# W1_人工智慧導論_朱威達.m4a｜長度 02:59:58｜model large-v3 on cuda

[00:00:19] 你等一下連上之後先確認線上能不能聽到聲音
[00:00:22] 因為我現在用藍牙麥克風
[00:00:25] 照理講我應該輕輕講就
[00:00:27] OK 有畫面
[00:01:23] 那你等一下再確認一下有沒有聲音
[00:01:28] 我現在接
[00:01:33] 我切過來
[00:01:44] 有嗎 有聲音
[00:01:45] 好 線上是有聲音的
[00:01:46] 好
[00:08:21] 禮拜四下午1點10分
[00:08:23] 我們這門課是人工智慧導論
[00:08:30] 那目前呢
[00:08:32] 照理講上課的人會是
[00:08:35] 目前在成大教室裡面
[00:08:39] 大概還沒有做滿啦
[00:08:40] 理論上是應該要做滿的
[00:08:43] 什麼100多個
[00:08:44] 130
[00:08:46] 然後還有現在線上
[00:08:49] 理論上應該是會有
[00:08:51] 雖然我現在看不到線上有多少人
[00:08:53] 有助教在幫我monitor
[00:08:55] 目前是100個
[00:08:57] 好 理論上呢
[00:08:59] 我們這門課就是線上線下同時進行
[00:09:02] 那現在大家畫面上看到的
[00:09:05] 是slido的QR code
[00:09:08] 那我們所有的
[00:09:10] 除了在場成大的同學
[00:09:12] 你有問題你就舉手
[00:09:13] 你不要在那邊給我slido
[00:09:15] 你就舉手問就好了
[00:09:18] 那但是線上的同學呢
[00:09:20] 你如果有問題的話
[00:09:22] 就在slido上面來進行
[00:09:25] 你把你的問題打上去
[00:09:26] 讓我上課上到一定的階段
[00:09:30] 我就會去回覆一下
[00:09:33] slido上面的問題
[00:09:35] 那我知道現在在看YouTube的這些同學
[00:09:38] 有些你可能就
[00:09:40] 我不是很確定啦
[00:09:41] 是不是YouTube上面有人
[00:09:42] 就會有人留言
[00:09:44] 你只要是在YouTube上面留言
[00:09:46] 我們一概不予理會
[00:09:48] 所以你如果有問題
[00:09:49] 你要透過slido來進行問答
[00:09:53] 不要在那個
[00:09:56] slido上面呢
[00:09:57] 你如果
[00:09:58] 對不起
[00:10:04] slido上面呢
[00:10:06] 不管是slido上面
[00:10:07] 或者是YouTube上面
[00:10:10] 欸我們的沒有一個
[00:10:14] 好
[00:10:15] 喂
[00:10:16] 喂喂喂
[00:10:17] 餵我們的麥克風很爛
[00:10:18] 好
[00:10:19] 都沒電了
[00:10:21] 好
[00:10:21] 只要你
[00:10:22] 不管你是在slido上面
[00:10:23] 或者是YouTube上面
[00:10:25] 反正YouTube上面怎麼回
[00:10:27] 我們都不會理會啦
[00:10:29] 那slido上面你如果
[00:10:31] 留一些跟課程無關的
[00:10:33] 我們一樣也是不會理會
[00:10:36] 我們助教看到就會把它刪掉
[00:10:38] 這樣子
[00:10:39] 好
[00:10:40] 那所以理論上
[00:10:41] 我們現在是
[00:10:42] 和線上線下同時進行的
[00:10:46] 其實我們每次在開這門課的時候呢
[00:10:49] 我們的
[00:10:51] 整個環境的設置都變得很複雜
[00:10:54] 因為我要處理現場的同學
[00:10:58] 我還要處理線上的同學
[00:11:01] 然後
[00:11:03] 就是會有投放的這個
[00:11:06] 一些相關的問題
[00:11:07] 好那我希望
[00:11:09] 網路不要出問題
[00:11:11] 在我第一年
[00:11:12] 教課的時候網路還出問題
[00:11:14] 那就很慘很慘
[00:11:16] 那這門課是以這樣的形式上是
[00:11:20] 今年是第三次
[00:11:21] 那請大家可以先記一下這個slido
[00:11:25] 好
[00:11:27] OK然後
[00:11:30] 再來我們就要開始進入我們的課程
[00:11:44] 好那首先先做一下這個課程的介紹
[00:11:47] 我是助理導導成大資風系的老師
[00:11:50] 好
[00:11:51] 然後
[00:11:53] 大家可以透過這個youtube的連結
[00:11:56] 你可以直接看課程的直播
[00:12:00] OK
[00:12:01] 那所以現在理論上大部分的同學
[00:12:04] 應該在看youtube的直播
[00:12:07] 好那我們這門課呢
[00:12:08] 為什麼要這麼弄
[00:12:09] 是因為我們這門課是
[00:12:12] TAICA臺灣大專院校人工智慧學程聯盟的一門課
[00:12:17] 那目的就是說
[00:12:20] 我們有一些老師所開的課
[00:12:23] 不只成大
[00:12:24] 其實全國好多的學校
[00:12:27] 有一些課程
[00:12:28] 他在上課的時候呢
[00:12:30] 就開放給所有TAICA聯盟的學校
[00:12:34] 一起來的同學一起來上課
[00:12:37] OK
[00:12:38] 那到了今年應該是有63間學校是聯盟學校
[00:12:46] 去年還是55間
[00:12:48] 前年是25間
[00:12:50] 所以帳面上
[00:12:52] 目前我們這門課的修課人數
[00:12:55] 帳面上是1000
[00:12:57] 超過1000位
[00:12:59] OK超過1000位
[00:13:01] 好那我們這門課的這個運作的方式呢
[00:13:07] 我們會用所謂的混程式授權
[00:13:10] 混程式就是包含了鏡像課程跟衛星課程
[00:13:13] 什麼意思呢
[00:13:14] 鏡像課程就代表說
[00:13:17] 你在修這門課的時候
[00:13:21] 誰上課
[00:13:22] 我上課
[00:13:23] 然後呢我出作業
[00:13:25] 我改作業
[00:13:26] 然後我給你學習
[00:13:28] 我給你這個學期的評分
[00:13:32] OK總分數
[00:13:34] 那這個叫鏡像課程
[00:13:35] 那衛星課程呢
[00:13:37] 就是說還是由我來上課
[00:13:40] 我來出作業
[00:13:41] 但是呢
[00:13:42] 我們會有協同的老師來幫忙改作業
[00:13:45] 以及給予你最後的學期分數
[00:13:50] 那所以我們混合了
[00:13:52] 這兩種
[00:13:52] 那原因其實也蠻明顯的
[00:13:57] 就是說如果今天1000位同學
[00:13:59] 都是由我這邊來改作業
[00:14:01] 那你可以想像我們這裡的這個loading會有多大
[00:14:05] 所以我們希望多找一些老師來幫忙
[00:14:08] 好
[00:14:10] 那今年呢
[00:14:13] 雖然說我們有63間聯盟學校
[00:14:15] 但是真正是所謂的衛星課程的學校
[00:14:20] 其實只有4所
[00:14:22] 臺中科大
[00:14:23] 高雄科大
[00:14:24] 長陽科大跟鎮丘科大
[00:14:26] 那我們特別謝謝臺中科大蕭國倫老師
[00:14:30] 高雄科大的蕭宏傑老師
[00:14:32] 長陽科大的陳榮進老師
[00:14:34] 還有鎮丘科大的施松春老師
[00:14:38] 來擔任在那個學校對應的學校的系統老師
[00:14:43] 所以如果現在在看課程的同學
[00:14:47] 你如果是這4間學校的同學
[00:14:50] 基本上就是改作業的以及給分數的
[00:14:55] 就是你們各校的對應的老師這樣
[00:14:59] 除此之外
[00:15:00] 其他所有非這4間學校的其他所有學校的同學
[00:15:06] 這個都是由我們成大這邊的助教團隊來批改作業
[00:15:12] 跟最後給分數
[00:15:14] 當然是這樣子
[00:15:16] 好
[00:15:17] 那為什麼會有這個學生聯盟
[00:15:19] 是因為
[00:15:21] 三四年前三年多之前
[00:15:24] 當時教育部呢
[00:15:26] 就是感受到說現在這個產業急需人工智慧的人才
[00:15:31] 然後跨校的這個課程資源
[00:15:35] 應該要進行一些整合
[00:15:37] 因為不同學校的課程的量能不一樣
[00:15:40] 所以就希望能夠找一些有辦法開授課程的老師
[00:15:46] 然後他的課程可以這個share出來
[00:15:49] 給大家一起上
[00:15:51] 那當然有一些課程是你們自己本身學校的老師
[00:15:55] 可能也可以上的
[00:15:56] 那當然很好
[00:15:57] 你就去上
[00:15:58] 不要來我們這邊
[00:15:59] 我們這裡很擠的1000位人
[00:16:01] 那
[00:16:03] 這所以說我們的目標是希望能夠提供跨校學習AI課程的機會
[00:16:09] 然後呢
[00:16:10] 其實有另外一個好處就是說不同學校的學生可以合作
[00:16:15] 來共同培養這個未來的一個人才
[00:16:17] 那就我們過去
[00:16:18] 等一下我講我們課程的要求
[00:16:20] 就我們過去
[00:16:21] 我們過去的這個經驗裡面
[00:16:23] 我們會要大家做期末專題
[00:16:26] 那的確也有跨校的同學一起組成一隊
[00:16:31] 所以我覺得這就是一個蠻好的一個經驗
[00:16:35] 好那簡單介紹一下TICA這個聯盟的這個規劃
[00:16:40] 這是到今年4月23號最新的一個版本
[00:16:46] 在一開始的時候還沒有這麼多個學費學生
[00:16:49] 現在呢
[00:16:50] 我們已經到12345有五個學分學程了
[00:16:53] 包含人工智慧探索應用學分學程
[00:16:57] 工業應用學分學程
[00:16:59] 自然語言技術學分學程
[00:17:01] 智慧視覺技術學分學程
[00:17:03] 跟資訊安全技術學分學程
[00:17:07] 那不同的學分學程
[00:17:10] 他要修的課以及他對應的課程地圖
[00:17:13] 這個軌跡不太一樣
[00:17:15] 那我們這門課呢
[00:17:16] 我們扮演的角色就是在
[00:17:19] 探索應用學分學程裡面的核心課程
[00:17:22] 你可以看到紅色的區塊
[00:17:25] 所以你從這個他的位置大概就可以感受到說
[00:17:30] 你在修這門課之前
[00:17:32] 最好你應該要有這裡寫的機率跟程式設計的基礎
[00:17:37] 這樣來修會更好
[00:17:39] 那另外呢
[00:17:41] 我們人工智慧導入這門課呢
[00:17:44] 也是在自然語言技術學分學程這裡面的一個核心課程
[00:17:48] 那這邊就請大家參酌一下
[00:17:53] 就是說你可以選擇
[00:17:55] 你是希望拿到哪一個學分學程的證書
[00:18:01] 那你會想說學分學程
[00:18:04] 我們各校也都有學分學程啊
[00:18:07] 對不對
[00:18:08] 但各校也都在推學程嘛
[00:18:10] 那這個TICA的學分學程
[00:18:14] 跟你各校的學分學程有什麼不一樣
[00:18:16] 就是
[00:18:18] 差別在於TICA的課的學分學程
[00:18:23] 發學成證書的就是教育部
[00:18:27] 因為是教育部在主導這整個聯盟
[00:18:30] 所以說呢
[00:18:31] 發證書的是教育部
[00:18:34] 如果是比如說我們成大裡面有很多學分學程嘛
[00:18:38] 你去學完之後呢
[00:18:39] 你也會拿到成大發給你的某某某某學分學程
[00:18:45] 所以基本上概念是一樣的
[00:18:46] 只是說
[00:18:48] 我們這一個人工智慧學程聯盟的概念
[00:18:52] 是希望能夠跨校
[00:18:53] 然後不同學校之間的課程的資源
[00:18:57] 可以做一些整合
[00:18:58] 或者是分享應用這樣子
[00:19:01] 好
[00:19:02] 那詳細的規定大家可以自己去看
[00:19:05] 我們這裡很快的講一下
[00:19:07] 比如說學分學程職工需要修十五學分
[00:19:09] 至少十二學分不屬於學生主修輔系
[00:19:12] 然後呢有一些抵免的相關規定
[00:19:15] OK
[00:19:16] 那如果需要教育部的學分學程證書的話呢
[00:19:17] 需要修習至少三分之以上的課程為主導課程
[00:19:22] 這個請大家自己再去看TICA的網頁
[00:19:25] 它說不定有做一些修正
[00:19:27] 這個請大家自己去看
[00:19:30] 好
[00:19:31] 那所以呢
[00:19:32] 本來我們這門課是在當時
[00:19:35] 學成聯盟剛成立的第一批
[00:19:39] 當時在那個學期
[00:19:40] 1130年度第一學期
[00:19:43] 有五門課是作為
[00:19:46] 先前部隊
[00:19:49] 這是我們就直接就上了
[00:19:51] 就是這五門課
[00:19:53] 包含成大一門
[00:19:54] 清大兩門
[00:19:55] 跟好像臺大兩門
[00:19:57] 在1130年度第一學期
[00:19:59] 第一次開始這整個的計畫
[00:20:07] 那在當時呢
[00:20:09] 我們都還是進向課程
[00:20:11] 也就是說在第一次開課的時候
[00:20:13] 25間聯盟學校的學生
[00:20:15] 都是由我們來打分數
[00:20:18] 給最後的學期分數
[00:20:20] 等等等等
[00:20:21] 然後一路
[00:20:22] 1140年第一學期
[00:20:23] 我們又再開了一次
[00:20:24] 就變成混合式的授權
[00:20:26] 到現在是
[00:20:27] 1150年度的第一學期
[00:20:29] 我們也是混合授權的方式來進行
[00:20:34] 好
[00:20:35] 那所以我們這門課呢
[00:20:36] 我們的課程目標就是希望能夠
[00:20:38] 讓大家廣泛的瞭解
[00:20:40] 人工智慧的基礎知識
[00:20:42] 不同的發展分支的基礎知識
[00:20:45] 概念
[00:20:46] 以及你要實際動手做一個
[00:20:48] 人工智慧相關的狀體
[00:20:50] OK
[00:20:51] 那它裡面涵蓋的內容
[00:20:53] 可能包含智慧代理啦
[00:20:54] 搜尋演算啦
[00:20:56] 統計學習
[00:20:57] 深度學習
[00:20:58] 人工智慧應用等等等等
[00:20:59] 這些
[00:21:00] 講起來很廣泛啦
[00:21:01] 好
[00:21:02] 那現在已經是
[00:21:03] 115年
[00:21:05] 2026年的嘛
[00:21:06] 其實在過去兩年
[00:21:09] 我們都已經
[00:21:10] 每一個學期都有若干門課
[00:21:13] 開出來嘛
[00:21:14] 好
[00:21:15] 但是啊
[00:21:16] 已經有人拿到學程證書了喔
[00:21:18] 好
[00:21:19] 這是2026年8月25號
[00:21:21] 拍卡的記者會的一個照片
[00:21:24] 已經有接近30位同學
[00:21:27] 已經拿到
[00:21:28] 剛剛前面講的這些
[00:21:30] 學程
[00:21:31] 某一些學分學程的證書了
[00:21:33] 所以
[00:21:34] 經過了兩年之後
[00:21:35] 已經有人確定拿到這個
[00:21:37] 好
[00:21:38] 所以如果
[00:21:39] 當然你如果有興趣
[00:21:40] 你有這個目標
[00:21:41] 你希望拿到
[00:21:42] 你希望能夠把一整個體系的
[00:21:44] 這個課程修完的話
[00:21:46] 好
[00:21:47] 那請大家自己去注意
[00:21:48] 修課的相關的規定
[00:21:49] 以及你修課的軌跡這樣子
[00:21:52] 好
[00:21:53] 好
[00:21:54] 好
[00:21:55] 那跟我們這個課
[00:21:56] 特別相關的
[00:21:57] 首先
[00:21:58] 這個上課的時間
[00:22:00] 禮拜四下午1點10分到4點
[00:22:03] 這個就要請
[00:22:05] 各個學校的同學
[00:22:06] 都配合我們
[00:22:08] 成大的時間啦
[00:22:09] 因為
[00:22:10] 我是成大老師
[00:22:11] 我其實
[00:22:12] 我這門課本來就是開給
[00:22:13] 成大的同學來上的
[00:22:16] 只是現在分享出去嘛
[00:22:18] 好
[00:22:19] 所以
[00:22:20] 也許
[00:22:21] 你們學校的課程時間
[00:22:23] 跟我們不太一樣
[00:22:24] 但是沒有辦法
[00:22:25] 就是麻煩你們就
[00:22:26] 跟我一起搭配
[00:22:27] 好
[00:22:28] 那
[00:22:29] 中途
[00:22:30] 當然會有休息時間
[00:22:31] 但是我上課的方式是
[00:22:33] 我不見得剛好整點
[00:22:35] 就休息啦
[00:22:36] 好
[00:22:37] 我就是講到一個段落
[00:22:38] 就休息這樣子
[00:22:40] 好
[00:22:41] 所以不見得一定
[00:22:42] 剛好是幾點休息
[00:22:43] 但因為我們這是一個
[00:22:44] 接近連續三個小時的課嘛
[00:22:46] 所以你大概也不會有什麼中途
[00:22:49] 突然要趕去另外一個校區
[00:22:51] 休課的問題
[00:22:53] 才是
[00:22:55] 那上課的地點
[00:22:56] 實體上課的地點呢
[00:22:57] 就是
[00:22:58] 成大志工系館
[00:23:00] 4264
[00:23:01] 那我們今天
[00:23:02] 其實
[00:23:03] 我們還預留
[00:23:05] 我們還預留準備了
[00:23:07] 另外一間教室4261
[00:23:09] 因為根據過去
[00:23:11] 根據過去的經驗
[00:23:13] 第一堂課呢
[00:23:15] 就會有蠻多人
[00:23:16] 搞不清楚狀況
[00:23:17] 想要來修
[00:23:18] 然後就會把這一間教室
[00:23:20] 塞滿
[00:23:21] 好
[00:23:23] 至少我目前在
[00:23:24] 課程系統上面看到了
[00:23:26] 好像
[00:23:27] 至少成大的額度是滿的
[00:23:29] 成大有一百三十個名額
[00:23:31] 那如果都有出現的話
[00:23:33] 應該這間教室是會滿的喔
[00:23:35] 所以一定代表
[00:23:36] 有人沒有出現
[00:23:37] 好
[00:23:41] 出現好啊
[00:23:42] 不要啦
[00:23:43] 很熱
[00:23:44] 來
[00:23:45] 那當然大部分同學都在線上
[00:23:47] 那如果說未來
[00:23:49] 比如說下禮拜
[00:23:50] 下下禮拜我們觀察
[00:23:52] 反正這間教室都做不滿了
[00:23:54] 那我們當然4261
[00:23:55] 我們就不會再借
[00:23:57] 不需要再借
[00:23:58] 那我的辦公室在
[00:24:01] 志工新館
[00:24:02] 11樓65B08
[00:24:04] 所以呢
[00:24:05] 如果你對課程有什麼問題的話
[00:24:08] 請優先去找助教
[00:24:10] 助教解決不了的再來找我
[00:24:12] 要跟我約時間
[00:24:13] 好
[00:24:14] 那我們上課呢
[00:24:16] 我們是上這一本書
[00:24:19] 好
[00:24:20] 這本書呢
[00:24:21] 是人工智慧的聖經
[00:24:25] 聖經本
[00:24:26] 但是你聽到聖經本
[00:24:28] 你就知道說
[00:24:29] 這是一本歷史悠久的書
[00:24:31] 所以的確
[00:24:32] 這本書呢
[00:24:33] 很厚
[00:24:34] 我今天
[00:24:35] 我都懶得帶出來
[00:24:36] 因為一千多頁超厚的
[00:24:39] 那目前的最新版本是第四版
[00:24:43] 2020年出版的
[00:24:45] 其實你如果對於人工智慧的發展
[00:24:47] 有一點sense的話
[00:24:49] 你就知道說
[00:24:50] 這是一本古書了
[00:24:52] 對不對
[00:24:53] 現在都2026年了
[00:24:54] 這個書還在2020年
[00:24:56] 這什麼古時候的
[00:24:58] 什麼死海
[00:24:59] 死海古解是
[00:25:01] 好
[00:25:02] 呃
[00:25:03] 但是等一下我會解釋為什麼
[00:25:05] 好
[00:25:06] 我會解釋我們課
[00:25:07] 我們這本課到底在教什麼
[00:25:09] 為什麼我們還在講這本書
[00:25:11] 好
[00:25:12] 所以
[00:25:13] 可能會跟你語氣不一樣
[00:25:15] 好
[00:25:16] 然後再來
[00:25:17] 我們的課程資源
[00:25:20] 我們的整個課程的運作
[00:25:23] 都是在ntu cool
[00:25:25] 的這個系統上面運作
[00:25:27] 所以請成大的同學注意
[00:25:30] 不要去moodle
[00:25:32] ok
[00:25:33] 我們都是在ntu cool上面
[00:25:36] 來運作的
[00:25:38] 好
[00:25:39] 來我們連一下ntu cool
[00:25:49] 到ntu cool之後呢
[00:25:51] 照理講
[00:25:53] 有
[00:25:54] 這門課
[00:26:07] 好
[00:26:08] 照理講呢
[00:26:09] 所有有經過正常修課程序的同學
[00:26:14] 你應該都會收到ntu cool的通知
[00:26:19] 通知到哪裡呢
[00:26:21] 一定就是通知到
[00:26:23] 你在學校的官方的email
[00:26:26] 請特別注意
[00:26:28] 一定要到你的學校課程的官方email
[00:26:32] 來收信
