活動筆記速寫

科創講堂-AI人工智慧

社群大數據、深度學習、智慧應用

【渣筆記】
希望每次參加完活動都可以留下一點記錄給我的金魚腦
若有遺漏或錯誤純屬個人缺陷還請見諒～

身為科學人雜誌的忠實訂閱戶、科幻迷和腦神經科學讀書會的小組長，在科學人的粉絲團一看到活動當然是二話不說馬上報名兼推廣ＸＤ
這個活動由科學人雜誌與國立清華大學主辦、科技部指導，安排12講者精實的演說從星期天早上9:30~下午6:00，整場下來實在有夠燒腦！但心靈非常滿足ＸＤ 每一位講者都實力堅強台風穩健口條清晰，是近期參加過最有收穫的活動！非常佛心的是——免費！（這如果是業界活動大概要幾千幾萬吧～

#警告# 此篇文超長！請直接點目錄連結看有興趣的就好了ＸＤ
，或是直接 END 看我的心得給個拍手也行 😃（app無法使用目錄連結）

目錄連結：

∎ 講堂一 - 資料背後的群眾智慧：社群大數據

• 解碼i世代：社群大數據的探索與應用
• 微股力-金融社群對話機器人
• 社群大數據的情緒分析
• 看不見的機器人-社群網路背後的語意理解智慧

∎ 講堂二 - 讓機器跟人同等智慧：深度學習

• 機器透過互相砥礪來學習創造-對抗式學習
• 小ＡＰＰ背後的大數據與人工智慧
• AI 並不神秘，不過就是要問個好問題
• 人工智慧在影像處理與電腦視覺上的應用

∎ 講堂三 - AI的更多可能：智慧應用

• 台灣蛾類顏色多樣性的人工智慧分析
• 從分析到創作-談人工智慧應用於音樂的想像與真實
• AI在心理學研究與相關產業的應用
• 從手機解讀人類行為

∎ 心得

講堂一- 資料背後的群眾智慧：社群大數據

專題一：解碼 i 世代-社群大數據的探索與應用

講者：中央研究院民族學研究所-張仁和

網路 — 用不用，好不好？

• 研究顯示輕度網路使用者心裡最健康
  （完全不用網路心理也會不健康，想當然爾，現在人際關係都脫離不了網路了）

網路同溫層？

• 以新聞為例，研究顯示在社交軟體上，對於好友轉貼的新聞普遍查證的意願低
• 經過測試，假新聞的傳播速度比機器人還快
• 會造成爭議議題情緒極化的風險

網路與自我

• ex: 19–22 集體文字雲
  隨著年齡的提升，第一人稱的單數使用 I 比例越低，第一人稱複數形式 ＷＥ 越高（這是從小屁孩自我中心時期逐漸社會化的過程嗎？）
• 過度的自我揭露可能顯示的風險
  在網路上過度自我揭露可能是某種精神疾病

用詞與憂鬱症

• 研究發現，顯露負向情緒與自殺成功率無關
• 自殺成功的詩人使用Ｉ比例較高、未成功的使用 We 較高

911與網路詞彙轉換

• We 的使用率提高
  在911恐攻之後，美國網路上使用 We 的比例提升。或許 We 較具有人際連結效果
• 化解衝突可以多使用 We 、我們、大家之類的用詞

美國總統就職演說用詞分析

• 直覺ＶＳ分析
  研究顯示民眾認為川普的演說較真誠
  （情緒果然是帶動行動的重要因素…）

台灣社會變遷與流行歌詞變化

• 跟家庭有關的詞下降
• 髒話比例上升
• 與性有關的詞彙比例上升

語言風格與親密關係

• ex: 快速聯誼兩人對話的適配性
  高語言適配的成功機率較高
• ex: 分析情侶通訊軟體中的對話
  三個月之後，高語言適配的情侶分手機率較低

用語言訊息捕捉人際互動關係？

• 若用機器學習去分析用詞，是不是就可以準確預測人與人的互動？
  答案是：實際互動之後的分析結果不會準確，因為實際互動除了語言之外還有很多其他因素。

提問：

Ｑ：政府可否使用這些方法來降低網路上髒話使用頻率？
Ａ：有些網路遊戲已有管制，但不知道此效應是否可以擴大到整個社會，也關係到言論自由。另一個問題是不帶髒字的酸言酸語如何解？

