還有沒有要補充的？
如果都沒有的話，往下討論。
目前看不到漁會的資料？
我們事前都沒有資料？
瞭解。不過這個我們比較難寫上去（笑）。
說漁民反對種源庫，好像有一點怪。
因為我們要思考漁民的權益，如果你有他們的說辭的話，請補充到「在地漁民跟居民」的角落底下。
是的。這個是當時的協調成果，雖然沒有很清楚知道當時協調是哪些人來，但至少有當時的事實在那邊，我們尊重那個事實。
也就是以五年為期，把那個寫進去，這樣會比較好。那就交給你們？
非常感謝大家的參與。我有感覺到這棵樹（指心智圖）有長起來。
「未來」。
那天也可以討論，收歛到的結論會放入接下來的規劃當中，不會在現場決定。
另外「收取觀光保育費範圍與收取方式辦理公告」，這部分要等明年1月，我們不能違法行政，所以也不會在現場就公告。
非常謝謝大家。
沒有問題啊！關於AI，大部分不是一下子就能回答出來的，我們一起explore。
我們就是閒聊。我覺得第三個問題很有意思，就是如何幫助下一代的年輕人找到工作機會，這個可能要聽一下下一代年輕人的意見（指旁邊的人）XD。
好啊！我想第一個結構化失業，這個其實我覺得是這樣子的，之前有一派說法是exponential growth，這個是非常非常常見，也就是套一個摩爾定律，就說硬體越來越快，因為硬體越來越快，所以導致演算法會越來越好，演算法回頭讓硬體越好，因為現在IC設計很多是靠軟體在幫忙了，所以會有一個爆炸性的曲線，這個在Singularity University最喜歡講這一個東西。
其實AI到現在從深度學習的那一篇paper到現在其實非常久了，其實並不是一個新的概念，為何重新爆紅？是因為GPU computing出來。而這個硬體其實並沒有指數型的成長，我記得有一個分析師講得很好，sigmoid曲線跟exponential曲線，你看它剛開始的時候是長一樣的，所以其實你一開始長那樣子，不表示是exponential，也可以是sigmoid的，其實是可以各種曲線，現在我們看起來AI真的是比較像這樣子。
去年有一個說法是「凡是人類一秒間不假思索可以做到的東西，深度學習都可以做」，這個是heuristic，吳恩達在哈佛商業評論上提出這一個看法。
也就是我們在工作裡面，這一種機械性的操作，當然也是有，像開車是一個很好的例子，但是其實大部分的人的工作並不全是這一種重複性的，馬克思會說是易化的東西，所以你說要取代一個人全部的工作，除非這個人是在完全異化的工作情況，不然其實是不會取代的。
當時大家怕的是人一秒鐘能夠做的事，兩秒、四秒、十秒到最後就被取代了，可是我們觀察了這兩、三年下來，深度學習能夠做的事情越來越廣，越來越多人類一、兩秒能夠做的事情，從腦裡分出來，到AI可以做。可是每一件特定的事情上，都沒有變成是人類需要花個十秒鐘去聽的。
跟我們最相關的技術是語音轉文字技術，如果AI可以語音轉文字，其實我們工作流程會大幅地減輕，不管是作為分析師、記者或者是作為數位政委，都是一樣的。
但是現在語音轉文字一直都是在我講話、你講話，不能同時講話，不能有太多的雜音、口音不要太過分的前提滿足底下，也就是一般人戴著耳機，可能一面在做別的事情，我們聽著廣播，自然而然就可以吸收，也就是不假思索。
但是以上這三個情況不滿足，人類就會停下來想一想這一個前後文，然後去判斷這個意思，可是這一個動作我目前還沒有看得到哪一個演算法做得到，所以，我想人類快思慢想是很不一樣的邏輯。
當然當年深度學習發明了，現在是在說我腦裡面有cortical column，我們把神經網路做成人腦裡面的樣子之類的，但這樣子等待的運算力可能是下個世代，也就是我們現在還看不到怎麼做到。等到那個分析，我們再來擔心，可能比較好。