[00:26:33] 以及同意加入
[00:26:37] 好
[00:26:38] 不是用你個人的什麼gmail
[00:26:39] 因為你如果是gmail
[00:26:40] 我根本就不知道你是誰嘛
[00:26:42] 好
[00:26:43] 所以你看
[00:26:44] 我現在可以看到
[00:26:45] 目前
[00:26:46] 上有710位同學
[00:26:48] 沒有接受邀請
[00:26:50] 所以我們帳面上
[00:26:52] 我們帳面上有多少同學修呢
[00:26:54] 我們看一下
[00:27:04] 這裡
[00:27:05] 好
[00:27:06] 目前降到977位
[00:27:08] ok
[00:27:09] 目前977位同學
[00:27:10] 裡面
[00:27:12] 還有700位同學
[00:27:14] 沒有進到ntu cool
[00:27:17] ok
[00:27:18] 好
[00:27:19] 那很明顯的
[00:27:20] 很可能有一個原因是
[00:27:23] 你可能從來沒有去收
[00:27:26] 你的學校官方email
[00:27:29] 比如說
[00:27:30] 丁宏遠
[00:27:31] 對不起啊
[00:27:32] 這全國都知道了
[00:27:33] 好
[00:27:34] ncku的這位同學
[00:27:36] 你還沒有接受邀請啊
[00:27:38] 趕快去接受
[00:27:39] ok
[00:27:40] 對
[00:27:41] 好
[00:27:42] 那後面還有很多
[00:27:43] 很多很多很多
[00:27:44] 好
[00:27:45] 所以呢
[00:27:46] 請大家
[00:27:47] 你一定要用你的官方email
[00:27:48] 為什麼
[00:27:49] 因為這樣我們才知道
[00:27:50] 你是哪一個學校的
[00:27:52] 到時候包含你的選課
[00:27:55] 包含你們各校
[00:27:57] 你們在選課的時候
[00:27:59] 一定都會有一個
[00:28:00] 明確的一個選課紀錄
[00:28:02] 到時候我們打分數之後
[00:28:03] 我們才能夠知道說
[00:28:05] ntu cool這邊才知道說
[00:28:06] 我是要把這個分數
[00:28:08] 是要派回給哪一間學校
[00:28:10] 他就是看這個網址
[00:28:12] 看這個email
[00:28:14] 看這個email
[00:28:15] 所以你一定要來做這件事
[00:28:17] 好
[00:28:18] 那這件事情呢
[00:28:19] 我每年都在講
[00:28:21] 但是每年都會
[00:28:23] 有人沒有做
[00:28:25] ok
[00:28:26] 所以請特別記得這件事情
[00:28:29] 這樣你才可以拿到我們
[00:28:31] 最新的這個
[00:28:34] 最新的課程的內容
[00:28:38] 好
[00:28:39] 所以就是用ntu cool來做
[00:28:41] 好
[00:28:42] 那在過渡期間
[00:28:46] 就是有人就是現在就是還沒有
[00:28:49] 進到ntu cool
[00:28:51] 帳號有某些問題
[00:28:53] 或者是說
[00:28:54] 你還在家退選階段
[00:28:56] 那這個時候
[00:28:57] 你可以先來看一下
[00:29:00] 這一個網頁
[00:29:01] 這個就是我的個人網頁了
[00:29:03] 個人網頁底下所掛的一個課程網頁
[00:29:07] ok好
[00:29:08] 那裡面就是很簡單的
[00:29:10] 比如說課程的位置時間
[00:29:14] 然後投影片什麼等等的
[00:29:18] 這個投影片還是舊的對不起
[00:29:20] 我還忘記更新成今年的
[00:29:23] 這是這個還是去年舊的
[00:29:26] ok
[00:29:27] 然後對
[00:29:29] 但是我大概只會更新這個課程
[00:29:32] 也大概更新兩三個禮拜
[00:29:34] 因為我假設大家兩三個禮拜之後
[00:29:36] 就都會加入ntu cool了
[00:29:37] 我就不用再額外再美配一份在這裡
[00:29:43] 好
[00:29:44] 那再來就是說這個youtube直播的連結在這邊
[00:29:48] 現在理論上應該大部分人在聽youtube直播
[00:29:52] 現在有多少人
[00:29:53] 247
[00:29:57] 所以你看有多少人沒有在聽
[00:29:59] 247
[00:30:00] 那目前在場的可能100出頭
[00:30:03] 對不對
[00:30:04] 也才300多人嘛
[00:30:05] 那剛剛那個977是怎麼回事呢
[00:30:08] 好
[00:30:09] 可能後來看錄影吧
[00:30:10] 好
[00:30:11] 那ok
[00:30:12] 所以基本上我們就是上這一本書
[00:30:15] 那它的內容非常的多
[00:30:18] 我們大概只會挑part1
[00:30:21] 第一部分
[00:30:23] 第四第五第六部分
[00:30:26] 這每一個部分可能都有好幾個chapter
[00:30:29] 那我們這些也都是挑一部分的chapter出來講而已
[00:30:33] 然後我們最後可能會補充一點generative ai的內容
[00:30:38] 好
[00:30:39] 那再來這裡很重要
[00:30:40] 我們的整個課程的安排時間安排
[00:30:44] 今天9月10號是我們第一次上課
[00:30:47] 接下來下個禮拜
[00:30:50] 當然我們會上課嘛
[00:30:52] 我們就會公佈我們的第一個作業
[00:30:55] 好
[00:30:56] 大家有一個概念
[00:30:57] 就是說我們這門課要求大家要做一個期末專題
[00:31:01] 什麼時候開始做呢
[00:31:03] 現在就可以開始做
[00:31:06] 現在就開始做
[00:31:07] 我們要求大家
[00:31:09] 第一個作業就是你要去找你的組員
[00:31:12] 然後你要去思考一個你想要做的一個題目
[00:31:18] 這就是大家的第一個作業
[00:31:20] 然後你要寫一個書面的一個proposal
[00:31:23] 你會覺得莫名其妙啊
[00:31:25] 我都還沒有開始上課了耶
[00:31:27] 你就要我做一個什麼期末project的一個proposal
[00:31:30] 好
[00:31:31] 那所以這其實就是在push大家說
[00:31:34] 你要趕快去想
[00:31:36] 先姑且不論做不做得到
[00:31:38] 但是我就是push大家
[00:31:40] 你要開始找資料
[00:31:41] 你要去想如何用人工智慧的技術
[00:31:44] 來做一個什麼事情
[00:31:46] OK
[00:31:47] 如果在座有研究生
[00:31:49] 你最好的方式就是
[00:31:51] 你自己的研究論文
[00:31:53] 有沒有
[00:31:54] 如果有跟AI相關的
[00:31:57] 你一定要想辦法讓自己在修完這門課之後
[00:32:01] 你學到了某一些AI的東西
[00:32:04] 它對於你的研究論文要有幫助嘛
[00:32:09] 你不要來修這門課
[00:32:11] 就只是為了拿這個學分而已
[00:32:13] 它應該也要為你的碩士論文的進度帶來幫助
[00:32:17] 或者說你在修專題
[00:32:19] 大學部專題的
[00:32:20] 你要想辦法讓你的專題
[00:32:24] 跟這個貼上一些關係
[00:32:27] OK
[00:32:28] 好
[00:32:29] 所以請記得這件事
[00:32:31] 所以第一個作業就是
[00:32:33] 我們在下週就會公告
[00:32:35] 那我們會公告說格式怎麼樣啦
[00:32:38] 然後你要分組
[00:32:40] 分組的話
[00:32:41] 你可能可以一個人一組
[00:32:43] 你可以最多
[00:32:44] 比如說四個人一組
[00:32:45] 等等的
[00:32:46] 好
[00:32:47] 9月17公佈第一個作業
[00:32:50] 就10月1號
[00:32:53] 要大家交第一個作業
[00:32:56] 同時間我們就會公佈第二個作業
[00:32:59] 好
[00:33:00] 依此類推
[00:33:01] 10月1號公佈第二個作業
[00:33:03] 10月15就要交第二個作業
[00:33:06] 我同時會公佈第三個作業
[00:33:08] 那第三個作業也可以先跟大家講
[00:33:10] 第三個作業就是要大家回報你的專題
[00:33:15] 10月29為止
[00:33:19] 你做的怎麼樣
[00:33:21] 也就是說
[00:33:23] 你從9月17開始想想想
[00:33:27] 然後想了就開始要做囉
[00:33:29] 那你到10月29
[00:33:31] 你就要有一個中途的一個回報
[00:33:33] 你到底做的怎麼樣
[00:33:34] 你跟你學習一開始提的那一個
[00:33:37] 你到底有多大的進展
[00:33:39] 好
[00:33:40] 10月29號提了這個報告之後
[00:33:43] 馬上我們會公佈第四個作業
[00:33:45] OK
[00:33:46] 兩個禮拜之後交第四個作業
[00:33:48] 然後要公佈第五個作業
[00:33:50] OK
[00:33:51] 然後呢
[00:33:52] 11月26號又要講交第五個作業
[00:33:56] 所以整體而言呢
[00:33:57] 我們會有五個作業
[00:34:00] OK
[00:34:01] 那第五個作業呢
[00:34:03] 其實就是要大家幾乎要把你的Final Project做完的
[00:34:09] 我們會從大家的第五個作業的結果裡面
[00:34:14] 挑選出表現比較好的組別
[00:34:19] 在12月24號進行報告
[00:34:25] OK
[00:34:26] 好
[00:34:27] 那你如果沒有被挑選到前15名的
[00:34:30] 基本上你的學期末的專題分數
[00:34:36] 就是作業5的分數了
[00:34:39] 那我們一定會控制在
[00:34:41] 你有被挑到前15名的分數
[00:34:44] 一定要遠高於沒有被挑到前15名的
[00:34:47] 我們這樣它中間會有一個gap
[00:34:50] OK
[00:34:51] 所以鼓勵大家好好做
[00:34:53] 這目的就是鼓勵大家好好做
[00:34:55] 你把你Final Project做好
[00:34:57] 你的作業5拿到高分
[00:34:58] 你就有機會進到12月24號的這個報告
[00:35:02] 我們會再為你打一個最後的
[00:35:05] 一個期末的專題分數
[00:35:08] 好
[00:35:09] 那所以說呢
[00:35:12] 這次作業跟期末專題的部分
[00:35:16] 另外還有一個
[00:35:18] 就是一定要特別注意的是
[00:35:20] 我們在12月10號會有一個期末卡
[00:35:25] 就是紙筆測驗的期末卡
[00:35:29] 所以這裡就變得很重要
[00:35:31] 這要怎麼操作
[00:35:32] 我們休克的人那麼多
[00:35:35] 跨月63間學校
[00:35:38] 所以第一個要求就是說
[00:35:40] 你要修正門課的同學
[00:35:43] 你一定保證
[00:35:45] 必須在12月10號下午1點到4點之間
[00:35:53] 你一定要可以考試
[00:35:55] 你才來修正門課
[00:35:57] 不然你就不要來修正門課
[00:36:00] OK
[00:36:02] 因為我們這是線上線下的關係
[00:36:04] 所以其實我們YouTube直播之後會有錄影嘛
[00:36:08] 所以有的人會選擇說
[00:36:09] 我禮拜四下午我有其他的課充堂
[00:36:13] 但是反正正門課
[00:36:15] 我可以後來再看影片啊
[00:36:17] 對的確可以
[00:36:19] 的確可以
[00:36:20] 但是12月10號
[00:36:22] 你一定要在這個時間可以考試
[00:36:26] 你不能夠說
[00:36:27] 到時候12月10號我也充堂
[00:36:29] 老師可不可以換時間
[00:36:30] 不行
[00:36:32] 所以這裡再次強調
[00:36:34] 只要你不管任何理由
[00:36:36] 只要你12月10號
[00:36:38] 下午1點到4點
[00:36:41] 你無法參加實際的考試的同學
[00:36:45] 你就不要修正門課
[00:36:48] 這樣聽懂齁
[00:36:50] 那會怎麼考呢
[00:36:55] 以成大同學來講
[00:36:56] 沒差
[00:36:57] 反正我們就是會借教室
[00:36:58] 你就執筆測驗
[00:37:00] 其他62間學校的同學
[00:37:03] 你的考試的方式應該會是
[00:37:06] 學校會幫你借一間電腦教室
[00:37:09] 然後呢
[00:37:10] 時間一到NTU COOL上面
[00:37:13] 就會開放出我們的試題
[00:37:17] 然後你就把那個word檔download下來
[00:37:20] 然後你就把你的檔案寫在word檔上面
[00:37:23] 然後就用NTU COOL傳上去
[00:37:26] 傳到這個NTU COOL上去
[00:37:29] 這個就是考試的一個進行方式
[00:37:34] 然後呢
[00:37:35] 會有人問說
[00:37:37] 我是某某學校的學生
[00:37:40] 我家住臺南啊
[00:37:42] 我12月10號
[00:37:43] 我可不可以來臺南考
[00:37:44] 不行
[00:37:46] 你不要鬧了
[00:37:48] 很抱歉
[00:37:49] 我們是認學籍
[00:37:50] 不是認你的戶籍
[00:37:52] 你的學籍在成大
[00:37:54] 你就在成大考
[00:37:55] 你的學籍在臺大
[00:37:57] 你就在臺大考
[00:37:58] 你不要鬧
[00:37:59] 不要跟我鬧
[00:38:00] 有人就說
[00:38:01] 我剛好
[00:38:02] 那一週我要回臺南啊
[00:38:03] 我怎麼樣怎麼樣怎麼樣
[00:38:04] 沒有
[00:38:05] 我不管
[00:38:06] 你就是要回到你本來的學校
[00:38:07] 老師幫你借好那個教室去考
[00:38:10] OK
[00:38:11] 你說不對啊老師
[00:38:12] 你剛剛講說NTU COOL上面
[00:38:14] 那個
[00:38:15] 反正是網路上的嘛
[00:38:17] 對不對
[00:38:18] 我是在家
[00:38:19] 把我的檔Download下來
[00:38:21] 我又可以了嗎
[00:38:22] 你想我們有那麼笨嗎
[00:38:24] 我們當然是不是鎖IP
[00:38:25] 會鎖在那間固定教室裡面啊
[00:38:28] 這樣懂嗎
[00:38:30] 所以拜託不要想一些有的沒的
[00:38:32] 你就
[00:38:33] 你就
[00:38:34] 安安穩穩的
[00:38:36] 該怎麼做就怎麼做
[00:38:38] 不要在那弄一些有的沒的
[00:38:40] 我們handle一個一千人的課程已經很累了
[00:38:44] 不要再處理這些有的沒的
[00:38:47] 好
[00:38:48] 那這個過程當中呢
[00:38:50] 偶爾
[00:38:52] 我可能因為要出國開會的關係
[00:38:56] 所以有可能我會用錄影的方式
[00:38:59] 事先先錄好
[00:39:00] 大家那個禮拜比如說
[00:39:02] 10月1號
[00:39:03] 可能
[00:39:04] 我還現在沒有確定
[00:39:05] 可能我出國
[00:39:06] 那你就是用看影片的方式
[00:39:09] 然後
[00:39:10] 12月17
[00:39:11] 這可能也是
[00:39:12] 可能啦
[00:39:14] 好
[00:39:15] 打分數
[00:39:16] 評分呢
[00:39:17] 因為我們有五個作業嘛
[00:39:18] 我們五個作業就佔40%
[00:39:21] 好
[00:39:22] 那這五個作業會是什麼樣的形式
[00:39:25] 你可能是要寫書面報告的
[00:39:27] 你可能是要寫程式的
[00:39:29] 你可能是要做一個成果的video的
[00:39:33] 然後呢
[00:39:34] 我們會有一個期末考
[00:39:36] 這個我都知道啦
[00:39:37] 我們一定要考試
[00:39:39] 我們如果不考試
[00:39:41] 就不會有人去看我的投影片
[00:39:44] 這是一定的
[00:39:46] 你不考試
[00:39:48] 那我幹嘛
[00:39:49] 我在那邊講的
[00:39:50] 汗流浹背
[00:39:51] 我在那邊弄什麼弄啊
[00:39:52] 對不對
[00:39:53] 一定要考試
[00:39:54] 不然你們根本就不聽
[00:39:55] 不看
[00:39:56] 所以就是要考
[00:39:58] 然後呢
[00:39:59] 這個
[00:40:00] final project 30%
[00:40:01] 就包含project proposal啦
[00:40:02] 你要implement啊
[00:40:04] 然後
[00:40:05] 表現比較好了
[00:40:06] 我們鼓勵大家
[00:40:07] 有辦法上臺
[00:40:08] 有辦法幹嘛
[00:40:09] 然後講給大家聽
[00:40:11] ok
[00:40:12] 好那我final project要做什麼呢
[00:40:14] 基本上你現在就可以開始想
[00:40:16] 如果你決定要修正門課
[00:40:18] 你可以開始找同學
[00:40:22] 去組成一個團隊
[00:40:25] 然後去想說你想要做什麼題目
[00:40:27] 那一般來講的話
[00:40:30] 現在如果你自己本身沒有一個專題的方向
[00:40:35] 或者是碩博士論文的一個方向的話
[00:40:39] 你是一個開放式的一個background的話
[00:40:43] 那你比如說你可以到網路上的一些平臺
[00:40:46] 你其實可以找到蠻多的題目
[00:40:48] AID
[00:40:49] AIGO
[00:40:50] CAGO
[00:40:51] 等等等等的
[00:40:52] 都有
[00:40:53] 都有
[00:40:54] 那或者說你自己想
[00:40:55] 這都可以
[00:40:56] 所以比如說舉個例子啊
[00:40:58] 在過去一兩年的過程當中
[00:41:02] 蠻多這種data prediction的
[00:41:05] 類似的題目
[00:41:07] 比如說預估某個地區
[00:41:08] 預估某個地區的房價的走勢
[00:41:13] 預估颱風過後菜價的變動
[00:41:18] 類似這樣子
[00:41:19] data prediction
[00:41:20] 那也蠻多人在做物件偵測
[00:41:24] 比如說我偵測某一個特定的物件
[00:41:28] 這其實現在都已經
[00:41:29] 網路上都已經有code了
[00:41:30] 所以你如果單純只是用一個yolo
[00:41:32] 找到裡面有幾個人
[00:41:34] 這就很爛了
[00:41:36] 你一定就是要想一些
[00:41:37] 不一樣的
[00:41:39] ok
[00:41:40] 那
[00:41:41] 或者說在做瑕疵檢測啊
[00:41:44] 這些東西
[00:41:45] 或者是比如說去做defect detection
[00:41:49] 現在有很多這種偽造的
[00:41:51] defect的狀況
[00:41:53] 或者說你在做一些物件的追蹤
[00:41:55] 比如說你之前
[00:41:57] 我們自己實驗室有在做一些
[00:41:59] 比如說棒球的這個
[00:42:01] 揮棒的這個軌跡
[00:42:03] 3D的軌跡
[00:42:04] 等等等等
[00:42:05] 這是一些例子
[00:42:06] 那比如說有人會去做reinforcement learning
[00:42:09] 利用reinforcement learning來自動玩game
[00:42:12] 或者做一些情緒分析
[00:42:14] 或者是工廠
[00:42:16] 這個組裝線裡面的一些
[00:42:18] 工廠物件的偵測
[00:42:21] 損壞
[00:42:22] 或者說流程對不對
[00:42:24] 或者是說
[00:42:25] 在做一些image generation
[00:42:28] 現在的這個網路上有太多太多
[00:42:32] 現成的這些tool可以使用
[00:42:35] 但是這是好事也是壞事
[00:42:40] 你用了那個tool
[00:42:41] 你就覺得說
[00:42:42] 這下我不做了
[00:42:43] 我專輯做完了
[00:42:45] 但其實我們都知道
[00:42:46] 那都是現有的tool
[00:42:48] 你把它兜一兜就出來的嘛
[00:42:50] 那你的分數就相對低
[00:42:52] 我們就會問說
[00:42:53] 那你這樣子做
[00:42:55] 跟我實際簡單用一個tool
[00:42:57] 有什麼不一樣
[00:42:59] 那你用了哪些
[00:43:01] 你在這門課
[00:43:03] 你學到的觀念來做這些東西
[00:43:05] OK
[00:43:07] 那這個就是你分數是否能夠高的一個關鍵
[00:43:11] 那底下順帶一提
[00:43:13] 有一些千年老題目
[00:43:14] 每年都會看到
[00:43:15] 但是我建議大家不要再做了
[00:43:17] 太無聊了
[00:43:18] 比如說預測股市變動
[00:43:20] 大家都有發財夢
[00:43:21] 每年都有人要預測股市的變動
[00:43:25] 做了好幾十年
[00:43:27] 那為什麼
[00:43:28] 你知道為什麼
[00:43:29] 到現在還有人在做嗎
[00:43:31] 因為做不好嘛
[00:43:33] 做不好啊
[00:43:34] 這種東西
[00:43:35] 股市這種東西
[00:43:36] 太多的
[00:43:38] 除非
[00:43:40] 你是Trump
[00:43:42] 肚子裡面的一隻蛔蟲
[00:43:43] 不然你怎麼去預測股市呢
[00:43:45] 對不對
[00:43:46] 很難啊
[00:43:47] 你除非你是Trump
[00:43:49] 川普你有辦法操縱股市
[00:43:52] 好
[00:43:53] 所以這個題目已經很久了
[00:43:56] 大家發揮一點創意好不好
[00:43:58] 然後呢
