本文首發於微信公衆號：NewBeeNLP，歡迎關注獲取更多幹貨資源。
在這個人機共存的年代，每個人都應該去嘗試瞭解並運用人工智慧這個超能力。思考自己未來在這個變化快速的世界的定位。
曾經領導Google Brain 的吳恩達教授公開的Coursera 課程：AI For Everyone非常有意義。這堂課不談技術術語，專注在與非技術人士以及企業經理人說明：
- 何謂AI
- 如何建立AI項目
- 如何在企業內部建立AI基礎
- AI與社會的關係
課程內容精要，總結了不少他多年在Google Brain、百度裏領導AI 團隊所累積的寶貴經驗。這堂課也提到了不少AI Transformation Playbook 裏頭的內容。
雖然課程中很多時候是以CEO 或是企業管理者的角度說明AI 概念，但我認爲每個人都可以用個人角度，從本課學到不少有用的建議以及思考框架。有了這些概念，可以幫助我們在這個變化快速的AI 潮流中掌握好自己手上的船舵並順利航行。
本文將列舉出我認爲本課中最值得記住的10 個AI 概念，希望能讓你馬上學到些東西。
這篇不少概念是我自己的心得總結，而你在上完課後肯定會有其他重要見解。事實上，我會推薦你在閱讀本文後就找時間實際去上這堂課，或是通過其他方式進一步瞭解AI。
30秒AI大局觀
以下就是10 個我認爲AI For Everyone 這堂課傳達的重要概念懶人包。如果你一秒鐘幾十萬上下，可以只看這節就好：
- 講到AI，我們通常是指狹義的AI而非終結者
- 多數AI應用是讓機器學會一個對應關係
- 大數據、神經網絡及運算能力是AI成功關鍵
- 只需花費你1秒的任務，大都可由AI自動化
- 對AI的態度不應過度樂觀，但也不必太悲觀
- AI偏見難解，但或許比消除人類偏見簡單
- 擁抱AI的最好方法是將其與領域專業結合
- 機器學習和資料科學的產出分別是系統和洞見
- AI時代，你得思考未來自己想要扮演的角色
- 終身學習在這個年代前所未有地重要
是的，既然是AI For Everyone，自然沒有什麼艱深內容。但就像吳恩達教授在課程裏頭所說的，我相信這些基本的核心思想可以引導我們在這個AI 時代更有方向且順利地前進。
本文接着會搭配課程PPT，針對上面提到的一些概念做點簡單的補充說明，供你參考。
講到AI，我們通常是指狹義AI而非通用AI
現在媒體整天報導的人工智能（Artifical Intelligence, AI）應用如：
- 智慧音響
- 自動駕駛
- 人臉辨識
- 圖像分類
- 推薦系統
- 機器翻譯
背後皆是狹義的AI（Artificial Narrow Intelligence, ANI）。
儘管很多AI 應用的表現甚至已經比人類還優秀，這些AI 基本上都專注在完成特定的任務；這跟科幻電影如魔鬼終結者裏頭，能跟人類以一樣的方式思考並做任何事情的通用AI（Artificial General Intelligence, AGI）是有很大差異的。
儘管開發出AGI 是很多研究者的終極夢想，但事實上現行的科技離實現AGI 還有好一段距離。
多數AI應用是讓機器學會一個對應關係
大部分的機器學習以及AI 應用本質上都是讓電腦學會一個映射函數（Mapping Function），幫我們將輸入的數據A 對應到理想的輸出B：
- 郵件分類：電子郵件->是否爲垃圾郵件
- 語音辨識：音訊檔案->文本
- 機器翻譯：英文文本->中文文本
要實現這種AI應用，最常被使用的方法是監督式學習（Supervised Learning）：給予機器大量的成對數據，告訴它什麼樣的A要對應到什麼樣的B，並讓機器最後自己學會如何將任意的A轉換成理想的B，達到自動化的目的。
大數據、神經網絡及運算能力是AI成功關鍵
要實現能幫助人類做複雜判斷的AI技術有很多種，但近年真正讓AI大紅大紫的是深度學習（Deep Learning）以及人工神經網絡（Artifical Neural Network）
值得一提的是，你或許常聽到神經網絡跟人腦運作方式相同的這種說法，但事實上如果你問相關人士對這種意見的看法的話，得到的答案常常是兩者天差地遠。
儘管神經網絡的運作方式跟我們神奇的大腦不完全一致，搭配大量數據以及前面提到的監督式學習，越大的神經網絡通常可以在特定任務有越好的表現。
雖然這樣的現象令人振奮，但別忘記
- 大型神經網絡的運作
- 大量數據的處理
這兩件事情都意味着需要更大量的電腦運算能力。而很多時候一般人是沒有這樣的運算資源的。
值得慶幸的是，很多以深度學習爲基礎的AI常常有個很好的特性：透過遷移學習（Transfer Learning），我們能將事先已經用大量計算資源做訓練，並在任務A表現優異的AI做些簡單修改，就能讓修改過後的AI’能在相似的任務B也表現不錯。
這時候就算你只有少量數據以及不多的計算資源，也能利用AI完成以往難以想像的任務。
只需花費你1秒的任務，（未來）大都可由AI自動化
