最近我開始思考一個問題。我有想要學習深度學習和TensorFlow的渴望，但同時在效率和現實考量上，這是否是正確的選擇呢？最終我所渴望的是將我所製作的應用程式發布到世界上讓人們使用，為了實現這個目標，學習TensorFlow是否合適呢？

深度學習的資源與現實考量

我覺得開發深度學習模型需要巨大的系統資源。數百萬韓圜的GPU、高性能CPU，以及為了處理大規模數據所需的雲端基礎設施，這一切都是成本。然而想想看，像Google和OpenAI等公司已經提供了出色的AI API，不是嗎？直接使用這些API來獲得所需的結果，並將這些結果應用到應用程式中，可能會更加經濟和高效。那麼，我是否真的需要自己學習深度學習來製作模型並進行訓練呢？這個問題讓我感到困惑，並且同時也感到害怕。

快速開發 vs. 技術能力

為了找到這些問題的答案，我試著從更寬廣的視角思考。如果我的目標只是快速開發應用程式，那麼使用Google的AI API或OpenAI的GPT-4等強大工具顯然會更有效率。使用已經訓練好的模型，利用其結果來實現我想要的功能。無需在基礎建設投資或學習時間上承擔壓力，便能夠直接將性能良好的模型應用到我的專案中。這樣一來，不僅能節省成本，還能實現快速開發。

那麼學習TensorFlow和深度學習就沒有價值了嗎？對這個問題也有不同的觀點。在學習深度學習和TensorFlow的過程中，獲得的不僅僅是製作模型的技術。如果掌握了深度學習的基礎和原理，將能夠為一些現有API無法解決的獨特問題，創造出我自己的解決方案。不僅僅是調用AI API，而是為了解決特定問題設計和改進定制化的模型，這項能力將成為我的巨大競爭優勢。

此外，長期來看，如果我想開發具有創意的應用程式，那麼直接操作像TensorFlow這樣的框架的能力將是必要的。已經存在的API自然會有限制。為了超越這些限制並實現新的功能或性能的提升，我必須能夠理解並操作模型。最終，成為AI開發者的道路就是親自創造和理解AI，並在這個過程中找到無限的可能性。

現實需求與未來技術力的準備

綜上所述，我現在需要在現實需求和未來技術力之間找到平衡。當前，我應該利用現有的API快速產出成果，同時學習深度學習和TensorFlow的基礎，使自己能夠創建自己的模型。我認為這是對我來說目前最現實且未來有保障的良好方向。

隨著未來的準備，技術將不斷進步，系統的價格將降低，高規格的PC將在不久的將來變得普及。想想1980年代末父母首次給我買的PC的性能和價格，這個世界確實在迅速變化，現在的變化相比當時更是數十倍，甚至數百倍。

另一方面，也存在所有應用程式並不需要龐大的深度學習的情況。若是簡單功能，我認為在相對規格較低的一般伺服器或家用PC上，也能夠建立和運行AI模型伺服器。

結論：挑戰我的AI

總之，直接處理深度學習肯定不是件容易的事，有時在資源的限制和效率之間必然會產生困擾。但是如果我想創造我的AI，通過自己的解決方案為世界做出貢獻，我堅信學習TensorFlow是一個值得挑戰的方向。我希望在走我自己的道路的過程中，這些困惑和恐懼能夠轉化為更大的可能性。