本文重點
- 林智仁開發的LIBSVM軟體在2000到2015年間，已廣泛應用於機器學習領域，下載超過115萬次，相關論文引用超過五萬次，為台灣AI研究最高引用論文。
- 林智仁面臨研究方向選擇、人才短缺和產生影響力三大挑戰。他堅持長期投入、提供優質「售後服務」，使LIBSVM成為廣受歡迎的開源工具。
- 深度學習興起改變了機器學習環境，林智仁轉而關注協助企業正確使用AI工具。他認為最大成就是幫助了使用者，並持續努力解決新挑戰。
2000年投入機器學習，他與研究團隊開發出的資料分類軟體LIBSVM，迄今下載超過115萬次，一篇期刊論文《LIBSVM－A Library for Support Vector Machines》引用超過五萬次，是台灣AI相關研究中，引用次數最高的論文。
可以說，在2000年至2015年的十多年間，全球舉凡是做機器學習的人，每個人都會用LIBSVM。
資料分類（data classification）是AI應用的基礎。先蒐集數據，接著上標籤，再將之作為訓練教材，教機器根據既有標籤建立分類模型，以做將來預測，如新聞網站分辨新聞類別、電商做商品分類。LIBSVM的核心能耐，是運用數學，減少建模所需時間，而且介面友善，不熟悉機器學習技術的人也容易操作。
可以說，他用一個開源工具，撐起了一個時代的AI創新，成為幕後推手中的巨人。
因為在機器學習演算法和軟體設計上的重大貢獻，2011年，在林智仁40歲生日前夕，獲選了「國際電機電子工程師學會」新科會士（IEEE Fellow），每年僅千分之一的會員有此殊榮。
2014年，他再度獲選人工智慧領域最具影響力的專業組織「國際人工智慧促進協會」會士（AAAI Fellow）。那一年全球僅九人入選，他是唯一的亞洲人，也是迄今唯一上榜的台灣人。
隔年，他又獲選國際計算機協會會士（ACM Fellow），因為「對機器學習和資料探勘的理論和實踐的貢獻」。
儘管成就極高，在接受《未來城市》專訪時，他最常說的詞卻是「難」，「非常難」。
研究的三個「難」
第一難，發生在他從美國密西根大學拿到工業工程博士，剛回到台大任教。
「為什麼會去做這個？我的博士班做的東西不是機器學習⋯⋯」他細說從頭，自己做的是應用數學，但到了資工系，學生對數學興趣不大，可是能力強，程式寫得好。
他苦思後，找到了剛起步的機器學習領域，跟他的博論研究主題「數值優化」（numerical optimization）相關，且一腳跨數學，一腳跨程式，能結合兩邊優點，從跨領域中找突破。
「一開始其實根本沒有概念，會發展成後來的樣子。」他回憶，將選題當賭注，把成功謙虛地歸功於運氣，「就非常難啦。其實是非常難。」
第二難，是人才的挑戰。
「國外頂尖大學，博士生才是研究主力。我們這邊基本上是沒有的，」他返台任教26年來，只有三個博士畢業生（另有兩位在職博士畢業生）。
沒有人要念土博，大家都覺得拿到碩士，就能直接進產業。因為博班生極少，多數時候，是他帶著大學生、碩士生做；十多年來，靠一代代的學生做下去，他自己也跳下去做。
有學生曾在PTT上分享，「當看到老師比自己還拚，每天真的從醒來到睡覺都在做研究，我覺得至少我個人沒什麼辦法說我偷個懶啦。」
第三難，是如何產生影響力。
「我們的東西研究完了，通常是不會有人理你的⋯⋯研究成果有千百種，沒什麼理由突出到人家要來用你的，」更何況，LIBSVM不是第一個，也不是唯一的資料分類軟體。
「這件事是非常不容易的。」他嘆息。
但LIBSVM做到了。林智仁分析原因有二：一是長期投入，軟體更完整；二是學界少見的「售後服務」。
儘管開源，不收一毛錢，「user（使用者）如果有問題，我們一定都會處理。」
2010年到2015年，他經常每天都要處理使用者的詢問信；某次週日早上發布了新版本，結果有錯，一下午湧入了大量的抱怨信，當晚他就想辦法把它修好並發布。