現在這一代的GPU computing，感覺起來能夠從人腦裡移出來的東西就是這樣的東西，所以我不會覺得結構性造成的失業很像是三、四種職業完全消失的那個寫法，而是三、四百種職業裡面冗長、重複的3K這一種3D工作，那個也許就會被取代了，因為取代是非常有正當性，不管政治上或者是經濟上的，但是不表示在那個位置的人沒事做，而是做一些沒有那麼危險、骯髒、異化的，就跟我們一向以來是同一個結構。
我講的是現有工作裡面的百分之幾被取代，而不是這一整份工作被取代，因為現在看起來並不會一整份工作會被取代。
可能百分之百，裡面都是融入了AI，這絕對是這樣子的，所以我們在教育裡面強調資通訊跟媒體素養融入教育，因為不管學哪一科，資通訊都可以幫你的忙，所以我不會覺得是特別很紅的那一、兩個應用全部被取代，其實跟任何的vertical都會產生關聯。
我們做在職訓練的時候，可能更重要的並不是要如何轉到一個完全不同的職位，而是如何跟AI合作。
對，現在都是說第四次工業革命。
或者都轉換了。
舉例來說，用來拉車的馬都不見了，馬口少了非常多。
對，有AI support。主要的原因是當時其實就是蒸汽機取代掉肌肉，就是一句話，那所以本來在社會上就有白領、藍領的分別，所以等於是一個角色被抽掉。
我們現在不管是哪一個工作，是一起與機器合作，所以我覺得轉換的方式不一樣。
我們覺得這個很容易預測，你只要看人的需求就好了。
我們之前有一個比喻是：如果Linux要收授權費的話，那就沒有Google了，因為Google用了非常多台Linux機器，如果每一台都要付授權費，一開始幾乎都是免費，只是偶爾賣廣告的獲利模式，就不可能規模化。
因為其實現在很多AI都是開放源碼，跟當時Linux起來的方式是一樣的，也就是大廠找到了一個技術，在貢獻這一個技術的過程中把它開放出來，開放出來就不限制只能做這一個大廠設定的用途，要拿來下圍棋也是你的自由。
所以我想這一個本身就是你會看到很多不同業的業界，在同樣工作上一起improve一個AI的程式庫，像Open AI或者是最底層的TensorFlow這一些東西，或者是所有自駕車相關的生態系，其實都是這樣子長起來的。
因為這樣的關係，我比較不會說是enable特定的產業，可能反過來說每一個產業有一些痛點，可能這一個部分覺得需要太多的人力來做，因為這一些人力裡面不假思索的部分，都可以移出來給機器做，所以可以給人力的base做一些創造性或者是組織性的工作。
每一個industry自己這樣組織之後就產生了質變，這個是很明顯的，但是產生質變之後，到底是否叫同一個industry，這個是一個用詞的問題。
舉例來說，假設自駕車也就是那一天談到的，AI在路上跑，當然enable非常多的東西，但是就看你怎麼切入，如果你現在是一個住在park裡面拖車的人，你當然覺得睡一覺就自動從一個地方移動到另外一個地方，這個也是你的居住環境自動重新整理。
如果現在跟車的關係並不是住在車裡面，對車的想像是完全不一樣了，所以你對這一個東西的需求來決定你會怎麼用AI，並不是你看到了AI，而完全產生一個心理用不到的需求，我覺得並不是一個design maker。
我相信你的工作裡面，並不是都不假思索（笑）。
好，那一些重複冗餘的部分可以用AI來幫你。
反過來講，你也要懂得問AI正確的問題，也就是你剛剛所說的合作的部分。
所以你覺得你的工作真正發展判斷力沒有那麼多？
不過分析師歸分析師、交易員歸交易員，好像一句話就把這兩個連在一起，好像哪裡怪怪的。
對。
當然有一說，是當年2008年還沒有成熟的AI，導致連鎖崩潰，如果中間都是人的話，多多少少不會那麼瘋狂，AI瘋狂起來是比人瘋狂的，可能當年程式沒寫好，而且當年深度學習還沒有普及，怪到AI頭上（笑）。
