什麼是 AI？所謂學習 AI 到底是在學習什麼東西？此大哉問不是三言兩語可以清楚回答的，老頭建議初學者可以在 google 上搜尋「什麼是人工智慧」，看個兩三篇，從中大致能夠得到此基本的背景知識。

簡單的說，現今一般所講的 AI 大多是指「深度學習 (Deep Learning)」，它是目前 AI 研究的主流，老頭的學習也主要在這個範疇內。為了行文方便，往後一系列的文章中，老頭並不特別區分 AI 和深度學習這兩個詞彙。在有需要強調兩者不同的時候，再特別加以標註說明。

兩年前我們一群同事開始學習 AI，起初一切進行的似乎非常順利，網路上的資源汗牛充棟，需要什麼東西，在彈指間就可輕易的從網路上拉下來，我們學到：

Python 是 AI 主要的程式語言：
沒問題，大家都是 C++ 的老手，Python, a piece of cake!

Keras 提供了方便的 API：
文件非常齊全，大家讀了一兩個禮拜，就可以上手了。

FC / CNN / RNN 是模型常用的結構：
老實說，除了 FC (Fully Connected) 之外，CNN 和 RNN 的內部結構我們真的是看不太懂，勉強知其然，卻不知其所以然。所幸 Keras 把它們包裝得很好，網路上也有一大票 sample codes 教我們怎麼用它們，因此我們當時覺得，不需要懂引擎剎車的原理，只要會開車就行了吧！不要去想 CNN / RNN 內部到底在做什麼，直接拿來用就可以了！

AlexNet / VGG / InceptionNet / ResNet 等等是著名的影像辨識模型：
我們大略的研讀了它們的結構，雖然不能百分之百了解它們的精髓，但是使用它們則是相當方便的。我們從網路下載了一些訓練好的模型做實驗，效果符合預期，我們非常滿意。

至此，大家覺得我們應該準備好了（很是自滿），可以用 AI 來做一些產品。而當時公司有個研發中的產品碰到技術瓶頸，它是一個用數學及統計方法計算待測物位置的「定位系統」，因為環境及雜訊的干擾，精確度一直無法達到標準。於是乎我們這群自大的人決定用 AI 來解決這個問題，天真的以為大概幾個月就會有成果了。

我們的下場大概各位讀者都能夠預期得到，不是普通的慘！

在整個過程裏我們犯了很多的錯誤，例如技術基礎不夠深厚、AI 專案的研發流程不夠熟悉等等（磬竹難書），但其中老頭認為最值得和大家分享的是「我們遠遠低估 AI 專案 Prototype 和 Product 之間的距離」！

依照過去的經驗，一個產品 Prototype 完成所需的時程，大概是整個專案時程的 20% 到 50%，而 AI 的專案可能不到 5%！甚至可能是 0% (夠嚇人的)！其中一部份的原因是對於 AI 產品不夠了解，無法好好掌握 Prototype 所需要驗證的功能範圍 (scope)，而最大的原因，應該來自於深度學習本身的特性。

舉個例子，假設我們要設計一個能夠判別照片內的物體是不是「狗」的產品，產品的要求的精確度是 95%，為了驗證研發的可行性，我們也許會先儘快設計一個 prototype，精確度的目標是 85%，如果能夠成功的達成目標，下一個階段再改良這個 prototype，使之成為正式的產品。

看起來這是個很合理的專案規劃。OK, Let’s go! 我們先設計一個模型，（這好像不難，網路上應該有計多類似問題的模型可供參考) ，理論上它未經訓練時的精確度應該是 50% (註一)，而後我們開始收集照片（包含及不包含狗的照片都要），並同時訓練我們的模型，兩個月過去了，收集了 2 萬張照片，訓練出一個 13 層的 CNN + FC 模型，精確度 86%，大夥兒高興極了，馬上 demo 給主管看，主管看了心中竊喜，先鼓勵大家一番，並要求大家 6 個月後拿出產品來 (主管的心證，prototype = 完成度 25%) ，隨後在高階經營會議上跟總經理說 8 個月後可以推出新產品 (自己抓了 2 個月 buffer)。

隨後大家興沖沖的開始 “fine-tune” 我們的模型，第一個月 88% (good!)，第二個月 89.5% (not bad!)，第三個月 90%，有點急了，第四個月 90.5%，第五個月 90.8%，到了第六個月，儘管已經收集超過 10 萬張照片，模型也膨脹到 16 層，但是精確度也只能達到 91%，怎麼也上不去。硬著頭皮跟主管報告，主管面有難色，不知道 91% 和 95% 的精確度差異會有多麼明顯，於是拿了一張他養的名貴捷克狼犬的照片測試一下，結果模型輸出「非狗」！然後..........

為什麼是這樣？因為

• 一個既定模型有它的數學上精確度的極限。
• 越接近極限，所需的訓練資料量越大，甚至是指數的成長。
• 收集的訓練資料如果和實測資料有統計分佈 (distribution) 上的偏差，模型在實測時的精確度將大打折扣（如上例，如果我們的訓練資料根本沒有包括捷克狼犬，那麼就算收集了 100 萬張照片，仍不能正確判斷出捷克狼犬為狗）。

所以，如果模型用錯了，目標永遠達不到；如果模型是適當的，也許要到收集到 50 萬張照片，才能達到 95% 精確度；而最後，要確保收集的訓練資料足以涵蓋實際應用時的狀況。

老頭的團隊所犯的失誤，就是第二和第三種狀況。（佛祖保佑，沒被 fired )

前幾週老頭因公務需要，與某大學的一個研究室商談有關 AI 技術的合作事宜，這是一個跟醫療照護有關的研發專案，兩位博士指導老師帶領七八位研究生，興致勃勃地介紹他們的計劃，從如何收集資料，如何建模，到如何驗證，如何臨床實驗，時程排得相當緊湊，信心十足，彷彿所有的技術都已成熟，只待實作和商品化。我在他們身上看到了一年多前的我們，感慨萬分，當下真的不知道該說實話，澆他們一頭冷水，還是 …… 就讓他們痛一次吧，痛了才會成長。

勿將 AI 輕易看，這是老頭想和 AI 人分享的肺腑之言。