【對談】吳恩達：聊天機器人不利學習，基本功仍是AI時代關鍵
全世界正忙著蓋AI資料中心，吳恩達（Andrew Ng）卻說，真正被低估的需求還在後頭：未來的運算和資料庫，主要使用者會是代理人，也就是能自己動手完成任務的AI。他創辦DeepLearning.AI，共同創辦Coursera，曾領軍Google Brain，任百度首席科學家。這場對談裡，他談的是在AI寫程式的時代，人該學什麼，怎麼學。
每天精選 6 則要聞、一則產業名人訪談，五分鐘跟上。
他的訊息有三層。第一，AI工程人才正缺，他的團隊分析上萬份職缺，歸納出四項關鍵能力。第二，寫程式的工具三個月一變，底層功夫卻變得很慢，懂基本功的人才知道AI替你做了哪些取捨。第三，聊天機器人其實不利學習。合起來看：AI讓人做更多事，卻不會自動讓人變強。
◎AI工程能力正缺人，人類的優勢在脈絡
吳恩達說，眼下成長最快的職業是AI工程，但他指的不只是職稱，而是前端，後端，維運，行動開發等各種工程師都用得上的能力。有人擔心代理人終將取代一切，他的判斷是：凡是人類握有根本脈絡優勢的決策，例如記得客戶聽到某句話時的表情，AI短期內學不來，這類工作會長期留給人。
他的團隊分析了超過一萬份職缺說明，做了數十場結構化訪談，歸納出四項能力：打造並部署AI應用，軟體工程基本功，使用程式代理人，以及他稱為shaping the build的能力，也就是參與決定要做什麼。他也指出，程式代理人愈好用，軟體工程師職缺反而增加，因為效率愈高，企業想要的人愈多。
◎工具三個月一變，基本功才決定好壞
外界常說AI每三個月就翻新一次，吳恩達認為只對了一半。變最快的是程式代理人的用法，和半年前已大不相同；但如何部署，監控，更新AI系統，這些基礎知識變得比炒作的說法慢得多。工程的本質是取捨，成本，延遲，可靠度之間要權衡，不懂基本功的人，連有哪些取捨都看不見。
他用自己當例子：資料科學工作現在都交給AI代理人做，但它常做出很奇怪的決定，得出很奇怪的結論。所以不懂原理就靠感覺寫程式，代理人會替你做一堆你沒察覺的取捨，日後再反咬你一口。他還說，專案早期該快速做出粗糙原型，做完就丟；到了成熟期，才需要仔細想架構與資安。
◎聊天機器人不利學習，下一步是一對一
被問到學習會怎麼變，吳恩達說了一句可能引起爭議的話：「chatbots are terrible for learning」（聊天機器人對學習很糟）。他的理由是，研究愈來愈多顯示，用大型語言模型的學生作業分數較好，期末考卻較差；把思考外包給AI，事情做得更多，學到的卻更少。他認為職場成年人身上也一樣，只是被低估。
他不是反對AI，而是主張換個方向用。他打比方說，用TikTok也能學到東西，但多數人多數時候不是那樣用。他參與的新公司Learn Vector，目標是加速人的成長，而不只是加速AI的發展。他回顧Coursera約15年前改變教育，形式仍是一對多；如今技術已能做到一對一，未來幾個月會有更多消息。
回到開頭那場資料中心熱潮：吳恩達看到的不只是算力短缺，還有人才短缺。他自己承認，常在半夜醒來查看程式代理人的進度，也不懷念手寫程式；但他提醒，AI做得愈多，人愈需要刻意培養判斷力。接下來值得注意的，是Learn Vector幾個月後要公開的一對一學習產品。
認為未來運算與儲存等基礎設施會大量由代理人使用，推升資料中心以外的龐大需求。
說明團隊分析超過一萬份職缺，數十場結構化訪談，歸納出AI工程的四項關鍵能力。
提出人類具有根本脈絡優勢的任務，會長期由人來做；並回顧三年前提示工程師職缺的熱潮。
指出程式代理人普及後，軟體工程師職缺數量反而上升，企業找不到足夠的AI工程人才。
表示自己不懷念手寫程式，睡前啟動程式代理人，隔天早上看成果，是另一種投入狀態。
說明程式代理人用法變化最快，但部署，監控AI系統的基礎知識變化比炒作慢得多。
引用Jeff Bezos單向門與雙向門的說法，說明該快速做原型還是仔細規劃架構，取決於專案階段。
直言聊天機器人不利學習，學生用大型語言模型作業較好，期末考較差，並介紹Learn Vector的一對一學習構想。
看完今天的，讓明天的自己送上門
每天精選 6 則要聞、一則產業名人訪談，五分鐘跟上。
已出刊 157 期 ・ 隨時可退訂