[00:43:59] 再來就是說前幾年
[00:44:00] 有疫情的時候
[00:44:01] 也有蠻多跟疫情相關的題目
[00:44:04] 比如說偵測有沒有戴口罩
[00:44:06] 這個都實在是非常古老的題目了
[00:44:10] 那我們鼓勵大家去用一些
[00:44:13] 多想一下
[00:44:15] 現在新的時代對不對
[00:44:17] 有太多東西
[00:44:18] 其實可能都已經被做完了
[00:44:21] 但是也依舊還有蠻多問題
[00:44:23] 還沒有被解決
[00:44:25] 比如說很明顯的一個
[00:44:28] 現在也非常蓬勃發展的就是機器人
[00:44:32] 那當然你很難
[00:44:33] 自己弄到一隻機器手臂嘛
[00:44:35] 對不對
[00:44:36] 但好歹你可以在模擬環境下
[00:44:38] 你可以去訓練一個機器人
[00:44:40] 然後來做一些什麼事情
[00:44:42] 這個提供給大家參考
[00:44:44] 好
[00:44:45] 那講半天
[00:44:46] 你為什麼要修這門課
[00:44:48] 因為我們這門課會教給你一些
[00:44:50] Artificial Intelligence的一些基礎
[00:44:53] 知道它的一些研究的分支
[00:44:55] 然後我們會介紹一些
[00:44:57] 基礎的AI的演算法
[00:45:00] 跟它對應的應用
[00:45:01] 我們這門課叫做人工智慧
[00:45:03] 我剛剛忘記提了
[00:45:05] 我們這門課的定位
[00:45:07] 你光看我們在這個學程的
[00:45:10] 學分學程聯盟裡面的那個位置
[00:45:13] 就知道說
[00:45:14] 它其實是介於
[00:45:15] 我們回到剛剛前面那一頁
[00:45:17] 它其實是介於
[00:45:20] 比較進階的
[00:45:21] 比較接近研究所的一些
[00:45:24] 對應的topic
[00:45:26] 以及大學部的基礎課程之間的一個
[00:45:30] 中介的一個課程
[00:45:33] 所以它的聽眾
[00:45:36] 基本上是設定在
[00:45:38] 大概大四研究所一年級
[00:45:42] 大三大四或者是研究所一年級
[00:45:44] 它的聽眾
[00:45:45] 我們基本上的設定是這樣子
[00:45:48] 那如果是這個樣子的話
[00:45:51] 我們基本上就是
[00:45:54] 教大家的是一些基礎的人工智慧
[00:45:57] 你要知道的
[00:45:59] 基礎的concept
[00:46:00] 我們講的東西會很廣
[00:46:03] 但是我們沒有辦法講得很深
[00:46:06] 我們甚至不會講得很新
[00:46:09] 你看我們這本課本就知道它是一本古書了
[00:46:12] 2020年了
[00:46:13] 所以我們講的東西是什麼呢
[00:46:16] 就是幾十年來一直沒有練的東西
[00:46:19] OK
[00:46:20] 那再來就是說我們
[00:46:22] 會要求大家要做一個
[00:46:24] 實際的人工智慧的project
[00:46:26] 好啦
[00:46:27] 那其實現在你知道
[00:46:29] 整個人工智慧的範圍是很大的
[00:46:33] OK
[00:46:34] 那大概在2000年之後
[00:46:37] 在人工智慧領域裡面有一個子領域
[00:46:40] 快速發展
[00:46:42] 當時你們還沒有出生
[00:46:47] 應該還沒有出生
[00:46:49] 現在2026年嘛
[00:46:50] 對你們還沒有出生
[00:46:51] 當時呢在2000年到2010年之間
[00:46:56] 最主要蓬勃發展的是
[00:46:58] Machine Learning
[00:46:59] 機器學習
[00:47:00] 到了2010
[00:47:02] Specifically
[00:47:04] 確定來講是2012年之後
[00:47:07] Deep
[00:47:08] 在Machine Learning裡面的一個子領域
[00:47:11] 叫做Deep Learning
[00:47:12] 或者說叫做內神經網路
[00:47:15] 直接搶了所有人的風產
[00:47:18] 直接搶了Machine Learning的
[00:47:21] 所有領
[00:47:22] 眾多領域的風產
[00:47:25] 所以說Deep Learning只是Machine Learning的一小部分
[00:47:29] OK
[00:47:31] 好
[00:47:32] 那但是呢Deep Learning隨著
[00:47:34] 這樣子發展下來
[00:47:36] 大概到了ChainGPT出來之後
[00:47:40] 2020年
[00:47:42] 還是2021、2022
[00:47:44] 有點忘記
[00:47:45] 大概在2020年左右
[00:47:48] ChainGPT出來
[00:47:49] 大家都在講的是Generative AI
[00:47:52] 深層式AI
[00:47:55] 對不對
[00:47:56] 好
[00:47:57] 一直到今年2026年
[00:47:59] 事實上我這一頁頭影片跟去年不一樣
[00:48:02] 我去年只畫到Generative AI
[00:48:04] 今年2026年
[00:48:06] Generative AI裡面有一個子集合
[00:48:10] 叫做Engineering AI
[00:48:12] 今年非常非常的瘋狂發展
[00:48:16] 對不對
[00:48:17] 兩個禮拜以前
[00:48:18] 一個多禮拜以前
[00:48:20] 出現的GPT-6
[00:48:23] Astra
[00:48:24] 對不對
[00:48:25] 現在網路上大家都在講他多厲害多厲害
[00:48:28] 對不對
[00:48:29] 他事實上已經可以操控你的電腦
[00:48:31] 做很多代理的事情
[00:48:33] 所以說
[00:48:35] 目前最新
[00:48:37] 最火熱
[00:48:38] 看起來最厲害的
[00:48:40] 最有趣的
[00:48:41] 最強的
[00:48:42] 就是Engineering AI
[00:48:44] OK
[00:48:45] 我不曉得大家為什麼會有接近1000人要來修正門課
[00:48:50] 你可能會以為
[00:48:52] 我在教這個
[00:48:54] 但其實不是
[00:48:55] 我是在教這個
[00:48:59] 所以我等一下講完這頭影片之後
[00:49:01] 我會休息一下
[00:49:02] 讓要離開的人先離開
[00:49:04] 好
[00:49:05] 我不是在教這個喔
[00:49:07] 所有最新
[00:49:09] 不應該這樣講
[00:49:11] 就是說
[00:49:12] 你看起來很新
[00:49:14] 很熱門
[00:49:16] 很有趣的東西
[00:49:18] 我應該都不會教
[00:49:22] 因為我教的是這個啊
[00:49:24] 我是教人工智慧導論啊
[00:49:26] 我是在教這個整體而言的
[00:49:29] 這個大的範圍
[00:49:31] OK
[00:49:32] 好
[00:49:33] 所以請先讓同學注意
[00:49:34] 請好好思考一下
[00:49:35] 你到底要不要修
[00:49:37] 所以說呢
[00:49:38] 我們不會教怎麼用PyTorchTensorFlow
[00:49:41] 我們不會教GenerativeAI
[00:49:44] EngineeringAI
[00:49:45] Stable Diffusion
[00:49:47] Large Language Model
[00:49:48] 的什麼什麼工具怎麼用
[00:49:50] 我們不會教GP6
[00:49:52] EngineeringAgent怎麼講
[00:49:54] 我們不會教Olama怎麼講
[00:49:56] 我們不會教PyTorch怎麼寫
[00:49:59] 都不會教
[00:50:01] 那我們教什麼呢
[00:50:05] 老師
[00:50:06] 你就教一些沒有用的東西
[00:50:08] 我們在教
[00:50:10] 基本上我們在教人工智慧的
[00:50:13] 廣泛的人工智慧導論
[00:50:16] 這個東西應該是在未來十年
[00:50:20] 不會變的東西
[00:50:22] 我為什麼不教某一個
[00:50:24] 厲害的Agent的工具
[00:50:27] 為什麼
[00:50:28] 因為兩個月後他就過時了
[00:50:31] 說實在的
[00:50:32] 要用工具的話
[00:50:33] 你們都比我厲害太多了
[00:50:35] 應該是你們教我了
[00:50:37] 絕對不是我教你們
[00:50:39] 所以我們要教一門課的話
[00:50:44] 我們一定是教一些
[00:50:46] 不會很快就變的東西
[00:50:48] 那就是什麼
[00:50:49] 那就是最基礎的
[00:50:51] 那一些基本的概念
[00:50:54] 是這樣子的
[00:50:56] 那當然了
[00:50:57] 我們絕對歡迎大家
[00:50:59] 也允許大家
[00:51:01] 在這個Final Project的時候
[00:51:04] 你用Deep Learning
[00:51:06] 你用Engineer AI
[00:51:08] 你用Agent
[00:51:11] 你用Generative AI
[00:51:12] 我們絕對歡迎
[00:51:14] 只是說我們不會教大家
[00:51:16] 第一線目前最火熱的
[00:51:19] 這些所謂的有趣的Fancy的工具
[00:51:24] OK
[00:51:25] 好
[00:51:26] 那這應該是課程介紹的最後一頁
[00:51:29] 所以你要選課的話
[00:51:30] 你要注意什麼呢
[00:51:32] 建議大家應該要
[00:51:33] 有程式機率跟演算法的基礎
[00:51:38] 教家啦
[00:51:39] 那每年都會有人問我說
[00:51:42] 老師怎麼樣叫做具備程式的能力
[00:51:46] 大家就問說
[00:51:47] 我只會寫Python行不行
[00:51:50] 我會寫C行不行
[00:51:52] 那我C只是剛好60分Pass行不行
[00:51:58] 其實這很難講
[00:52:00] 但我覺得基本上就是說
[00:52:02] 能夠把我們的作業
[00:52:05] 能夠轉換成程式
[00:52:09] 然後有辦法把它input出來的一個能力
[00:52:12] OK
[00:52:13] 有一些潛臺詞我就不講了
[00:52:15] 大家知道現在寫程式是怎麼寫的嗎
[00:52:17] 你們自己去想
[00:52:18] 好
[00:52:19] 那我們會有我們的辦法
[00:52:21] 來嫁給你寫的好不好
[00:52:24] OK
[00:52:25] 好
[00:52:26] 好
[00:52:27] 那很重要的一件事情
[00:52:28] 因為我們的同學
[00:52:30] 校外同學真的太多了
[00:52:32] 所以說教作業的時候
[00:52:33] 你務必要符合作業的規範的格式
[00:52:38] 因為我們可能會寫程式來改你的程式
[00:52:44] 所以你如果不符合規定
[00:52:46] 讓我們的評判的程式做不出來的話
[00:52:50] 沒有辦法讀你的程式
[00:52:51] 或者說格式錯
[00:52:53] 然後怎麼樣錯的話
[00:52:54] 那責任在你
[00:52:56] 所以請這個百分之百要符合
[00:52:59] 我們作業規定的一個格式
[00:53:02] 然後呢
[00:53:03] 從學期一開始呢
[00:53:04] 就要去探索以及進行期末的專題
[00:53:07] 那你可以選擇同步或者是非同步的上課
[00:53:10] 那但是重要的事情是
[00:53:12] 你12月10號你一定要同步考試
[00:53:15] 那你如果被
[00:53:17] 你表現得
[00:53:19] Final Project表現得比較好
[00:53:21] 我們會要大家12月24號
[00:53:24] 來進行
[00:53:25] 線上線下的同步報告
[00:53:28] OK
[00:53:29] 好
[00:53:30] 那請評估你的時間
[00:53:32] 是不是允許
[00:53:34] 在12月10號跟12月24號
[00:53:36] 是可以在這個時間
[00:53:38] 可以參與我們的課程的
[00:53:40] 那最後一個
[00:53:41] 這個是我們之前Run完之後
[00:53:43] 才知道會有這種問題啦
[00:53:45] 務必要避免同一個學生
[00:53:47] 在這個課程有兩個休課紀錄
[00:53:49] 這件事情有可能會發生在
[00:53:52] 同屬於臺灣綜合大學聯盟的學生
[00:53:56] 你又是臺中大的學生
[00:53:58] 又是聯盟學校的學生
[00:54:00] 比如說
[00:54:01] 中正大學
[00:54:03] 中山大學
[00:54:04] 中興大學
[00:54:06] 因為這三間大學跟成功大學
[00:54:09] 叫做臺灣綜合大學聯盟
[00:54:11] 那臺灣綜合大學聯盟
[00:54:13] 有一些互相休課的一些措施
[00:54:18] 所以你不要
[00:54:19] 又透過那個管道休了這個課
[00:54:21] 然後又透過了
[00:54:23] 你本身在校內的某一種管道休了這個課
[00:54:25] 你就會有兩筆休課紀錄
[00:54:27] 就會變得很麻煩
[00:54:29] 請注意這件事
[00:54:30] 好
[00:54:31] 然後一樣
[00:54:32] 往年都會有很多同學
[00:54:34] 各校的同學都會在問說
[00:54:41] 就是說我已經選課了
[00:54:44] 比如說某某學校
[00:54:45] 我已經選課了
[00:54:46] 為什麼我在NTU COOL上面還沒有看到
[00:54:50] 我還沒有受到NTU COOL的邀請
[00:54:52] 或者說我怎麼在NTU COOL上面還沒有看到我的帳號
[00:54:56] 那原因就在於說
[00:54:59] 各校
[00:55:02] 你選課的這件事情發生
[00:55:05] 當下NTU COOL系統不會馬上知道
[00:55:09] 因為各校是每隔一段時間
[00:55:12] 比如說臺南大學好了
[00:55:14] 臺南大學他可能是每一個禮拜會統整一次
[00:55:18] 修正門課的同學
[00:55:19] 有的加選有的退選嘛
[00:55:21] 選完之後再通報到NTU COOL
[00:55:24] NTU COOL那邊才會匯入進去
[00:55:26] 所以選課的這個紀錄不會馬上在NTU COOL上面發生
[00:55:32] 好
[00:55:33] 所以請大家
[00:55:34] 大家都要注意這個意思
[00:55:37] 另外一個是
[00:55:39] 常常會有人問我說
[00:55:43] 我類似就是說
[00:55:48] 我在我這個學校
[00:55:50] 我選課發生了一些什麼什麼問題的話
[00:55:53] 或者說老師你可不可以幫我退選
[00:55:56] 或者說老師你能不能幫我加選或者怎麼樣
[00:55:59] 這件事情我都做不到
[00:56:01] 比如說嘉義大學的某某學生
[00:56:04] 他要修我這門課
[00:56:06] 其實不是找我
[00:56:08] 是要找原本嘉義大學的選課的那一套流程的人員
[00:56:14] 找我是沒有用的
[00:56:15] 因為我沒有辦法去access到嘉義大學的這個選課的程序上
[00:56:20] 所以這個希望大家可以理解啦
[00:56:23] 就是說
[00:56:24] 說實在就是人多就沒有辦法
[00:56:26] 這個不好辦事情
[00:56:28] 比較沒有效率一點
[00:56:30] 好
[00:56:31] 以上說明
[00:56:33] 有沒有什麼問題
[00:56:35] slide上面有
[00:56:36] 好來
[00:56:37] 我先看一下現場有沒有問題
[00:56:39] 我們點一下slide
[00:56:45] slide
[00:56:46] 這是在聊天是不是
[00:57:25] 這個請助教直接幫我殺掉算了嘛
[00:57:29] 好這不要理他
[00:57:30] 如果不是衛星學校的學生
[00:57:34] 在沒有教室跟老師的情況下
[00:57:36] 期末實體考試跟報告要怎麼進行
[00:57:39] 不是衛星學校沒有教室跟老師的情況下
[00:57:43] 好這個是這樣子
[00:57:45] 只要貴校是我們的聯盟學校
[00:57:49] 63間聯盟學校的一間
[00:57:52] 他有義務要派員
[00:58:01] 租用實體的教室
[00:58:03] 他也會在場監考
[00:58:06] ok
[00:58:07] 這個是
[00:58:09] 這個是我們聯盟學校
[00:58:11] 我們整個聯盟的一個要求啦
[00:58:14] ok
[00:58:15] 這樣聽懂我的意思嗎
[00:58:17] 就是說你們學校一定需要派人
[00:58:22] 是誰我不知道
[00:58:23] 可能是某系的老師
[00:58:24] 可能是教務處的某一個職員
[00:58:27] 一定要幫大家借教室
[00:58:30] 然後要監考
[00:58:35] ok
[00:58:36] 學校沒有助教沒有老師
[00:58:42] 有問題該聯絡誰
[00:58:43] 沒有
[00:58:44] 如果說你們學校沒有助教沒有老師
[00:58:47] 有問題就聯絡助教啊
[00:58:48] 就是我們
[00:58:49] NTU COOL上面的助教啊
[00:58:51] 好那我們在上面都已經放好
[00:58:53] 他們的email了嘛
[00:58:55] 或者是說大家也可以直接在
[00:58:57] NTU COOL的平臺上面發問
[00:58:59] 然後我們也不知道同一間學校有哪些同學
[00:59:02] 不知道有沒有群組可以來分組
[00:59:05] ok
[00:59:06] 這件事情我們在過去好像有發生過
[00:59:09] 你可以在NTU COOL的平臺上面的
[00:59:14] 類似有什麼討論區
[00:59:17] 你可以公開
[00:59:19] 徵求組員
[00:59:21] 事實上我有在Dcard上面看過
[00:59:23] 有人在Dcard上面公開徵求組員的啦
[00:59:26] 所以你可以利用NTU COOL上面的討論區
[00:59:32] 來公開徵求組員
[00:59:34] ok
[00:59:37] 可以自己一個人一組
[00:59:38] 可以自己一個人一組
[00:59:40] NTU COOL帳號的登入方式就是
[00:59:45] 他的帳號應該就是你的學校的官方email
[00:59:50] 我們每個人都有一個自己學校官方的email嘛
[00:59:53] 照理講
[00:59:54] 他的申請的信就會寄到你的官方email裡面去
[00:59:59] 期末考試的部分是什麼樣的類型
[01:00:04] 問答題 填空題 還是深論題
[01:00:06] 問答題
[01:00:08] 幾乎都是問答題
[01:00:10] 期末考試幾乎都是問答題
[01:00:12] 成大的課程代碼會影響證書的申請嗎
[01:00:19] 什麼意思
[01:00:23] 我不知道什麼意思
[01:00:26] 意思是說你修的是成大的課
[01:00:28] 然後
[01:00:30] 不會啊
[01:00:31] 我覺得這沒有差啊
[01:00:32] 就是說因為我在成大開的這門課
[01:00:35] 就是隸屬於這個TICA聯盟的一門課嘛
[01:00:41] 那同時
[01:00:42] 你當然你有可能是
[01:00:44] 你後來又去修了
[01:00:45] 比如說交大的
[01:00:46] 陽明交大的某一門課
[01:00:48] 他也是屬於TICA聯盟的某一門課
[01:00:50] 那你修修修一修之後
[01:00:51] 抽到15學分
[01:00:53] 那你只要確定都是在這個聯盟裡面開的課
[01:00:57] 你就是可以拿到
[01:00:58] 證書啊
[01:00:59] 所以應該跟什麼代碼無關
[01:01:04] 如果沒有資訊背景的學生會建議修嗎
[01:01:09] 不好說
[01:01:11] 這個跟你的能力有關
[01:01:14] 有些不是念資訊系的
[01:01:16] 也有很好的實作能力啊
[01:01:20] 所以我覺得我這很難評估
[01:01:22] 我不會因為你是什麼系
[01:01:24] 來決定你能不能修
[01:01:26] 這樣子
[01:01:27] 好
[01:01:29] 勾掉了是不是
[01:01:31] 我的信箱裡面沒有看到邀請信
[01:01:33] 怎麼辦呢
[01:01:35] 去問你們的註冊組還是
[01:01:40] 我說實在我也不知道怎麼辦
[01:01:43] 我真的也不太知道怎麼辦
[01:01:46] 應該要確認一下
[01:01:48] 有一個可能性是這樣
[01:01:50] 比如說這位同學
[01:01:51] 這位發問的同學
[01:01:53] 有可能是
[01:01:56] 你已經
[01:01:58] 在你們學校修了
[01:02:01] 但是可能是兩天前發生的
[01:02:04] 對不對
[01:02:05] 那但是呢你們學校還沒有把
[01:02:07] 你們學校修課的同學的名單彙整
[01:02:10] 給NTU COOL
[01:02:12] 所以NTU COOL還沒有寄信給你
[01:02:15] 有可能是這個原因
[01:02:16] 這是一個時間差的問題
[01:02:18] 我剛剛說過
[01:02:20] 這可能是時間差的問題
[01:02:23] 這剛剛說過嘛
[01:02:25] 資訊背景這個
[01:02:28] 如果遠端的話要自己找組員嗎
[01:02:31] 對啊大家都要自己找組員
[01:02:33] 就算現場的成大的同學也要自己找組員
[01:02:38] 考試全英文出題嗎
[01:02:40] 是的我們的投影片也幾乎都是英文的
[01:02:46] 所以的確要看一點英文
[01:02:51] 課本一定要買嗎
[01:02:53] 沒有
[01:02:57] 基本上我覺得我們投影片應該是挺
[01:03:00] 應該內容應該已經挺豐富的
[01:03:03] 當然你要買很好
[01:03:07] 期末
[01:03:09] 然後期待的是什麼面向
[01:03:11] 實際應用創新還是理論
[01:03:13] 我覺得都可以
[01:03:16] 都可以
[01:03:17] 你可以理論
[01:03:18] 你也可以創新應用
[01:03:23] 要理論也可以
[01:03:25] Is this possible to an exchange student to attend the course?
