AI經濟

在現今這個科技快速發展的時代，AI 的熱度持續攀升，已然成為人們生活中常被提及的話題。然而，我們必須清醒地認識到，目前 AI 的發展水平，與我們最初對它的期待之間，仍存在著不小的差距。這差距背後，藏著 AI 發展的曲折歷程，也蘊含著我們對正確認知的關鍵。 AI 發展期待的落差 當下，不少人對 AI 寄予了過高的期望，彷彿它是無所不能的 「神奇法寶」。但實際情況並非如此。就拿我在先前演講中提到的 AI 發展階段目標來說，若不了解研發人員對 AI 的規劃，就很難準確判斷目前 AI 技術究竟處於什麼階段。 AI 的發展並非一蹴而就，每個階段都有特定的目標與挑戰。 AI 發展的曲折道路 初始高目標的碰壁 AI 誕生之初，就被賦予了極高的定位 ——「 機器像人一樣思考 」。這聽起來確實令人興奮，似乎機器即將擁有和人類一樣的思考能力。當時的拓荒者們滿懷信心，想著既然是用人的思考模式去設計機器，應該不難實現。但現實卻給了他們沉重一擊。在實際操作中，他們面臨著許多棘手的問題：機器的運算速度能否夠快？人類的思考能否被歸納為固定流程？這個流程又該如何精準切割細化？即便到了科技如此發達的今天，這些問題依然沒有得到完美的解決。 希望落實在數學領域 由於最初目標難以實現，AI 的發展方向發生了轉變，變成了 「 電腦解決數學無法解決的問題 」。數學有著嚴謹的邏輯和固定的運算流程，讓電腦來輔助解決數學難題，似乎是個不錯的想法。在某種程度上，計算機的運算確實幫助解決了幾何和代數中的不少問題。但好景不長，新的問題接踵而至：機器的運算速度是否能滿足需求？幾套數學運算流程真的能套用所有狀況嗎？數據測定技術是否成熟？數據建立數學模型是否完善？數位類比是否精準？ 以蒙特卡羅模擬法為例，曾經某英國學術期刊（SCI 等級）只刊登使用他們模擬方法的論文，拒絕其他方法或突破性論文。眾多研發人員只能引用他們的論文，採用他們的方法。但科技的進步本應是多元的，是為了探索真理、解決問題，而不是被某個單位或某種方法所束縛。後來我們將這種模擬方式公開，免費分享在臉書社團，因為事實證明，它並非不可取代。從設定這個目標到現在，AI 在解決數學問題方面並沒有取得實質的突破，那些曾經繞開的難點，依然橫亙在前進的道路上。 目前目標的達成與局限 到了 1970 年代，AI 的目標再次調整為 「 機器能辨識、互動、感知 」。如今，我們所接觸...

 AI數據分析線上課程怎麼學？ 基本上是透過在電腦上看影片學習。從第一步軟體下載、安裝到操作，怎麼下載，怎麼安裝到怎麼操作，有老師直接在Windows作業系統的電腦上操作，非常詳細的操作步驟。你只要跟著一起做一次下載和安裝，之後電腦上就有軟體了。至於操作軟體就是要通過反覆練習與習慣，提高你的熟練度。 因為數據分析本身離不開數據，我通常會用公開數據來進行教學。所以在數據尋找的影片中，你也能從網站上下載到數據，然後將Excel的數據進行格式轉換(這在數據分析流程中的數據處理階段)。 有學員問我說 為什麼整個操作流程不全部自動化呢 ？ 你得知道 你正在學習中 。我如果讓軟體自動化了，那我不用教你，你也不用上課，你不用學其中原理。就像某大學一學年都是上chatGPT，生成文章讓學生去判讀。說不好聽點chatGPT可以生成文章後再讓它判讀啊。 別說學生不會這樣做或者老師不鼓勵這麼做。只要是學生，能這樣做，他為什麼不做。如果有同學因為這樣得到鼓勵，那就會全班跟著一起這樣做。所以想成為AI跨領域人才，倒底怎樣才是AI跨領域人才？ AI跨領域人才？ 這裡指的肯定不是資訊學院、理學院或工學院的人，因為他們本身就是AI領域的一部分。所以這邊的AI跨領域人才指的是文學、商學、社會科學等應用AI的人。如果你說chatGPT，那使用過Deepseek和豆包的我就得說，AI跨領域人才培訓中還在教「 提示詞 」？其實沒有那麼需要的。怎麼說呢？ 近期使用Deepseek和豆包的我發現，我可以跟人工智慧聊天機器人像一般人對話一樣，將我的需要說明就可以。它會自動思考並提供給我約60%不需要修改的內容。我較難以記得的語氣風格或缺了什麼需要補充，再之後的對話加入，就可以生成出約65%不需要修改的內容。 當然我詢問的問題與需要都是人工智慧聊天機器人內部資料庫都有的，只是它要寫出來的語氣和內容來說，確實比chatGPT好很多，不會有那種需要大幅修改內容和語氣的結果。所以，AI跨領域人才該學什麼？ 你如果學的是這類幫助你提升效率的做法，那其實不用一年的時間。但如果你是為了就業，要能不被人工智慧所取代，那你就要學人工智慧做不到的或者現在做不到的。 實際操作，繼續操作，練習練習再練習 即使是線上課程，我也是要讓你實際操作，而不是看影片就完事，或者實際操作幾次就當作自己會了。很多技能訓練看起來好像學一次就學會...