我看人工智慧
我對AI的定義（AI在我們實驗室所扮演的角色）
許多同學成天嚷著做AI，1450也不斷地散播高老師不懂AI；這不要緊，但希望同學們真的瞭解訊號是如何運作的，那才是真知。
就AI研究領域這一部份，我簡單做個說明；我將AI領域分成三個層次：
第一級：做AI
舉例而言，在老師念碩士班的年代（民國84年間），也是類神經網路剛引入國內的開始，那時多以多層感知機為主，當然也有前授（Feedforward）與回授型（Recurrent/Recursive）網路，但當時沒人想過可以在進入全連接層之前加上Convolution（也就是現在的CNN），因此這樣的發想是一個了不起的創見，我將它稱為「做AI」，也就是投入各種能夠產生突破性結果（結構）的研究。
第二級：用AI
這是AI與神經網路的應用，針對特殊議題（或問題），找出適當的網路結構，依據問題屬於分類或預測選擇適當的Loss Function、訓練方式，再找出適當的輸入特徵進行模型訓練、評估模型效能。
在這一級別中，模型表現的好壞與輸入訊號（嚴格說可能是特徵）其實是高度關聯的，因此如何找出適當的「特徵」作為模型的輸入是相當重要的，而且通常需要訊號處理的基礎（例如訊號可能需要先使用PCA降維）；至於模型結構（或網路結構）通常是超參數的調整、組合與嘗試。
在我們解決問題的過程中也有相當大的機率會使用到AI與機器學習的方法（例如SVM、Decision Tree、Random Forest、Adaboost、XGBoost等）；因此我們實驗室屬於第二級「用AI」來解決問題，而非第一級投入創新的AI結構開發。
第三級：套用API
目前AI有些氾濫，而AI的工具也相當便利（諸如較底層的TensorFlow，或較上層且基於TensorFlow的Keras）；但許多投入AI領域的同學也好、朋友也好對於AI網路的運作以及意義並非真的瞭解；老師也常看到許多亂象，舉例而言，面對預測的問題竟使用Cross Entropy作為Loss Function之類的胡亂組合。這或許是因為API太過普遍、簡易，任意的網路結構堆疊都會有「結果」，只是恐怕實作的人也未能知道自己究竟做出的結果其意義何在；這就是老師所說AI流行之後只會套用API的亂象之一。
綜而言之，AI與機器學習並非我們實驗室的唯一，他（們）就是一個解決問題的工具（但需要視問題而決定使用與否，以及所使用的模型架構）！