為什麼？免費分享，還要投入大量時間處理用戶問題、更新版本，也不一定有論文可發，吃力不討好。
他當然也隱約感受到發表論文的壓力，明白要做比較長期的研究，中間的產量可能不會太好；「那一段時間，可能別人認為你好像沒有在做事，」他堅持，「我也想辦法要做別的，但既然有人用我們的東西，我們就要負責任⋯⋯不然我們做這個東西，不就失去它的意義嗎？這就是要給人家用啊。」
林智仁長期投入LIBSVM，並提供售後服務，持續穩定軟體品質。圖片來源：廖祐瑲攝
話鋒一轉，他說也不是全無收穫。許多使用者回饋的功能建議，有時也給他指路，開發出重要的研究問題，發表的論文在當時也被高度引用，形成一個正向循環。
後來，使用者從個人變成了企業。他去了美國Yahoo和其他公司發現共同的問題，於是投入十年，開發出新軟體LIBINEAR，專門針對大規模文本的分類。
他發現，原先較為複雜的LIBSVM雖然強大，卻比較慢。只要文字夠多，根本沒必要拿出牛刀，因此又花了十年，開發出比較簡單但有效率的方法，可以快速處理非常大量的文本資料。
「那十年確實值得。那時候到現在都還是滿多人在用。」他說。
林智仁追求的是影響力，但什麼是影響力？是論文發表量？得獎？
他給出的答案是：「如果今天把這個學校從世界上移走，這個世界有什麼改變？如果沒有任何改變，表示它的存在沒有太大的價值。」
因此，他關心的是：要怎麼鼓勵大家做有影響力的工作？
「這件事情是非常困難的，非常困難，非常困難。」他一口氣說了三聲困難。
深度學習改變開發環境
LIBSVM叱吒風雲十多年，但2015年後，時代改變了。因為新的方法誕生了：深度學習。
這種更複雜的方法，能更好地解決過去的難題，如影像處理，驚豔了世界。方法變複雜了，開發環境也有了翻天覆地的變化。
過去小規模、較簡單的軟體，只須靠少數的人、足夠的努力，就能做出來。林智仁稱之為「小規模的手作」，「每一行我都知道在寫什麼。」
如今機器學習軟體極為龐大，需要大團隊才做得到，已經不是小團隊玩得起來的；軟體開發變成資本的遊戲，只有大公司才養得起大團隊，「它已經牽扯到公司的大小，甚至是國家的國力。」
這對林智仁的研究團隊產生巨大衝擊，無法複製過去的成功模式。儘管自嘲是「過氣的researcher（研究者）」，但他說：「我們也努力在做一些事情。」
帶著十個人的小團隊，他下一步最想解決的問題，依然是使用者的問題。
他觀察，多數台企對AI缺乏經驗，對機器學習了解不足，或工具不夠好。不管什麼數據或問題，不管必要與否，都用最高深的方法，信奉砸錢買算力。使用者無法判斷需不需要，或是哪種方法最適合。而且，做出來的結果好壞，使用者也不見得知道，因為他無法，甚至不知道要評估。
「他們需要一些幫助，」他說，「距離很遙遠，但總要開始做。做了再說吧。」
或許，這一投下去，又是另一個十年。但人生有幾個十年？採訪最終，記者問他最大的成就感來源是什麼？
他說：「我們有幫助了users（使用者）」。
小檔案｜林智仁
台大資工系特聘教授林智仁。圖片來源：廖祐瑲攝
- 出生：1971年
- 現職：台大資工系特聘教授
- 學歷：台大數學系學士、密西根大學工業工程博士
- 經歷：阿拉伯聯合大公國MBZUAI大學兼任教授
- 榮譽：國際電機電子工程師學會會士（IEEE fellow）、國際人工智慧促進協會會士（AAAI fellow）、國際計算機協會會士（ACM fellow）
延伸閱讀
深度專題
「AI即國力」在2024年已成共識。進入新時代，天下「未來城市」推出了「台灣AI 20」專題報導，邀請產官學代表組成推薦委員會，選出20位在AI的技術創新、產業應用、政策推動、知識教育和社群連結五大領域中，選出20位對台灣AI發展有重大影響的人物。
誰是台灣AI 20人物？他們為台灣做了哪些事？立刻點擊閱讀「台灣AI 20」深度專題。
