「大量數據往往缺乏背景、標籤或內容，使其難以直接應用，因此如何篩選、建模並預測成為關鍵挑戰。」美國馬里蘭大學終身講座教授暨工業人工智慧中心主任李傑，在第九屆《WHATs NEXT》未來科技產業高峰會中表示。
隨著大型語言模型（LLM）席捲全球，工業領域的人工智慧（AI）應用也正悄然革新。然而，與開放數據不同，工業AI的數據來源主要依賴於生產過程和客戶使用產品時產生數據。研究重點在於如何將這些寶貴的數據轉化為可建模、可學習,及可傳承的資源。
李傑表示，當中談的問題不是產品，而是數據生態，一個Large-Scale Ecosystem System。例如全球有24萬個風力發電機、GE有6萬到7萬個飛機發動機，或是 Tesla每年生產180-200萬輛電動車，關鍵在於如何利用這些系統產生的大量數據，並影響去進行下一個世代的設計與服務？
目前產業界常提到的可見數據、知識、方式，或是方式與新知識產生都是大家努力的結果。但李傑強調，You know what you know, but you don’t know what you don’t know。
他以航空業為例說明，飛機的飛行方式固然重要，但如何實現節油才是真正的挑戰，這涉及風速、濕度、天氣等多重因素，不同飛行高度也會產生不同影響，透過數據分析，我們可以發現隱藏的節油機會。同樣在船舶航行中，調整航行方向可能會剩下6%燃油量，這就是不可見的世界，也是數據的價值所在。
全球企業轉型方式正在發生變革，傳統方法往往依賴經驗摸索，而現代企業可以直接利用數據發現未知領域。李傑舉例說明，日本釀酒業使用數據分析確保每一批清酒口感的一致性，這種精準控制在過去只有極具經驗的企業才敢嘗試。
「例如台積電有80萬筆數據記錄，但經過篩選後，真正可用的可能只有約17萬筆，大約20%左右。」李傑指出，大量數據往往缺乏背景、標籤或內容，使其難以直接應用，因此如何篩選、建模並預測成為關鍵挑戰。
AI自1955年發展至今，2020年因OpenAI的突破而迎來產業新浪潮。李傑將AI發展方向概括為ABC：算法（Algorithm）、大數據（Big Data）和計算能力（Computing），在工業AI領域，還需要特別關注領域知識（Domain）、執行力（Execution）和回饋（Feedback），以推動知識經濟效應，最終實現以人為本的價值創造。
目前全球有95%以上在做傳統機器學習，但李傑投入的部分是非傳統機器學習。他指出，這種方法將機器生成的數據轉化為知識模型，進而應用於生產和設計過程，即透過傳感器收集的數據，經歷過篩選，最終透過層層篩選建立可用的整合。以電動車為例，可評估電池的使用健康度、駕駛習慣等面向，訓練自動駕駛，又或是在工業生產中透過數據訓練機器人，可能建立廠區的生產線時間將從六個月縮短至一個月。
這種方法將機器生成的數據轉化為知識模型，進而應用於生產和設計過程。例如，通過分析電動車的傳感器數據，可以評估電池健康度、優化駕駛習慣，甚至縮短自動駕駛系統的訓練時間。在工業生產中，這種方法可能將生產線的建立時間從六個月縮短到一個月。
李傑強調，未來需要新的思維模式，將數據、領域知識和紀律性相結合，建立並維護產品的生命週期，要在AI中間找到能落地的方式，這些都是需要被發掘的領域，業界不應盲目追隨傳統路徑，而應該探索AI落地應用的新領域，因為產業轉型的步伐正在加速。