AI對學生來講是一個挑戰,他是一個進程很快的東西,不見得在學校可以拿到第一手的最新資訊,因為基本上教授學完以後,就來任教了,所以當我們在教你們的時候,已經是我們當時學的東西了,而我們也是看了一些新的東西,再去教學生新的東西.

有部分壞處就是學校裡面可能沒辦法帶給各個學生最新的狀況,但另外一方面好處就是說,實際上最新的狀況很有可能是在網路上可以得到的所以這是一個挑戰.

再說現在的的資訊是發展很快,所以要學的東西其實很多,那你可能會一開始碰一下,以為學一下程式然後就把發覺學完程式,你還要學線性回歸線性回歸學完,以後還要學各種的分類演算法,然後就越學越多是一個無底洞的感覺.

那所以就是第一個他發展的非常快,但是另外一部份,可能還有很大的進展的空間,之所以大家會對他多少保有一點點存疑的原因

就是因為在我們看到一些新聞的時候他其實好壞方面都有,一方面我會看到Alpha Go直接打敗了一些韓國棋手然後非常成功,但是也會看到Google的自駕車好幾年前就說要做,做到後來發生事故,然後就又被停滯下來.

成功和不成功的案例都一直發生,但是整體來說你要讓他厲害到跟人類的大腦一樣,我們心目中的每個人心中的人工智慧可能不太一樣但是

總之他還有蠻長遠的一段路要走,兩部分一個就是他是一個進展很快的學科,但是第二部分的他也還有很長遠的需要進步發展的空間.

我是台灣師範大學學士畢業,再到台大念碩士,然後後來讀一讀才決定要到美國唸博士,最基本的學經歷大概是這個樣子,我猜同學會問「為什麼會想唸博士？」不見得大家會想要走這一條路.

大概是在大三大四的時候,開始決定說要好好思考,人生不能再這樣玩下去了,我當然成績還算可以,但是我也沒有說,完全投注在讀書裡面,到了大三大四的時候覺得說那接下來要考試了,我是不是要選一個研究所,然後稍微思考一下說你接下來的規劃是什麼,我大學部讀數學,很多同學會轉去考老師或者各種不同東西,但是那時候的決定就是繼續讀純數學、理論數學的部分,讀完台大的時候也還在猶豫,因為讀完碩士班以後還覺得說 也許可以去考老師或者去讀博士班.

可能有一部分原因是那時候修教育學程,我覺得真的是我剛好上到課發現有點無聊所以後來覺得說,算了應該不是當老師的料,後來我就決定繼續讀博班,一方面就是在碩士班的時候,還是算適應期 覺得在碩士班中環境是還算習慣的,我就覺得那還ok就繼續往後面讀.

我猜大家或多或少吧,大家小時候都喜歡畫畫 但畫的不是很好長大以後就會覺得,我好像做的沒有那麼好,但是數理化比較OK相較之下我的國文啊,從小會被我爸媽叫去補作文,會被老師撕掉重寫的那種,我的字沒有很好看.一方面是數理化這邊有給我一些正向的回饋,就是分數還算還算可以,至於最後為什麼讀數學,可能的確是有一點點興趣使然.

覺得說數學是在探究一些世界上的真裡,就是世界上哲學上說哪些才是對的人,這些事情因為很多事情其實你要說他,你也沒辦法分辨說他到底是真的假的,數學會想要從一個很純粹的觀點,沒有太多人為的因素方面去判斷說一個式子一個敘述是對的還是錯的,我還蠻喜歡這種純粹的感覺,就是推論然後比較單純,沒有其他個人因素的感覺.

真的蠻好的,第一個是環境,我覺得全台灣沒有幾個學校有環境是靠山靠海,猴子可能對宿舍那邊是一個很大的困擾,但是在教學區這邊沒有太大的影響,二來是我覺得中山這邊是滿有活力的一個地方,我覺得整個學校的活動相較之下是多的,一定有很多不好的地方,但我還是挑比較還不錯的地方說,整體來說學校活動,還有學生的一些創造力我覺得是蠻有活力的一個地方.

比如說像有很多的社團,但是其中一個我記得中山的校歌，一如往常就是非常的棒,但是合唱團或者某一個人xx樂社之類的,他有把他翻唱成一個比較好,正常的人類可以聽的版本,他是有配合一些白話文然後再把原本文言文的部分再塞到裡面,所以我覺得是大家還算蠻有活力的地方

然後這個是感覺.

另外一個，可能是系上特別的差異,可能因為我以前在台師大的時候大部分的人是當老師,所以不太需要去想說,未來要做什麼

就是一般收進來有100個人學生,老師其實不太需要擔心說你要做什麼因為其實6, 7成的人都要當老師,不當老師的那些人那就麻煩你自求多福 就沒有人要管你

但是到中山這邊以後，就要想想說那現在學生要當老師修教程的名額可能就只有兩三個,得幫他們想想看是不是有一些比較應用型的一些課程可以提供給他們,在設計課程或者說在教課上態度上可能會有一點點不一樣,要比較應用一點點讓他們可以去業界工作.

美國學生有一種不知道哪來的自信那種感覺,應該在影片上會看到有好有壞,台灣學生平均來說比較保守,但是這跟能力沒有關係,就是一直以來的教育比較像是這個樣子,所以我覺得應該是介在中間的那個會比較好一點,美國學生是覺得他知道他會什麼、他會在路上聊微積分、他會在路上說今天老師在教那個什麼多項式微分,他們覺得這個東西他會.