Ｑ1：可否針對「同溫層效應會導致爭議議題情緒極化」詳細說明？
Ａ1：因為對同溫層以外的人的回覆意願較低
Ｑ2：如何遏止假新聞
Ａ1：通常這些傳得很快的假新聞新奇性都很高、很聳動，應該建立自我判斷。

Ｑ：台灣社會髒話與性的用字頻率逐年升高，是否跟壓力增加有關？如何解決這樣的問題？
Ａ1：現象出來之後難的是該如何介入，其中牽涉治療倫理問題，若民眾不想接受治療也沒辦法，而且適當的壓力釋放是好事，代表有宣洩管道。而且每個世代用字習慣不一樣，以前可能用 F 開頭的髒話是不得了的是，但對現在這個世代來說 F 開的髒話只是語助詞。

Ｑ：藉由人工智慧應用在尷尬的人際溝通上是否有可能？ ex: 讓聊天機器人提醒主管不要再說幹話
Ａ：非常實惠的想法ＸＤ

Ｑ：語言分析的效果如何？
Ａ：語言分析需要一定數量的辭彙庫，資料越少越不準

⬆︎返回目錄

專題二：微股力-金融社群對話機器人

講者：台北商業大學商業設計與管理系助理教授-溫明輝

創業項目-微股力：最大金融聊天社群 https://quants.ai/

“投資”是一個自我心理說服的心理歷程

服務：機器人幫你盯盤中，提供指標及訊號、跟買法人、資訊圖像化

• Line 投資群組的推動力：輔助討論、提供資訊
• Line 上集結了成千上萬個投資理財社群
• 服務使用族群以年輕投資族群為主、目前四十五萬人次（有重複）
• 留存率非常高
• 每天一百多萬筆對話次數
• 被封鎖的數目非常低、正面回饋多

加入群組有沒有用？

• 每人平均加入2.49個群組
• 團隊做了預測股市的小遊戲，來分析加入群組對投資到底有沒有用
  結果：贏家群組較多
• 分享自選股-找出市場最厲害的投資人
  分享自己的投資組合(有實單)
• 未來開發語音機器人多元互動

Ｑ：會不會操作特定商品的曝光量而容易有錯誤或引導的風險？
Ａ：內部天條-不推薦任何投資選項，做公正的客觀的平台

Ｑ：群組內會不會有公司或假新聞洗版的情況？
Ａ：假新聞來源絕不會是微股力、但的確有人會在群組貼廣告

Ｑ：美股大跌一千點的原因是因為交易機器人出錯，微股力會有這樣的風險嗎？
Ａ：微股力的定位是社群工具不是投顧工具，目標是提供客觀的資訊、維護服務的信任感，未來可能讓優質的投顧工具進入平台供選擇。

⬆︎返回目錄

專題三：社群大數據的情緒分析

講者：清華大學資訊工程系副教授-陳宜欣

從自身生養孩子的經驗來看：

• 許多小細節會被傳統研究忽略
• 人的表達充滿錯誤
• 情緒表達沒有邏輯(機器無法分析詩意與想像力)

群眾的潛意識智慧

• 從人們的日常紀錄中，擷取共同記憶
• 潛意識情緒資料(從網路社群上來看)
  - 比對情緒資料(網路社群中自己有下心情標籤的資料)跟非情緒資料(新聞)
  - 去蕪存菁之後留下的字詞來做分析
  - 不使用傳統語意詞典的結果較準確

