未來10年什麼事情不會改變？

當風潮已經形成的時候，你想跟上早就已經來不及了，因為那些引領風潮的人，也都是努力累積了許久才展現出這些實力，你現在看到的並非一朝一夕可以練成。

一切都回歸到一些從未改變的成功基本原則：樂觀、進取心、終身學習、持續不斷的努力

多數時候，我們都是在用科技滿足人類萬年不變的需求，只是每個時代的形式不太相同罷了。

Google、亞馬遜、Meta、蘋果（Apple）等公司都是利用 AI 在加值既有的商業模式，沒有整天創造出新的商業模式或突然改變既有的商業模式，這就是它們不變的地方。

科學研究中最簡單的選項，往往就是最終解答

每一次世界發生重大變化的時候，都是財富和權力重新洗牌的機會，而一個人在世界發生轉變的時候所採取的行為，則決定了他往後的命運。

我們唯一能做的，就是選擇用正確的思考方式來面對這波變革，仔細分辨那些變與不變的事情。

所謂「選擇比努力重要」，並不是告訴大家努力不重要，而是提醒我們自己，不要在重大關頭做出錯誤的決定，否則日後你做對再多小決定或付出再多努力，都很難彌補人生中一次重大的錯誤決定。

技術進步的侵蝕本來就是慢慢發生的，而且人類社會有辦法適應這些新技術，能不斷重塑（reskill）與提升技能（upskill）。

AI 不會突然摧毀、取代工作，它是一步步解構你的工作，取代的是一個個任務，讓人類扮演的角色漸漸弱化。

AI 可以取代重複性事務，也展現出強大的推理能力，但無法協調、決策、管理。

不是要問「會不會取代工作」，而是應該問「AI 會取代哪些『任務』？

ChatGPT 不為工作成果負責，千萬別叫它完成你的工作，它只是來跟你閒聊而已

會取代你的不是 AI，而是那些使用 AI 的人。

生成式 AI 並非為了產生精確的工作成果而存在

生成式 AI 的設計與運作，是為了理解你、跟你有互動，進而給予靈感、想法。

所有人都不用是 AI 專家，不需要了解 AI 的內部到底怎麼運作、採用什麼技術架構，但每一個人在漫長的職涯中，應該避免把自己陷入日復一日重複性事務的困境中，並要讓 AI 成為與自己互補的工具，隨時注意 AI 現在可以做到哪些事情、不能做到哪些事情，能夠解決什麼問題、創造什麼價值。

要成為一個成熟的工作者，要經過依賴別人（dependent）、獨立作業（independent）和互相依賴協作（interdependent）三個階段。

人類塑造出各種新工具，然後再由工具回過頭來塑造我們，完成自己的工作，AI 也是這樣。

一件事情寧可缺人做，萬萬不要隨便找人做，要是找不到對的人才，就先把事情減少，聚焦現有人力能負擔的業務。

創作者、藝術家，由於做為活生生的人，有情感、慾望，有好奇心、企圖心，在將這些情緒、心境交會並積累成許多人生經驗之後，才產出成名和經典之作，而這整個過程正是 AI 缺乏的。

AI 只是創造出一些沒有意義的東西，無法引起生活中的任何共鳴。累積生命故事的作品才是有意義的，而這些意義的來源，就是人類獨有的種種特質衍生的經驗。

相較於硬技能，企業領導人更在乎工作者有沒有企圖心、願不願意去使用工具，一堆人來應徵同一個職位，有人就是展現出更強烈的企圖心與動機，成為脫穎而出的關鍵。

在職場上，那些最了解自己、清楚興趣和專長在哪裡的人，最能發揮自己的潛力，因為他們知道自己的優點和缺點，也有勇氣面對，因此懂得發揮優點，並且找方法彌補自己的缺點（而不是消滅缺點，人不需要也不可能完全消滅自己的缺點，只要讓缺點不要成為我們的絆腳石就好）。

