積極投入，連帶地也就拉高獲投件數與金額。值得注意的是，交通運輸雖然投資案件數不多，但由於最近自駕車的興起需要AI強力配合，加上相關研發需要大量資本的挹注與投入，因此在投資金額方面高居第二。
圖八、按領域別區分之全球AI股權獲投趨勢(2014-2019H1)資料來源：FINDIT資料庫，台經院整理。
肆、結合早期資金脈動的產業AI化—以金融科技為例
從AI早期投資趨勢可以清楚看到，現階段的第三波AI潮流正方興未艾，各產業也都積極引入AI技術，想要藉此提升效率並降低成本。不過，在這個過程中，產業AI化似乎沒有想像中來得容易。亦即，產業如何導入AI、促成產業AI化，看似老生常談，沒有甚麼特別稀奇之處，但實際操作上，命題本身就是個大哉問。
就如同前言所提到的，不同產業由於特性不同，導入AI時程或順序，自然也就無法一概而論。以金融科技產業為例，由於本身特性是結合網路科技與金融服務的一種新興產業，因此在AI的應用需求上，可能就比一般傳統產業來得強烈與急迫。但其實就產業本身發展來說，這些急迫性可能也會取決於不同AI技術與項目，而有所不同。
一般來說，市場在判斷產業導入AI的時間順序時，主要是以市場潛在性，包括市場規模預測、研發投資、收益、競爭強度、併購及戰略投資等變數，作為參考依據。若AI應用的市場潛在性較高者，則早投入獲得的效益較多；反之，市場潛在性較低者，則建議晚投入較佳。這樣的判斷方式，不能說不好，但總覺得少了一點從技術轉換為商業應用的驗證機制。因此本文特別加入B輪以上股權獲投總金額占比，來輔助判斷產業導入AI的時間順序。
為何要選擇B輪以上？原因在於能夠取得B輪融資，通常是企業已經開始複製商業化模式、加快規模化腳步，因此可以做為驗證企業商業應用落地的判斷依據。而就整體產業的次領域別角度來看，B輪以上股權獲投總金額占比較高，同樣也是代表該產業次領域別已進入商業化狀態。此時AI的導入時程，自然就有調整的必要。也就是說，若B輪以上股權獲投總金額占比較高，其代表該層面已進入商業化狀態，則早投入獲得的效益較多；反之，B輪以上股權獲投總金額占比較低者，則建議晚投入較佳。
表一為金融科技產業各層面的AI技術應用，主要有三大層面九大項，分別為客戶業務層面的聊天機器人、保險智慧化、智慧理財，數據分析層面的風險管控、數據蒐集與分析、決策分析與預測、信用評等暨借貸，以及業務流程層面的工作流程智慧化及區塊鏈。
表一、金融科技產業各層面的AI技術應用
資料來源：FINDIT資料庫，台經院整理。
根據文獻透過各種指標判斷金融科技各層面的市場潛在性，由高至低依序為信用評等暨借貸、智慧理財、數據蒐集與分析、決策分析與預測、工作流程智慧化、聊天機器人、風險管控、區塊鏈、保險智慧化(參見圖九)。整體而言，偏向市場潛在性高者，大都是數據分析的AI應用項目，如信用評等暨借貸、數據蒐集與分析及決策分析與預測，主要原因在於市場需求大、投入效益高及競爭性強；而偏向市場潛在性低者，則各層面皆有，不過業務流程項目，包括工作流程智慧化及區塊鏈兩項，幾乎都落於此，可能原因還是在於短期投入成本不符效益。
圖九、金融科技各層面AI技術應用的市場潛在性資料來源：FINDIT資料庫，台經院整理。
因此，若依市場潛在性來判斷AI技術應用的導入，大致上可以發現，數據分析層面的應用應優先導入，而與人有關的客戶業務層面如聊天機器人與保險智慧化，以及與業務流程有關的工作流程智慧化及區塊鏈則不急導入。不過，若加入市場商業化因素(即B輪以上股權獲投總金額占比)，導入優先順序可能也會隨之變化。
圖十、金融科技各層面AI技術應用的B輪以上股權獲投總金額占比資料來源：FINDIT資料庫，台經院整理。
圖十為各層面AI技術應用的B輪以上股權獲投總金額占比，從圖中可以發現，2014年至2018年各層面B輪以上獲投總金額占比由高到低(亦即商業化程度由高至低)，依序為信用評等暨借貸、數據蒐集與分析、保險智慧化、風險管控、智慧理財、決策分析與預測、工作流程智慧化、聊天機器人、區塊鏈。
相較於單純依據市場潛在性作為判斷指標的結果，數據分析層面依然高度受到早期投資人的關注。不過，原本具有高市場潛在性的智慧理財，卻顯示出商業化程度並不如想像中的高；而保險智慧化及風險管控則剛好相反，商業化程度遠比市場潛在性來得具有優勢。這不啻也意味著，若結合市場潛在性及商業化程度來判斷AI技術應用的導入，優先順序勢必得重新調整。
伍、結論
不容否認，隨著科技日新月異，AI已徹底融入人們的日常生活，而產業發展更是緊緊繫著AI技術的演進。不管是從Gartner的新興技術報告或是台經院FINDIT團隊的早期資金研究，都可以發現AI熱潮正方興未艾，在各個產業領域的重要性，也愈來愈加突顯。換句話說，經歷第一波及第二波AI浪潮的谷底後，現階段第三波AI熱潮還在持續延燒，此誘使AI新創甚至是科技大廠前仆後繼地投入，連帶也成功吸引早期投資人的目光。
就現況來看，AI早期獲投雖仍以美國為主，但英國與中國大陸隨後追趕的趨勢，也不容小覷。而階段別的件數集中於種子/天使輪與晚期階段，金額則集中於中、晚期，基本上完全符合新創募資階段的成長曲線。此外，領域別的分析帶出人工智慧核心技術、商業數據分析、金融科技及醫療照護等，都是現今AI早期投資的重點領域。不管是從件數與金額來看，都是如此。這或許也意味著，接下來如何將AI導入各領域或融入產業之中，勢必將是各國產業發展的焦點所在。
不過，產業AI化雖然已是一個大趨勢，但導入的優先順序可能還需多方面的評估，方不至於事倍功半。本文認為，若能在傳統以市場潛在性做為判斷依據的前提下，加入商業化程度指標(B輪以上獲投總金額占比)，或許可稍微平衡一點，也會讓判斷結果更為精準。這無疑也是結合早期資金脈動看產業AI化的精髓所在。