數據來自總統大選之後ＸＤ

Ｑ：有沒有特定詞彙可以增加回信滿意度？
Ａ：人類的表達非常有創意，很難在特定情境有標準答案。不同年代、不同社會脈絡、不同工作環境下，用語的表達都不同。個案非常難

Ｑ：中文情緒表徵那張圖是來自ＰＴＴ嗎？感覺用詞很像似。
Ａ：其實是來自ＦＢ，那時後資料是公開的。同一個人在不同群體、不同媒體上的情緒用詞都不一樣。

Ｑ：說話的音調也有不同，這部分有研究嗎？
Ａ：我自己是比較專注在文字的方面。

Ｑ：如何避免取樣偏差？
Ａ：會使用統計學方法避免，時間及範圍都會有限制。

Ｑ：沒有使用傳統語意詞典，那怎麼判斷資訊的情緒？
Ａ：是使用使用者自己有標上關鍵字的資訊。好處是在社群上較能跟得上時代及流行。

Ｑ：是否不使用詞典的成效會比較好？
Ａ：在社群上不使用詞典的表現會比較好，其他領域例如專業書籍就不適用了。

Ｑ：請問使用的資料量大嗎？
Ａ：兩三千筆的資料而已，資料量不大，因為必須人工再進行處理。

⬆︎返回目錄

專題四：看不見的機器人-社群網路背後的語意理解智慧

台灣大學電機工程學系教授-黃鐘揚

什麼是機器人？
這是一個大哉問，每個人心中對”機器人”的定義可能都不相同。
在這裡姑且把機器人定義為——
可以聽得懂人類的語言而做出相對應服務的應用。
它是軟體服務溝通的新媒介

目前就算是類神經網路技術，依然是弱人工智慧。所以必須限縮問題、分類問題！

目的是打造自然語意引擎

建制方式：

• 非監督式學習
• 所有字、詞、句，都被轉換成高維向量（用向量相似度來評估）
• 不同語意問題將其劃分為獨立空間
• 依照信心指數不同來回答問題

舉一反三的能力

• 土法煉鋼太辛苦了（窮取），非監督式學習使用大量語料庫，因此少量訓練資料即可達成高準確率
• 文字語料庫可利用爬床技術大量從公開網佔取得
• 在地化很重要
• 延伸不同語意也相對容易

Ｑ：有人說若問題三秒鐘 google 得到，就不要用聊天機器人，那聊天機器人要怎麼用才會有商業價值呢？
Ａ：視為新的媒體、新的管道。在社群上直接使用，是使用情境上的優化。好的教材才能交出好的ＡＩ。

Ｑ：能夠訓練ＡＩ回化更人性化嗎？
Ａ：這是科學界大家追求的聖杯、一門藝術。但目前要讓使用者知道他是在跟機器人對話，其中的設計是非常高深的技術。

Ｑ：有解析問題相關的研究嗎？
Ａ：還是必須花時間去定義你想要看的東西、要花力氣教，跟用大量資料去標籤不太一樣，有機會讓他舉一反三。

Ｑ：能不餵資料，讓ＡＩ自己爬資料嗎？會不會比較有效率？
Ａ：技術上都可以，但實際上還是得人工去篩選要餵給他的資料，不然之前 google也有做過它半天就學壞了ＸＤ

Ｑ：能給非資訊科背景的民眾解釋一下什麼是類神經網路嗎？
Ａ：類神經網路的“類”就是類似的意思，用電腦數據模擬類似人類腦神經的迴路，它就像嬰兒一樣是一張白紙，我們必須給他資料讓他學習。用相似人類的機制，相信他會發展出類似人類的智慧。

