這大半年 AI 的熱潮，總讓我想起 2017 年開始滿滿的 O2O、新零售的論點一直被放大延伸，那時候我們每天追著最新的行銷工具、廣告演算法跑，只要一個新功能出現，所有人就一窩蜂湧上去，深怕錯過什麼。但多數時候，這些工具來得快，去得也快。就像前陣子整個科技圈突然瘋「養龍蝦」，用 AI Agent 跑各種自動化任務，一轉眼又被下一個模型、下一代的更新又蓋過去。
進入主題前，我想先分享幾個影響今日局面的關鍵事件。
一、起點：一篇論文，分裂出兩條路
2017 年之前，AI 的形容，除了電影裡的電腦突然會思考，更懂要讓自己不被消失…。或者說更像一台某個領域專用的超級電腦。例如 1995 年 IBM 的深藍電腦，第一次在規則內贏了人類的西洋棋冠軍；2016 年 3 月，AlphaGo 與韓國職業九段棋士李世乭對弈，五場比賽以四勝一敗之姿贏下了比賽。但深藍跟 Alpha Go 能在圍棋上贏過人類頂尖棋手，是因為強大的運算能力以及快速的反應，但它們都沒有真正的理解和推理能力，如果跳出西洋棋，或是換個規則就可能動彈不得。
2017 年，Google 發表了一篇論文《Attention Is All You Need》，提出了 Transformer 架構。核心是一種叫「自注意力機制」的設計，簡單講，就是讓 AI 處理一段文字時，能像人腦一樣自動判斷哪些字詞最關鍵、彼此之間怎麼牽連。它不再是死板地一個字一個字讀，而是真正開始抓「上下文」。這一步，解決了過去 AI 處理長篇資訊時容易前後脫節、邏輯混亂的問題。更關鍵的是，Transformer 天生就分兩個部分：編碼器負責「理解」輸入的內容，解碼器負責「生成」新的內容。
論文一出來，Google 跟 OpenAI 做了一個影響至今的選擇。Google 的核心業務是搜尋，需要的是極致的理解能力，所以他們專注發展編碼器，做出了 BERT。剛成立不久的 OpenAI，則押寶在解碼器，走生成這條路，這就是 GPT 系列的由來。
一個選擇當博學的圖書館員，一個選擇當想像力豐富的作家。這個分岔，也成了我們看這些年到的 AI 發展趨勢。
二、變革，不是機器變聰明，而是我們能做到更精準的預測，而且更便宜！
進入主題。最近有朋友問我，是不是玩 AI 工具玩到走火入魔了。老實說，關於 AI 的說法已經太多，從威脅論到烏托邦，把這件事講得又複雜又神秘。前陣子看了一本書《AI 極簡經濟學》，一個很簡單的經濟學角度，反而讓我對自己這幾年在做的這些 AI 工具，想法清楚很多。
核心概念只有一句話：AI 的本質不是智慧，是預測。
什麼是預測？用你手上有的資訊，去猜你還沒有的資訊。AI 翻譯，是猜這句英文最可能對應的中文；自駕車在路口停下，是猜一個正常駕駛員在這種情況會怎麼做；推薦影片給你，是猜你最可能喜歡看什麼。AI 做的一切，並不是他有多了解你，或是他如何思考…。
事實上，AI 只是在預測，預測你輸出給他的東西，想要看到什麼回應。
關鍵是，這個預測的成本跟過去比起來，進入門檻與成本已經變得太低了。過往，預測要靠專家、超級電腦、海量數據，現在正在變成像電力、手機資費一樣便宜到幾乎可以被忽略的資源與設施。像是在兩百年前「光亮」很貴，當時的人點一根蠟燭都要盤算半天；現在電力便宜到開燈根本不用猶豫。當一項關鍵成本趨近於零，會改變很多事情。
幾年前，我想做一套數據中台，把營運、數據等資訊整合在一起，建構一套分析工具。弄了好些年，也只能靠「進銷存系統 + PowerBI」也才作出還不錯的客製化數據分析與可視化的儀表板。但，過去的三、四個月，我已經靠 Claude Code + OpenClaw 完成了有數據、有洞察，還能夠預測缺補貨功能的分析系統。
這才是 AI 帶來的真正變革，不是機器會思考了，是讓「預測」變便宜了。
三、如果預測變便宜，什麼可以變的更有價值？
經濟學有種規律：一樣東西變便宜，它的互補品就會變貴。咖啡便宜了，糖和奶精的市場需求就變大了；照明便宜了，能讓人晚上看書的書跟眼鏡（電子閱讀器也是？）就更值錢。
預測便宜了，那它的互補品是什麼？「判斷」。
一個很清楚的公式：決策＝預測＋判斷。
AI 工具擔任「預測」，告訴我們「可能會發生什麼」。但是「應該怎麼辦」，這一步要靠判斷。判斷牽涉權衡、價值觀、風險承擔，這些 AI 機器做不到。
舉個例子。AI 可以讀一張 CT 掃描，算出「這個陰影有九成機率是惡性腫瘤」，這是預測。但醫生要根據病人的年齡、身體狀況、家庭意願，還要衡量手術失敗的後果、不同治療方案的利弊，最後拍板「我們建議立即手術」，這是判斷。AI 不會為錯誤的預測負責，它沒有價值觀，也不會因為一個可能致命的決定失眠，但醫生會、我們人，也會。
所以問題的核心從來不是「我的工作會不會被 AI 取代」，而是「我的工作裡，有多少是可以被很便宜的預測，或者有多少是價值高的判斷」。
四、在這個時代，如何訓練判斷能力
三個方向：
一、試著掌握與管理「預測的不確定性」。真正的判斷者，不能把 AI 的預測當答案。
假設你是採購主管，AI 預測下季某款產品需求一萬件，誤差正負 20%。多訂兩千件，賣不完的庫存成本要多少；少訂兩千件，缺貨造成的損失和顧客流失又要多少。或者，下單 9,000 件與 11,000 件的影響或是什麼？哪一種錯誤的代價更高，這是 AI 算不出來的，要靠主事者自己權衡。
二、把注意力從「會不會被取代」轉到「能被怎麼增強」。
AI 是工具，是數位夥伴，但絕對不是敵人或是對手。AI 擅長歸納和大量的重複執行，我們需要能夠創造和面對突發狀況與各種例外。或許試試看把自己工作裡最耗時的幾件事列出來，分成「預測型」（整理數據、查資料）跟「判斷型」（做決策、處理意外、跟人溝通）。一但我們能花在判斷上的時間比例越高，代表我們的價值也越高。
三、嘗試「反事實思維」，也就是去想「如果關鍵條件變了，世界會怎樣」。
Amazon 曾申請一個「預測性購物」專利，在顧客下單之前就根據預測把商品先寄到離顧客最近的物流中心。它的思考點不是「怎麼讓配送更快」，而是「如果我們能提前知道顧客要什麼，整個流程可以怎麼重新建構」。這種思考會讓我們跳出現有框架，去思考這個趨勢持續三年會怎樣、如果明天大翻轉了又會怎麼樣。
把預測交給機器，把判斷留給自己，大概是 AI 時代我們最需要掌握的課題。
延伸閱讀：如果你也問過 ChatGPT 該怎麼做零售決策，卻只拿到原則性空話，這篇文章拆解了通用 AI 跟零售專屬顧問的差別：為什麼零售品牌問 ChatGPT，得到的答案總是原則性空話。
コメント