先來簡介一下，李宏毅老師是台大電機系的教授，主要研究領域有人機互動、語意理解，過去近幾年的 3 ~ 6 月（下學期）都有開設機器學習相關的課程，並且把影片放上 Youtube，教學的方式很清楚明瞭，有時還會帶入生活例子或是動漫畫（最經典的是寶可夢，上禮拜甚至有芙莉蓮 XD），是非常厲害且知名的教授，很多人要學機器學習的時候都直接說去看老師 YT 上的錄影檔，當初在學習的路上也有看過老師數集的課程。
今年比較不一樣的是，沒有開「機器學習」的課，而是開了「生成式 AI 導論」，目的是讓大家多了解現在生成式 AI 的原理與應用，而且不需要任何課的基礎，只要有興趣就可以來學習。想知道更詳細的話，可以先聽聽看 【生成式AI導論 2024】第0講：課程說明 (17:15 有芙莉蓮雷) ，也有在投影片中提到這門課相當於充實的通識或是負擔不重的選修課。
我自己去年在日常作業中，是經常使用到 ChatGPT 進行文章翻譯、修飾改寫英文語句、程式上的種種問題、甚至是一些靈感的發想，真的是包山包海，隨著時間的發展也越來越多生成式 AI 應用出現，雖然今年沒有像去年那麼常使用，算是偶爾使用他們來協助日常生活的任務，而因為有使用到，也想要多了解背後的原理以及可以應用的地方，就打算輕鬆的來學這門課，每週 2 節（沒有打算做作業的情況下大約 1 小時），也把課程中覺得有趣的點記錄一些下來，上週有把第 0、1 講給看完，今天直接從第 2 講做記錄。
筆記【生成式AI導論 2024】第2講：今日的生成式人工智慧厲害在哪裡？從「工具」變為「工具人」
過去的 AI 應用偏向單一功能，如：翻譯（Google Translate、DeepL）、寫作輔助工具（Grammarly、Writefull），偏向於工具，而現在的生成式 AI（ChatGPT、Gemini、Claude 等等），如果能說清楚要做什麼任務的話，就能夠執行對應的任務，偏向是一位有多重技能的工具人。這邊的重點在於，要先想清楚、說清楚，自己想要 AI 幫忙進行什麼任務，也才會有滿足需求的回答與產出。這也是「提問力」的重要性，曾經有一句話是「問對問題，困難少一半」，如果有先好好思考過要問的問題，也更能夠引導出更為核心的結果。
沒有特定功能的生成式 AI，要評估他們的能力也是一項難題，這邊老師進行一個範例，分別對不同 AI （Gemini、TAIDE、GPT 3.5）要求進行「說哈哈哈 100次」，他們的回答並不相同，並請大家投票認為哪一個回答是最好的，結果大家的想法並不一樣，多數覺得 Gemini 最好，因為即使他回答了 500 次，至少是嘗試去執行任務；最少數的人覺得 GPT 3.5 最好，因為他去判斷說這是無意義的任務。
這邊覺得很特別的是，提到每個人對於模型的表現看法都不一樣，這些模型可能有犯錯的時候，也有出現幻覺的時候，而對於模型來說，如果要達到「完全不犯錯、完全沒有幻覺」，並不困難，只要對方問任何問題，都回答說「身為一個 AI，我不想要回答這個問題」，就不會回答出錯誤結果了，但今天他之所以會犯錯，正是因為他去嘗試回答了問題，所以我們對於 AI 犯錯，並不需要太過苛責，因為我們要的並不是一個「任何問題都不嘗試幫忙」的 AI。因此如何評估一個大型語言模型是項複雜學問，會在日後課程提及，也提醒大家如果未來有各種不同 AI 出現，說能夠勝過 XX AI，可以去注意到，或許只是在「某些任務」上能夠勝出，並非是「所有任務」。
我覺得這個犯錯的概念跟人很像，如果我們沒有嘗試回答、進行任務，的確是不會做錯，但也就沒有收穫與成長的空間。因此如果哪天真的犯錯了，可以不用太過度苛責自己，進行反思與修正也是一項收穫，重新出發才有正確執行的機會。這點似乎是可以跟 AI 學習的地方，只要我們重新給予指令，他就會再產出回答，讓我想到之前聽過的一句話
「當 AI 失敗十億次的時候，他還是能夠毫無情緒的嘗試第十億零一次。」
- 丹布朗 《起源》
-
這裡也找的到我歐👇
Instagram: ezra.share.injoy
Matters: ezra.share.injoy