人往往在事過境遷之後才會頓悟很多事情，尤其是踩到雷、跌到坑裡時，痛過才知道什麼叫痛，到那個時候再回頭檢視自身、看看自己想成為什麼樣的人，就有點太遲了。

拋棄主觀、拋棄先入為主的偏見，永遠保持謙虛和空杯的心態去學習理解每一個世代、每一個不同想法的人，進而展現自己的彈性。

不同世代間，彼此身上都有各自需要的東西。

「服務型機器人」與「陪伴經濟」

或許有缺陷，才是人類的獨特之處吧！我們的特別並非顯現在頭腦聰明、能發明出 AI 上，而是因為能直面彼此，才會有化學反應、才會產生火花。

自己都不想用的東西，就不要拿出去賣給客戶。

在職場上，不論是設計產品、與同事相處，工作者最需要的無疑是同理心。

「體」驗是使用者一瞬間主觀的感受，你自以為產品有多

「體」驗是使用者一瞬間主觀的感受，你自以為產品有多好是沒用的，用戶的身體最誠實，而他們在用產品的時候，你根本沒機會在他們耳邊說東說西。

東方人面對事情通常較被動，會放任疙瘩在心裡滾成大雪球，等到願意發表意見，都是到了問題非常嚴重的時候，但那時許多事情往往已經到了無法收拾的地步；相較之下，西方人更直來直往，上班吵架，可能下班就又麻吉麻吉了，還會一起去喝杯小酒。

溝通不等於「說服」，溝通的真諦是「互相理解」，嘗試認識和自己不同膚色、外貌、性格的人，花時間和對方相處，理解為什麼對於同一件事，你們的看法會如此天差地遠，團隊意識、同理心就是在這樣的過程中，逐步產生。

學習 AI 已經不是一個目的，而是為了將 AI 應用在不同領域，因為 AI 本質上就是要在多元領域、既深入且又廣泛被應用的技術。

AI 是放大器，必須加上其他領域的專長之後，才會有倍數相乘的成果，和別人的差距也會跟著拉開。

除非你進入資訊業，工作很明確就是 AI 工程師、資料分析師、資料科學家，需要專精、投入 AI 技術的研究，否則只要知道程式語言的存在就可以了。

很多人因為缺乏跨領域的經驗、雜學的經歷，不會去客觀以對任何事物。

人們很容易分心，而筆記、寫作是整理自身想法，外加沉澱、舒壓、放鬆的方式之一。

如果你無法以淺顯易懂的方式解釋一樣東西，表示你根本不了解那個東西，即便再複雜的知識，都有簡單表達的方式。

將想學的東西先自己吸收一次，再教給別人，會擁有最佳的學習效果。

在高度連結、人人忙著爭搶注意力的社群時代，與其抱怨臉書掌握演算法，不如去加強投資近乎零成本的寫作、溝通表達能力

我們之所以學習，除了追求真理之外，目的本來就是為了解決更多實際生活中遇到的問題，AI 只是把這個學習的初衷給整個帶回來了。

當接收到一個問題時，更好的做法其實是先退一步去看待問題

VUCA 是易變性（volatility）、不確定性（uncertainty）、複雜性（complexity）和模糊性（ambiguity）的縮寫，形容持續變動中的狀態，後亦延伸用於商業管理、企業經營領域。