[01:03:30] My Mandarin is really poor
[01:03:32] OK
[01:03:33] I'm sorry that I still need to offer my class in Mandarin
[01:03:38] But actually we can
[01:03:40] We can provide English subtitle
[01:03:44] OK
[01:03:45] So every time when I finish my class
[01:03:49] I will send my video to an AI
[01:03:53] And the AI will generate subtitles for me
[01:03:57] OK
[01:03:58] So the subtitle could be Mandarin and it could be English
[01:04:01] So actually you can take this course if you want
[01:04:05] 好
[01:04:07] 最終的學期成績
[01:04:09] 結果是如何分
[01:04:10] 我哪知道怎麼分佈
[01:04:14] 我哪知道
[01:04:15] 我只能夠說
[01:04:17] 我不會去調什麼分佈
[01:04:20] 我不會去調
[01:04:22] 這樣懂我意思吧
[01:04:24] 我頂多頂多
[01:04:26] 就是比如說有一個人59分
[01:04:28] 我就算了算了60分這樣子
[01:04:31] 頂多這樣子
[01:04:32] 其他
[01:04:33] 我不會做什麼奇怪的調整
[01:04:40] 有推薦非資訊相關背景做的
[01:04:43] 這個很難說耶
[01:04:45] 這個很難說
[01:04:47] 我覺得要多討論
[01:04:49] 然後多讀一些文獻
[01:04:51] 然後多跟別人討論
[01:04:52] 當然你如果說你真的
[01:04:54] 最終真的想不出做什麼專題的話
[01:04:58] 你可以先跟
[01:05:00] 比如說先跟我們助教約時間
[01:05:02] 或者說再跟我們約時間
[01:05:04] 也許我可以做一些
[01:05:08] 粗略的建議這樣
[01:05:10] 請莫考不用英文回答
[01:05:17] 我雖然用英文出題
[01:05:19] 因為比較方便
[01:05:21] 但是你可以寫中文回答
[01:05:24] 上課要簽到
[01:05:25] 沒有簽到
[01:05:26] 一簽完簽到
[01:05:27] 我怎麼知道你有簽到
[01:05:29] 沒有簽到
[01:05:30] 因為現在很顯然
[01:05:31] 剛剛看到現在線上剩下多少人
[01:05:45] 還有269個在撐
[01:05:47] 就是說沒有要簽到
[01:05:49] 你看269
[01:05:50] 然後我們現在現場也在100多
[01:05:52] 所以我們現在還有好幾百人
[01:05:54] 根本就沒有在上課
[01:05:56] 沒有簽到
[01:05:58] 這個我剛剛解釋過了
[01:06:01] 學校的Gmail
[01:06:02] 我覺得你可能不能用Gmail
[01:06:05] 你一定要用你有學校官方的
[01:06:08] 那一個
[01:06:10] 比如說NCKU
[01:06:12] NYCU
[01:06:14] NCYU
[01:06:16] NT
[01:06:17] NSYSU
[01:06:19] 什麼這種東西才會有
[01:06:24] 考試當然是不可以用AI
[01:06:26] 用AI來考什麼考
[01:06:30] 外校生能夠去課堂
[01:06:32] 教室上課嗎
[01:06:34] Are you sure
[01:06:36] 我可以預期
[01:06:41] 你如果真的要來
[01:06:43] 目前我們是好像還有空位
[01:06:46] 但是我覺得你應該不會想要來
[01:06:49] 請問Project一定要訓練模型嗎
[01:06:51] LM Workflow
[01:06:52] 是不是可以
[01:06:53] 事實上是可以的
[01:06:55] 現在有太多agent的做法
[01:06:58] 事實上是沒有在訓練模型
[01:07:05] 推薦大醫修
[01:07:06] 我不推薦大醫修
[01:07:07] 我覺得大醫有點太早了
[01:07:09] 你最好是要有一點Programming
[01:07:11] 機率
[01:07:12] 這樣子一個演算法的概念
[01:07:15] 開放加簽
[01:07:16] 沒有開放加簽
[01:07:17] 我們說過
[01:07:18] 我們其實各校都有名額的限制
[01:07:21] 成大是130
[01:07:22] 其他學校應該是大概是50左右
[01:07:26] 那當然
[01:07:28] 如果比如說以成大來講
[01:07:30] 等一下有人退了
[01:07:31] 有人又想要加簽
[01:07:33] 那現在我們所有的加簽程序
[01:07:35] 都是在線上對不對
[01:07:37] 所以我其實在那個加簽系統上面
[01:07:39] 我可以很明確的看到
[01:07:40] 目前我這門課有幾個人修
[01:07:43] 然後想要加簽的有幾個
[01:07:45] 然後我就會看說
[01:07:47] 一個蘿蔔一個坑
[01:07:48] 你如果修課的人低於130
[01:07:52] 那我就會從裡面
[01:07:54] 再加簽一個人進來
[01:07:56] 大概就是這樣子
[01:07:58] 那外校的同學
[01:07:59] 你的加退選
[01:08:03] 也沒有加簽
[01:08:04] 反正外校的同學
[01:08:06] 就是選到50個為主
[01:08:08] OK
[01:08:09] 那假設有人退選了
[01:08:11] 你想要再加進去
[01:08:13] 那也是依循你們原本校內的
[01:08:17] 加退選程序來進行
[01:08:19] 那件事情我是管不到的
[01:08:22] OK
[01:08:24] 成績佔比多少
[01:08:27] 我不知道耶
[01:08:28] 我忘記了
[01:08:30] 大家如果很care成績
[01:08:31] 不過我可以跟大家講
[01:08:33] 你如果非常care成績的同學
[01:08:35] 你就別想了
[01:08:36] 不要修
[01:08:38] 你也可以說
[01:08:40] 講成白話就是說
[01:08:41] 我們這門課成績打得不甜
[01:08:44] 所以你如果不要
[01:08:46] 過去也有人
[01:08:47] 也有同學在跟我講說
[01:08:48] 老師我這個
[01:08:51] 我寫信來
[01:08:52] 老師啊
[01:08:53] 我這個上課很認真啊
[01:08:54] 我怎麼樣怎麼樣
[01:08:55] 我這個分數應該
[01:08:56] 是不是可以怎麼樣高一點啊
[01:08:58] 我一看
[01:08:59] 難道這個人分數很低嗎
[01:09:00] 一看93
[01:09:03] 93你還想怎樣啊
[01:09:05] 93你要加到90是95嗎
[01:09:07] 像這種我一概不理
[01:09:10] 然後你說
[01:09:11] 老師我因為要什麼什麼什麼原因
[01:09:13] 我89你可不可以幫我加到90
[01:09:17] 這個我也一概不理
[01:09:19] 我一概不理
[01:09:21] 所以你如果非常care你的成績
[01:09:23] 比如說
[01:09:25] 你就是有某某
[01:09:26] 我知道現在很多人在做這個
[01:09:28] GPA maxing的事情
[01:09:30] 現在GPA
[01:09:32] 我說實在的啦
[01:09:36] 都是都已經通膨
[01:09:37] 都已經
[01:09:39] 那都是假的啦
[01:09:41] 真的
[01:09:42] 那你以為你這樣子
[01:09:44] 你在考研究所的時候
[01:09:46] 我們看不出來嗎
[01:09:49] 現在
[01:09:51] 你拿的那90幾分
[01:09:54] 我們都知道
[01:09:56] 是怎麼樣
[01:09:58] 我們自己可以感受得到
[01:10:00] 所以說你在那邊拼
[01:10:01] 從89變90
[01:10:03] 從91變成93
[01:10:05] 我說實在意義不大
[01:10:06] 啊
[01:10:07] 當然啦
[01:10:08] 每個人有每個人的想法
[01:10:10] 你如果覺得意義很大的話
[01:10:13] 那也許你不是那麼適合修正門課
[01:10:17] 所以簡單來講就是說
[01:10:19] 我分數應該沒有很甜啦
[01:10:21] OK
[01:10:25] project的細節
[01:10:26] 跟以前這堂課有做過什麼專案呢
[01:10:29] 好也許
[01:10:31] 我比如說我隨便舉例喔
[01:10:39] 這是我download下來
[01:10:42] 去年修課的同學的
[01:10:44] 我隨便亂點
[01:10:46] 好比如說呢
[01:10:47] 去年有人在做的是
[01:10:49] 用latent diffusion model
[01:10:51] 來做醫療影像的轉換
[01:10:55] OK
[01:10:56] 好
[01:10:57] 這是一個嘛
[01:10:58] 那我們都會要求大家
[01:10:59] 要做一個YouTube影片
[01:11:01] 來進行demo
[01:11:03] 所以這是一個
[01:11:04] 然後隨便再點
[01:11:06] 好defect detection
[01:11:08] 在做這個身為的影像的偵測
[01:11:11] 好所以這個截圖
[01:11:12] 我剛剛有出現在我頭影片裡
[01:11:14] 然後隨便喔
[01:11:16] 欸我是不是又點到同一個人
[01:11:18] 好這個
[01:11:20] 這個叫做AI trip planner
[01:11:22] 在規劃路徑的
[01:11:24] 應該就是說出去旅遊
[01:11:26] 有一些點
[01:11:27] 那我要如何規劃一條路徑
[01:11:29] 好這樣子
[01:11:31] 再隨便點一個
[01:11:33] 差不多啦
[01:11:34] 太陽能發電預測
[01:11:36] OK
[01:11:37] 好所以這肯定就是
[01:11:38] 我用一些sensor
[01:11:39] 我收集到一些什麼數據
[01:11:41] 然後我就預估
[01:11:42] 太陽能發電的預測
[01:11:44] 有一個效能如何
[01:11:45] 好這個大概就是屬於
[01:11:46] data prediction的一些相關的題目
[01:11:50] 好所以大概就是這樣子
[01:11:52] 好所以這是我剛剛回答的問題
[01:11:59] 問題怎麼那麼多啊
[01:12:00] 如果要跑模擬
[01:12:01] 有提供一些資源嗎
[01:12:02] 伺服器可用的算力
[01:12:04] 好基本上如果要跑一些
[01:12:07] 如果你需要GPU的話
[01:12:09] 可能還是要優先用
[01:12:12] 你網路上collab
[01:12:14] 你可以用一點
[01:12:15] google的collab
[01:12:16] 你可以用一點
[01:12:18] 但是我們這邊沒有辦法提供
[01:12:20] 給1000個同學算力
[01:12:23] OK
[01:12:24] 那我們在去年上這門課的時候
[01:12:26] 聯盟那邊有提供一點點算力
[01:12:30] 但今年應該是沒有了
[01:12:32] 所以這個也是你選擇
[01:12:35] 你要不要修這門課的一個考慮的點之一
[01:12:38] 好你自己如果你要跑的演算
[01:12:42] 計算是比較heavy
[01:12:45] 你需要用到厲害的GPU的
[01:12:47] 那你可以考慮一下
[01:12:49] 你有沒有管道可以拿得到
[01:12:52] 如果有的話你再修
[01:12:55] 這門課會有影片可以看嗎
[01:12:57] 會啊就是現在在直播的影片
[01:13:00] 其實都會自動錄下來
[01:13:02] 沒有寫過程式經驗
[01:13:03] 可以先進修這門課嗎
[01:13:06] 我們的作業二跟作業四
[01:13:09] 都會是跟寫程式有關的
[01:13:12] 所以你自己評估
[01:13:16] 如果題目的話可以自己一組嗎
[01:13:18] 可以的可以的
[01:13:19] 作業不能用AI
[01:13:21] 還是期末專題不能用AI輔助撰寫呢
[01:13:24] 我必須說啦
[01:13:26] 現在這個年代應該沒有不用AI的
[01:13:29] 我們都預期大家會用
[01:13:32] 只是用的好不好
[01:13:34] 其實我們都看得出來你有在用
[01:13:36] 但考試不行啦
[01:13:39] 紙筆測驗的時候還AI
[01:13:41] 不行
[01:13:42] 期末考可以到但學校檔修
[01:13:45] 那這個你要想辦法去跟你們學校溝通
[01:13:48] 這個我不曉得
[01:13:49] 好
[01:13:50] 這個我不知道怎麼處理
[01:13:54] 反正你就是可以
[01:13:56] 要考試的時候你必須要出現就是了
[01:13:58] 至於檔修這個我沒有辦法處理
[01:14:01] Also provide Mandarin subtitle
[01:14:08] Yes of course
[01:14:09] Yeah I can provide Mandarin subtitle
[01:14:12] 怎麼加簽申請旁聽
[01:14:14] 我剛剛說過這個加簽的問題了
[01:14:18] OK好
[01:14:20] 那你如果
[01:14:22] 你不需要有修課紀錄
[01:14:24] 你只是要聽
[01:14:26] 那你就直接連到YouTube就好吧
[01:14:28] 你也不需要有修課紀錄啊
[01:14:30] 你只是旁聽嘛
[01:14:32] 幾月幾號是否得知需要上臺
[01:14:35] 喔
[01:14:36] 欸
[01:14:38] 這是一個好問題
[01:14:39] 我們會盡快嘛
[01:14:41] 我們剛剛提到那個
[01:14:43] 我們的schedule
[01:14:44] 我們會盡可能讓大家在
[01:14:48] 看一下喔
[01:14:50] 我們的schedule是
[01:14:52] 因為你
[01:14:54] 你要不要上臺報告
[01:14:56] Depends on
[01:14:58] 做業務
[01:14:59] 所以我們會盡可能在
[01:15:03] 可能期末考
[01:15:06] 應該盡可能在期末考這一週
[01:15:15] 來告訴大家說
[01:15:17] 你要不要24號要不要上臺
[01:15:20] 我知道有人為什麼要問這個
[01:15:22] 一定就是說要出國的啦
[01:15:25] 這種
[01:15:30] English accept here
[01:15:31] 用出來嗎
[01:15:39] 還是都可以
[01:15:40] 我剛剛是回答過了
[01:15:41] 你可以酷炫
[01:15:43] 然後你也可以做研究分析
[01:15:46] 但是你如果只有用工具組一組
[01:15:48] 弄出一個酷炫
[01:15:49] 畫出一張漂亮的圖
[01:15:51] 那你的分數就低嘛
[01:15:52] 因為你自己沒有
[01:15:53] 你沒有你自己的東西在裡面啊
[01:15:55] 體資深會太困難嗎
[01:16:00] 那可能會喔
[01:16:02] 事實上
[01:16:03] 等一下
[01:16:04] 應該說大家大概在下一次上課的時候
[01:16:08] 最晚下下次
[01:16:10] 下下週上課的時候
[01:16:12] 你就會
[01:16:15] 覺得他的困難
[01:16:17] 就會覺得他的困難
[01:16:21] 為什麼問題那麼多啊
[01:16:24] 等一下休息一下
[01:16:26] 我再回到實體好了
[01:16:27] 不然要問到民國幾年
[01:16:30] 選組別的話
[01:16:31] 期末一定要組別所有人一起報告嗎
[01:16:33] 最好是
[01:16:35] 我不想聽成績的東西
[01:16:37] 可以不要回那些只在意成績的人嗎
[01:16:40] 很好
[01:16:42] 如果project沒有進前15名
[01:16:44] 要八九十分很困難嗎
[01:16:46] 是啊
[01:16:48] 對體資深這剛回過了嘛
[01:16:51] 我快速回答
[01:16:52] 考題作答需要手寫程式題目
[01:16:54] 不用
[01:16:55] 考試都是問答題
[01:16:58] 寫什麼樣的程式
[01:17:00] 什麼樣的language
[01:17:01] 隨便
[01:17:03] 隨便
[01:17:04] 基本上你只要做得出來就好
[01:17:06] 考試可以用翻譯嗎
[01:17:07] 不行
[01:17:09] 好奇作業project的時間
[01:17:11] 實際差異在哪裡
[01:17:12] 感覺有點重疊
[01:17:14] 對你講得對
[01:17:16] 你有get得到那個point
[01:17:18] 事實上這是一種
[01:17:23] 策略
[01:17:24] 大一想修
[01:17:25] 我剛說不建議大一修
[01:17:28] 沒有題目
[01:17:29] project就沒有題目範圍啊
[01:17:31] 就盡可能發揮你的創意
[01:17:34] 會提供
[01:17:35] 這剛說過了
[01:17:36] project的模板什麼東西的
[01:17:38] 旁聽生跟學生都接受啊
[01:17:43] 好
[01:17:44] 這剛回答過了
[01:17:46] 成績比回答過了
[01:17:48] 呃
[01:17:50] 是的
[01:17:51] 你可以用ntu庫來下載試題
[01:17:55] 你的確那個時候你可以連網
[01:17:57] 但是你只能連ntu庫
[01:17:59] 這樣夠清楚吧
[01:18:01] google不行
[01:18:02] 什麼其他都不行
[01:18:03] 只有ntu庫行
[01:18:09] 這個請自己去跟ntu庫解決
[01:18:13] 這個我沒有辦法幫你處理這件事情
[01:18:16] 或者是說透過
[01:18:17] 你們學校的承辦人員來進行溝通
[01:18:23] 這我剛說過了
[01:18:25] 這個我剛說過了
[01:18:27] 這個我剛剛也說過了
[01:18:31] 好
[01:18:32] 會有時間差
[01:18:33] 請注意大家
[01:18:34] 你如果現在沒有收到信的
[01:18:35] 其實你可能再等個幾天
[01:18:37] 因為我們會有時間差
[01:18:39] 對
[01:18:42] 有人幫我回答
[01:18:43] 很好
[01:18:44] 問答題就是問答題
[01:18:45] 問答題還在問什麼類型
[01:18:47] 好
[01:18:49] 這個我剛剛旁聽生看過了
[01:18:53] 會不會考不完
[01:18:55] 那看你的能力啊
[01:18:56] 我怎麼知道
[01:18:58] 課程難度的範例嗎
[01:19:00] 沒有
[01:19:02] 你聽課你就知道有沒有難
[01:19:05] 那每個人覺得難不難的感覺不一樣
[01:19:09] 旁聽就拜託不要來打擾我們了
[01:19:11] 我們已經很累了
[01:19:12] 一千個人休課耶
[01:19:14] 旁聽就不要
[01:19:15] 我們就不要改你的作業
[01:19:17] 我們太累了
[01:19:18] 報告繳交
[01:19:20] 這個之後我們相關的作業說明
[01:19:24] 我們都會講
[01:19:27] 什麼東西都要範本
[01:19:29] 沒有沒有範本
[01:19:32] 剛剛觀察到什麼東西
[01:19:33] 作業格式差不多
[01:19:35] 對啦
[01:19:36] 事實上我們會交代對應的格式
[01:19:40] OK
[01:19:42] 好終於勾完了
[01:19:47] 好
[01:19:48] 那就先這個樣子
[01:19:49] 我們休息
[01:19:51] 十五分鐘
[01:19:52] 十五分鐘再回來好了
[01:19:54] 好我們休息十五分鐘再回來
[01:19:56] 觀察到選科系統上面還有五個人的空位
[01:20:08] 那我想問一下加簽的順序會是怎麼樣
[01:20:15] 加簽的順序會是怎麼樣
[01:20:19] 我基本上會應該是會優先加
[01:20:23] 因為我們自己
[01:20:24] 我這門課也是資工系的人工智慧學程的必修課
[01:20:30] 如果他有提出證明說
[01:20:32] 他其實已經是在
[01:20:34] 他已經有進入資工系的人工智慧學程的話
[01:20:38] 我就會優先加他
[01:20:40] 因為這對他來講是必修課
[01:20:44] 那其他的大概就是
[01:20:46] 如果都沒有這種人
[01:20:48] 我大概就是會優先加
[01:20:50] 也許是比較資深的人吧
[01:20:53] 比較資深的意思就是
[01:20:55] 他已經
[01:20:57] 他有畢業的需求
[01:20:59] 或者是怎麼樣子的那種人
[01:21:01] 其他人還有機會嗎
[01:21:03] 假以時日還有機會嗎
[01:21:05] 再要問
[01:21:06] 因為我有那個人工智慧學程
[01:21:08] 要J2給你嗎
[01:21:13] 好如果有的話
[01:21:14] 你email給我
[01:21:15] 告訴我你是誰
[01:21:16] 你的學號
[01:21:17] 你的姓名
[01:21:18] 以及你那個證明
[01:21:20] 因為他就只有在那個跨領域學能學士
[01:21:26] 對
[01:21:37] 我剛剛不是講半天
[01:21:38] 還要我再講一次
[01:21:39] 我的加簽的原則就是同樣那些
[01:21:42] 對啊
[01:21:43] 要加簽
[01:21:45] 反正就是要上那個加簽的系列
[01:21:47] 然後就排隊嘛
[01:21:49] 對啊
[01:21:50] 那要有空位
[01:21:51] 我才會accept啊
[01:21:53] 沒有空位我就不會accept
[01:21:57] 順位
[01:21:59] 順位
[01:22:01] 順位
[01:22:05] 好
[01:22:10] 或者是說
[01:22:13] 搞不好在你
[01:22:15] 在你的順位前面
[01:22:17] 他們都有
[01:22:19] 加入人工智慧學程的證明
[01:22:21] 那我就優先要加入了
[01:22:23] 因為這對他們來講是必修
[01:22:25] 其實我想問
[01:22:29] 這個是加上那個學程
[01:22:31] 我想不知道老師想看進哪個
[01:22:33] 你就是能夠證明你
[01:22:36] 你已經加入了
[01:22:38] 你就截圖
[01:22:39] 就看到那個
[01:22:40] 就是這個畫面嗎
[01:22:41] 還是哪個
[01:22:42] 我其實我也不知道哪個畫面
[01:22:43] 就是它裡面就長這樣子
[01:22:45] 你有證明就可以
[01:22:46] 我也不知道它哪裡是老師可以認證
[01:22:49] 這個名字然後這個課程
[01:22:51] 但是你是有救你到這個課程
[01:22:54] 對
[01:22:55] 那要怎麼證明
[01:22:57] 那要怎麼證明
[01:22:59] 我也不知道
[01:23:01] 那我申請
[01:23:03] 職保我可以附上來嗎
[01:23:04] 對啊
[01:23:05] 對啊
[01:23:06] 然後
[01:23:07] 或者是說
[01:23:09] 難道系辦有辦法幫我證明
[01:23:11] 本來為止
[01:23:13] 我也
[01:23:15] 我也不知道
[01:23:17] 課程
[01:23:19] 課程
[01:23:21] 課程
[01:23:23] 課程
[01:23:24] 課程
[01:23:25] 課程
[01:23:27] 課程
[01:23:28] 課程
[01:23:31] 課程
[01:23:32] 課程
[01:23:37] 課很重要
[01:23:38] 因為這個證明
[01:23:40] 要未知例子
[01:23:45] 所以我說
[01:23:46] 手機上的
[01:23:47] 畫面
[01:23:48] 一邊是
[01:23:49] 兒童昔 fresh
[01:23:50] 應該沒有
[01:23:51] 平常是
[01:23:52] 新來的
[01:23:53] 也有
[01:23:54] OK OK
[01:24:31] OKOK
[01:24:33] 那就結束啦
[01:24:35] 我們把那門關掉
[01:25:01] 謝謝
[01:25:31] 謝謝
[01:26:10] 謝謝
[01:27:03] 謝謝
[01:27:35] 謝謝
[01:28:23] 謝謝
[01:28:56] 謝謝
[01:29:48] 謝謝
[01:30:18] 謝謝
[01:30:48] 謝謝
[01:31:18] 謝謝
[01:31:48] 謝謝
[01:32:18] 謝謝
[01:32:48] 謝謝
[01:33:18] 謝謝
[01:33:48] 謝謝
[01:34:18] 謝謝
[01:34:25] 現在臉這兒可以上
[01:34:26] 好
[01:34:27] 看看
[01:34:35] 好
[01:34:38] 好
[01:34:39] 我們要回來上課囉
[01:34:41] 那個
[01:34:43] 先確認一下
[01:34:45] 線上能不能聽到聲音
