3. 老師是否有景仰的偉大數學家？為什麼？

Paul Erdős，我認為他是一位既是多才也是天才的數學家，因為Paul Erdős會嘗試挑戰較少人關注的領域，並勇於挑戰較冷門的課題。另一位是Évariste Galois，在年輕時就解決了長期困擾數學界的問題，但在20幾歲就逝世，是一位具有傳奇性的數學家。

1. 請老師簡單介紹AI在工程應用上需要用到哪些數學？

我認為最直接的是線性代數，它會應用在神經網路上，還有像是線性分類器、支援向量機(support vector machine, SVM)的模型等。幾乎大部分的模型都建立在線性代數之上，其中一個原因是因為數學家對線性的東西是比較了解的，而非線性的結構是很複雜的，所以大部分的情況我們會希望利用線性的方式去了解模型。此外，還有圖論，例如決策樹會有的樹狀結構。再來還有GNN(Graph Neural Network)，利用圖論當作模型。

2. 目前AI在其他領域時有所聞，但關於工程的應用即使去Google得到的結果也少於他人，老師覺得原因何在?

我覺得目前還是有蠻多傳統工業會引進AI來加入到它們的製程中，並透過建模的方式來了解到更改參數後，會對製程有什麼樣的效果，像是良率與產值的變動等。以往產業是靠人工的方式去做調整，但是透過建模的方式能大幅減少測量的時間。以晶片為例，每次的生產出來的品質都會不穩定，以往都會經由人力的方式去挑選品質好的晶片出來，但是透過利用影像辨識的技術，便能為企業省下更多的成本。

3. 目前許多工廠都使用機械手臂，但仍需要有人監控，老師認為距離未來可能只使用AI控管的全自動工廠還差些什麼?

AI在做判斷時，會給予準確率做參考，而這些準確率通常不會達到百分之百，人類亦然。關鍵問題是雖然建構的模型有能力達到95%的準確率，但是我們無法解決剩下的5%錯誤率所產生的問題。因此，我們要了解到的是5%的錯誤率帶來的代價有多大，像是在車牌辨識的應用上，就算出錯了，代價也不會很大。反觀若是利用機器手臂去為病人做手術，在過程中發生了失誤，那麼這時候就很難去釐清責任。我認為如何去解決錯誤率所引起的問題，是現階段或未來需要去克服的難題。 

4. 目前台灣有哪家企業在工程上應用AI的技術值得關注？老師有什麼看法？

大型公司像是鴻海、台積電和中鋼等，它們一定都有應用到AI的技術。其他像是與學校產學合作的傳統企業也有開始陸續引進AI的技術。

5. 若未來工程只依賴AI，企業會面臨什麼樣的風險？

未來科技的變化一定會越來越快，會不斷有新的技術出現，所以企業需要引進新的人才與接納新的技術，才能讓公司維持在最前端。因此，業界須有辦法產出與應用先進的技術，才能避免被淘汰的風險。此外，企業也需要著重於解決錯誤率發生時所引起的連帶問題，並盡力將代價最小化。
 

1. 學習數學是否需要天賦？對於數學不好的人，有什麼建議？

天賦難免會影響學習的效率，但後天的努力也是很重要的。透過不斷的練習，相關的技術是可以慢慢累積起來的。倘若要從事長期的數學研究，除了天賦以外，更重要的是興趣。如果希望學習數學可以讓你在工程上或AI領域上能夠比較得心應手，努力是比較關鍵的。雖然你可能會認為自己學習的效率比他人慢，但透過長時間的練習，你會發現自己處理問題的效率會越來越快。

2. 如何維持學習數學的熱忱？

多數人會認為數學很理論，但其理論都會有相關的例子。所以要多加練習，並找喜歡的事情去配合。多去嘗試，尋找與生活中相關的事情去具體化，你就會比較了解數學會應用在哪些領域，並透過實作的經驗，發現其中的樂趣。

3. 若未來想從事AI工程的工作，有什麼建議？

最重要的是自學的能力，因為最新的技術不斷出現，且可以透過網路去搜尋得到。因此，若有辦法自主去尋找資源自學，就比較有辦法從同輩中脫穎而出。透過網路上提供的資源去做練習，再應用到現實生活中，你就會發現更多問題，也會更加了解AI工程的概念。