李開復這本書算早期大家對 AI 還很陌生，被 AlphaGo 擊敗李世石嚇得驚魂未定時，在熱點上出版的書，引起很大回響。時隔兩年，大家對 AI 的想像落實到應用，有比較務實的商業模式，AI 的神秘面紗揭開，業內人士很清楚，AI 其實就是工具。
台灣 AI 翻成「人工智慧」，在中國翻成「人工智能」，「慧」多了幾分底蘊，「能」強調實際能做到的事。折射出兩邊的思考不同。
強 AI 與弱 AI
強 AI 是通用型，是人類對 AI 的想像，以及 AI 威脅論的恐慌所在，科幻片的素材。歷史上幾次 AI 的寒冬，原因有二：
- 人類對 AI 有不切實際的想像和需求
- 威脅論，導致過度擔心
弱 AI 是特殊應用，有明確的界線和應用領域。譬如，Amazon Echo 限定某些對話，每周都會更新增加的特定對話語句，以 e-mail 通知使用者，還有銀行的線上聊天機器人 chatbot，我用過的經驗，也得先選擇外匯、存款，境外轉帳...等，類別，chatbot 才能提供有效的回應。再來是音樂推薦、購物推薦，都是很明確的特殊應用，而且有明確的商業模式。
弱 AI 正是值得著墨的方向，是近兩年來談 AI 收斂到的成熟結果。
即便在以 AI 為名的工程研討會發表，內文多以直接工程名詞為主，譬如，深度學習、電腦視覺、機器翻譯、 智慧推薦，很少直接提到 AI 以免造成過度想像。AI 就是工具，就在口袋中，天天使用的手機裡。
AI 的商業化進程
根據創新工場的汪華總結， AI 商業化的進程階段有三：
- 線上服務：如音樂、購物推薦，銀行的 chatbot。
- 工商業服務：安防保全、機器視覺檢測、工業機器人、無人機搬運、飛機及汽車狀態檢測。
- 個人服務：智慧家庭，延伸到個人場景全面進入人類生活。
誰來買單，是能否商業化的關鍵。階段 1 和 2，可以找到明確的商業模式，階段 3 只存在高檔住宅，高端用戶，有些在想像之中。對我的產業而言著力點在 2。
感測器的重要
以創新工場的投資來看，感測器佔了大宗，而且是智能感測器，要發揮五官感知的能力，必須要有判斷回應的能力，在傳統 MEMS 感測器加上 MCU 甚至客製化的 ASIC 做邊緣運算，必須需求很大。
自駕車的倫理問題
撞了人誰負責，是車上的人、汽車製造商、還是雲端服務的提供者？ 以工程的眼光來看，如何設計橋樑，當然是設計怎麼樣才能不垮下來壓到人。工程有驗收標準，出了事在甚麼情況下要國家賠償，或是承包商賠償，責任比例怎麼鑑定。AI 的特殊應用回歸到工程問題，討論起來其實就不糾結。
AI 時代該學甚麼
書裡提到密涅瓦大學 (Minerva Schools at KGI)，有台灣學生分享就學心得。教學以線上為主，第一學期在美國舊金山就讀，之後前往世界上另外六個國家度過其餘的學期。在知乎也有分享。
大一的四個方向：
大一的四個方向：
我自己還在摸索，目前總結 AI 時代應該學這些：
- 抽象思考：深度學習仰賴大量數據，簡單的例子，Google 在 2012 年用了上 16,000 個 CPU，自己「看」一千萬部 youtube 影片，學會了辨識貓的能力。一個 2~3 歲的普通小孩不需要看麼多影片，就能辨識貓。物理學家的例子，是人可以歸納出物理公式，譬如兩個輕重不同的物體，往下墜落同時到達地面，可以推出自由落體公式。
- 後設認知：了解自己知道什麼及不知道什麼，總結「心得」或「教訓」的能力，我的經驗是聰明人總是能在生活中不斷總結心得和規律，能力比 AI 更佳。
- 人機協作：善用 3C，將 3C 作為自己的工具。
- 與人的互動：撰寫新聞稿甚至程式碼的工作可以被 AI 取代。像優秀的美髮師、健身教練、教師、善於教學的領域專家，就是與人相處互動的能力很強，難以被取代。