[01:34:47] 好
[01:35:01] 那我們開始
[01:35:03] 正式上課
[01:35:04] 好
[01:35:05] 那我們接下來呢
[01:35:06] 要開始講的是第一章
[01:35:07] 好
[01:35:08] 那其實前兩章呢
[01:35:09] 都比較像是在
[01:35:10] 聊聊天的啦
[01:35:12] 所以我們很快來進入一下
[01:35:13] 第一章
[01:35:16] 有沒有聲音呢
[01:35:17] 看一下
[01:35:18] 照理講應該要有聲音的
[01:35:29] 好
[01:35:30] OK
[01:35:31] 好來第一章
[01:35:32] 首先開宗明義
[01:35:33] 什麼是AI
[01:35:34] OK
[01:35:35] 那事實上呢
[01:35:36] AI這個詞呢
[01:35:37] 是在二次世界大戰之後
[01:35:38] 就已經開始了
[01:35:40] 好
[01:35:41] 大約出現在1955年
[01:35:44] 到1956年這時候
[01:35:46] 好
[01:35:47] 那
[01:35:48] 如果
[01:35:49] 有一些同學
[01:35:50] 應該都知道說
[01:35:51] 電腦是什麼時候發明的
[01:35:53] 大概二次世界大戰之後
[01:35:55] 幾年就發明瞭電腦
[01:35:58] 好
[01:35:59] 所以其實AI這個詞呢
[01:36:01] Artificial Intelligence
[01:36:03] 這個詞在1955年就已經發生了
[01:36:05] 那在這幾十年的發展過程當中呢
[01:36:08] 有各式各樣不同的觀點
[01:36:10] 來說什麼樣叫做AI
[01:36:12] 其實一直到了今天
[01:36:14] 都依舊有很多不同的定義
[01:36:17] 就好像說最近因為
[01:36:19] GPT-Astra出來之後
[01:36:21] 黃仁勛比如出來講嘛
[01:36:23] 他說AGI的時代已經來臨了
[01:36:25] 好
[01:36:26] 但是到底什麼叫做AGI
[01:36:28] Artificial General Intelligence
[01:36:30] 其實不同的人的定義都不一樣
[01:36:32] 那像這邊也是
[01:36:34] 不過整體整理起來
[01:36:36] 我們大概可以從
[01:36:38] 今天你是怎麼思考的
[01:36:40] 以及你所開發出來的系統
[01:36:44] 是怎麼去動作的
[01:36:46] 從這幾個不同的角度
[01:36:48] 來定義什麼叫做AI
[01:36:51] 所以有一些人認為說
[01:36:53] 你的行為要像是一個人
[01:36:57] 你這個系統的行為要像是一個人
[01:37:00] 它才叫做是AI
[01:37:02] 那其中這個有一個著名的
[01:37:05] 這個判斷的方式
[01:37:07] 就所謂的Turing Test
[01:37:09] 那Turing呢我們都知道
[01:37:11] 大部分人應該都知道說
[01:37:13] 它其實就是我們Complete Science的主師爺嘛
[01:37:16] 所以以前大家應該有學過Turing Machine
[01:37:20] 反正就是說呢
[01:37:21] 他當時提的這個Turing Test是指說
[01:37:24] 如果有一個機器
[01:37:26] 假設我們現在在一個房間裡面
[01:37:28] 這個房間呢用一個不透的
[01:37:31] 不透明不透光的一個布幕
[01:37:33] 隔成兩塊的話
[01:37:36] 在布幕的一邊是一臺電腦
[01:37:39] 或者一個系統
[01:37:40] 布幕的另外一邊是一個人的話
[01:37:43] 今天人去問布幕另外一邊的東西
[01:37:49] 是什麼東西不知道
[01:37:50] 可能是人可能是東西
[01:37:52] 那布幕那一邊所回應的結果
[01:37:56] 讓我們這邊的人
[01:37:58] 無法區分它是真正的人
[01:38:01] 或者是一臺機器的話
[01:38:03] 那就代表說
[01:38:04] 如果那一臺機器可以做到這件事情
[01:38:06] 就代表那個機器已經通過了Turing Test
[01:38:09] Turing Test
[01:38:10] 圖利測試這樣
[01:38:12] 那要達到這件事情
[01:38:14] 顯然的它要有很多能力喔
[01:38:17] 而這些能力事實上也就是我們在資訊工程裡面
[01:38:21] 很多不同的這個
[01:38:25] 很多不同的這個研究主題
[01:38:28] 比如說自然語言處理啦
[01:38:30] 知識的表達啦
[01:38:32] 自動的推論啦
[01:38:33] 機器學習啦
[01:38:34] 電腦視覺啦
[01:38:35] 機器人等等的
[01:38:37] 所以
[01:38:39] 有一派的人覺得說
[01:38:42] 你的行為要像是一個人
[01:38:44] 它才叫做AI
[01:38:46] 如果說以現在這個
[01:38:48] 從這個評判的角度來講
[01:38:49] 大家覺得
[01:38:52] 現在的GPT-6
[01:38:54] Altra
[01:38:55] 有沒有通過Turing Test
[01:38:57] 你想一下
[01:38:58] 你覺得
[01:38:59] 那每個人標準可能不一樣
[01:39:03] 對我來講
[01:39:04] 我會覺得
[01:39:05] 完全不是
[01:39:06] 為什麼呢
[01:39:08] 如果今天這個機器
[01:39:10] 這個工具真的厲害到
[01:39:12] 我都分辨不出來的話
[01:39:14] 我才可以覺得說
[01:39:15] 它是AI嘛
[01:39:16] 但是我現在可以很輕易的分辨
[01:39:18] 這是不是AI做出來的
[01:39:21] 比如說你們寫的報告
[01:39:23] 我可以很輕易就可以看出它是不是AI寫的
[01:39:25] 你用英文寫報告
[01:39:26] 只要沒有任何一個英文文法錯誤
[01:39:28] 那一定是AI寫的嘛
[01:39:30] 你們寫的一定會有英文文法錯誤嘛
[01:39:32] 然後你們畫出來的圖
[01:39:34] 會毫無瑕疵
[01:39:35] 是不是看起來很清楚
[01:39:37] 那就是AI弄的嘛
[01:39:38] 所以以這個角度來講
[01:39:39] 我們幾乎可以說
[01:39:41] 我都還可以區分出
[01:39:42] 對面是一臺機器還是一個人
[01:39:45] 這是我的觀點
[01:39:47] 不同人的觀點不一樣
[01:39:49] 所以有的人認為說
[01:39:50] 行為要像是一個人
[01:39:52] 才叫做AI
[01:39:54] 一個能夠被稱呼是一個AI的系統
[01:39:58] 必須行為像是一個人
[01:40:00] 那有的人認為說
[01:40:02] 不是
[01:40:03] 我是要看他怎麼思考的
[01:40:04] 他是不是思考的像是一個人
[01:40:07] 那在研究思考是不是像人
[01:40:09] 那就
[01:40:10] 這就關係到
[01:40:11] 可能跟心理學
[01:40:13] 可能跟哲學有關
[01:40:14] 比如說
[01:40:15] 我們人怎麼思考的
[01:40:17] 我們人有直覺
[01:40:19] 我們人有反思的能力
[01:40:21] 然後呢
[01:40:22] 在心理學那一邊
[01:40:24] 在神經科學那一邊
[01:40:26] 會有所謂的認知科學
[01:40:28] 專門在研究我們腦
[01:40:30] 當我們遇到一個什麼刺激的時候
[01:40:32] 我們腦子會怎麼樣去進行變動
[01:40:34] 所以有的人認為說
[01:40:36] 你這個系統的整個
[01:40:39] 思考的過程思考的方式
[01:40:42] 思考的模式
[01:40:44] 要像是一個人
[01:40:45] 才叫做人工智慧
[01:40:47] OK
[01:40:48] 好以這個觀點來講
[01:40:49] 你覺得現在的系統像是
[01:40:53] 一個完整的系統嗎
[01:40:55] 其實一定還不是
[01:40:57] 如果是從這個觀點來看的話
[01:40:59] 事實上我們現在根本就不知道GPD-6
[01:41:02] 這個模型裡面
[01:41:04] 哪一個
[01:41:05] 有啦有很多的研究在研究說
[01:41:06] 是不是這個神經元
[01:41:09] 就是代表一個什麼事情
[01:41:10] 但是現在已經有幾十個billion
[01:41:15] 更多billion
[01:41:16] 幾兆個參數
[01:41:18] 在描述這些類神經網路裡面的神經元
[01:41:21] 到底裡面確切是怎麼跑的
[01:41:25] 以及為什麼這樣子跑
[01:41:26] 可以跑出一個什麼結果
[01:41:29] 其實我們根本都還不知道
[01:41:31] 或者反過來講
[01:41:33] 我們根本也就不知道
[01:41:34] 我們人的腦袋
[01:41:35] 當我們為什麼你現在
[01:41:37] 聽我講話
[01:41:39] 你可以聽得懂
[01:41:41] 其實你也搞不清楚
[01:41:43] 你很難說得清楚
[01:41:45] 但是怎麼樣
[01:41:46] 所以從這個角度來講
[01:41:48] 這個可以很難
[01:41:49] 思考像是一個人
[01:41:51] 有的人認為說
[01:41:52] 你不要講思考像是一個人
[01:41:54] 你只要合理的思考就好了
[01:41:57] rational就是指的是
[01:41:59] 理性的合理的思考
[01:42:03] 所以比如說
[01:42:05] 在這邊就有一派的人會覺得說
[01:42:08] 如果我可以把要做的事情
[01:42:11] 它的邏輯
[01:42:13] 它背後的原則
[01:42:15] 如果能夠寫出來的話
[01:42:18] 我根據這個原則跟邏輯來做事情
[01:42:22] 它就可以成為是一種AI
[01:42:25] 所以早在1965年代
[01:42:27] 就已經有一派的學者
[01:42:30] 是所謂的邏輯學家
[01:42:32] 他們認為說
[01:42:34] 我們這個宇宙裡面的道理
[01:42:37] 都可以描述成一堆邏輯的描述跟判斷
[01:42:44] 一堆的Expression
[01:42:46] 那你靠這樣子的原則跟邏輯
[01:42:50] 你可能就可以做一些推演
[01:42:53] 你可以做一些數學的證明
[01:42:55] 你可以做很多事情
[01:42:58] 有人認為說這樣就叫AI
[01:43:01] 不過這一派的想法
[01:43:03] 很明顯會遇到一些困難
[01:43:06] 比如說
[01:43:07] 很多非正式informal的知識
[01:43:12] 你就很難寫成是一個邏輯
[01:43:14] 就好像說
[01:43:16] 我們人跟人在對談相處的時候
[01:43:20] 我們就是有一種感覺
[01:43:22] 當我在跟他對談的時候
[01:43:25] 這樣子就有一點太近了
[01:43:28] 怪怪的
[01:43:29] 所以我會稍微遠一點
[01:43:31] 這樣懂我意思嗎
[01:43:33] 你也說不出為什麼
[01:43:35] 但是
[01:43:36] 就是一種直覺
[01:43:38] 一種感覺
[01:43:39] 像這種東西很難寫成一個邏輯的
[01:43:42] 除非你是要跟他罵
[01:43:44] 要罵人
[01:43:45] 你鼻子貼在對面的鼻子
[01:43:47] 好像拳擊手視線在畫像那樣
[01:43:50] 所以說
[01:43:51] 這個就很難寫成一個邏輯規則
[01:43:54] 再來就是說
[01:43:55] 有一些問題在概念上
[01:43:58] 理論上可以寫成邏輯規則的
[01:44:01] 可是在實際運作的時候
[01:44:02] 它就不是這麼做的
[01:44:04] 所以你很難把
[01:44:05] 這個世界上實際的很多的
[01:44:07] 很多實際的問題
[01:44:08] 真的是寫成邏輯跟規則
[01:44:11] 那還有一派就是說
[01:44:13] 我
[01:44:15] 是去看
[01:44:16] 他的行為
[01:44:18] 只要夠合理就好了
[01:44:21] 所以這一類呢
[01:44:22] 這一類的系統
[01:44:24] 叫做Rational Agent
[01:44:25] 就是具備理性
[01:44:27] 合理的行為模式的
[01:44:30] 這種Rational Agent
[01:44:31] 我就認為它是一種AI
[01:44:34] 所以一個Rational Agent
[01:44:36] 怎麼樣叫做合理呢
[01:44:37] 基本上就是
[01:44:39] 在你接收到有限的資訊的情況之下
[01:44:43] 它能夠做出
[01:44:44] 在這樣的情況之下
[01:44:46] 最好的一個選擇
[01:44:48] 這樣子就叫做Rational Agent
[01:44:52] 這個Rational Agent
[01:44:53] 事實上在過去幾十年的發展過程當中
[01:44:57] 真正比較能夠落地應用的
[01:45:00] 大概就屬於這一種
[01:45:02] 就是我在
[01:45:04] 我有限的情況下
[01:45:06] 我能夠盡可能達到最好的一個結果
[01:45:09] 那它這個做法呢
[01:45:11] 更為實際
[01:45:12] 這樣子做法一般來講更為實際
[01:45:15] 然後
[01:45:17] 它比所謂的去探究背後的邏輯
[01:45:22] 更容易落實到空間當中
[01:45:24] 也更經得起檢驗
[01:45:27] 好那
[01:45:28] 所以在很多實際應用的系統裡面
[01:45:31] 都是所謂的Rational Agent
[01:45:34] 好那在各種不同的定義之下
[01:45:38] 其實跟AI有關的學問有哪些呢
[01:45:43] 其實非常非常的多
[01:45:45] 比如說哲學
[01:45:47] 哲學是在探究說
[01:45:49] 我今天
[01:45:51] 我們人為什麼會思考
[01:45:54] 我們人的知識從哪裡來
[01:45:56] 我們如何學的知識
[01:45:57] 我們如何表達知識
[01:45:59] 你說這個是不是對於
[01:46:02] 我們在
[01:46:03] 這個
[01:46:04] 發展AI的系統裡面
[01:46:06] 是非常的重要
[01:46:07] 對不對
[01:46:08] 以目前來講
[01:46:09] 目前看起來最成功的
[01:46:11] 似乎是利用大量的
[01:46:14] 語言跟訓練的資料
[01:46:17] 把它壓縮成一個
[01:46:19] 把它壓縮成高微的向量
[01:46:22] 我們說Token
[01:46:23] 似乎到目前為止
[01:46:25] 我們人類社會
[01:46:26] 到今天為止
[01:46:28] 看起來是最有效的
[01:46:29] 但是它一定是這樣嗎
[01:46:31] 不好說
[01:46:32] 未來一定會再變
[01:46:33] 好
[01:46:34] 所以一定跟哲學有關
[01:46:36] 也一定跟數學有關
[01:46:38] 比如說事實上
[01:46:39] 我們類神經網路裡面
[01:46:40] 有一堆
[01:46:41] 我們在學習這些
[01:46:42] 類神經網路的
[01:46:44] 這些神經元的
[01:46:45] waiting的時候
[01:46:46] 它的參數的時候
[01:46:48] 裡面有用到很多的數學
[01:46:51] 比如說
[01:46:52] 你要做偏微分
[01:46:54] 你要有先進代數
[01:46:55] 你要舉證相稱等等的
[01:46:57] 當然跟數學有關
[01:46:59] 那你要如何表達
[01:47:01] uncertain的information
[01:47:03] 很多時候我們的資訊
[01:47:05] 只有一部分
[01:47:06] 那我們要引入機率
[01:47:08] 來去推斷
[01:47:11] 我們某件事情發生的
[01:47:13] 可能性有多大
[01:47:15] 跟經濟學有關
[01:47:17] 為什麼跟經濟有關
[01:47:18] 因為經濟基本上就是在
[01:47:21] 研究說
[01:47:23] 當我的資源有限
[01:47:25] 某種資源
[01:47:26] 有某些限制的情況之下
[01:47:28] 我要如何去最大化
[01:47:30] 我可以獲得的結果
[01:47:32] 這個當然跟經濟有關
[01:47:34] 當然跟神經科學有關
[01:47:36] 因為有的人認為就是說
[01:47:38] 要模擬人的思考的過程
[01:47:40] 所以說
[01:47:41] 在更早之前
[01:47:43] 100年前
[01:47:44] 心理學家
[01:47:46] 認知心理學家
[01:47:47] 腦科學家
[01:47:48] 就發現說
[01:47:49] 我們人的這個
[01:47:50] 腦細胞裡面有很多的
[01:47:51] 有很多神經元
[01:47:53] 然後它彼此之間
[01:47:54] 會透過電傳導
[01:47:55] 傳遞資訊什麼等等的
[01:47:57] 那當然會有關
[01:47:58] 跟psychology
[01:48:02] 跟心理學有關
[01:48:03] 比如說
[01:48:04] 人跟動物
[01:48:06] 有什麼樣的一個區別
[01:48:08] 人是如何思考
[01:48:11] 跟如何行動的
[01:48:13] 跟電腦科學當然有關
[01:48:15] 比如說我們要如何去
[01:48:17] 建立一個有效率的電腦
[01:48:21] 所以晶片的設計
[01:48:23] 這當然有關
[01:48:24] 控制的理論
[01:48:26] 比如說機器人
[01:48:28] 我們現在要慢慢進入到
[01:48:31] 機器人的這個世界
[01:48:33] 它有很多的元件
[01:48:35] 除了思考之外
[01:48:37] 它還有很多
[01:48:38] 我們稱呼是
[01:48:39] 機器人有大腦跟小腦
[01:48:41] 小腦來決定說
[01:48:42] 你各個不同的機器
[01:48:44] 機件的部位
[01:48:45] 要如何協調
[01:48:46] 維持平衡
[01:48:47] 然後你要動手的時候
[01:48:50] 你要走的時候
[01:48:51] 你要怎麼去控制它
[01:48:52] 以及語言
[01:48:54] 當然跟語言學有關
[01:48:56] 目前看似最成功的案例
[01:48:59] 就是Large Language Model
[01:49:01] 這當然跟語言學有關
[01:49:03] 所以說整體而言
[01:49:05] 你AI
[01:49:07] 為什麼現在AI對於
[01:49:09] 這整個世界有這麼大的一個影響
[01:49:12] 因為它其實跟各個學問都有關係
[01:49:15] 那你也聽到很多
[01:49:18] 很多的科系
[01:49:20] 很多的老師
[01:49:22] 都說他在做AI的研究
[01:49:25] 或者他採用AI在做研究
[01:49:28] 這事實上是非常常見
[01:49:30] 也非常合理的
[01:49:32] 因為AI的範圍
[01:49:33] 就是這麼寬
[01:49:35] 好
[01:49:36] 那整個AI的歷史
[01:49:37] 其實可以從過去幾十年來
[01:49:41] 贏得Turing Award的這些學者們
[01:49:47] 他的研究
[01:49:48] 我們可以大致的看出
[01:49:50] 整個AI發展的歷史
[01:49:52] Turing Award
[01:49:53] 就是我們剛剛前面
[01:49:54] 已經有出現過Turing
[01:49:55] 就是我們資工的主師爺
[01:49:58] Alan Turing
[01:49:59] 為了紀念他所設立的一個獎項
[01:50:02] 他其實就是資訊界的諾貝爾獎
[01:50:05] 在1969年
[01:50:07] Marvin Minsky跟1971年John McCarthy
[01:50:11] 他們因為知識的表達
[01:50:15] 跟這個所謂的理論的推論
[01:50:19] 的貢獻
[01:50:21] 獲得了Turing Award
[01:50:23] 所以你看
[01:50:24] 在1960年代1970年代初
[01:50:27] 當時的研究重點在於
[01:50:29] 知識的表達跟推論
[01:50:31] 跟邏輯的推論
[01:50:34] 1975年呢
[01:50:36] Alan Newell跟Harper Simon
[01:50:39] 他因為符號模型
[01:50:42] 他將一些知識的表達
[01:50:45] 以符號來進行
[01:50:47] 然後推出了一些理論
[01:50:51] 所以說慢慢演入到符號邏輯
[01:50:55] 1994年
[01:50:56] 這兩位學者
[01:50:58] 他因為開發了專家系統
[01:51:01] 那等一下我們講說
[01:51:03] 為什麼後來又變成專家系統
[01:51:05] 他因為專家系統
[01:51:06] 而獲得Turing Award
[01:51:08] 所以基本上大概在1980年代
[01:51:11] 是專家系統發展最繁盛的那個年代
[01:51:15] 那1990年代
[01:51:16] 這個人就獲得了Turing Award
[01:51:23] 事實上呢
[01:51:24] 當我以前
[01:51:25] 我還是大學生的時候
[01:51:27] 我們的老師就是在教專家系統
[01:51:31] 那個年代是這樣
[01:51:33] 2011年
[01:51:35] Prowe呢
[01:51:36] 因為機率推論的貢獻
[01:51:39] 獲得Turing Award
[01:51:40] 所以你看一路演進
[01:51:42] 前面都還沒有機率
[01:51:44] 到了2011年
[01:51:46] 得Turing Award的人
[01:51:47] 他把機率引進來
[01:51:49] 事實上
[01:51:50] 他大概在1990年代
[01:51:51] 就把機率引入
[01:51:52] 再進行推論
[01:51:54] 2019年
[01:51:55] Yashua Bejo
[01:51:56] Jeffrey Hinton
[01:51:57] 跟Yann LeCun
[01:51:58] 因為Deep Learning的貢獻
[01:52:00] 然後
[01:52:01] 獲得了Turing Award
[01:52:03] 事實上呢
[01:52:04] 最主要的Deep Learning的爆發時間點
[01:52:07] 是在2012年
[01:52:09] 好
[01:52:10] 到了2024年呢
[01:52:12] 這個Bartol跟Sutton
[01:52:14] 因為強化學習
[01:52:16] Reinforcement Learning
[01:52:18] 獲得了Turing Award
[01:52:19] 所以一路你可以看到說
[01:52:21] 他整個研究發展的軌跡是這樣
[01:52:24] 所以很快的講一下
[01:52:26] 其實整個的開端呢
[01:52:28] 從1943年就開始了
[01:52:31] 1943年呢
[01:52:32] 這個McClouch跟這個Pitts
[01:52:34] 他當時呢
[01:52:35] 就已經根據
[01:52:37] 因為認知學者
[01:52:38] 知道說
[01:52:39] 我們腦內就是有神經元
[01:52:41] 神經元有突出
[01:52:43] 會經過電傳導來傳動訊號
[01:52:45] 那他就已經開發出一個數學模型
[01:52:48] 來描述這樣的一個訊號
[01:52:51] 描述這樣子的一個模型
[01:52:53] 這是一個理論模型
[01:52:55] 1949年呢
[01:52:56] Hebb這個人呢
[01:52:57] 他就展示了說
[01:52:59] 那我有這個神經元
[01:53:00] 有這個神經元
[01:53:01] 有這個數學模型
[01:53:02] 那我的突出
[01:53:03] 我的Age
[01:53:04] 我連出去的這些上面的
[01:53:06] 這些權重
[01:53:08] 我有一個數學的方法
[01:53:10] 來進行這個Weight的update
[01:53:13] 這些Weight的變動
[01:53:15] 1950年呢
[01:53:16] Marvin Vinsky跟Dim Edelman
[01:53:19] 就建構了第一個
[01:53:21] 類神經網路的電腦
[01:53:23] 當然當時是非常非常
[01:53:25] 體積非常龐大
[01:53:27] 但是能夠做出的事情
[01:53:28] 非常簡單的那種電腦
[01:53:30] 那1947年呢
[01:53:31] Alan Turing呢
[01:53:32] 曾經在他上課的時候
[01:53:34] 已經有講過一些對應的一個概念
[01:53:37] 當時還沒有AI這個詞
[01:53:40] 一直到1955年
[01:53:42] 年底1956年的時候
[01:53:45] 美國有一群學者
[01:53:46] 就這些人
[01:53:48] John McCarthy
[01:53:49] 他就說服了
[01:53:51] Marvin Vinsky
[01:53:52] Claudius Shannon
[01:53:53] Rochester
