[AI 應用] 為什麼需要AI知識庫

[AI 應用] 為什麼需要AI知識庫

大家想導入 AI 知識庫，通常不是因為公司「沒有資料」，而是資料雖然存在，卻經常面臨找不到、用不了、不敢分享、無法確認可信度，以及人員離職後知識流失等問題。

AI 知識庫主要解決的問題

1. 資料散落各處，查找成本很高

企業知識可能分散在錄音、影片、PDF、Office 文件、圖片、信箱、個人電腦，甚至資深員工腦中。傳統上，員工必須知道資料放在哪裡、檔名是什麼，才能找到答案。

AI 知識庫可將不同素材轉成文字並聚合管理，讓使用者直接用自然語言提問，不必先知道答案藏在哪份檔案中。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／1.1「為什麼需要這套系統？它的價值在哪？」；〈智庫引擎文件3〉／清洗內容／「一、一句話，這是什麼」

2. 文件太長、太雜，難以快速掌握重點

例如一小時的會議錄音可能產生數萬字逐字稿，真正重要的決議只占其中一小段。系統會透過清洗、分類、摘要及知識蒸餾，把冗長素材整理成較容易查詢與理解的知識頁面。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／1.1、1.3；〈智庫引擎文件4－系統使用手冊〉／蒸餾頁

3. 不確定哪一份才是正確或最新版本

同一份規範可能同時存在 v2、final、final2 等版本，員工容易誤用舊資料。知識庫透過聚合、清洗、版本化蒸餾及索引，降低資料散亂造成的誤用風險。

出處：〈智庫引擎文件3〉／清洗內容／「二、它解決什麼問題」；「四、能做到什麼」

4. AI 回答缺乏依據，不敢拿來決策

一般 AI 即使回答得很流暢，也不代表內容正確。智庫引擎的答案會附上引用片段與原始檔來源，使用者可以回到原始資料核對。

這對合約條款、金額、數字及法遵事項尤其重要；系統不能取代專業判斷，這類資訊仍須核對原始出處。

出處：〈智庫引擎文件3〉／蒸餾頁；〈智庫引擎文件3〉／清洗內容／「一、一句話，這是什麼」

5. 資料含有個資或機密，不敢共享

企業資料可能包含身分證字號、電話、薪資、報價及客戶資訊。系統可在清洗階段遮罩敏感資訊，並透過團隊權限限制可見範圍；不屬於使用者權限的內容，會在檢索階段先被排除，不會進入答案或出處。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／1.2、1.3；〈智庫引擎文件4－系統使用手冊〉／蒸餾頁／「權限與稽核」

6. 員工反覆詢問資深同仁，造成時間浪費

當「問人比找資料快」，每個問題就會同時占用提問者與回答者的時間，資深員工也會持續被重複問題打斷。知識庫能把常見答案與經驗沉澱下來，讓員工自行提問查詢。

出處：〈智庫引擎文件3〉／清洗內容／「二、它解決什麼問題」

7. 人員離職、輪調後，經驗跟著消失

許多重要判斷並未被正式記錄，而是存在少數人的腦中。AI 知識庫可將會議、故障排除、客戶互動和決策過程轉成可持續查詢的知識資產，降低交接與人員異動造成的知識斷層。

出處：〈智庫引擎文件1－新手完整操作指南〉／清洗內容／摘要；〈智庫引擎文件3〉／清洗內容／「二、它解決什麼問題」

簡單總結

大家想要這類系統，是因為它能把原本「散落、雜亂、敏感、難以確認、依賴個人經驗」的資料，轉換成：

• 可以直接用自然語言提問；
• 回答附有原始出處；
• 可遮罩敏感資訊；
• 依團隊權限控制可見範圍；
• 能持續保存與傳承的企業知識。

它的核心價值不只是「回答得快」，而是降低企業在搜尋資料、重複詢問、版本誤用、知識流失、機密外洩及答案查證上的成本。

不過，資料完成匯入、清洗或蒸餾後，仍必須建立索引才會進入問答檢索範圍；系統也屬於「半自動、人在迴路」的工具，並非將檔案丟入後就完全不需維護的萬能 AI。

出處：〈智庫引擎文件4－系統使用手冊〉／蒸餾頁；〈智庫引擎文件1－新手完整操作指南〉／清洗內容／索引目錄、摘要

[AI 啟發] 把難事拆小，把小事做好

[AI 啟發] 把難事拆小，把小事做好

摘要 : 成就大事不靠一時熱情，而在拆解目標、重視細節、謹慎守信。

內容:

《道德經》第六十三章寫道：「天下難事，必作於易；天下大事，必作於細。」人之所以容易半途而廢，往往不是缺少意志力，而是目標太大、反饋週期太長，又缺乏拆解困難的能力。

「天下難事，必作於易」，是說再困難的目標，也要從容易做到的地方開始。想從一百八十斤減到一百二十斤，看起來很難；若每天控制飲食、增加運動，一週減掉半斤，就容易許多。想學習專業知識，也不必被厚重的書本嚇退，每天弄懂一個知識點，同樣是一種勝利。