⬆︎返回目錄

講堂二- 讓機器跟人同等智慧：深度學習

專題一：機器透過互相砥礪來學習如何創造-對抗式學習

講者：台灣大學電機系助理教授-李宏毅

如果機器可以創造-作畫、寫文章？
ex: 看圖畫圖、依照文字畫圖

以創造二次元人物為例

• 傳統生成者生成的作品，都是從大量數據中訓練出來的，談不上創造
• 對抗式學習，不給範例，讓電腦自己一人分飾二角：
  鑑別者（有範例資料訓練過、但不畫圖）
  生成者（沒有範例、只負責畫）
  生成者ＶＳ鑑別者：寫作朋友，唸成敵人（ＸＤ
• 鑑別者來比對生成者的產出與預期的差異，歸納、找出規則
• 目前可以做到：
  - 以圖畫圖
  - 依文字敘述畫圖
  - 風格轉換

AI 運算成果

風格轉換的應用：

• 以翻譯為例(google 翻譯已經在做)
  以往都是督導式學習（有人類老師），對抗式學習（從鑑別者那邊學新語言）機器完全自己學＝人教十萬句

Ｑ：怎麼區分機器是抄襲還是創作？
Ａ：檢視成品跟訓練資料是否有出現過、讓機器來檢視成品跟訓練資料

Ｑ1：怎麼建立鑑定者的架構？
Ａ1：慢慢試錯、但沒有正確答案
Ｑ2：深度學習跟對抗是學習的差別？
Ａ2：其實都是深度學習的一種，跟傳統深度學習的差異是：傳統身成者只有一個目標。深成者跟鑑別者都是機器，彼此目標不一樣（電腦自己分飾二角）

Ｑ1：跟 reinforcement Learning(強化學習) 有什麼不一樣
Ａ2：兩者非常相似，只有差異在 reinforcement Learning 通常有一方會是固定住的，對抗式學習兩方都沒有固定住

Ｑ：讓生產者跟不同鑑別者訓練的話，技術有可能加強嗎？
Ａ：有的！已經有文獻了

Ｑ：例如人臉辨識，可以有不用寫程式或是串串ＡＰＩ就好的解決方案嗎？
Ａ：理論上可以，網路上有很多平台跟服務有提供資料庫訓練。但最後能不能解決問題是另一回事。實際應用上總會出很多事ＸＤ

Ｑ：有對抗式學習在於自駕車的應用？
Ａ：是有應用的，還有 imitation learning (模仿式學習)的技術，有可能可以達成。

⬆︎返回目錄

專題二：小ＡＰＰ背後的大數據與人工智慧

清華大學資訊工程系副教授-吳尚鴻

主要會介紹數據與 AI 在 APP 跟 WEB 上的應用

• 專注力-人類回復專注力平均要20分鐘
  怎麼解決專注力被社群分散的問題
• 利用遊戲化
• 創業項目：Flora、Forest

Visibility

• 如何減少成本：
  精準投放廣告、有創意
• 如何讓機器學會銷售？
  研發業配文產生器(Ｘ
• 分析市面上的廣告，與內容的關係

ＡＩ對於團隊上的幫助：

• 投放廣告(文案訓練)
• 做功能測試、ＵＩ測試
• 分析付費使用者

（抱歉這位講者中英混雜我實在有點恍神ＸＤ 後面的沒記錄到）

⬆︎返回目錄

專題三：ＡＩ並不神秘，不過就是要問個好問題

講者：政治大學應用數學系副教授-蔡炎龍

把問題化為函數，然後用深度學習找到這個函數。
函數其實是一個解答本
所有的問題都有一個答案

我們都有部分解答，但我們沒碰過的問題有無數題
我們希望的就是讓ＡＩ找出所有問題

深度學習找出完整函數

1. 我們先問一個問題
2. 化成函數的形式
3. 準備考古題
4. 架構我們的神經網路、調整參數

• ex: 想知道明天股票的收盤價
  遇到的問題是：問不出好問題（金融專家太天馬行空、ＡＩ專家問不出實際需要的問題）
• ex: 想知道大聯盟裡某位選手2018年球季會打出多少全壘打？
  不要猜精準數目，猜區間即可。