[01:53:54] 這些人
[01:53:55] 聚集在Dartmouth
[01:53:57] 做了兩個月的
[01:53:59] 腦力激盪
[01:54:01] 因為當時世界大戰已經結束
[01:54:03] 然後他們在思考
[01:54:05] 計算機
[01:54:06] 或者是Computer的未來
[01:54:08] 他們已經看到了
[01:54:10] 就是說
[01:54:11] 二次大戰期間
[01:54:12] 大家如果看過那個電影
[01:54:14] 知道Alan Turing就是負責
[01:54:16] 建造一個機器
[01:54:17] 破解德軍的密碼
[01:54:19] 大家有沒有看過那電影
[01:54:21] 就發現說
[01:54:22] 他的這樣的一個運算的能力
[01:54:26] 似乎是很有用的
[01:54:28] 所以這些人就跟聚集一起
[01:54:30] 在思考計算的未來
[01:54:32] 他們討論是這些事
[01:54:33] 不是中午便當吃什麼
[01:54:35] 那這些人都可以說是
[01:54:39] AI的Founding Fathers
[01:54:41] 就是AI之父們
[01:54:43] 就是這些人
[01:54:45] 那John McCarthy
[01:54:46] Marvin Vinsky
[01:54:47] 這個我們剛剛已經看過他們
[01:54:49] 聽過他們的名字
[01:54:50] 他們後來的R.Turing有問嗎
[01:54:52] Claudius Shannon
[01:54:53] 這個是你如果是做通訊
[01:54:55] 網路的人
[01:54:56] 這個是鼎鼎到名
[01:54:58] Information Theory
[01:54:59] 資訊裡
[01:55:01] 消息理論的奠基者
[01:55:04] Claudius Shannon
[01:55:06] 那當然在後面有很多其他人
[01:55:08] 後來也得了Turing獲
[01:55:10] 總而言之
[01:55:11] 他們開了兩個月的
[01:55:12] 腦力激盪的會議之後
[01:55:14] 有的人先離開
[01:55:15] 後來又有人加入
[01:55:16] No No No No
[01:55:17] 最後寫了一份
[01:55:19] 算是AI宣言
[01:55:22] 當時他們就定了
[01:55:24] Artificial Intelligence這個詞
[01:55:26] 在這份報告裡面
[01:55:28] 也有談論到
[01:55:29] 所謂的自動計算
[01:55:31] 然後如何Programming寫程式
[01:55:36] 用語言的方式來寫程式
[01:55:39] 你要知道
[01:55:40] 當年那個時代
[01:55:41] 還是真空管
[01:55:43] 真空管在那邊接來接去
[01:55:46] 當時沒有
[01:55:47] 半導體可能剛開始而已
[01:55:50] 在非常久以前
[01:55:52] 然後裡面也有提到
[01:55:54] Neural Network
[01:55:55] 類神經網路
[01:55:57] 考慮到了計算的相關的理論
[01:56:00] 然後機器可不可以自動的學習
[01:56:02] 如何把知識抽象化
[01:56:04] 如何產生出這個Creativity
[01:56:08] 所以你可以發現
[01:56:09] 這些古聖先賢們
[01:56:11] 在1955年
[01:56:14] 他就已經定出
[01:56:16] 整個計算的未來
[01:56:18] 未來可能可以怎麼走
[01:56:19] 他可能要有哪些思考
[01:56:22] 所以比如說
[01:56:23] 你看自我學習
[01:56:24] Self Improvement
[01:56:25] 一直到現在
[01:56:26] 我們都還是在做這些事情
[01:56:29] 所以他們就是提出了一個
[01:56:32] 所謂的計算的未來的這個Proposal
[01:56:36] 好那談完之後
[01:56:37] 大家就各自回到各自的工作崗位
[01:56:41] 回到美國東岸
[01:56:42] 回到美國西岸
[01:56:43] 回到Berkeley Stanford
[01:56:45] MIT
[01:56:46] IBM
[01:56:47] Bell Lab
[01:56:48] 各自回去
[01:56:50] 然後就開始了
[01:56:51] 他們各自的發展
[01:56:54] 然後就開始遍地開花
[01:56:56] 所以大概在1952年
[01:56:58] 到1969年之間
[01:57:00] 這十幾年間
[01:57:02] 就出現了第一次的AI大爆發
[01:57:06] 好那當時比如說
[01:57:08] Newell跟Simon
[01:57:09] 他們很快的
[01:57:10] 就從理論上建構了一個
[01:57:12] 叫做General Problem Solver
[01:57:15] 就是說
[01:57:16] 他已經能夠模擬出
[01:57:19] 像人類一樣思考的一個方法
[01:57:22] 他寫出了第一個這樣的一個程式
[01:57:25] 那Newell跟Simon呢
[01:57:27] 建立了所謂的符號邏輯系統
[01:57:31] 只要你們能夠把知識
[01:57:33] 把推論的過程用符號來表達
[01:57:35] 他就有辦法寫程式去進行推論
[01:57:39] 那在IBM呢
[01:57:40] Rochester跟他的同事們呢
[01:57:42] 就是做了最早的幾個AI的這個程式
[01:57:47] 你要知道當年寫程式
[01:57:49] 都很不容易的
[01:57:51] 不是像我們現在這樣子
[01:57:53] 我們現在也不太寫程式了
[01:57:55] 好但是呢
[01:57:56] 總而言之當年寫程式是很難的
[01:57:59] 還弄什麼卡片啊什麼東西的
[01:58:01] 好59年的話呢
[01:58:04] 這個人呢
[01:58:05] 也提出了所謂的Geometric Theory Prover
[01:58:08] 在概念上理論上
[01:58:10] 他可以去做一些理論的證明
[01:58:14] 1952年呢
[01:58:16] Samuel開始做西洋棋
[01:58:19] 那利用一些規則啊符號的推論啊
[01:58:24] 他已經可以得到一個
[01:58:26] 他的這個棋力啊
[01:58:29] 他下棋的能力呢
[01:58:31] 已經達到一個還蠻強的一個業餘的水準
[01:58:34] 你看這這麼早的時候
[01:58:36] 1958年呢
[01:58:37] McCarthy John McCarthy呢
[01:58:39] 他定義了一個High Level Language
[01:58:43] Computer Language
[01:58:44] 叫做LISP
[01:58:46] 這個後來呢
[01:58:48] 幾十年間三十年間呢
[01:58:50] 都成為去撰寫AI系統的一個重要的程式語言
[01:58:54] 那Marvin Minsky呢
[01:58:56] 他帶了一堆的學生呢
[01:58:58] 他專注在一些比較
[01:59:01] 侷限的這個範圍內
[01:59:05] 來去處理一些事情
[01:59:07] 那他稱呼這些叫做Microworld
[01:59:10] 舉個例子比如說像這個
[01:59:12] 這個是最有名的一個Microworld
[01:59:15] 就是說在這個空間裡面呢
[01:59:17] 我能夠知道說
[01:59:19] 哪一個積木在哪一個積木的前面
[01:59:23] 哪一個積木在哪一個積木的疊在上面
[01:59:26] 哪一個積木是放在盒子裡面
[01:59:28] 這在當年
[01:59:29] 你想一下喔
[01:59:30] 這是什麼時代啊
[01:59:32] 一九五幾年的時代
[01:59:34] 一九五幾年
[01:59:37] 根本就沒有圖形介面
[01:59:40] 你知道圖形介面廣為人知
[01:59:43] 廣受大家使用
[01:59:45] 是在一九九五年
[01:59:47] Windows九五啊
[01:59:49] 這個對你們來講都太早了
[01:59:51] 那都是古董了
[01:59:52] 好
[01:59:53] Windows九五的時候
[01:59:55] 那個時候
[01:59:56] 我剛上大學的那個時候
[01:59:58] 才開始有圖形介面
[01:59:59] 在更早之前根本就是
[02:00:01] 你根本就是電算
[02:00:03] 計算機概論的課本裡面
[02:00:05] 才看得到的
[02:00:06] 什麼道士的系統
[02:00:08] 那個年代
[02:00:09] 在那個年代他們就已經在探討
[02:00:11] 這種東西了
[02:00:12] 好
[02:00:14] 那一九五幾年呢
[02:00:17] 剛剛提到的這個Macroch跟Pitts
[02:00:20] 他們不是最早一九四三年
[02:00:22] 就已經有一些
[02:00:23] 神經元的數學模型嗎
[02:00:25] 當然他們後來就
[02:00:27] 一直持續不斷的
[02:00:29] 再去發展它
[02:00:30] 變得更複雜等等的
[02:00:31] 後來啊
[02:00:34] 感覺大家覺得說
[02:00:36] 前景一片大跑
[02:00:38] 對不對
[02:00:39] 我都可以做什麼自動推論了嗎
[02:00:42] 假以時日
[02:00:44] 我們就能夠解決人類所有的問題了
[02:00:46] 太棒了
[02:00:47] 就大家都很嗨這樣子
[02:00:49] 結果後來就發現啊
[02:00:51] 大概在一九六零年代末期
[02:00:54] 到一九七零年代初呢
[02:00:56] AI的整個發展跌了一腳
[02:00:59] 跌了一腳
[02:01:00] 大家知道當時是美蘇冷戰的時代
[02:01:04] 所以說呢
[02:01:05] 他們彼此
[02:01:06] 美國跟蘇聯都有一些間諜
[02:01:09] 在對方的對不對
[02:01:11] 領地裡面在那邊偷資料嘛
[02:01:13] 對吧
[02:01:14] 好那當然美國也會派間諜
[02:01:15] 去偷蘇聯的資料
[02:01:16] 而且他們的科技實力
[02:01:18] 是一直在競爭的喔
[02:01:20] 所以我們偷到一點俄文的資料
[02:01:22] 是不是想說
[02:01:23] 換成英文嘛
[02:01:25] 對不對偷學一下喔
[02:01:27] 你們作為AI的
[02:01:29] 不是很厲害嗎
[02:01:31] 那打俄文翻成英文
[02:01:33] 就這樣
[02:01:34] 好
[02:01:35] 然後呢
[02:01:36] 你想嘛
[02:01:37] 這個把俄文翻成英文
[02:01:39] 並不是拿一本字典
[02:01:41] 我把俄文字翻成英文字就好了嘛
[02:01:43] 一定不是這樣子吧
[02:01:45] 然後呢這些學者
[02:01:47] 就當時美國國防部
[02:01:49] 總是有大的研究計畫
[02:01:51] 然後就給這些學者們
[02:01:53] 去做研究
[02:01:54] 然後想辦法很快的
[02:01:55] 要把俄文翻成英文嘛
[02:01:58] 弄了老半天
[02:01:59] 就翻不好
[02:02:00] 比如說
[02:02:01] 本來呢
[02:02:02] 照理講英文
[02:02:03] 應該是要翻成
[02:02:05] The spirit is willing
[02:02:06] but the flesh is weak
[02:02:08] 翻成中文叫做
[02:02:09] 心有餘而力不足
[02:02:11] 但他用俄文翻成英文之後呢
[02:02:13] 變成是什麼
[02:02:14] 伏特加很棒
[02:02:15] 但是肉是臭的
[02:02:16] 這根本就是亂七八糟這樣子
[02:02:19] 然後呢
[02:02:20] 大家本來一開始覺得說
[02:02:21] 翻譯有很難嗎
[02:02:23] 自動翻譯有很難嗎
[02:02:25] 發現大家都做不出來
[02:02:27] 好
[02:02:28] 然後呢
[02:02:29] 所以
[02:02:30] 當然這樣子的話
[02:02:31] 美國國防部就抽銀根啊
[02:02:34] 他說他這樣做不出來
[02:02:36] 那我就不要把研究經費給你們了
[02:02:38] 所以很多的project都被砍掉
[02:02:40] 所以這個就造成了
[02:02:42] 在1960年代
[02:02:44] 末起1970年代初呢
[02:02:46] 就造成了AI的第一個寒冬
[02:02:50] 本來大家覺得
[02:02:52] 發展得很好的
[02:02:53] 一下子
[02:02:54] 就很多都倒了
[02:02:56] 這些project都被砍掉這樣子
[02:02:58] 好
[02:03:00] 那以後來
[02:03:01] 大家都在想說
[02:03:02] 那為什麼會這樣
[02:03:03] 因為呢
[02:03:04] Scalability
[02:03:05] 比如說一個程式它在概念上
[02:03:08] 或者說剛剛前面不是講什麼
[02:03:10] general problem prover
[02:03:13] 對不對
[02:03:14] general problem solver
[02:03:15] geometric theorem prover
[02:03:17] 對不對
[02:03:18] 理論上概念上
[02:03:20] 可以推論可以解決
[02:03:22] 理論上可以解決
[02:03:24] 並不代表你實際上
[02:03:25] 真的能夠解決那個問題
[02:03:29] 這中間還是有個很大的落差
[02:03:32] 那所以說呢
[02:03:33] 這個就進入了AI的第一個寒冬
[02:03:36] 那所以呢
[02:03:37] 後來大家就不敢喊那麼大聲
[02:03:39] 就保守一點
[02:03:41] 那他說呢
[02:03:42] 不然這樣好了啦
[02:03:43] 我不要把自己講那麼偉大
[02:03:46] 好像說什麼東西我都可以證明
[02:03:48] 不然我先鎖定一個比較小的範圍的問題
[02:03:52] 我來解決好了
[02:03:54] 所以呢慢慢的1969到1980年代呢
[02:03:57] 大家就集中在一個
[02:03:59] 通常都集中在比較特定的問題
[02:04:02] 然後呢
[02:04:03] 我就去找這個問題
[02:04:05] 這個domain裡面的專家
[02:04:07] 把他的知識可不可以寫下來
[02:04:10] 寫成規則
[02:04:11] 所以就出現了所謂的專家系統
[02:04:14] 對不對
[02:04:15] 我就蒐集了好多
[02:04:17] 比如說皮膚科的醫師的知識
[02:04:21] 對不對
[02:04:22] 給他看各種不同的皮膚的症狀
[02:04:24] 然後呢
[02:04:25] 這個把他的原則
[02:04:28] 診斷的原則
[02:04:29] 把他的想法順序都寫下來
[02:04:32] 然後我想辦法把這個原則跟順序呢
[02:04:35] 都寫在程式裡面
[02:04:37] 然後當有一個新的病人來的時候
[02:04:40] 他皮膚的狀況如何
[02:04:41] 然後就丟到那個程式裡面
[02:04:43] 去診斷說你大概是什麼病症
[02:04:45] 什麼樣子的皮膚病
[02:04:47] 對不對
[02:04:48] 聽起來挺合理的吧
[02:04:49] 聽起來蠻像是你大一在寫程式
[02:04:52] 會做的事情吧
[02:04:53] 那當時1980年代呢
[02:04:55] 就是專家系統就是這樣
[02:04:58] 那比如說這裡有個例子
[02:05:01] 有一個這個所謂的Dendro
[02:05:04] 的這個program呢
[02:05:05] 它是可以從什麼光譜以裡面
[02:05:09] 所得到一些資訊
[02:05:10] 來去推論分子的結構
[02:05:12] 一個這麼小的一個Domain
[02:05:15] 那或者是說呢
[02:05:17] Stanford有一個系統叫做什麼MindC
[02:05:21] 這個
[02:05:22] 它有450條規則
[02:05:25] 然後就是可以去做一些血液的感染
[02:05:30] 數據的一些診斷
[02:05:33] 然後就說呢
[02:05:34] 他做到的成果呢
[02:05:36] 可能比這種剛年輕之前的醫生
[02:05:40] 都還要來的好
[02:05:41] 這樣子
[02:05:42] 好
[02:05:43] 那所以呢
[02:05:44] 這樣子是不是就很棒呢
[02:05:46] 好
[02:05:47] 事實上這一類的東西呢
[02:05:49] 大概只能夠用在
[02:05:51] 某一個特定的Domain
[02:05:53] 而且呢
[02:05:54] 那個Domain裡面的Knowledge
[02:05:55] 是有辦法寫成規則
[02:05:57] 清楚寫成規則
[02:05:58] 用語言描述的
[02:06:02] 但是的確也做出了一些系統出來
[02:06:05] 看起來蠻有用的
[02:06:09] OK
[02:06:10] 好那所以大家就又嗨起來啦
[02:06:13] 欸我這東西有用耶
[02:06:15] 然後就去找錢嘛
[02:06:16] 開公司啊什麼東西
[02:06:18] 好
[02:06:19] 那所以說呢
[02:06:20] The AI industry boomed
[02:06:22] from a few million dollars in 1980年
[02:06:26] 到billions of dollars in 1980年
[02:06:28] 所以說從1980年到1988年
[02:06:30] AI公司的這些
[02:06:35] 它的市值啊
[02:06:37] 從幾百萬美金
[02:06:38] 後來就到了數十億美金
[02:06:42] 欸有沒有覺得好像似曾相識
[02:06:45] 這件事情在1980年
[02:06:47] 就已經發生過囉
[02:06:49] 好
[02:06:50] 那但是呢
[02:06:51] 等到1980幾年
[02:06:53] 在末期的時候就發現
[02:06:55] 錢燒完了
[02:06:57] 錢燒完了
[02:06:59] 而且這些專家系統
[02:07:01] 這些公司
[02:07:02] 好像也就是做這些事而已
[02:07:05] 那但是你做了這個事
[02:07:07] 你能夠變現
[02:07:09] 能夠賺錢
[02:07:10] 能夠持續的有新的錢進來
[02:07:13] 去支撐公司的運作嗎
[02:07:16] 就不行
[02:07:18] 所以很快的1980年代末期
[02:07:23] 又進入了AI的第二個寒冬
[02:07:25] 那麼快的十幾二十年間
[02:07:27] 又進入了AI的第二個寒冬
[02:07:29] 好那從1980幾年
[02:07:34] 到現在
[02:07:36] 那雖然進入寒冬
[02:07:37] 但也並不是代表說
[02:07:39] 就這些做AI的人
[02:07:42] 就都沒有再繼續努力
[02:07:44] 事實上不是的
[02:07:46] 大概在1980年代中期呢
[02:07:48] 欸被propagation的
[02:07:50] 這個學習的演算法
[02:07:52] 這個我們之後也就會講到
[02:07:54] 其實最早我們後來
[02:07:56] 從挖掘文獻發現
[02:07:58] 1969年
[02:08:00] Rison and Hall就已經提過
[02:08:02] 類似的想法
[02:08:04] 但是在1980年代
[02:08:05] 因為當時資訊還不是到那麼的流通嘛
[02:08:08] 所以很多人在持續在研究
[02:08:10] 1980年代中期呢
[02:08:12] 大概有四個不同的研究團隊
[02:08:15] 都有重新在發明瞭
[02:08:17] 被propagation的演算法
[02:08:19] 然後呢
[02:08:22] 這些在做類神經網路的人呢
[02:08:24] 也都繼續默默的
[02:08:26] 從1980年代
[02:08:28] 一直持續在做
[02:08:30] 事實上類神經網路
[02:08:32] 在1980年代
[02:08:34] 曾經非常的熱門
[02:08:39] 非常的熱門
[02:08:41] 所以你可能偶爾會聽到
[02:08:44] 現在大概是剛退休
[02:08:48] 或者是濱林退休的
[02:08:50] 一些資深老師
[02:08:53] 他們自己在唸博士的時候
[02:08:55] 就差不多1980年代
[02:08:57] 他們在唸博士的時候
[02:08:59] 他們很多人都有碰過
[02:09:01] 類神經網路
[02:09:03] 就是這個原因
[02:09:04] 當年是非常好的經驗
[02:09:07] 好那
[02:09:09] 覺得類神經網路是一個好的解法的
[02:09:12] 這一些學者
[02:09:14] 是所謂的連結學派
[02:09:16] 因為類神經網路裡面就是會有
[02:09:18] 很多神經元要連接在一起
[02:09:20] 這叫連結學派
[02:09:22] 那在當年連結學派
[02:09:24] 符號邏輯
[02:09:25] 符號學派
[02:09:26] 然後這個邏輯學派
[02:09:28] 基本上就是
[02:09:31] 井水不犯河水嗎
[02:09:33] 還是說各自競爭嗎
[02:09:35] 就大家都用各自
[02:09:37] 覺得合理的方式
[02:09:39] 在進行AI的研究
[02:09:42] 那不過呢
[02:09:46] 大概在1980年代的末期
[02:09:50] 有出現了一個新的
[02:09:52] 一個處理的方式
[02:09:54] 就是說大家發現
[02:09:56] 很多時候
[02:09:57] 我東西沒有辦法寫成一個規則
[02:09:59] 是因為很多東西不確定
[02:10:01] 或者資訊根本就沒有
[02:10:03] 所以我的AI系統
[02:10:05] 應該要能夠處理不確定性
[02:10:08] 或者是資訊不足的情況
[02:10:11] 好所以這時候呢
[02:10:13] 就要引入機率
[02:10:15] 好機率
[02:10:17] 那尤其最著名的是
[02:10:18] 在1980年代末期
[02:10:20] 有一個機率模型
[02:10:22] 叫做Hidden Markov Model
[02:10:24] 因為Hidden Markov Model
[02:10:27] 被引入之後
[02:10:28] 它被引入
[02:10:29] 拿來進行語音的辨識
[02:10:31] 那這是第一次
[02:10:33] 這是第一次
[02:10:35] 語音辨識變成可行
[02:10:38] 在此之前
[02:10:40] 講100個英文字
[02:10:42] 可能辨識不出幾個字
[02:10:44] 在Hidden Markov Model出來之後
[02:10:47] 然後變得
[02:10:48] 大家去研究之後
[02:10:51] 在當年做得最好的
[02:10:53] 是CMU
[02:10:55] 就是卡耐基美濃大學
[02:10:56] 跟IBM
[02:10:58] 當時100個字大概
[02:11:01] 英文字大概可以辨識出
[02:11:04] 30個字
[02:11:06] 全世界最強的IBM
[02:11:09] 我還記得
[02:11:10] 我大概在199幾年
[02:11:13] 96 97年
[02:11:17] 我們老師就跟我們講說
[02:11:19] IBM出了一個新的
[02:11:20] 叫做什麼
[02:11:21] VIA Voice
[02:11:22] 還是什麼軟體
[02:11:23] 玩玩看
[02:11:24] 玩玩看
[02:11:25] 它可以做語音辨識
[02:11:26] 就是100個英文字
[02:11:27] 大概辨識出30個字
[02:11:29] 已經全世界最強了
[02:11:31] 那這在當時是怎樣
[02:11:33] Hidden Markov Model出來
[02:11:36] 那所以你如果記得
[02:11:37] 我們剛剛講的
[02:11:38] AI演進的歷史的話
[02:11:40] 後來機率推論的
[02:11:42] 其中一個著名的學者
[02:11:44] 這個Judea Pearl
[02:11:45] 後來2011年拿到了
[02:11:47] 這個Turing Award
[02:11:49] 好
[02:11:50] 那所以
[02:11:51] 這裡有講到
[02:11:52] 1988年
[02:11:53] 他不是Hidden Markov Model
[02:11:56] 他開發的是所謂的
[02:11:57] Base Network
[02:11:58] Base網路
[02:12:00] 然後1988年Richard Sutton
[02:12:02] 也開始研究
[02:12:04] Reinforcement Learning
[02:12:06] OK
[02:12:07] 大概是這樣子
[02:12:08] 那到了1990年代
[02:12:10] 事實上
[02:12:11] 類神經網路就
[02:12:13] 基本上
[02:12:14] 好像做不出個所以然
[02:12:16] 效能一直上不去
[02:12:17] 所以到了1990年代
[02:12:19] 大概大家都不太
[02:12:21] 不太講什麼類神經網路了
[02:12:24] 那取而代之的是
[02:12:26] 機率模型
[02:12:28] 機率推論模型
[02:12:30] 或者是
