在英國與老師對嗆?!
先說個故事吧,以前在英國讀書的時候,去選修了一堂數學系的課。
那位老師嚴格要求,選修的學生必須是數學系的學生。如果不是,那學生必須說明自己擁有夠強的數學能力。
我不是數學系的學生,可我終究是吃硬柿子的人。因為我知道,若想加強數學的底子,就必須到這裡來──後來還是去上課了。
上了兩三個禮拜後,開始有點困惑。因為,我以為老師要教我很進階的數學工具或數理模型。可是這門為期6周的課程中,老師竟只講一個入門數學模型;儘管他講很深入,但還是與我預期頗有落差
雖然老師也延伸出很多觀念,像是介紹了好幾個連結函數 (Canonical Function),和模型優化求解的函式。同時,他也推導了許多原理,親手用程式寫了演算法,並且要我們理解每一個函數之間的關係。
總而言之,聽起來還不壞。而我之所以覺得不滿意,是因為我認為我早就會了!
後來一次下課,我跑去問老師為什麼他要講這些?
「這些東西好像太基礎了,你講的函數跟優化,我知道有一些新方法更好」。
我清楚記得老師不以為然的表情,他認為我說那些比較新的東西,基礎還是在課堂上這些。也確實,後來我把老師的數學推論和程式碼,通通都研究了一次,對我後來研究神經網路,與有效理解任何開源程式碼,打下基礎。
那天,人類恐懼起了AI
不過,這段經歷似乎說明了技術的詛咒,任何新方法都有被汰換的一天。如果一味教又新又酷的東西,我們也會跟著這些技術一樣被淘汰掉。
先前我確實未曾想過這些,但後來我也明白,如果不掌握基礎,不只看不清楚事情的根本,也沒辦法去創造出新的技術。
這和現在AI浪潮也很像,走在前面的人呼籲趕快跟上,跟不上的人恐懼被甩掉,最慘的是很多是半吊子的人,還在後面趕著喊車快跑了,大家快上車吧。
而且這波浪潮一來,恐怕很多人更搶著要轉這行,或是讓自己或是小孩來走這行,或是憂慮自己的工作不保。
別傻了,要跟 AI 浪潮只是白費工夫
可是老實說,我們真的念了這些之後,恐怕還是要被淘汰。因為等到學有所成,你所擁有的早已落伍,世界已經被刷新一波。
怎麼會這樣?因為我們台灣不是這些技術的創始根源,因此多數人始終都不能理解技術與創造,最終要靠的是底層的基礎。不是說學個人工智能、機器學習,或什麼程式語言,就能一勞永逸。
機器學習的基礎還是數學與機率,程式語言的基礎還是演算法與最優化。AI是這一切的綜合,這波浪潮的根基不是AI本身,而是那些被我們嫌為無趣、不能賺錢的邏輯符號。
這些技術,不論AI或是程式語言,也非那麼不堪。只不過一直喊著我們要導入新的一些什麼,我們要去學什麼,而不靜下心來想想這些東西的基礎,也只是空焦慮一場。
所以,我們要的是基礎,基礎才是推進創造的力量。
AI 的軍備競賽
況且,我們現在才開始焦慮AI,但AI的進展,早就如同軍備競賽一樣展開了。現在的在意與焦慮,毫無意義。
機器學習方面,21世紀初期,基於bagging方法集結多棵決策樹演算法的「隨機森林」被發表出來;而後,支持向量機處理超平面問題,被應用在圖像的預測,以及大型稀疏矩陣的分類任務 (如基因辨識)。
到了近幾年,演算法的開發由學界逐漸轉往業界,以樹模型來說,微軟的LightGBM頗受歡迎;Google則有神經網絡TabNet;時間序列方面,Facebook的Prophet也是表現強大。這些只要是模型開發者,都會經常使用,都有開源的工具可以支持。
而ChatGPT為基礎的自然語言處理領域,從上個世紀著重在語法的構成,逐漸轉往神經網路和Transformer架構這種多層輸出與轉換,也經歷了很大的典範轉移
以上如果都沒聽過,也完全沒關係。知道有這些東西就好了。我更想說這些技術從優化方法到架構都一直在調整,並且在不同領域持續應用。
今天怎麼會是,突然冒出一個能跟人互動的AI,官方釋出很user friendly互動介面,我們才開始焦慮呢?他早就在了啊!
想想六年前的很多專家,還沒有把這個技術驅動的社會改變,當一回事呢。對比現在這種過度反應,不是蠻有趣的嗎?
End