訓練聊天機器人：

訓練聊天機器人

Ｑ：假設 AI 跟30年投資顧問相比的優勢在哪裡？
Ａ：若 AI 經過30年投資顧問的調教，可以獨立作業，它會比較便宜

Ｑ：有沒有辦法知道一首歌發出去會有多少點擊？
Ａ：需要過去資料，這是困難點。

Ｑ：人腦跟大腦處理過後的資料是等價的嗎？
Ａ：目前電腦沒有辦法取代人問問題、且侷限在某個範圍之內的

⬆︎返回目錄

專題四：人工智慧在影像處理與電腦視覺上的應用

講者：台灣大學資訊工程學系暨研究所教授兼系主任-莊永裕

用攝影機模擬眼睛、用電腦模擬人腦
相機、數位相機：成像原理符合物理定律、透過感光元件及影像處理晶片來產出影像
但真實世界人為及硬體都有因素讓影像不完美

用ＡＩ讓我們能得到理想中完美的影像

• 提高解析度
• 減少雜訊
• 調整顏色

應用方面

• 影片、照片的美化
• 自動駕駛
• 無人商店

Ｑ：超出人類感知的資訊有發展可能嗎？
Ａ：有的，對電腦來說只是多一個頻道的資訊要處理，這些額外的感知可以幫助辨識

Ｑ：電腦發展的目的，人類的目的是被設定為繁衍跟生存、但我們發展到這個階段卻會想要探究自身的意識、機器的生存目的…..(等等大哉問)
Ａ：牽涉到意識跟倫理之間的關係，身為人都很難回答。而目前我們還離那一步很遠，或許在接近要發展成熟的時間點大家才會開始真正討論。

⬆︎返回目錄

講堂三- AI的更多可能：智慧應用

專題一：台灣蛾類顏色多樣性的人工智慧分析

講者：中央研究院生物多樣性研究中心-沈聖峰

生物顏色與環境的關係有各種假說，很難測試、資料難累積

問題太大了，先限縮範圍！
專注研究環境溫度與動物體色深淺的關係

熱的時候動物的顏色要深還是淺？

• 問題比想像中複雜
• 結果
  冷的地方溫度越低顏色越淡
  熱的地方溫度越高顏色越深
  （痾…我有點恍神，不太確定是不是對的，想想我自己無法邏輯自洽就當機了）

學術或社會效益

• 了解環境溫度與動物體表顏色的理論
• 環境變遷對動物可能的衝擊
• 有助於未來設計利用顏色調節溫度的仿生材質

⬆︎返回目錄

專題二：從分析到創作-談人工智慧應用於音樂的想像與真實

講者：中央研究院資訊科學研究所-蘇黎

人工智慧在音樂的應用
希望讓機器具備如音樂家一般「理解音樂」的能力

人工智慧作為音樂的…

1. 聆聽者：自動採譜

• 採譜跟下棋、駕駛一樣，是一種高超的技藝
• 世界上有很音樂只是口耳相傳，沒有記譜
• 很多音樂特徵只存在於表演中，不存在樂譜上
  以布農族八部合音為例:
  異聲部
  微分音
  泛音唱法

演出者：自動跟譜

• 對譜是人機互動演奏音樂的基礎
  即時偵測演奏進度、即時偵測細微的速度變化

教育者：評論

• 走音救星
  從美圖修修到走音救星
  原本的 Auto-tune:校正音高，但聲音顯得不自然
  如何擁有專業的聲線又保有原出的唱腔
  人聲旋律偵測＋自動同步

創作者：

• 風格轉換
  將一種風格的樂曲轉成另一種風格
  ex: 將？？？（我忘了）轉成巴哈風格

想像與現實

大眾第一時間的反應之一

• 面對焦慮感：取代與毀壞
  - 藝術創作的「天動說」：覺得只有以人為中心的創在才是創作
  - 藝術創作的「永動機假設」：機器學會了之後就會有源源不絕的機器創最了嗎？
  - 人工智慧與 Cargo cult science(R.Feynman)
• 反思人工智慧建立的條件
  資料、標記、模型、目標函數
• 回歸工程科學的目的
  通常還是在做工具，來幫助音樂家意識到創作表演現場的勞動事實，重視有利於音樂產業的工具智慧。

