別傻了，放下你的 AI 焦慮

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