從教書到把 AI 帶進工廠

Ng 回憶在香港、新加坡長大，五六歲就用 BASIC 抄書上的程式來玩簡單的射擊遊戲；當醫生的父親在讀專家系統與類神經網路的書，也讓他跟著讀。在新加坡打工實習大量影印文件、最愛用碎紙機的經驗，讓他從那時就想著怎麼用軟體把重複的事自動化。

他一年教約四百名學生，發現自己年年重錄同一支影片、講同一批笑話，索性把去年的影片直接拿來用，省下的時間拿去多陪學生。第一批 MOOC 開課時已有十萬人報名、影片卻還沒拍，很多影片是在晚上 10 點到凌晨 3 點之間錄的，週末跟朋友吃完晚餐就回辦公室錄影。把「什麼對學生最好」放第一位的原則，後來延續到創辦 Coursera 上。

在 Coursera 之前他們做過四五版網站，其中一版能讓兩個人各自登入、在同一台電腦前一起看課並一起拿到學分；在舊金山一所高中試用，結果零人使用——學生上網學習是想自己抓進度，不想跟人一起看。他說這只是許多小教訓之一。

他覺得將來 AI 開發者很可能超過所有開發者的一半，甚至接近全部；就像多數人都識字，將來多數人也可能會寫一點程式。就連經營小店面的老闆，懂一點資料分析帶來的價值，可能比學傳統軟體工程還大，資料科學也許是更容易的入門路。

他認為講數學概念時，用白板或觸控筆能一邊講一邊把式子一塊塊堆出來；手寫的缺點是慢、寫不了長句，但慢也有好處，會逼人把東西拆到最基本。Lex 補充：好的演講只講清楚幾個簡單的想法，白板恰好逼人做到這點。

他回憶第一位博士生 Peter Abbeel 的論文題目是用強化學習讓直升機做特技飛行；團隊卡在直升機翻轉時 GPS 定位失效的問題上，試過雙 GPS、FPGA 解讀訊號都不成功，最後靠地面攝影機定位才解決，讓強化學習真正把直升機飛起來。

他提到多年前遇到一位數學教授，對方說做研究是為了「發現宇宙的真理與美」；Ng 說他尊重這種動機，但自己更在意能不能看見一條清楚的路徑，讓研究真正幫到人。

他坦言早期太看重非監督式學習——這個判斷部分來自大約 2005 年一次會後聊天，Geoffrey Hinton 用餐巾紙估算人一生要學進多少資訊，推論多數知識不可能靠監督式學習得來；真正賭對的是「規模有用」，促成這個判斷的是 Adam Coates 一張「模型愈大、表現愈好」的圖表，也是後來 Google Brain 成立的關鍵。

對於「該靠更大資料集還是更好架構」，他認為兩者都重要，要看問題本身離貝氏誤差率有多遠；他也認為 GPT-2 與 BERT 的突破有很大一部分來自規模。接著談到資料版本管理還很不成熟，並舉工廠檢驗員對同一個瑕疵前後判斷不一致的例子，說明小資料的標註品質問題有多棘手。

Lex 整理三個機構各自的定位：AI Fund 從零打造新創公司、Landing AI 協助既有企業導入 AI、deeplearning.ai 負責教育。

他刻意把專項課程的數學門檻壓低到不需要微積分，高中數學與基本程式能力就夠。他把建構實務機器學習的思考框架比喻成學寫程式：語法之外，更重要的是會把程式碼串成有條理的東西、懂得抽象；機器學習的除錯方式也跟傳統軟體很不一樣，擅長的人可以快 10 倍甚至 100 倍。

他認為深度學習難在概念一層疊一層，漏掉一個，後面就跟不上。他反問 Lex，Lex 認為深度強化學習最能讓學生開竅；Ng 則說自己教強化學習的時間愈縮愈短，因為真正部署上線的例子還不多。他也認為團隊不該只靠深度學習，該備好一整套工具，包含 PCA、機率圖模型與知識圖譜。