Ｑ：？（太冗長聽不懂發問者說什麼）
Ａ：的確google已經在做這個項目了，但目前研發這個科技的阻礙在於：你怎麼說他是一個好作品？我想這個問題是反過來要問人類聽眾的。

Ｑ：人工智慧做出來的產品的著作權？
Ａ：學術圈討論也蠻興盛的，回答我一些同溫層的觀點，關於這個問題最主要的目的。因為大部分人的假想敵是唱片公司，這反而是創作者的機會，他的應用不一定會是主流音樂，最後可能受益的還是音樂圈的創作人。

Ｑ：用少量資料訓練自動標記有可能嗎？
Ａ：理論上有可能，不過以海飛茲來說，已有的標記已經很少很少了，幾乎沒有足夠的資料可以訓練電腦。

⬆︎返回目錄

專題三：ＡＩ在心理學研究與相關產業的應用

講者：台灣大學心理學系助理教授-黃從仁

ＡＩ與心理學

ＡＩ從以往的歸納演繹到現在深度學習
心理學是人類心智與行為歷程的科學
它的發展與腦科學、心理學息息相關，受到這兩個學科的啟發

• 機器學習與腦科學研究相輔相成

• 當代讀心術的基礎-
  解讀你的腦訊號知道你現實中發生了什麼，甚至到預測你的行動

應用

• 醫療方面的應用(義肢)
• 用來研究了解人類的各種認知能力(成果可以用來研發更好的機器人)
• 用來了解人類社會的互動能力

相關的產業

• 嬰兒哭聲翻譯機
• 自動化人員招聘、自動化面試、
• 社交老師機器人（幫助自閉兒童、小孩、老人）
• 認知行為治療機器人（CBTP 治療口吃、感慎憂鬱焦慮、陪伴機器人）

Ｑ：？（太小聲沒聽到）
Ａ：這是機器學習中的傲慢與偏見…

Ｑ：是否可以用ＡＩ來觀察人類行為從得之真正的意圖
Ａ：可以，但這通常是分析大量數計結果

Ｑ：ＡＩ與人類自我探尋
Ａ：這其實是相輔相成的，從其中的相同或相異之處來了解自己。目前機器學習的速度比起人類是很慢的，人類的學習都是基於語言傳遞，而機器是經由試錯學習。人類一直想要有更快的方式來學習知識，雖然電腦現在是慢速學習，但人類的學習是有缺點的，而機器學成之後就沒有。

機器的快思（演繹法）慢想（歸納法）

⬆︎返回目錄

專題四：從手機解讀人類行為與心理-以成癮為例

講者：台大醫院主治醫生、國家衛生研究院-林逸軒

大規模校園研究的啟示

• 可以自動化大規模的得到研究資料嗎？
  — 自己寫了一個 APP ：Know Addiction APP（真是強者＠＠
• 與其他成因品菸、酒的成癮模式是一樣的嗎？
  結果是高度相似！
• 了解手機成癮是一個很重要的心理學入門磚，對於了解人類成癮與科技產品的使用上很有幫助

Know Addiction - Android Apps on Google Play

Know Addiction APP

洞見

• 時間扭曲效應(實際花費的時間平均是自己感知時間的1.5倍)
  使用者告訴你的資料並不準確
• 找出失控的現象、並提醒改善
• 精準化治療

成癮的核心是失控

Ｑ：ios 手機版會上線嗎？
Ａ：因為 iPhone 的一些限制所以暫時不會有 ios 版本（ＱＱ

Ｑ：app 有改善使用者的行為嗎？
Ａ：第一個月與第二個月都有顯示顯著的改善。

Ｑ：如何改善手機成癮？
Ａ：有兩種情況，一種是現實世界中遇到問題、一種是使用上的失控。兩種解決方法不一樣。

Ｑ：會研究其他成癮領域嗎？
Ａ：目前沒有、但就像前面說到的，這個研究會是一個敲門磚，會套用手機成癮的研究結果來改善其他的成癮行為。

Ｑ：時代進步了，很多人會使用手機去替代看書之類的事情，這不算是成癮，要怎麼排除？
Ａ：成癮的核心是失控，而不是使用時間多長（有人覺得一天用手機兩小時就是失控、有人覺得五小時才是）

