1, 到底該不該用"人工智慧"這個名詞?

應該, 但請記得這個名詞很容易給人無限的想像, 所以謹慎使用. 比較貼近現在技術的名詞是深度學習或機器學習. 而實際上深度學習是機器學習裡的一個分支.

2, 到底該不該學framework?

各家說法不一, 有人主張不要學framework, 甚至堅持從手算入門. 我的看法, 如果你是大學生, 就多練習手算或者多讀點數學和物理學, 雖然不太清楚那些面試會考手算的公司其用意為何,不過就像以前補習班導說的, "會考就要唸要背, 差一分就差一個學校.", 差不多的意思.

如果是工程師, 會寫點程式, 不管什麼程式語言, 請去網路上找些課來聽一聽, 找一個自己喜歡的framework或者最多人用的framework來練習練習, 雖說練習但是每一個階段都要弄懂, 例如太多的範例用了包好的API去存取MNIST, CIFAR10等資料集, 並不是沒有用而是真正的資料不會有包得好好的API來讓你用.

如果你已經出社會,只想充實自己, 那就課聽一聽就行了, 找一個最高階的framework來練習, 會不會疊網路和把結果視覺化出來給別人看才是重點.

3, 科技巨頭們都有免費甚至開源的工具,怎麼會這麼好, 會不會有什麼問題?

大家都聽過人工智慧就是演算法加資料. 卻沒聽過工具在裡面扮演什麼重要角色. 我覺得這些過去昂貴到爆的工具已經變成企業的CSR(企業社會責任)一環了, 而且是非常有用的CSR工具. 就算是有公司拿去找了很厲害的工程師來用這個工具, 很抱歉, 你不一定有演算法, 就算有演算法, 也不一定有海量級的資料來驗證. 結論是, 就放心的用吧.

4, 影像, 語音, 文字哪一種比較有發展?

都有各自的領域知識, 這波人工智慧巨浪是由影像開始的目前最高強的應用是無人車, 現在看起來隨著智慧音箱的熱賣可能會加速人工智慧在語音和文字的發展. 至於前幾天開放的AmazonGo則有機會把影像的發展再往上提高一個層次. 

5, 論文真的有用嗎?

之前有位大咖說人工智慧不是拿篇論文來參數調一調就可以了. 感覺好像是論文沒什麼用. 其實從方法論上來看, 論文是非常有用的. 雖然不一定每篇都能夠做的出來, 但趨勢是愈是重量級的論文愈是會把它的實做放出來.

6, 資料從哪裡來?

買台NAS把網路上的開放資料集下載下來, 理由是很多的開源實做都會用這些資料集來驗證, 另外就是從現在開始好好收集資料.