人類因為會思考，會消化今天、昨天遇到的大小事，會在為事物注入自己的生命經驗後，對同一件事情產生不同的感受，就是我們現在還有優勢的地方。

當你能針對一件事提出自己的獨特想法、展現獨立判斷的能力，你才是特別的。

永遠要戴不同的帽子來思考事情，並且不要以為每個人和你想的都一樣。

別活得像 AI，就不會被 AI 取代；不要把你的腦袋外包，就不會失去價值。

要懂得收斂和管理，不能什麼都學，就算你要做一個π型人，頂多挑兩三個專業來聚焦，剩下的當跨領域嘗試就好。

有自我管理就不會過度發散，導致什麼東西都學不好。

人不可能掌握所有東西，人必須有所選擇，並且學習妥善管理時間。

多數的人30歲後停止成長，便開始無意識地日復一日過著一樣的生活，重複一樣的習慣，再也沒有突破，再也沒有改變，只剩下年歲的增長。

如果因為覺得面子掛不住，而不能保持好奇心問些笨問題、虛心受教的話，失去的都是學習的機會。

如果你的格局夠大，即使失敗了也會留下重要的東西。

領導者應該具備「AI 對我的既有商業模式可以如何加值」的心態，而不是「我可以無中生有創造出什麼商業模式」的思維。

不管創業也好、想要創造價值也好，一定要從解決問題本身出發，千萬不要把 AI 本身當成一個商業模式

一般企業只要站在巨頭的模型上，先把企業內部的資訊組織清楚，成果會反映在人均產值和利潤上面。

我認為企業都應該擬定一套「數據策略」，而且必須分成幾大層次來檢視：第一，務必確保數據的完整性。

第二，盤點、清理完數據後，先用 POC[2] 的方式盡快產出實際應用

第三，資安已經不是「nice to have」，而是「must-have」

寧可你把資料放在床底下，也不要被駭客偷走。

在沒有規劃好資安之前，你最好什麼都先不要做，因為 AI 帶來的漏洞與潛在風險相較以往高出許多。

首先，建議企業要確認哪些資料可以擺在雲端、哪些不

第二，企業一定要有資料備援計畫

第三，無論是自己發展內部的數據應用、或是採用外部的 AI 工具，都要特別注意隱私權、擁有權、和存取權的設計

規劃一般資安策略的幾個考量

第四，要考量到近年來地緣政治已經成為企業營運的最大變數之一

我一直強烈主張生成式 AI 不能用來提供精確訊息，也沒有這個必要。因為生成式 AI 的底層架構設計，一開始就不是設計用來產生精確的訊息，它只是生成人類可能最想看到的答案。既然技術的底層邏輯就是這樣了，卻想要透過後天的再調教把事情弄對，這怎麼看都像是本末倒置。

相較世界其他地方在發展新科技時，都是趁著政府或立法者還沒回過神時直接衝撞市場，在與監理機關的不斷拉扯當中逐漸取得平衡，歐盟則是一開始就對科技採取「白名單」的治理原則，預判風險預先立法，一旦業者觸法就是重罰。而不是像其他地區一樣，往往是讓新技術毫無阻礙上線，等出了問題再來想配套的方案是什麼，所以 AI 在歐洲發展得相對緩慢，這是歐洲的選擇，採取了極度偏向風險趨避的做法。

AI 模型做為每個產品的中心，每一個模型是要淘汰、更新還是增添訓練資料，都有一套標準作業流程在維護（這在業界稱作 MLOps，機器學習維運），目的是讓模型迭代的速度持續縮短

維運 AI 產品，最重要的其中一個面向就是建立起「人類給 AI 的反饋」，這些使用產品的反饋是每家企業最珍貴的 AI 訓練資料，無論是 B2B 或是 B2C 的公司都適用。

美國的強項：商業基礎設施完善厚實，正向思維的教育方式

中國的強項：企圖心強，整合動作快

日本的強項：嚴謹，行事穩健

日本是全世界的機器人和機械技術大國，正在積極進行數位轉型，需要有更多軟體解決方案的協助來升級本地產業，那麼台灣的軟體公司，是不是就有機會在其中施展手腳呢？這應該會是未來幾年「台灣＋日本」最重要的一個合作方向，只要張大眼睛，你會找到機會。