⬆︎返回目錄

心得：

面對主辦單位來勢洶洶的Ｕ質活動，我老早就打算要邊聽邊寫速記。
起了個大早 9:15 到場想選個好位子，沒有想到星期日這個時間居然幾乎滿座＠口＠”
12 位講者，每位講15分鐘、提問15分鐘。算是很恰到好處的節奏，只是從早上到晚上每場都聚精會神，到最後幾場難免有點注意力渙散。（可能主辦單位覺得會每場都聽的人不多吧ＸＤ）休息時間碰到幾位認識的朋友，還有讀書會的朋友～太開心了

每位講者講的都很深入淺出，即使不懂專有名詞也能聽得懂比喻。Q&A時間更是顯現出講者厲害的理解歸納能力ＸＤ（就算聽眾提問很外星人或是很冗長，都能給出切中要點的回覆，太厲害了）
而主持串場的功力也是一流、還有幫忙補沒有人提問的空白時間，問的問題也都很棒～非常佩服這樣思考迅速的人

最重要的是…以往大家對於專家學者尤其是中研院的研究員、學校教授之類的都會有一種刻板印象：覺得他們就是老學究、一群領著政府預算不食人間煙火、沒有商業實戰經驗的學術人員。
但我今天見識到完全不是這麼一回事！在場非常多講者都有創業、運營經驗、或是正在創業中有著驚人成績。他們兼顧研究與事業，把 AI 的研究成果投入實戰，什麼敏捷開發、數據驅動、行銷策略，他們比數位產業人員還溜，而且是玩真的、有實力自己開發…根本神人啊 இдஇ （不怕別人智商高，就怕人家智商比你高還比你努力 (;´༎ຶД༎ຶ`)

總之就是…台灣在人工智慧實際投入的程度比我想像中的多很多，成果也比我想像中的大很多（儘管我已經算是抱著非常樂觀的態度了…真希望在我有生之年可以看到機器人滿街跑的科幻場景呀～）
另一點就是，現在這個階段好像很多人急著想知道 AI 到底能不能更聰明？會不會有下一個階段的突破？能不能用在商業上？
有趣的是，大家生養小孩都有耐心等他慢慢成長學習，血本無歸的栽培才藝、唸書到22歲大學畢業才投入社會。但為何對剛出生的 AI 技術這麼焦急、這麼嚴苛啊ＸＤ 這可是成長一次就可以無限使用的孩子啊

個人覺得未來最擔心的隱憂是「壟斷」，現在大家都是軍備等級的研發競賽，就是希望自己可以成為技術突破的領頭羊。尤其以 AI 這麼有領先者優勢的項目，會不會一旦技術領先就乘著優勢一夕壯大而後壟斷整個市場？除了獲得龐大利益之外，有沒有採用 AI 技術肯定會帶來人類社會的價值觀、制度、階級、經濟重新洗牌，試想一個大航海時代卻只有一個國家有造船技術的世界（抖抖…

⬆︎返回目錄

//拍手小實驗（給大家一個按爛的機會ＸＤ）//
1~3：朕知道了/已閱/防誤觸(感恩各位大大水水～)
4~6：普普通通/沒有功勞也有苦勞
 7 ：森77/是在供三小
8~10：還不錯，但還能更好/有些小錯誤
10~15：很棒！希望看到更多相關主題
50 拍好拍滿：嗚嗚...愛你❤