美國常聽到的是他們的誤判,他們誤判是他覺得他會,但其實他不會,台灣學生遇到的是另外一種誤判,就是已經做得不錯了,自己會覺得說我們要謙卑,所以不見得哪個好,我覺得兩邊的學生是個性上是有點不一樣,整體來說,比較客觀地看他自己到底會不會是最直接的一種辦法.

另外一個就是聯考,到現在聯考的影子還是蠻大的,尤其是大一的學生,應該會或多或少會覺得一個放鬆的感覺,在美國的話,因為讀大學不見得是必要的,很多人會去打工完才回來或者說是自己想來讀大學,大部分在大一讀的時候呢,比較不會有那種剛好來唸書的這種感覺.

我做的東西叫做Laplacian Embedded、Laplacian eigenmap,他的做法是要考慮資料降維的問題,當你有一筆資料,可能是100張照片1000張照片,但是一般來說照片裡面會有很多多餘的資訊,這些多餘的資訊大部分都是一整片白,像是一整片天空有點雲彩的天空,實際上這些東西都不是最重要的事情,除非你是做氣象,一張照片假設300乘500的畫素已經很低,維度卻已經是15萬了,這15萬個東西在乘上RGB可能就爆掉了.

至於這麼多東西到底哪些東西是我們要的,如果把它降到10維、20維甚至是100維也好,那從100維的資料從15萬降到100維,他的資訊基本上都還在,這就是Laplacian eigenmap在做的事情,這個map的就是從那個15萬維映攝到100維的一個空間,是一個把資料降維的過程,資料降維可能有幾個好處,可以降到二維或三維的話那人類就可以比較好看到他.

可以搜尋一下網路上資料降維、數字辨識,數字辨識其實類似一張照片一張照片去看他數字是什麼,理論上,你看 1 這張照片與另外一張1的照片,應該要有點相像,但是一張 1 的照片常用的資料是28*28,他就有700多維,這資料是你沒辦法看到的,你有沒有辦法把700多維的資料降到2維,然後把這些照片每一個照片的都在二維上放一個點,這樣在二維的空間中就會有一坨點是代表 1 的照片一坨點代表2的照片

當你降下來以後，這一個東西應該要在附近,才能明顯看到他,其實只要把 1 這區分出來就好,資料降維的其中一個功用就是資料視覺化,可以讓一個高維度的資料像是把1000張0~9的照片,把它全部都掛在同一個二維的平面上然後發9點顏色就可以看到之後原來1在這裡，2在這裡.

第二點,資料降維他的運算速度就可以加快,所以一個是資料視覺化,另一個就是加速他的運算效能.

我講一個台灣的,他沒有那麼大的新聞,其中一個AI可以發展的產業是教育.教育需要投注很多的人力,教授要錢、助教也要錢,而且多要付出很多時間,所以其中一些比較簡單的東西可不可以就教到你會,有沒有一個可以電腦一直跟你講說,你其實缺的就是這一個,電腦可以告訴你錯誤的觀念是什麼.

但目前是沒那麼簡單,就我所知應該是中研院資訊所有一個許文廉教授,他同時也是之前自然輸入法(NLP)的創辦人或者說就是建立者,他的團隊在做一個國小數學的教程.就是你如果輸入一個題目,比如說,桌上有8支鉛筆拿掉1隻還剩幾隻？當我們輸入進去以後然後他會用自然語言的方式去讀取這個資料,他會想辦法提供答案,因為是電腦自己讀取,表示說AI他就知道這個題意是什麼，同時也會告訴你一步一步要怎麼做

這是其中一個AI在教育上的應用.

比較有趣的事，其實國小數學題基本上就是兩個數字做加減乘除,所以就像剛那個case就是8和1和你要自己選好一個加減乘除,剛剛的case就是8-1=7,所以其實做這個東西你答對的機率要比4分之1還要好,不能說這做出來的機率只有10分之1,那就很爛,教育建立在數學上,他理論上對很多不同學生應該都是有的一個應用,目前做到就是做到小二小三的程度,蠻辛苦的.

另外一件事,就是中文真的是很難搞,你知道有幾種比較特殊的,像是「我好快樂」；「我好不快樂」,中文在組織上是一個很鬆散的語言

在做自然語言分析的時候,其實中文比英文還辛苦,這可能是我知道的一個,我覺得也是蠻有趣的,大家都用自己的背景、自己的能力去用AI做一點點事情.

我們系就有很多要吐嘈的地方,整體來說,花點時間想想以後要幹嘛,多去探索然後早點看看,因為這件事情在數學系特別明顯,理學院大部分是高中熟悉的學生,這時候就是在覺得說他反正我們就是數學不錯、物理不錯,就選了一個相關的科系,進來以後就維持一個讀書的態度不管認不認真,沒有花太多力氣去想以後要做什麼事情,相較之下這樣讀下去的話,它就在讀書,比較沒有那麼大的動機,你不會說今天是為了想要解決一個理論上的問題或者說想要解決一個生活上的問題才去了解一些事情,所以在學很多事情的時候會覺得為什麼要做這個?其中一個比較攏統的說法就是可以規劃一下、多方嘗試看看,之後想做哪方面的工作?工作是很直接的嘛,再更直接一點就是大部分都會去讀研究所,但是三、四年級的時候你被強迫就要去想,可以早點想看看啦.

如果有一些不錯的Project,尤其是AI程式這部分,很多東西真的不是學校可以帶給你的,你在網路上你可以找到什麼那邊怎麼去寫一些程式

去破瑪莉歐的關卡,也可以寫程式去創造一隻很強的貪吃蛇玩到最後才死掉,這些東西基本上是不會在課堂上出現,老師也沒有興趣教你去玩貪吃蛇,所以多方嘗試、多動手做,這個是我覺得大家互相勉勵的一個地方.