1. 怎麼接觸AI領域的？

在大學時期修過影像處理的課，進入研究所後也跟著教授做相關的研究。

2. 老師有做過什麼相關有趣的研究嗎？

　　在博士班的LAB會和生物學家合作，會產生實驗生物如老鼠和果蠅的圖片，接著再利用電子顯微鏡去拍照和切片，最後建立成一個3D圖形，尤其這些圖片的解析度相當高，可以看到神經元的樹突突觸。而這個研究的目的就是為了重建大腦的神經網路。

接著現在有在處理的就是自然影像處理，訓練AI做持續性學習，讓它再學習另一種資料集時還保有之前所學習的資料。而這項應用會使用在物件偵測還有影像切割上，像是醫院裡會有許多肝臟的資料，會利用這項技術將病變的肝臟找出來。而在醫院裡也有關於病人隱私權的問題，同一張圖片不能重複使用，因此會希望AI做到持續性學習去刷新醫院的資料。

下一個有在做的是影像搜尋，例如Google的以圖搜圖功能。而這項技術也能應用在許多地方，像是幫助電商在資料庫尋找相似的產品向顧客做推薦。

總之這些研究都屬於電腦視覺(computer vision)的範疇，最終目標就是讓電腦能變得跟人眼一樣，處理的資料大多就是圖片，由此可以延伸出3D圖片和影片的資料形式。

3. 做相關研究會不會遇到什麼瓶頸與困難（硬體限制等）？

現在大部分都使用深度學習的套件來建立一個深度學習的模型，在資源方面並沒有太大的問題，因為除了可以自行購買設備之外，現在還有國網中心可以提供設備以及儲存空間以供租用，例如一顆GPU使用一小時需要多少錢。而且國網中心所提供的環境是容易建置的，因為有些套件需搭配特定的版本，國網中心都能提供相對應的環境供使用者使用。

4. 請問深度學習與機器學習可以怎麼區分？

機器學習：收集一些相關資料，讓電腦從DATA裡面，讓他自己學習，不會直接給rule。例如：想設計一款機器人過紅綠燈，我們不會直接跟他說遇到紅燈停、綠燈走，只會給他一些DATA，讓機器人從中發掘。

深度學習：深度學習是機器學習的其中一部分，起初是想要模擬人腦神經元，建構類似人腦的神經網路，做出和人類接近的決策。但現在的深度學習已經跳脫這種方式，不去考慮人會怎麼做，單純考慮其表現而去做設計。

5. 視覺化AI可以如何做跨領域合作？

　　視覺是人類每天都會用到的，我們能從視覺上得到許多資訊，因此跨領域的合作十分廣泛，例如：和醫院合作、智慧城市（自駕車）、機器人視覺（考量到銀髮族而設計的居家機器人）、製造業檢測瑕疵（半導體製程上進行瑕疵檢測）等等，只要和圖像及影像搜集相關，都能成為跨領域合作的對象。

6. 對課程學生期待：如果要進入AI視覺領域，該先修或是具備什麼能力嗎？

　　以我們領域(NLP)來說，最近人工智慧的進展十分快速，如果對於技術方面十分有興趣的話，可能要有隨時接受新知識的心理準備，因為有些發展趨於成熟的領域是很久才會有新東西的。進入人工智慧這個領域最重要的是自己有沒有興趣，自己如果是對這塊是有興趣的話，就會願意花時間去熟悉、找資料、了解需要具備哪些能力而主動去自學。所以有沒有興趣然後去自主學習的意識才是最要的，入行門檻倒是其次。

7. 做AI研究的學生，在台灣與國外學習的環境有沒有差別？

　　做AI研究的學生，在台灣與國外學習的環境有沒有差別台灣與國外學術環境與資源鐵定是不一樣，台灣算是一個做研究蠻好的地方、人才也不少。如果不走學術方面，要進業界的話出路也是蠻多，以我們自己NLP領域的話，用的到不少東西(BERT、模型)。不過台灣的業界比較少在發論文，不過像在國外的公司，例如GOOGLE、FACEBOOK等，他們自己有個研發部門(偏研究取向)，我們有些技術面的東西是從他們那裏過來的，所以在國外要做研究不一定要帶來學術界，也是有業界這個選項的。有些國外業界也是有PRODUCTION的部門，會用到他們自己的技術來應用到自己的產品。