日日行，不怕千萬里；時時做，不懼萬事難。當我們不再只盯著最終結果，而是把大目標分解成一個個小目標，原本遙不可及的事情，便能在持續行動中逐步實現。

「天下大事，必作於細」，則是說小事是大事的根基。東漢時期，年少的陳蕃在庭院讀書。父親的朋友薛勤來訪，看到院中雜草叢生、髒亂不堪，便問他為何不打掃。陳蕃回答：「我的志向是掃除天下，怎麼會在乎一間屋子是否乾淨？」薛勤反問：「一屋不掃，何以掃天下？」陳蕃因此感到慚愧，逐漸改掉眼高手低的毛病，最終成為東漢太傅。

小事能成就大事，細節也能決定成敗。一件事情能否成功，不一定只取決於能力，也可能取決於對細節的態度。忽略細節，再微小的疏失也可能釀成大禍。把每一件簡單的事做好，就是不簡單；把一件件小事做好，才能逐步建起萬丈高樓。

《道德經》又說：「是以聖人終不為大，故能成其大。」有智慧的人不會整天想著要成就多麼宏大的事業，而是專注於做好眼前每一件平凡、細微的小事。當一個人安於當下，踏實完成該做的事，這些小事最終便會匯聚成了不起的成就。

反之，若一心只求做大事，便容易忽略細節、輕視基礎，最後可能連小事都做不好，更無從成就大事。

「輕諾必寡信」，是說一個人若總是輕易許下承諾，往往很難真正守信。承諾不只是一句話，更需要透過行動兌現。真正可靠的人，在答應別人之前，會先衡量自己的能力；若無法做到，就不會輕率應允。

「人而無信，不知其可也。」若只貪圖一時口舌之快，輕易答應他人，最後卻屢屢失信，不但可能耽誤別人的事情，也會逐漸失去眾人的信任。

「多易必多難」，談的不是事情本身的難易，而是我們面對事情的態度。若把一件事看得過於簡單，認為隨便做做就能完成，最後往往容易出問題。即使只是端起飯碗吃飯，一不小心也可能咬到舌頭。因此，再小的事情也不能敷衍輕忽。

所以《道德經》接著說：「聖人猶難之，故終無難矣。」真正能把事情做好的人，反而會對每件事保持敬畏，小心謹慎、全力以赴，最終也就少了許多難題與禍患。

大的事情不要看得太難，要將它拆解成無數件可以完成的小事；小事也不要看得太簡單，而要保持警覺與慎重。人生難免遭遇風雨，真正困住一個人的，往往不是外界的難題，而是腦海中的思維定式。

當一件難事無法立刻解決，就把它拆成一個個簡單的小目標，再逐一攻克。把注意力放在下一步，而不是遙遠的終點，難事自然不再那麼難。對待小事則應不敷衍、不輕諾，承諾出口前先問自己能否兌現；多存一分敬畏，便能少十分禍患。

