AI熱潮席捲全球，甚至被譽為第四次工業革命，各行各業積極投入AI轉型，帶動AI學習熱潮，那麼到底誰應該來做AI呢？蔡炎龍教授說：「每一個人應該都要來做AI，每個人都可以做AI」。

問對問題，AI就能幫你解答

在《AI經濟的策略思維》一書當中，直指現代AI核心就在預測，蔡炎龍教授說明，在AI預測之前，人類要先問一個問題，而這個問題就是專業領域的問題，有了問題之後，將之化成數學函數的形式，最後架構神經網路，打造一個函數學習機，成功的話，就可以讓AI幫助我們做出合理的預測。

有什麼問題可以問、要怎麼問呢？股票是人人都關切的議題，比方說想知道某一支股票在某一個開盤日子的收盤件是多少？也許可以建立一個簡單的函數，輸入某一天的日期，然後AI輸出預測的股票收盤價，不過蔡炎龍教授說明，這樣的函數不太好，首先我們必須要相信所輸入資訊是可以推測出合理的結果，只有日期這個資訊太少，人類很難相信的所預測的收盤價是合理的，比較合理的作法，可能是輸入前一周的情況來預測下一周的某一天。

蔡炎龍教授所指導的學生專題，預測某位MLB選手在下個球季可以打幾支全壘打，起初學生輸入前一年球員的全壘打數來預測下一年，結果不準，後來再利用RNN記憶型神經網絡，輸入10年的打擊資料預測下一年全壘打數，結果還是不準。

蔡炎龍教授表示，「只要換個問問題的方式，原本不能做或不容易做的問題就可以做」。影響全壘打的變因太多了，很難達到精準預測，但是如果將問題從「有幾隻全壘打」換成「全壘打數落點區間」，就比較能夠獲得合理預測，變更問題後的實作成果，經過2017年賽事證明，是具有很好的準確度。

不只會預測，還會創作和玩遊戲

另一種問題，是希望AI能夠幫助創新或創作，比方說希望讓電腦創作一首曲子，可以利用生成對抗網路(GAN)，透過兩種的神經網路，先將所謂的「靈感」，也就是歌曲資訊輸入電腦，隨機產出一段小曲子，再用另外一個神經網路來判斷像不像是一首曲子，GAN最知名的實例，就是2018年NVIDIA利用真實明星的照片資料，創造了一群以假亂真的明星照。

讓電腦學會玩遊戲是人工智慧非常重要的里程碑，Alpha Go已經不稀奇，現在的電腦，已經可以玩星海爭霸、雷神之槌、Montezuma’s Revenge等網路遊戲，蔡炎龍教授表示，讓電腦玩遊戲，最困難的問題就是人類可能也不太會玩，難以準備給電腦的學習資料，但後來利用強化學習(reinforcement learning)，簡單來說就是將動作評分，這每個動作會導致好或不好的結果，藉此訓練AI。

蔡炎龍教授還提到，語意辨識也是AI發展的困難點，對於電腦而言文字只是編碼，可是一個字、一個詞在不同的地方可能是不同的意思，例如：我天天都會喝一杯咖啡、這個人的個性有點天天,這兩句的天天的意思是不一樣的，但是電腦分不出來，不過最近兩年已經有非常多技術的突破，可以解決語意上的問題。