小翔建議伴伴們在閱讀本書之前,可以先讀經濟歷史學家克里斯·米勒 (Chris Miller)的《晶片戰爭》以及成長股投資大師菲利普‧費雪(Philip A. Fisher)的《非常潛力股》,不僅讓你在閱讀時會更順手,也能從更宏觀的視野,重新審視晶片製造「去台化」的可能,藉由過往東芝的經驗讓我們仔細思考台積電的未來。除此之外,本書還有很多精華,以下簡單兩點與伴伴們分享。
第一點是「該擔心的不是AI,而是訓練它的數據」,相信伴伴們都聽過:「garbage in garbage out.(垃圾進,垃圾出。)」,它指的是如果把垃圾的東西放進去,就會產出垃圾的結果。這句話不僅適用於人類的飲食與學習,也適用於訓練AI模型。用正確的數據訓練,才能建構出正確的模型,也才能得到問題的最佳解。然而,具有偏見的數據不僅無法訓練出正確的模型,還可能導致模型充滿偏見,以至於影響到人們的權利。舉例來說,某公司用過往表現優良員工們的履歷和面試結果,來訓練AI篩選適合的人加入公司,並把不適任的人優先淘汰。這樣的做法看似沒有問題,但如果該職位在過往大多都是由男性擔任的話,被訓練出來的AI模型是否會影響女性求職者錄取該職位的機會呢?是否會因為數據中缺乏女性員工的資料,而使AI在不客觀的情況下,判定女性為不適任呢?除非在訓練AI模型時,有把性別等其他與職位無關的變相剃除,否則上述提到的問題可能會默默發生。