他說要是只當學者、預算無限，他會把時間全花在非監督式學習上。他舉例把圖片隨機旋轉、讓模型猜原始方向，或把圖片切成九宮格讓模型還原順序，都是用無標籤資料生出訓練任務的自我監督做法；他認為自我監督學習只是非監督式學習的一塊，不是全部，但已經快要實用。

深度學習專項課程官方長度約 16 週、可自己抓進度，有需要能申請助學金；他也談到自己把每週六、日固定排進讀書時間，讓學習變成不用天天重新決定的習慣，就像刷牙一樣。

他提到研究顯示手寫筆記因為速度較慢，反而逼人用自己的話重新消化內容，記憶效果比逐字打字更好；他自己上課（包括最近一堂臨床試驗的課）還是習慣帶筆記本手寫。

他建議先靠有效率的課程打基礎，再靠小專案累積經驗，不要一開始就想做改變世界的大專案；要不要讀博士看目標——有些事還是要博士，例如想當頂尖大學教授，若目標是做出好的技術成果，業界頂尖團隊也是好選項。

他認為公司招牌不是重點，真正決定體驗好壞的是每天共事的那十個、三十個人；他建議面試時直接問清楚未來的主管與同事是誰，對方不願意講，他會覺得是令人擔心的回答。

他說創業對多數創業者來說是很孤單的事，AI Fund 想成為讓決策不再孤軍奮戰的支援系統；這個構想源自他在百度時同時要支援既有業務、也要孵化新事業線（例如自駕車團隊、比 Amazon 更早發表的智慧音箱）的經驗。他也提到 AI Fund 曾評估過一個能讓使用者多看某類影片的構想，商業與營收都說得過去，但他判斷那不算教育、對人沒有實質幫助，最後放棄。

他認為軟體網路業已經把 AI 用得不錯，真正的機會在製造業、農業、醫療這些還沒被翻新的產業；他引用麥肯錫估計的 13 兆美元與 PwC 估計的 16 兆美元，並以工廠視覺檢測為例，說明實務上遇到的問題（例如環境光線改變）跟論文裡的乾淨資料很不一樣。

他出版過一份「AI 轉型手冊」，建議公司從小案子開始。以 Google 為例：他先幫語音團隊做出更準的語音辨識，讓其他團隊開始相信深度學習；接著用電腦視覺讀 Google 地圖街景上的門牌號碼，最後才跟廣告團隊認真談——一步步建立起內部信任。

他認為能在筆電上跑出來的模型，跟能在工廠這類場域穩定運作的系統之間有很大的落差；測試集與訓練集分布不一樣時，現有研究工具仍然不夠好用。他把機器學習比喻成「自動化的升級版」：自動化一項任務（例如視覺檢測）往往需要重新設計周邊的工作流程，不是只換掉那一小段程式碼。

他說自己很希望看到 AGI 實現，但不確定要一百年、五百年還是五千年。他半開玩笑地說，自己也會擔心「火星人口過剩」——只是不是今天該擔心的事。Lex 問到價值對齊，他說自駕車真正常遇到的問題不是電車難題，而是路上橫著一輛大白卡車，明明該煞車，車子卻直接撞上去；他認為迴紋針問題這類討論，會分散掉眼前更難的問題。

他認為偏見、資料集中帶來的贏家全拿式貧富差距、失業轉職、深偽技術被濫用，才是現在真正該處理的問題；他也提到，監理機關找上門、修正會影響營收時，有些公司寧可聊「保證不會毀滅人類」——但前者才是眼前真正棘手的事。

被問到有沒有後悔的事，他說常常是「早知道就好」的心情——讀到一本好書會想「要是創辦 Coursera 時讀到就好了」，但那本書當時根本還沒寫出來；被問到最驕傲的時刻，他先提到家人，再說「幫助別人朝夢想前進」也是他認為的人生意義所在。