這項概念是吳恩達教授在課程裏所提到的一秒原則，可以讓你用來判斷一個任務是否能用AI做自動化的準則。
透過監督式學習以及大量成對A & B數據，我們可以讓很多以往被認爲非常複雜，但人腦僅需1秒鐘就能解決的任務透過AI來自動化，讓我們的生活更加輕鬆。
當然，這個簡化的原則並不是放諸四海皆準，但可以做爲一個不錯的參考基準。
對AI的態度不應過度樂觀，但也不必太悲觀
儘管我們已經清楚現代AI 的威力，仍需注意AI 並不是萬能藥，無法（完美地）解決或自動化所有人類的課題。
比方說有研究嘗試把自然語言轉成SQL，但短期內一個數據科學家自己寫SQL查詢數據可能還是比較有效率。儘管AI不能（完美地）做到任何事情，我們也不該對AI失望，斷定下一個AI冬天必定會到來。
現在可以肯定的是AI已經，而且也會繼續改變我們未來以及下一代的生活型態。
最重要的是理性地理解AI 能做到什麼，在能活用的時候善加利用它，同時不抱着AI 能解決所有問題的不切實際幻想。
AI偏見難解，但或許比消除人類偏見簡單
在利用監督式學習的方式訓練AI 的時候，我們常常會使用現實世界的數據讓機器學習。
好消息是因爲現在數位化以及網際網絡的發達，我們有非常多數據可以交給AI 學習；壞消息是這些數據時常反映了人類數十年甚至幾個世紀的偏見。
用這些數據訓練出來的AI 系統就像是面照妖鏡，也會不可避免地學會這些偏見（Bias）。
知名的例子有：
- 以白人照片訓練出來的人臉辨識系統在辨識深色膚色的人種時表現很差
- 自動化僱用的AI系統對女性存有偏見
- 銀行的自動信用評比AI系統對某些族羣產生偏見
以下則是另一個課堂中提出的例子：
上例或許稱不上歧視，但很明顯是偏見，一種長久存在於人類社會的性別偏見。
因爲很多時候這些AI 系統是學習一種統計關係，因此在此例中，AI 只是忠誠地呈現我們社會的用字習慣罷了。
要消除AI 的這些偏見並不容易，但仔細想想，這可能比消除人們腦中數十年的偏見要來的簡單，而且振奮人心。這件事情當然不簡單，但卻非常值得一試。
當然，你可以選擇不思考這些AI 倫理、偏見問題，相信建立AI 系統的這些工程師們立意良善以及夠細心，能幫我們將AI 系統裏的偏見移除，並讓其做出最合適的判斷。
儘管如此，意識到再厲害的AI 系統內部也可能存在如同人類的偏見，進而導致各種不公平的社會問題這件事情也是很有幫助的。
擁抱AI的最好方法是將其與領域專業結合
想要學習AI，不需要打掉重練。雖然現在AI 相關領域十分熱門，究其根本也就只是一種工具/技術。而且AI 技術接下來會越來越平民化，上手的門檻會越來越低。
因此比起現在轉行當AI 工程師，你要先做的應該是想辦法利用自己工作累積的領域知識（Domain Knowledge）以及洞見（Insight），找出能應用AI 改善的地方，進而創造出專屬於你或企業的競爭優勢。
機器學習和數據科學的產出分別是系統和洞見
機器學習（Machine Learning, ML）以及數據科學（Data Science, DS）這兩個詞彙常常結伴出現，且依照不同企業其定義都有所不同。因此，不在這塊領域裏的人常常不知道兩者的差異。
一般來說，在企業內的ML項目大都分爲3 個階段：
- 收集數據
- 訓練模型
- 部署模型
而DS 項目的步驟則爲：
- 收集數據
- 分析數據
- 建議行動/假說
兩者皆需原始數據做爲輸入，且皆有機會使用AI / ML技術來解決、分析問題，但最終的產出形式時常不同。
總結來說，ML項目較注重在軟件工程方面，且最終希望產出一個以AI爲基礎的線上系統；DS項目的結果則可能是一份幫助經營者做重大投資決策的PPT報告。
AI時代，你得思考未來自己想要扮演的角色
AI 目前正是顯學，不少人決定進入這塊領域，而現在跟AI 相關的職業就有好多種，比方說：
- 數據科學家
- 機器學習工程師
- 機器學習研究者
- 軟件工程師
- 數據工程師
- AI項目管理者
等等。而且隨着AI 的影響力持續擴大，未來可能還會出現新的相關職業。我們在這邊不會一一列出每個職業的工作內容。
終身學習在這個年代前所未有重要
如同課程中吳恩達教授所說的，你並不需要取得一個AI master 才能開始進行AI 項目。很多時候利用線上課程或是網絡上的深度學習資源就可以開始你的第一個AI 專案了。
事實上，學習AI For Everyone 這堂課就是一個不錯的開始。網絡上也有很多優質的博客或教學文章等待你的探索。
AI 領域近年發展神速，要學習AI，用上一代讀幾年書，出來用一輩子的概念是行不通的。臺大電機系的李宏毅教授就曾說過：在深度學習的領域，超過五年就是遠古時代了！
因此如果你決定踏上學習AI 的這條路，就做好跟我一起終身學習的心理準備吧！
結語
看到這裏，相信你已經瞭解AI For Everyone 裏頭10 個最重要的概念了，恭喜！
這些概念大多是我將課程裏頭擷取出的核心概念，佐以自己從事資料科學家以來的心得感想。希望閱讀完此文的你有學到點東西，或是獲得些啓發。