未來一家沒有 AI 的公司，就像沒水沒電，很難施展。

必須先拉好企業內部的「資料管線」，也就是要先將散落在四面八方的資料，先做集中管理，才能有效發揮即戰力。

產業和營運模式的界限逐漸打破，對於有做 D2C 的企業來說，導入 AI 是維持領先的要素之一。

「贏家全拿」，除非你能掌握市場的需求方經濟，讓你的創新規模化，否則很難用 AI 創造出新價值。

光是成立資料庫還不夠，重點是要運用生成式 AI 萃取當中的「理解能力」，並思考如何將這項功能放入產品、商業模式和內部決策，才能產生有效的運用。

如果說面對未來強大的 AI，人類還有什麼僅存的優勢的話，大概就是我們身而為人的積極主動性了

AI 精靈將無所不在

ChatGPT、生成式 AI 讓智慧助理更聰明

將有更多機器人走進日常生活

我推測機器人會先以單一任務導向的消費者場域開始擴散

AlphaFold 翻轉科學研究，加速新藥研發

我們從原本提出理論、實驗、測試到底對不對的堆疊式路徑，到現在整個倒過來，告訴你有這麼多種蛋白質可以運用，你再從中挖寶，也就是一種「以終為始」的研究途徑。

在 AI 出現之前，電腦的模擬都很土炮，頂多就是運用 3D 設計，再去試驗看看可不可行，人類等於是花了40多年的時間，才找出20幾萬種值得探索、應用的蛋白質結構。

AlphaFold 運用 AI，直接在三個月內找出2億種蛋白質結構，而且數量還在不斷增加當中。

這些蛋白質結構並非能解決所有問題，但能讓科學家從中挑出有機會研發新藥的蛋白質，就大大減低了第一個步驟的時間。

將以往用「群體大數據」在看醫療的方式，變成用「個人大數據」來看醫療的視角，每個人的心跳、基因、生命徵狀都是大數據，讓 AI 運用非常大的類神經網路學習和理解這些個人健康歷程的大數據，進而在進行診斷時，連結兩個看似完全無關的因素，找出人體與疾病間的因果關係。

精準醫療

「人機協作」正進入「人與 AI 協作」的新階段。

生成式 AI 出現，能與人互動、對答如流，就象徵著它不只能單方面接受指令、吐出一個單一答案，它的維度還擴張成跟人真的在協作一樣

人機協作提升到人與 AI 協作的層次時，原本的心理學、認知科學、神經科學又出現了一個新的科學研究方向，那就是「AI」。

唯有愈了解 AI，才能讓人類在與 AI 協作的過程中，擁有更好的使用者體驗，進而帶動作業的順暢。

極簡主義在設計和技術上很困難，卻帶來非常好的使用者體驗。

使用者通常都喜歡簡單清爽的設計

人類可以用自然語言和 AI 聊天、互動時，自然也會將機器擬人化、融入自己的情緒，或者說我們認為它應該要展現「人性化」的一面。

只要介面、流程、體驗做得好的，一定會非常快冒出頭。

心理學、認知科學、神經學、工業設計將成顯學

所有數位事業的本質，都是用更精巧的方式來奪取「注意力」、「交易」和「數據」

巨量廣告的基礎和需求方規模經濟本來就是掌握在科技巨頭身上，而不是一般新創公司。

因為網路外部性（network externality，又稱網路效應，意指使用者愈多，價值愈高）和邊際收益遞增（increasing marginal revenue）兩種經濟效應的關係，數位經濟會有「贏者全拿」的情形，讓這些科技巨頭很難被擊倒。

現在以 AI 為驅動的各種數位轉型生意，以及 Google、Meta 推出大型語言模型，和數位經濟的本質沒有兩樣，也是為了奪取人們的眼球和注意力。

私有化趨勢成形，閉源和開源持續並存

Google 和 Open AI 都發現，如果砸大錢、砸資料去投入技術、訓練模型，可以累積一些別人做不來的競爭優勢。因此這些公司開始針對獨門資料、技術的使用條款訂定嚴格規範，釋放出來的訊息和技術細節也愈來愈少，帶動了 AI「私有化」的趨勢。