[02:12:31] 就Hidden Markov Model
[02:12:32] 然後Gaussian Mixture Model
[02:12:34] 或者是到後來變成是
[02:12:36] Support Vector Machine
[02:12:37] 這個大概1990年代
[02:12:39] 2000年初期
[02:12:40] 大家在講的這些東西
[02:12:42] 所以你可以說
[02:12:43] 市場幾乎都被
[02:12:45] Probability Model
[02:12:46] 佔光
[02:12:48] 那New World Network就是
[02:12:50] 你什麼人在研究
[02:12:53] 好
[02:12:54] 那後來經過事情的演變
[02:12:55] 大家知道
[02:12:56] 這個網際網路
[02:12:58] 網際網路大概是1996 97 98
[02:13:03] 對不對
[02:13:04] 開始大量的
[02:13:05] Triple W的Data
[02:13:07] 網際網路的資料
[02:13:08] 變得越來越多
[02:13:10] 所以呢
[02:13:11] 後來進入了所謂的
[02:13:13] 巨量資料的時代
[02:13:15] 2000年之後
[02:13:17] 那因為有大量的資料
[02:13:19] 就讓
[02:13:21] 我們的所謂的AI的系統
[02:13:24] 開始有更多的資料
[02:13:26] 可以來進行學習
[02:13:28] 所以因為這樣子的關係呢
[02:13:30] 所以到了2010年左右呢
[02:13:33] ImageNet
[02:13:35] 這個Data Set
[02:13:37] 它包含了有
[02:13:39] 幾百萬張影像
[02:13:41] 以及對應的這個Label
[02:13:43] 就被蒐集出來
[02:13:45] 那後來這一個Data Set
[02:13:47] 也點燃了
[02:13:49] 整個Deep Learning的發展的一個火苗
[02:13:53] 那不過大概在2000年到2010年之間
[02:13:57] 最熱門的研究主題是
[02:14:00] Big Data
[02:14:01] 巨量資料
[02:14:02] 那在當年
[02:14:03] IBM的Watson的系統呢
[02:14:06] 他就參加美國的這個益智節目
[02:14:09] 跟人類PK
[02:14:11] 就是問問題
[02:14:12] 然後從幾個答案裡面回答的
[02:14:14] 這種益智節目
[02:14:16] 然後他能夠打敗人類
[02:14:18] 因為他後面有大量的資料
[02:14:21] 可以進行快速的檢索
[02:14:23] 然後找出正確的答案
[02:14:25] 而且IBM
[02:14:27] 他更早之前在做語音辨識
[02:14:29] 也都可以算是
[02:14:31] 全世界的領頭一樣
[02:14:33] 好 到了2010年之後
[02:14:37] 就是Deep Learning的時代來臨了
[02:14:39] 事實上Deep Learning
[02:14:41] 就是類神經網路
[02:14:43] 只是你 我剛剛講過嘛
[02:14:45] 1980年代類神經網路
[02:14:47] 熱門了一陣子
[02:14:49] 1990年代跟2000年
[02:14:51] 這20年期間
[02:14:53] 幾乎是一個非常冷門
[02:14:56] 你如果跟人家講說
[02:14:57] 你在做類神經網路
[02:14:59] 可能會被人家白眼
[02:15:00] 就覺得說
[02:15:01] 你作為那個什麼沒有用的東西
[02:15:04] 這樣子
[02:15:05] 結果到了2010年
[02:15:07] 事情有一個轉圜
[02:15:09] 就是說
[02:15:11] 我可以從大量的Engineer
[02:15:13] 然後呢
[02:15:14] 我透過訓練
[02:15:16] Convolutional Neural Network
[02:15:18] 這是一種類神經網路
[02:15:20] 然後呢
[02:15:21] 訓練出很多語音辨識的模型
[02:15:25] 訓練出一個夠準確的語音辨識模型
[02:15:27] 那後來呢
[02:15:28] 就在2012年的ImgNet的比賽裡面呢
[02:15:32] 獲得了比往前一年最厲害的
[02:15:35] 都還來更
[02:15:37] 來得好很多的結果
[02:15:39] 在這個比賽呢
[02:15:40] ImgNet的比賽
[02:15:42] 從2011 1110
[02:15:46] 可能09年就開始了
[02:15:48] 就開始做這種影像辨識的比賽
[02:15:51] 那每年全世界最強的團隊
[02:15:54] 大概就是把錯誤率
[02:15:56] 降個一兩趴兩三趴
[02:15:59] 好所以呢
[02:16:00] 到了2012年Jeffrey Hinton
[02:16:02] 他們利用CNN
[02:16:04] Convolutional Neural Network
[02:16:05] 來訓練模型
[02:16:07] 用大量的資料訓練模型之後
[02:16:09] 他一口氣
[02:16:11] 降低了接近10%的錯誤率
[02:16:15] 大家當年啊
[02:16:18] 這個奔香走告
[02:16:20] 就是說怎麼會有人
[02:16:22] 可以一瞬間
[02:16:24] 把錯誤率降低這麼多
[02:16:27] 好
[02:16:28] 然後呢
[02:16:29] 再仔細下去看
[02:16:30] 包含ImgNet的主辦者
[02:16:32] 仔細下去看說
[02:16:33] 什麼方法怎麼那麼厲害
[02:16:36] 一看不得了
[02:16:37] 是個老方法啊
[02:16:40] 好
[02:16:41] 根本就是老方法
[02:16:42] 根本就是1980年代的
[02:16:43] 大家乏人問津的
[02:16:45] 類神經網路
[02:16:47] 那為什麼會這樣子
[02:16:48] 事實上好幾個因素混合在一起
[02:16:50] 包含類神經網路
[02:16:52] 就是需要有大量的資料
[02:16:54] 來進行訓練這一個
[02:16:56] 那你要大量的資料
[02:16:57] 你就要進行大量的演算
[02:16:59] 你要有算力要夠
[02:17:01] 所以當時GPU
[02:17:03] 本來NVIDIA的GPU
[02:17:07] 是1990幾年就開始了
[02:17:10] 一開始都是大家打遊戲
[02:17:13] 對不對有GPU卡
[02:17:14] 幫忙加速你的3D預算
[02:17:16] 後來呢
[02:17:17] Jeffrey Hinton他們就是用GPU
[02:17:19] 來加速類神經網路的訓練
[02:17:22] 這第二個是算一個資料
[02:17:24] 一個是算力
[02:17:25] 那再來當然就是說
[02:17:27] Hinton他們也設計了很多新的演算法
[02:17:31] 要注意的一些訓練過程當中
[02:17:34] 要注意的東西
[02:17:36] 所以說呢
[02:17:37] 這整個在2012年就爆發了
[02:17:41] 所以
[02:17:43] 這就是為什麼造就了
[02:17:47] 過去這十幾年來
[02:17:51] 這一波所謂的AI的融進
[02:17:53] 這樣子
[02:17:54] 好那這個故事大家應該知道
[02:17:57] 大概2015年2016年
[02:17:59] AlphaGo
[02:18:00] 它其實就是搭配了
[02:18:02] Reinforcement Learning
[02:18:03] 跟這個Deep Learning
[02:18:06] 所運作出來的一個
[02:18:08] 最強的一個微型的程式
[02:18:10] 好那所以呢這個是
[02:18:13] 我們這本課本寫到這裡為止
[02:18:15] 那事實上呢
[02:18:17] 我在這邊推薦大家幾本書
[02:18:19] 事實上都是好看的故事書
[02:18:21] 從左到右
[02:18:22] 它出版的時間剛好是從左到右
[02:18:25] 好第一本是什麼
[02:18:27] AI製造商沒說的秘密
[02:18:29] 事實上呢這裡面所寫的內容
[02:18:31] 沒有什麼秘密
[02:18:32] 這個書名跟內容有點不符合
[02:18:36] 它基本上就是一個
[02:18:37] 好看的AI發展的故事
[02:18:40] 我還記得它一開始
[02:18:42] 開頭
[02:18:43] 第一章就在講Jeffrey Hinton
[02:18:45] 2012年的時候
[02:18:47] 去參加一個
[02:18:48] Lewis的這個國際頂尖會議
[02:18:51] 他們的成果就是發表在那個會議裡面
[02:18:55] 他在飯店的房間裡面
[02:18:57] 焦急的跺腳
[02:18:59] 他在幹嘛呢
[02:19:00] 他在等四間不同的公司
[02:19:03] 還是三間
[02:19:04] 四間不同的公司出價
[02:19:06] 來賣他的公司
[02:19:08] 因為他做出來的結果
[02:19:10] 風聲都已經流露出去
[02:19:12] 大家已經知道
[02:19:14] Deep Learning的這個potential
[02:19:19] 好幾間公司要來買它
[02:19:21] 一個是Google
[02:19:26] 一個好像是Microsoft
[02:19:28] 一個是中國的百度
[02:19:30] 一個是小公司
[02:19:32] 叫做DeepMind
[02:19:34] 這四間公司要買它
[02:19:36] 然後他們就出價
[02:19:38] 出價出價
[02:19:39] 所以他的
[02:19:40] 這本書的第一幕就出現在這邊
[02:19:42] 好然後最後他很緊張的
[02:19:44] 最後他決定賣給Google
[02:19:47] 當然後來的故事
[02:19:48] 你可能也知道
[02:19:49] DeepMind後來也是賣給Google
[02:19:52] 那所以呢
[02:19:53] 這本是蠻好看的故事書
[02:19:55] 大家可以去看一下
[02:19:57] 那我這裡把一些裡面的一些引言
[02:20:01] 比如說把AI的經驗
[02:20:02] 寫成一個迷人的故事
[02:20:03] 再講這一本
[02:20:04] 然後如果你想要用一本書
[02:20:06] 認識AI就是這一本的
[02:20:07] 鋼鐵人的作者
[02:20:08] 再講第一本書
[02:20:10] 好第二本
[02:20:11] 第二本是李飛飛寫的
[02:20:14] 李飛飛是史丹佛的教授
[02:20:17] 那他現在也在外面開一個公司
[02:20:20] 叫做WorldLab
[02:20:22] 最近也提出了他們最新的一個
[02:20:26] 新的Demo
[02:20:27] 你可以去查一下
[02:20:29] 李飛飛被奉為是AI教母
[02:20:32] AI教母
[02:20:34] 那剛剛前面提到的這個ImageNet
[02:20:37] 點燃Deep Learning的發展的其中一個重要的因素
[02:20:41] 就是大量的有Label好的資料
[02:20:44] ImageNet這個比賽
[02:20:45] 就是由李飛飛他們主辦的
[02:20:47] 所以說呢
[02:20:48] 在這本書裡面
[02:20:49] 他當然有提到說
[02:20:51] 他比較多個人的成
[02:20:53] 就是說他個人成長
[02:20:55] 然後他在中國出生
[02:20:59] 那後來就到美國去學習
[02:21:01] 然後畢業之後
[02:21:03] 一開始在Princeton
[02:21:05] 後來移到Stanford
[02:21:07] 教書等等等等的
[02:21:09] 一路發展的過程
[02:21:10] 然後包含他建立的ImageNet
[02:21:14] 這個比賽跟這個資料
[02:21:16] 那所以剛剛講那一段
[02:21:18] 說突然之間2012年
[02:21:21] 有一個團隊突然之間把錯誤率降了10%
[02:21:25] 這個場景就有寫在這個書裡面
[02:21:28] 那他的學生
[02:21:30] 也去看說到底發生了什麼事
[02:21:32] 是不是哪裡有錯
[02:21:33] 然後這個老師報告說沒有
[02:21:35] 他們就用一個很古老的一個做法
[02:21:37] 好
[02:21:39] 那Jeffrey Hinton也幫他寫
[02:21:41] 就是說他最後
[02:21:43] 這本書的最後面有提到
[02:21:46] 包含比如說他照顧他媽媽生病
[02:21:49] 他有更多人文關懷的部分
[02:21:52] 在這裡面
[02:21:53] 所以他後來創了
[02:21:55] 他也跟醫院那邊做一些合作
[02:21:58] 然後後來呢
[02:21:59] 自己出來創了一個公司
[02:22:01] 然後他也曾經去Google
[02:22:03] 擔任過首席科學家
[02:22:05] 那他現在是出來創一個公司
[02:22:07] 然後就希望
[02:22:09] 比如說能夠
[02:22:11] 機器人
[02:22:12] 能夠
[02:22:13] 能夠輔助醫療照顧啊
[02:22:16] 什麼等等這些
[02:22:17] 好
[02:22:18] 這第二本
[02:22:19] 第三本是今年六月才出版的
[02:22:22] 好
[02:22:23] 這個人認不認識啊
[02:22:25] Demis Hassabis
[02:22:27] 那Demis呢
[02:22:29] 他其實就是DeepMind的創辦人
[02:22:31] OK
[02:22:32] 好
[02:22:33] 那所以這本書呢
[02:22:34] 基本上就在講
[02:22:35] Demis他
[02:22:37] 從小的成長
[02:22:38] 然後他後來創了DeepMind
[02:22:40] 以及後來DeepMind
[02:22:42] 然後他在Google
[02:22:43] 然後他認為
[02:22:45] 他還是想要做的是
[02:22:48] 對人類有益的
[02:22:51] general
[02:22:53] AGI
[02:22:54] 就是
[02:22:55] Artificial General Intelligence
[02:22:57] OK
[02:22:58] 好
[02:22:59] 然後
[02:23:00] 大家知道他
[02:23:01] 因為開發了AlphaFold
[02:23:04] 所以他獲得了
[02:23:06] 哪一年啊
[02:23:07] 去年還是前年的
[02:23:08] 諾貝爾化學獎
[02:23:10] OK
[02:23:11] 因為他用DeepLearning方式
[02:23:15] 用AI的方式
[02:23:16] 解開了蛋白質3D折疊結構的問題
[02:23:20] 這樣子
[02:23:21] 然後造成很大的一個影響
[02:23:22] 好
[02:23:23] 所以說呢
[02:23:24] 這裡就講到說
[02:23:25] 紀錄了技術突破安全爭議
[02:23:26] 解開蛋白質折疊
[02:23:28] 執迷的輝煌勝利
[02:23:30] 那他當然現在
[02:23:32] 最近的消息是
[02:23:33] 他當然他是DeepMind
[02:23:35] 進入到Google之後
[02:23:37] 他本來也是擔任
[02:23:39] 呃
[02:23:40] 某某職位
[02:23:42] OK
[02:23:43] 好但是大家如果知道的話
[02:23:45] 最近
[02:23:46] 一年Google的Large Language Model
[02:23:48] LRM發展不是很順利
[02:23:50] 好
[02:23:51] 那他
[02:23:53] 我不知道什麼原因
[02:23:54] 好
[02:23:55] 但總而言之
[02:23:56] 反正他換了一些職位
[02:23:57] 好
[02:23:58] 他認為的價值
[02:23:59] 跟他認為
[02:24:00] 呃
[02:24:01] 該做的方法
[02:24:03] 可能跟
[02:24:04] 不同的人
[02:24:05] 跟別人有不一樣
[02:24:07] 好之類的
[02:24:08] 總而言之這也是一個
[02:24:09] 滿好看的數
[02:24:10] 我覺得這三本都滿好看的
[02:24:12] 好
[02:24:13] 好
[02:24:14] OK
[02:24:15] 好
[02:24:16] 怎麼講那麼久
[02:24:17] 好啦
[02:24:18] 那最後State of the Art
[02:24:19] 這裡列出一些數據
[02:24:20] 事實上
[02:24:21] 這不是State of the Art
[02:24:22] 因為這本書已經
[02:24:24] 在2020年
[02:24:25] 這只是稍微讓大家參考一下啦
[02:24:27] 就是說
[02:24:28] 比如說AI的Paper
[02:24:29] 從2010年到2019年
[02:24:30] 增加了20倍
[02:24:31] 我跟你講現在絕對不止
[02:24:33] 現在絕對不止
[02:24:34] 尤其有了這個
[02:24:36] 更厲害的這個ChangeGPT之後
[02:24:38] 絕對不止20倍
[02:24:39] 絕對不止20倍
[02:24:40] 好那所以這裡就在講說
[02:24:42] 呃
[02:24:43] 呃
[02:24:44] 這個什麼休克的人大幅成長啦
[02:24:46] 然後
[02:24:47] 呃
[02:24:48] 呃
[02:24:49] 比如說
[02:24:50] 這個國際頂尖會議
[02:24:51] 比如說New Year's
[02:24:52] 好
[02:24:53] New Year's的這個會議
[02:24:55] 根本你去參加
[02:24:57] 的
[02:24:58] 好像是在參加搖滾明星的
[02:25:00] 這個演唱會一樣
[02:25:02] 那個門票都是秒殺
[02:25:04] 根本就是
[02:25:05] 學術會議啊
[02:25:07] 怎麼一堆人要參加
[02:25:08] 好
[02:25:09] 然後有很多AI的Startup
[02:25:11] 這個大家都知道了
[02:25:12] 然後
[02:25:13] China Publish的Paper
[02:25:15] 已經超過
[02:25:16] 比如說美國跟歐洲加起來了
[02:25:19] 這早就已經知道了
[02:25:20] 好
[02:25:21] 然後呢在Computer Vision
[02:25:23] 呃
[02:25:24] 在
[02:25:25] 語音在各式各樣不同的
[02:25:27] 呃
[02:25:28] 這個
[02:25:29] 領域都有一個非常大的一個進步
[02:25:31] 這樣
[02:25:32] 大概都知道
[02:25:33] 好最後要提到一個
[02:25:34] 最後一頁
[02:25:35] 第一章最後一頁
[02:25:36] 當然就是要提到Risk
[02:25:38] 呃AI的發展
[02:25:42] 的
[02:25:43] 風險
[02:25:44] 這件事情
[02:25:46] 在今年
[02:25:47] 變得越來越近在眼前
[02:25:50] 很明顯的
[02:25:51] 對不對
[02:25:52] 呃今年七月嗎
[02:25:54] 還是八月
[02:25:55] 才有
[02:25:56] 呃
[02:25:58] 就是OpenAI的模型
[02:26:00] 逃出他們公司的沙盒
[02:26:03] 不是去侵入了Hawking Face嗎
[02:26:06] 好
[02:26:07] 事實上
[02:26:08] 最近出來的GPT-6
[02:26:10] Astra
[02:26:11] 可能就是當時在訓練的那個模型
[02:26:14] 好
[02:26:15] 那現在AI
[02:26:16] GPT-Astra
[02:26:18] 的極限
[02:26:19] 現在現在一堆人在試
[02:26:21] 真的是很厲害
[02:26:23] 那所以很多人憂心忡忡
[02:26:25] 就是說
[02:26:26] 他會不會失控
[02:26:27] 你今天假設
[02:26:29] 你自己電腦裝了
[02:26:30] 然後你把你的權限都給他
[02:26:33] 然後
[02:26:34] 到底會發生什麼事
[02:26:35] 好
[02:26:36] 包含一下Meta
[02:26:37] 大家應該也聽過一些
[02:26:40] 新聞
[02:26:41] 就是說Meta有要求
[02:26:43] 要把他們公司的員工
[02:26:45] 平常上班
[02:26:46] 處理的
[02:26:48] 這個
[02:26:49] 滑鼠的軌跡
[02:26:51] 他按的哪裡什麼
[02:26:52] 全部都要記下來
[02:26:54] 拿來訓練他們的模型
[02:26:56] 這裡面其實有非常非常多
[02:26:58] 問題在裡面
[02:27:00] 有很多包含隱私的
[02:27:02] 包含國安的
[02:27:04] 等等等等很多的問題
[02:27:06] 那這件事情
[02:27:07] 雖然我們這裡只用一頁來講它
[02:27:09] 但是我覺得在未來
[02:27:11] 這件事情會變得越來越重要
[02:27:15] 一直到哪天到底什麼時候
[02:27:17] 會失控為止
[02:27:19] 好
[02:27:20] AI末日論者
[02:27:21] 早就已經講得非常嚴重了
[02:27:23] 好
[02:27:24] 好
[02:27:25] 這個大概就是第一章
[02:27:26] 聊聊天的
[02:27:28] 好來
[02:27:29] 那我們看一下有沒有什麼問題
[02:27:31] 在場有沒有什麼問題
[02:27:33] 沒有問題
[02:27:39] 我們再看一下slide上面喔
[02:27:41] 鏡像課程如果要分組
[02:27:49] 是否需在系統中特別記錄
[02:27:51] 還是隻會影響作業上標示的作者資訊
[02:27:54] 我們不會有什麼
[02:27:56] 特別標示什麼
[02:27:58] 也不會
[02:28:00] 反正對我來講
[02:28:01] 你們就是某一組同學
[02:28:03] 然後你們就是教你們的報告
[02:28:05] 做你們的專題
[02:28:06] 這樣子嘛
[02:28:08] 然後到時候交報告
[02:28:09] 當然就是說
[02:28:11] 你們會一組交一個報告
[02:28:14] 那當然你們那個報告上面
[02:28:15] 當然就要寫說
[02:28:17] 我是A大學的誰
[02:28:19] 學號什麼
[02:28:20] 我是B大學的誰
[02:28:21] 學號什麼
[02:28:22] 就是這樣
[02:28:23] 好
[02:28:24] 沒有什麼特別的
[02:28:27] 如果NTU COOL上面沒有兩門課
[02:28:28] 是正常的嗎
[02:28:29] 其他太卡都會出現兩門課
[02:28:32] 一個是遠課程旁
[02:28:33] 另一個是衛星課程
[02:28:35] 我不知道耶
[02:28:37] 這要問NTU COOL喔
[02:28:38] 我真的不知道
[02:28:40] 第一次作業
[02:28:43] 講教師會打分
[02:28:44] 還是會給一些回饋
[02:28:46] 發現我們訂的題目不合適的話
[02:28:48] 會去找其他建議嗎
[02:28:50] 因為
[02:28:51] 我們的組別
[02:28:52] 可能好幾百組
[02:28:54] 我們很難在短時間之內
[02:28:57] 每一個都給建議
[02:28:59] 所以你如果有特別需要
[02:29:01] 給建議的話
[02:29:03] 可能要跟我們助教約時間
[02:29:06] 或者跟我約時間
[02:29:12] 作業一定是個人的
[02:29:14] 我想一下喔
[02:29:16] 應該說我們的作業一三五
[02:29:19] 是一組的啦
[02:29:20] 作業二跟四是個人的
[02:29:22] 這樣子
[02:29:24] 那我不會協助分組
[02:29:26] 你饒了我吧
[02:29:28] 你們自己想辦法去找組員
[02:29:30] 不然你就自己一個人一組
[02:29:32] 你可以自己一個人一組
[02:29:34] 在ALOP裡
[02:29:35] 提高準確率跟降低錯誤率
[02:29:37] 是不是不太一樣
[02:29:38] 對的
[02:29:39] 提高準確率跟降低錯誤率
[02:29:41] 可以是不一樣的
[02:29:42] 只是說我們剛剛講到
[02:29:43] 那個Ingenet的那個比賽裡面呢
[02:29:47] 他們的習慣的評判方式是
[02:29:52] 錯誤率要越低越好
[02:29:54] 那當然不同的目標
[02:29:56] 不同的研究工作
[02:29:57] 可能評判的方式會不一樣
[02:29:59] 不見得是用降低錯誤率
[02:30:01] 可能是提高準確率
[02:30:03] 都有可能
[02:30:04] 那也有可能是
[02:30:05] 比如說提高速度
[02:30:09] 也是有可能吧
[02:30:11] 這個我剛剛說過了
[02:30:13] MTU COOL這個問題
[02:30:14] 我剛剛講過很多次了
[02:30:16] 對啊
[02:30:20] 你如果是外校的同學
[02:30:21] 你是線上上課的
[02:30:23] 你也可以跟助教約時間
[02:30:25] 那當然是用線上討論的一個方式
