[AI v.s 物理] AI與物理方法比較
AI為何在這陣子會變得那麼紅，它的核心概念是想辦法定義一層又一層的函數以及最關鍵因子輸入，以及每一個結點下相關的權重，去得到最終的輸出。輸入與輸出是根據給定的數據結果，然後權重就是需要進行最佳化方法的查找，才能得到值。簡單來講，AI就是根據事先給定的數據，去找出最佳的權重值，以描述輸入與輸出之間的關係。透過這種方法，就可以之後在面對未知的輸出條件，給定已知輸入，我們就可利用AI去預測輸出。那這樣的建構方式，其實是通用性相當廣的，因為只要問題可被量化，有數據可以讓AI擬合就可得到最佳的結果。
這適用在當我們不了解輸入與輸出之間關係的時候，尤其再輸入與輸出之間的關係也相當複雜，我們也難以透過了解其中牽涉的機制，在不了解的情況下，依然用AI建模的方式，解決問題，所以AI等於是在人類針對一個複雜問題，也沒有方法去分析的時候，一種讓我們找到方法的賦能技術。
不過AI唯一受限的就是需要有數據，如果再沒有數據的情況下，就完全不能使用。這時候以某些情境下，牽涉物理機制就可以用物理方法建立模型。物理的方法在於需要明白輸入與輸出之間當中運作的機制，而且是清楚的了解。這當中複雜的部分就是我們要先能夠了解機制是什麼，再把機制轉換成數學方程式，還要將這些方程式的相關參數給定後，再一一對這些方程式求解，就可得到輸入與輸出之間的關係。這樣的好處在於在數據量很少的情況下，一樣可以去建立輸入與輸出之間的關係。因而，物理的解決方式，也可看成是當數據量不多時候的解決方法。
綜合比較起來，AI厲害的地方在於不需要瞭解事物運作的機制，直接就可強大的從數據歸納出一套運作方式，在某些情境下，人類難以去歸納了解機制的時候，變成是一種賦能的技術，他的缺點在於有時候模型會不穩定，很有可能預測的結果會錯誤，會偏離事實，所以這依然有一些配套措施來進行補強。
物理厲害在於少量的數據，透過瞭解事物背後真正運作的原理，才進行輸入與輸出之間的歸納，通常歸納完成之後，預測的穩定度就會相當高，因為基本上只要是貼近事實的描述，預測出來的結果就事實。缺點在於當情境複雜到很難被歸納，或參數難以被測得的時後，就也是需要一些手法來進行補強。
[參考]