所謂的直接從 AI 營利，指的像是 Google Cloud Platform（GCP）、Amazon Web Service（AWS）會在雲端擺滿 AI 模型，用以量計費的方式，租賃給開發者、企業、產業。這樣的營利模式，讓它們選擇不輕易釋放手上最重要的模型，畢竟一旦讓其他企業能夠自由取用模型、部署一套在自己家裡，要是這麼做的固定成本低於直接使用雲端的變動成本，這些企業就會考慮不再用巨頭的雲端服務了。

一家公司如果願意大方開源，可能是出於理想，但更有可能是因為這麼做有助於它的商業利益，或說至少利大於弊。在這個案例中，答案很明顯是後者。

社群網路就是 Meta 的商品，它99％的收入來自社群廣告，不會因為公開自己的 AI 技術造成商業利益的多得或多失，甚至有機會因此進入到原本無法觸及的領域，例如醫療、晶片、IoT 等等。

科技巨頭和主打開源路線的 AI 新秀持續用不同的戰略攻城掠地，閉源和開源兩種路線持續並存，消費者和企業的選擇都愈來愈多。

所有數位科技的戰爭，都是生態系的戰爭。

ChatGPT 除了訂閱制和品牌心占率以外，目前還沒有其他護城河，可是它投注在 AI 訓練和維運的成本卻非常龐大，一旦外部挹注的資金不足，導致其必須採取降低成本的做法，自然會影響到核心服務的品質，而原本就有巨大基礎設施的科技巨頭，則可以透過規模經濟降低成本，在這方面取得優勢。

若只考量商業層面，台灣或是許多國家實際上都不太需要自己的基礎大語言模型，台灣既有的產業生態鏈，都已經可以對接大廠釋出的模型、進一步對接到大廠既有的生態系

現今各國政府想要「做自己的基礎模型」這件事，實際上是行銷和地緣政治的問題，而完全不是技術的問題。

目前 AI 技術的來源幾乎已經確定了，是由 Google、Meta 等科技巨頭寡占。

如果我們要訓練台版 ChatGPT，第一個它一定要有商業模式來支撐，而目前這件事情是不清楚的。如果是要國家來負擔的話，當然有機會，可是進展就不會像民營企業那麼快，而且後續要由誰來維運？再來是行銷的問題有沒有辦法解決？台灣希望把資料留在自家，難道還得再出一筆行銷費用說我請大家來用我們的中文的 ChatGPT？使用者通常不會理你，人多的地方他們就跟著過去了。

台灣企業的商業模式是以 B2B 為主，B2B 的企業不需要一個超級大的基礎模型，這對它們的商業利益沒有明顯的好處。

假設要台灣最有錢的半導體公司要投資1,000億台幣做一個超大的基礎模型，它馬上會問自己「為什麼」？

不要只是為了自己的面子，老是想重新發明輪子。

不要去打已經結束的戰爭，要站在別人的肩膀上，找出妥善的垂直應用，將 AI 整合進入自己既有的商業模式，才是對台灣最好的選擇。

當 AI 心智快速成長，監管將成重要議題

隨著 AI 技術已經被放到市場上讓人人可用，人類在期待 AI 帶來便利、要為我們建構智慧文明的同時，也有必要對懸而未解的黑箱、可解釋性問題，有多一分警醒。

在智慧助理、機器人和醫藥暨照護這三個領域，AI 馬上就會帶來重大的變化。

台灣的企業環境和矽谷不同，而且企業以 B2B 居多，很多企業是看顧客需要些什麼，才回過頭來做產品。 B2B 的企業不需要發展超級大的基礎模型，不如找出妥善的垂直應用，將 AI 整合進入自己既有的商業模式，才是最有利的選擇。