隨著2016年3月 Alpha Go 以四比一擊敗李世乭， 人工智慧（AI）的熱潮於全球興起，AI背後所需要的機器學習技術受到各方關注，而 Alpha Go 背後所用到的深度學習技術（機器學習的其中一種方法）更是成為眾所矚目的焦點。
今日機器在學習時並非是死背人類提供的訓練資料，而是具備抽象化問題的能力（甚至可以誇張地說機器具備某種程度的理解能力）。
例如：當機器在做人臉辨識時，它並非將資料庫中人臉的影像死記下來，然後將輸入的影像和資料庫中的影像一一比對，現在機器有能力自動根據資料庫中人臉的影像，了解人臉由眼、鼻、口等所構成，而眼、鼻、口又由基本的幾何圖形所構成（例如：眼是一個深色的圓圈外圍套一個白色圓圈）。
因此，就算是機器沒有見過的人臉，透過抽象化問題的能力，機器也可以正確辨認出來。很多企業已迫不及待想要應用AI技術來改變世界，但想要成功的運用AI技術需要什麼樣的人才呢？
AI技術買來就可以直接用嗎？
有些人相信只要請 Google 授權 Alpha Go或請 IBM 授權 Watson，就可以把工廠瞬間變成智慧工廠，汽車瞬間變成智慧型無人車。
如此一來，哪還需要什麼人才？
但真實的情況並非如此，現在以深度學習技術為基礎的AI，在成功應用前，需要經過三個階段：模型設計、設定目標、學習。
模型設計，就是選定AI的天賦，不同的模型將使得AI適合做不同的事，如果想讓機器下圍棋，卻選擇適合開無人車的天賦，則AI將怎麼學也學不好。
選定天賦後，需要人類給予AI學習目標，例如：想要讓AI學會下圍棋，必須有人告訴AI贏棋是好的，並告訴AI什麼樣的情況叫做「贏」。
接下來，雖然AI在理論上可以根據人類設定的目標自動去學習，但需要人類幫AI選擇學習方式，不同的模型和學習目標適合不同的學習方式，若是沒有選擇恰當的學習方式，AI也無法成功達成人類給予的學習目標。
也就是說，跟 Google 拿到 Alpha Go全套的程式碼和模型參數，等於是聘請了一位超強的棋士，但它也只會下圍棋而已。如果你想要讓它做其它事情，必須重新訓練，而這個轉換過程絕對少不了人類專家的介入。
因此，有了Alpha Go 和 Watson，並非已經解決所有的問題，現階段它們只是解決了某一個非常特定的問題，想要把它們的技術用在其他應用上，還是需要下一番非常大的工夫才行。
AI系統像員工一樣，必須訓練！
要使用AI技術，必須具有和使用一般機器不同的思維。 人們習慣機器買回來就可以立即使用，例如買一個馬達，插上電源後就可以運作，但是AI 系統並不相同，AI系統更像是名員工。
人類員工並不是一聘請來就什麼都會，需要提供充分而合適的訓練才能勝任工作，「AI系統」也是一樣。但要如何根據AI所要執行的任務，選擇合適的天賦、合適的目標、合適的學習方式呢？這些就需要靠人類專家了，因此這些專家可以說是「AI訓練師（AI Mentor）」。
如何選擇合適的天賦、目標、學習方式，目前還沒有一以貫之的理論，但厲害的AI訓練師可以用較少的錯誤嘗試，有效率地訓練出厲害的AI。
而正是因為理論的缺乏，AI訓練師不是看某一本教科書、修某一門課就可以練成的，AI訓練師的養成最需要的是實戰經驗，而對主管來說，想讓培養工程師變成AI訓練師，需要的是提供足夠的練習機會和時間並鼓勵嘗試錯誤。
因著科技進步，現在只要幾台伺服器插幾張顯卡，然後在開源框架（framework）下寫幾行程式碼，馬上就可以開始開發以深度學習為基石的AI技術。但AI技術是否像一個訓練優良的員工有戰力，關鍵在於AI訓練師能否給予妥當的訓練。
在台灣應該找尋及培育一個有實戰經驗的AI訓練師，讓人才在關鍵的技術上做出突破，才能讓台灣產業抓緊在人工智慧時代，自主研發技術的機會。