[02:30:27] 一個形式
[02:30:29] 好
[02:30:30] 然後在場有沒有同學有問題
[02:30:32] 我們再休息個十分鐘吧
[02:30:42] 再休息個十分鐘
[02:30:43] 然後我們最後會稍微帶到一點
[02:30:45] 第二章的內容
[02:30:47] 期末報告的內容
[02:30:48] 可以跟Proposal不一樣嗎
[02:30:50] 當然盡可能要一樣
[02:30:51] 不然你寫Proposal幹嘛
[02:30:52] 當然有一種可能性是這樣
[02:30:54] 你提了Proposal之後
[02:30:55] 做到一半發現
[02:30:56] 哇這東西實在是太難做了
[02:30:58] 所以中間要換方向
[02:31:02] 是可以的
[02:31:03] 所以這個時候呢
[02:31:04] 你就要在你的期中報告的時候
[02:31:07] 你要寫清楚
[02:31:09] 那你最好你的期中報告的主題
[02:31:11] 就是你最後期末的結果
[02:31:14] 好以上先回答到這邊
[02:31:17] 所以你就線上上課
[02:32:29] 對
[02:32:30] 可以這樣子
[02:32:31] 對對對對
[02:32:32] 他西幾級
[02:32:33] 禮拜二校
[02:32:35] 禮拜二校
[02:32:39] 可是如果是這個
[02:32:40] 他們如果要做一些Project
[02:32:42] 就是模擬
[02:32:44] 模擬這個好了嗎
[02:32:46] OKOKOK
[02:32:48] 不錯喔
[02:32:49] 拜託教我們一下
[02:32:50] 誰會教我們
[02:32:51] 兩個都要寫嗎
[02:33:00] 是下禮拜一那個吧
[02:33:21] 接下來一點點時間
[02:42:08] 十幾分鐘時間
[02:42:10] 稍微講一下第二章
[02:42:12] 第二章呢
[02:42:18] 基本上也是在聊聊天的啦
[02:42:20] 好第二章
[02:42:22] 不見了
[02:42:57] OK好來
[02:42:59] 那我們第二章呢
[02:43:00] 要講的是Intelligent Agents
[02:43:03] 你看到這個
[02:43:05] 這個Chapter的Title
[02:43:07] 老師你不是說
[02:43:08] 不教一些最新的東西嗎
[02:43:10] 不是說不教Agent嗎
[02:43:12] 怎麼第二章就開始Intelligent Agents
[02:43:15] 事實上自己就
[02:43:16] 跟大家證明說
[02:43:18] 跟大家說明說
[02:43:19] 事實上代理人
[02:43:21] 或者是所謂的Agent這個觀念
[02:43:24] 是一個
[02:43:26] AI這個研究領域裡面
[02:43:29] 一直以來維持的一個概念
[02:43:31] 本來就已經有一個概念
[02:43:33] 那只是說在最近幾年
[02:43:36] 在這個世界
[02:43:39] 大家是要Large Language Model
[02:43:42] 來去實現出
[02:43:45] 你覺得所謂的Agent
[02:43:47] 就一定是現在GPT
[02:43:49] 所做的這些
[02:43:51] 或者是Cloud
[02:43:52] Athropic Cloud
[02:43:53] 他們在做的這些事情
[02:43:55] 但其實Agent這個概念
[02:43:58] 老早在幾十年來
[02:44:00] 就一直都有
[02:44:02] 好來
[02:44:03] 那我們來講一下
[02:44:04] 一個Agent
[02:44:06] Agent可以是任何的東西
[02:44:08] Anything
[02:44:09] Agent is anything
[02:44:10] that can be viewed as
[02:44:11] perceiving its environment
[02:44:13] through sensors
[02:44:16] and acting upon that environment
[02:44:19] through a curator
[02:44:21] Agent呢
[02:44:22] 就是在一個環境裡面
[02:44:25] 可以透過感測器
[02:44:28] 來感知到一些訊息
[02:44:31] 然後依照這些訊息
[02:44:33] 做一些動作的東西
[02:44:36] 都叫做Agent
[02:44:38] OK
[02:44:39] 聽起來非常的廣泛吧
[02:44:40] 好
[02:44:41] 那一般來講
[02:44:42] 你就把它想像成
[02:44:43] 它就是一個系統
[02:44:46] 或者是一個機器設備
[02:44:48] 或者說根本就只是一段程式
[02:44:51] 或者說根本就是
[02:44:52] 你所撰寫的某一個Function
[02:44:55] 某一個含釋
[02:44:56] 這些都可以是Agent
[02:44:59] 那這個Sensor
[02:45:00] 這個感測器
[02:45:01] 大家也不要覺得說
[02:45:02] 講的就是溫度感測器
[02:45:04] 濕度感測器喔
[02:45:05] 不是
[02:45:06] 你只要能夠感受到
[02:45:08] 某一個定義的範圍內的資訊
[02:45:13] 都是叫感測器
[02:45:15] OK
[02:45:16] 所以如果說
[02:45:21] 如果說畫一個示意圖的話
[02:45:24] 就像底下的這一個
[02:45:26] 一個Agent就是在一個環境裡面
[02:45:28] 那我們可以感測到一些資訊
[02:45:31] 然後呢感測到資訊之後呢
[02:45:33] 透過一個
[02:45:35] 某一種Function
[02:45:37] 或某一種邏輯
[02:45:38] 或某一個模型
[02:45:40] 來推動我的Equator
[02:45:43] Equator可能是在做一個動作
[02:45:46] 那這個動作也不見得一定是什麼
[02:45:47] 機器手臂怎麼移動喔
[02:45:49] 可能我只是在回傳一串資料
[02:45:51] 也是一個動作
[02:45:54] 這樣懂我意思嗎
[02:45:55] 所以它非常非常廣泛
[02:45:58] 那感受Perceive這個詞呢
[02:46:02] 它可以是很廣泛的
[02:46:05] 你任何的Input的形式都可以
[02:46:08] 那你感受到這個環境的資訊之後
[02:46:11] 你就透過一個Agent Function
[02:46:14] 你輸入這個感測的結果
[02:46:16] 你就會輸出你要做的動作
[02:46:19] Again這個動作不見得一定是移動
[02:46:23] 不見得一定是什麼
[02:46:25] 可能只是傳一個資料都是
[02:46:28] 好那為了讓大家知道一個
[02:46:31] 這是舉一個例子啦
[02:46:33] 這個例子呢
[02:46:34] 在本課本裡面
[02:46:35] 在未來會出現好幾次
[02:46:37] 就是一個非常簡單的吸塵器的例子
[02:46:40] 假設呢這個世界裡面呢
[02:46:42] 只有兩塊地磚A跟B
[02:46:45] 這兩塊地磚呢
[02:46:46] 地上都有可能有髒東西有灰塵
[02:46:50] 那這個吸塵器它可以做的事情就是
[02:46:53] 它可以吸塵
[02:46:55] 它也可以往右走
[02:46:57] 也可以往左走
[02:46:58] 這個就是它會做的事情
[02:47:00] 所以你看喔在這個來
[02:47:01] 以這個角度來講
[02:47:03] 這個環境就是兩塊地磚
[02:47:06] 這個世界就是兩塊地磚
[02:47:08] 這個Agent呢
[02:47:10] 其實就是運作在這個吸塵器上面
[02:47:15] 那這個吸塵器可能
[02:47:17] 根據你吸塵器的功能啊
[02:47:19] 你吸塵器可能可以感測的到
[02:47:23] 我現在所在地有沒有灰塵
[02:47:27] 那它可以移動它可以吸塵
[02:47:30] 它也可以左右移動這樣
[02:47:32] 那所以這裡就講說它可以往左移
[02:47:34] 往右移可以吸塵
[02:47:35] 或者說它根本什麼事都不做
[02:47:37] 這個就是一個Agent
[02:47:40] 那一個很簡單的一個Agent function
[02:47:43] 我們剛剛講Agent function是什麼
[02:47:45] Agent function就是說
[02:47:46] 當你感知到一些資訊之後
[02:47:48] 你要做什麼動作
[02:47:49] 你這中間的mapping
[02:47:51] 你從感知的資訊到做出什麼動作
[02:47:53] 這中間的mapping就叫做Agent function
[02:47:57] 一個非常簡單的Agent function就是說
[02:47:59] 我如果感知到我目前所在的
[02:48:02] 地磚是髒的
[02:48:04] 那我就吸塵
[02:48:05] 不然呢
[02:48:06] 我就移到另外一塊地磚
[02:48:08] 這是廢話嗎
[02:48:09] 這就是一個最最簡單的一個Agent function
[02:48:13] 好那可是實際上
[02:48:18] 這個是一個空間裡面
[02:48:22] 某一個瞬間
[02:48:24] 有兩塊地磚
[02:48:25] 那有可能有髒的有不髒的
[02:48:27] 那如果我們再多一個維度
[02:48:29] 是時間的話呢
[02:48:30] 比如說
[02:48:32] 經過五秒後
[02:48:34] 本來A地磚被你吸乾淨了
[02:48:36] 搞不好
[02:48:37] 我就
[02:48:38] 我吸乾淨了
[02:48:39] 我就跑到B地磚去嘛
[02:48:41] 搞不好五秒之後呢
[02:48:42] 天上又掉下來一些灰塵
[02:48:44] 又落在A地磚上面
[02:48:45] 所以A地磚可能又髒啊
[02:48:47] 所以說你再多一個維度
[02:48:48] 如果考慮到時間的話
[02:48:50] 你要在所有的時間
[02:48:52] 都要把
[02:48:54] 這個地都吸乾淨的話
[02:48:56] 那你可能
[02:48:57] 你如果用一個最笨的一個方法
[02:48:59] 你可能就要列出一個表格
[02:49:01] 是一個包含所有時間的一個表格
[02:49:06] 比如說
[02:49:07] 我在某一個瞬間
[02:49:08] 我可能是
[02:49:09] 我感測到我在A地磚
[02:49:11] 那它是乾淨的
[02:49:12] 那我就往右移
[02:49:13] 我可能在A地磚它是髒的
[02:49:15] 那我就吸塵
[02:49:16] 我在B地磚乾淨的
[02:49:18] 我就往左移
[02:49:19] 我是B地磚髒的
[02:49:21] 我就往右移
[02:49:22] 我如果在第一個時間
[02:49:24] 這時候多了一個時間的維度
[02:49:25] 第一個時間A地磚是乾淨的
[02:49:28] 然後呢
[02:49:30] 我可能
[02:49:32] 不動
[02:49:33] 或者怎麼樣
[02:49:34] 或者說我在第二個時間
[02:49:36] 它也是乾淨的
[02:49:38] 那我才往右移
[02:49:40] 依此類推
[02:49:41] 你可以把這個
[02:49:42] table寫得非常的長
[02:49:44] 來cover所有可能
[02:49:46] 在任何時間點
[02:49:47] 它可能連續時間
[02:49:49] 它可能出現了一個情況
[02:49:51] 那這個表格就寫得太長了
[02:49:54] 所以很顯然的
[02:49:55] 寫一個規則
[02:49:57] 來處理一個
[02:49:59] agent system
[02:50:00] 可能不是一個很好的一個選擇
[02:50:03] 好
[02:50:04] 那這時候我們就要代入到
[02:50:05] 剛剛我們前面介紹過
[02:50:07] agent呢
[02:50:10] 當我們在定義AI的時候
[02:50:12] 我們可以從怎麼進行思考
[02:50:14] 以及怎麼樣進行行為
[02:50:17] 這兩個不同的角度
[02:50:18] 其中我們
[02:50:19] 剛剛講的就是說
[02:50:21] 最能夠落地應用的
[02:50:24] 是所謂的rational agent的
[02:50:27] 這一個派別
[02:50:28] 它的意思就是說
[02:50:30] 它只要做出來的行為
[02:50:33] 是理性的
[02:50:35] 這樣子的話
[02:50:37] 我們就稱呼它是一個
[02:50:38] 可用的一個AI系統
[02:50:40] 那什麼叫做理性的agent呢
[02:50:44] 那就是它會把事情做對
[02:50:47] 怎麼樣叫做做對呢
[02:50:49] 那就是在你有限
[02:50:50] 你所取得的資訊的情況之下
[02:50:52] 它能夠盡可能的
[02:50:54] 讓它的效能最大化
[02:50:57] 那我們就說
[02:50:59] 這樣子的agent
[02:51:00] 是一個理性的agent
[02:51:02] 好
[02:51:03] 那接下來問題連環問
[02:51:05] 那什麼叫做效能最大化呢
[02:51:08] 那就看你怎麼去定義效能這件事情
[02:51:11] 定義效能這件事情
[02:51:13] 所以
[02:51:15] 所以呢
[02:51:16] 我們最好是定義出一個
[02:51:18] 效能的評判方式
[02:51:19] 而不是去定義
[02:51:21] 你這個agent
[02:51:22] 應該要怎麼去移動
[02:51:24] 怎麼去進行行為
[02:51:26] 講到這邊
[02:51:27] 大家有沒有覺得
[02:51:28] 我好像都是在講一些非常虛無縹緲的東西
[02:51:32] 到底在講什麼
[02:51:34] 但是我們這本書
[02:51:36] 因為畢竟是聖經本嘛
[02:51:37] 所以它前面都是屬於
[02:51:39] 很多這樣的一個描述
[02:51:41] 所以一個理性的agent
[02:51:43] 就是要去最大化它的效能
[02:51:46] 比如說
[02:51:49] 比如說一個
[02:51:50] 在剛剛的這個吸塵器的例子裡面
[02:51:54] 到底這個吸塵器
[02:51:56] 這個
[02:51:57] 如果
[02:51:58] 我現在的地磚是髒的
[02:52:00] 我就吸
[02:52:01] 不然呢
[02:52:02] 我就移到另外一塊地磚
[02:52:03] 請問
[02:52:04] 這樣子的吸塵器
[02:52:05] 是不是一個理性的吸塵器
[02:52:07] 是不是呢
[02:52:09] 答案是
[02:52:11] Depends
[02:52:13] 不一定
[02:52:14] 為什麼
[02:52:15] 因為根據你怎麼去定義你的效能
[02:52:17] 我們才能夠說它是不是夠理性
[02:52:20] 比如說
[02:52:21] 你的效能可能是
[02:52:22] 你能夠吸到的灰塵的最大的
[02:52:25] 你最多能夠吸多少灰塵的
[02:52:26] 我希望你能夠吸最多的灰塵
[02:52:31] 那就應該是怎麼樣
[02:52:32] 就是說
[02:52:33] 我應該一直不斷的左右移左右移
[02:52:36] 無時無刻一直在移
[02:52:37] 然後一直吸一直吸
[02:52:39] 這可能才會最大化你的效能
[02:52:42] 那也有可能是
[02:52:44] 我的目標是
[02:52:45] 我只要有一個
[02:52:47] 在某一個瞬間
[02:52:48] 有一個乾淨的地板
[02:52:49] 這樣就好啦
[02:52:50] 所以你能夠維持
[02:52:52] 越多時間是有乾淨地板的
[02:52:55] 那這可能也是一種效能模式
[02:52:57] 那或者是說呢
[02:52:58] 它現在已經快沒電了
[02:53:00] 你要進入省電模式
[02:53:02] 你要盡可能的少移動
[02:53:04] 這可能也是一種效能的一個最大化
[02:53:07] 所以說
[02:53:08] Rational Agents
[02:53:09] 到底一個Agent是不是Rational
[02:53:11] 其實是要根據你的效能怎麼定義而定
[02:53:14] 好
[02:53:15] 那當我們在考慮
[02:53:17] 這個所謂的效能的時候呢
[02:53:19] 我們有時候還要參考到
[02:53:23] 這整個環境
[02:53:25] 是不是
[02:53:27] 我們一直在講說
[02:53:29] 我們能夠感知到的資訊嗎
[02:53:31] 你感知到的資訊有分成
[02:53:34] 你到底是全部都感知到的
[02:53:36] 還是說你只能夠感知到部分的資訊
[02:53:39] 所以
[02:53:41] 有一些情境之下
[02:53:43] 它是所謂的
[02:53:45] Omniscient
[02:53:46] 全知全能的
[02:53:48] 意思是說
[02:53:49] 這個環境底下
[02:53:50] 我所有的資訊我都知道
[02:53:52] 大家是不是知道這個
[02:53:55] 回答他們提出一個系統
[02:53:57] 叫Onimus
[02:53:58] Oniverse
[02:53:59] Oniverse就是說一個虛擬的空間當中
[02:54:01] 事實上裡面的物件
[02:54:03] 都是模擬出來的
[02:54:04] 所有的參數全部都知道
[02:54:06] 所以他取這個名字
[02:54:07] Oniverse
[02:54:08] 那這Omniscient只是指說
[02:54:10] 我在這個某一個環境之下
[02:54:12] 他所有該得到的資訊都知道
[02:54:15] 這是一種狀況
[02:54:16] 也有可能是
[02:54:17] 我只知道部分資訊
[02:54:20] 那我們當然是希望說一個
[02:54:23] 更有更為有用的Rational Agents
[02:54:25] 他不只是會收集資訊
[02:54:27] 他還能夠根據
[02:54:29] 收集資訊做出理性的判斷
[02:54:31] 而且呢
[02:54:32] 他最好是能夠根據
[02:54:34] 過去的歷史
[02:54:36] 來學會
[02:54:37] 我剛剛以為
[02:54:39] 這樣子是一個最理性的判斷
[02:54:40] 其實到後來
[02:54:41] 我收集到更多資訊
[02:54:43] 看了更多的時間之後
[02:54:44] 我能夠做出來的判斷
[02:54:46] 所以說呢
[02:54:48] 我們也會希望
[02:54:50] 我們的Rational Agent
[02:54:51] 是有自動化的
[02:54:53] 他能夠
[02:54:54] Learn what he can do
[02:54:56] to compensate for partial
[02:54:58] or incorrect prior knowledge
[02:55:01] 那他需要具備有一些
[02:55:03] 學習的一個能力
[02:55:04] 好來這裡舉個例子
[02:55:07] 到底Agent可以有哪些情況呢
[02:55:10] 基本上我們在描述一個Agent的時候
[02:55:13] 我們可能會同時考慮的
[02:55:15] 的東西是PEAS
[02:55:18] Performance Environment Actuator & Sensor
[02:55:22] 比如說計程車司機
[02:55:25] 其實就是一種Agent
[02:55:27] 他的Environment是什麼
[02:55:30] 當然就是路上
[02:55:31] 他的這個道路的情況
[02:55:34] 路面的情況啦
[02:55:36] 紅綠燈啦
[02:55:38] 有沒有行人啊
[02:55:40] 旁邊有沒有其他人在騎腳踏車
[02:55:42] 這個就是他所面臨的環境
[02:55:45] 然後他的Actuator
[02:55:46] 他可以做什麼
[02:55:48] 他可以做的就是
[02:55:49] 轉動方向盤
[02:55:50] 加速跟煞車
[02:55:52] 對不對
[02:55:54] 然後他的Sensor是什麼
[02:55:56] 你要做一個系統
[02:56:00] 能夠像一個計程車司機
[02:56:02] 你的Sensor
[02:56:03] 如果一般的真人的計程車司機
[02:56:05] 他大概就是他的Sensor就是
[02:56:07] 他看得到聽得到
[02:56:09] 聞得到頂多
[02:56:11] 好那如果是像現在CyberCat
[02:56:13] 有沒有Tesla的CyberCat出來了
[02:56:16] 他就像一個計程車司機
[02:56:18] 他的Sensor可能就會有攝影機
[02:56:20] 有聲浪
[02:56:22] 有速度儀
[02:56:23] 有GPS
[02:56:24] 有加速器
[02:56:25] 等等等等等等的
[02:56:27] 當然CyberCat是目前
[02:56:29] 可能很多東西這裡沒有啦
[02:56:31] 好那他的Performance是什麼呢
[02:56:33] 評判一個計程車司機的效能
[02:56:37] 你可以有很多不同的評判方法
[02:56:39] 比如說我現在要去桃園機場
[02:56:41] 你用最快的方式給我過去
[02:56:43] 所以可能是抵達的時間
[02:56:45] 要越短越好
[02:56:47] 那有可能是
[02:56:49] 我走的路要能夠越通順越好
[02:56:53] 也有可能是
[02:56:55] 我花的錢越少越好
[02:57:00] 這可能都是他的Performance
[02:57:02] 所以這是計程車司機的這個例子
[02:57:05] 那還有很多其他的
[02:57:06] 你可以自己去Check一下
[02:57:08] 這些全部都是所謂的
[02:57:11] Agent可能的一個形式
[02:57:13] 好那所以在一個Task Environment裡面
[02:57:17] 他可能有一些屬性
[02:57:18] 你可以把你的問題
[02:57:20] 你可以明確定義出
[02:57:22] 他是Fully Observable
[02:57:24] 還是Partially Observable
[02:57:25] 你的資訊是全部可被觀察的
[02:57:27] 還是隻有一部分
[02:57:29] 比如說
[02:57:33] 比如說你要開發一個下圍棋的程式
[02:57:38] 下圍棋的時候
[02:57:39] 盤面一定是Fully Observable的嘛
[02:57:41] 對不對
[02:57:42] 你不可以跟人家下棋的時候
[02:57:43] 你故意把你的什麼地方蓋起來
[02:57:45] 不行嘛
[02:57:46] 他一定是Fully Observable
[02:57:48] 那有一些情況就不是
[02:57:51] 比如說你開車在路上
[02:57:54] 你很難說你坐在車裡面
[02:57:57] 你360度前後左右上下
[02:57:59] 你全部都看得到
[02:58:00] 所以開車是一個Partially Observable的一個環境
[02:58:05] 然後呢
[02:58:06] 你這個整個運作是Single Agent
[02:58:09] 還是Multi Agent
[02:58:10] 你是隻有
[02:58:11] 只要處理一個
[02:58:12] 你這個環境裡面只有一個Agent在做事嗎
[02:58:15] 還是有Multi Agent
[02:58:16] 比如說下棋對打
[02:58:19] 就是有AB兩個Agent
[02:58:22] 在互相
[02:58:24] 運作
[02:58:25] 互相互動
[02:58:27] 那所以這個環境不一樣
[02:58:31] Deterministic或者是Stochastic
[02:58:33] 那就是說呢
[02:58:34] 你下完一個動作之後
[02:58:37] 你下一個狀態是一定可被預期的
[02:58:41] 還是它有一些不確定性
[02:58:45] 比如說Taxi Driver其實是Stochastic
[02:58:49] Stochastic的意思就是說
[02:58:51] 有不確定性
[02:58:52] 有隨機性
[02:58:54] 你叫它往右轉
[02:58:56] 這個所謂的往右轉
[02:58:58] 是轉一點點呢
[02:59:01] 還是一下子轉很多呢
[02:59:03] 轉得快還是轉得慢呢
[02:59:05] 是不一定的
[02:59:06] 是Stochastic
[02:59:08] 那Deterministic是什麼
[02:59:09] 比如說下棋
[02:59:10] 我要在某一個位置下一個黑子
[02:59:13] 它下下去之後
[02:59:15] 它就一定就是黑子會在那個地方
[02:59:17] 它不會有別的情況
[02:59:19] 所以這個都有一些關係
[02:59:22] 我們時間差不多到了啦
[02:59:24] 那所以說呢
[02:59:25] 也許接下來其他的部分呢
[02:59:28] 我們下次再補
[02:59:31] 那第一章跟第二章都是這種聊聊天的
[02:59:34] 真正會比較進入到核心的那種
[02:59:37] 會從第三章開始
[02:59:40] OK
[02:59:41] 好
[02:59:42] 一樣最後有沒有什麼問題
[02:59:44] 有一些我都已經回覆很多了
[02:59:47] 那沒有問題的話
[02:59:48] 我們就下禮拜再見