AID04-文件餵給 AI 之前，Embedding 做了什麼-5分鐘學AI

文件不是整份丟進去，是先切開，再換算成它比得出遠近的樣子。 它永遠會挑出最接近的一塊，但最接近不等於正確。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI 文件餵給 AI 之前，Embedding 做了什麼。 阿哲，公司說要把幾千份文件餵給 AI。我一直想不通，這個餵到底是怎麼餵？先問你一件事。你還記得它只有一張桌子，桌上攤得開的才看得到吧？記得。啊，那幾千份文件根本攤不上去。對，所以沒有人真的把整份丟進去。實際的做法是先把文件切開，再讓它有辦法從幾千塊裡面，一次只撈出最相關的那幾塊。 那我們就從切開講起。這件事有名字嗎？有，叫 Chunk，中文就是切塊。把一份長文件切成一小段一小段，每一段大概是一個段落到一頁那麼長。 可是切的時候，剛好切在一句話中間怎麼辦？這就是第二個名詞，重疊。切的時候讓每一塊的頭尾跟隔壁多留一段重複的字，被切斷的那句話，兩邊都還留得住。 可是切成一小段一小段，不是把好好的文章拆爛了嗎？不會。因為你要的本來就只是其中一小段，不是整份。切開之後，它才有辦法只把那一小段拿出來給你看。喔，就像一本很厚的書，我要找的其實是某一章，不是整本從頭讀一遍？對，就是這樣。要小心的是接縫。重疊留得不夠，答案就會斷在半句話，你看到的那一段可能剛好少掉最關鍵的後半句。那到底要切多大才對？沒有標準答案，但有一個好用的原則：一塊只講一件事。切太大，裡面混了好幾個主題；切太碎，一句話的前因後果就被拆散了。 切好之後呢？就這樣一塊一塊放著嗎？還要再做一件事。每一塊都會被換算成一組數字，你可以把那組數字想成它在一個很大的空間裡的位置。意思接近的，位置就靠得近。 換算成數字，那不就跟意思沒關係了？剛好相反。這組數字就是拿來表示意思的。兩段話講的是同一件事，換算出來的位置就會很靠近；講不同的事，就離得很遠。喔，就像幫每一段話調一個顏色？意思很接近的，調出來的顏色也會很接近，一眼就看得出是同一區的。這個比喻很好。但要注意，它比的是意思像不像，不是有沒有出現同一個字。休假規定跟請假辦法，一個字都沒重複，位置卻很近。那反過來呢？用了同一個字，意思卻不一樣？那就會被分開。蘋果手機跟蘋果削皮，都有蘋果兩個字，位置卻差得很遠。這也是它跟用關鍵字去找最不一樣的地方。 那這些位置又要放到哪裡去？放在一個專門存位置的地方，叫向量資料庫。它跟你熟悉的那種資料庫最大的差別是，它不是照名字或日期排的，是照意思擺的。 照意思擺，實際上是什麼樣子？就是位置接近的東西本來就被放在一起。你丟一個問題進來，它換算成一個位置，只要看那個位置附近有誰，不用把幾千塊全部翻一遍。喔，就像超市的貨架？不是照商品名字的筆畫排，是把你會一起買的東西擺在同一區，走到那一區，旁邊都是我可能要的。很貼切。但有一件事很多人會誤會：它裡面放的不是你原本那份檔案，是切好、換算過的一份副本。原檔改了，這裡不會自己跟著變。那不就會拿到舊的內容？會。所以文件更新之後，要重新切一次、重新換算一次。這件事不會有人提醒你，它也不會報錯，只會安安靜靜地一直回答舊版本。 找到附近那幾塊之後，它怎麼決定哪一塊最好？靠一個分數，叫語意相似度。它算的是你的問題跟每一塊的意思有多接近，分數高的排前面，只有前幾名會被拿去用。 那這個分數是怎麼算出來的？我常看到餘弦兩個字。餘弦相似度是最常用的那一種算法。它不比兩個位置離得多遠，它比的是兩邊指的方向差多少，角度越小就越像。 為什麼要比方向，不比距離？因為長短會騙人。同一件事，一段寫得很長、一段寫得很短，位置就離得遠了，可是它們講的是同一件事。看方向就不會被長短影響。喔，就像看兩個人是不是朝同一邊走？走多快、走多遠都不管，只看有沒有往同一個方向。就是這個畫面。但這裡有一個最大的誤會：分數高不等於答對。它只是把最接近的那一段挑給你，就算整份文件裡根本沒有答案，它還是會挑一段最接近的出來。咦，所以它不會跟我說我找不到？除非有人特別要求它這樣做，不然不會。所以看到答案的時候，重要的事情，還是翻回它引用的那一段自己看一眼。 那我把這一集重新排一次好不好？好，你來。切塊是把長文件切成一小段一小段。重疊是每一塊的頭尾多留一點，句子才不會被切斷。嵌入是把每一段換算成一個位置，意思接近的就擺得近。向量資料庫是照意思擺、不照名字排的地方。語意相似度是比意思有多接近，不是比字面像不像。餘弦相似度是比方向的夾角，不是比距離遠近。完全正確。以後聽到有人說文件已經餵進去了，你只要問一句：它找回來的那一段，真的是對的那一段嗎？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 衝擊] 程式碼越寫越快，專案卻越做不完

[AI 衝擊] 程式碼越寫越快，專案卻越做不完

摘要 : AI加速寫程式，卻將瓶頸推向審查、整合與交付，恐造成大量半成品。

內容:

AI 公司正面臨一個尷尬的問題：程式碼寫得越來越快，專案卻不一定能更快完成。

Claude 背後的 Anthropic 執行長 Dario Amodei 引用了一條源自 1967 年的公式，並警告未來 18 個月，許多 AI 公司可能不是輸在模型不夠強，而是被整體效率拖垮。

Anthropic 已大規模使用 AI 協助程式設計，其程式碼庫中超過 80% 的程式碼由 AI 撰寫。有員工甚至連續五個月沒有親手寫過一行程式碼，兩年內人均產出更提升了八倍。看似效率驚人，但 AI 最擅長加速的部分，未必是公司真正的瓶頸。

這個現象可以用「阿姆達爾定律」解釋：只要一項工作中仍有很大部分必須由人緩慢處理，即使其中一小部分加速百倍，整體效率也不會等比例提升。

例如，交付一套軟體原本需要 100 個單位的時間，其中寫程式碼占 30%。即使 AI 將寫程式碼的時間從 30 縮短至 3，整個專案仍需要 73 個單位的時間。程式設計速度提高十倍，整體效率卻只提升約 27%。

過去，程式設計師擔心程式碼寫不完；現在，反而可能害怕 AI 一個晚上就產出數千行程式碼。這些程式碼仍需要人工檢查，不看完不敢上線，但全部審查完畢，專案可能早已延期。若系統出現問題，最終需要簽字與負責的仍是人類。

更棘手的是，AI 產生的程式碼未必有顯而易見的錯誤。每一段單獨檢視時可能都很合理，但整合進既有系統後，卻可能造成整體故障。

開發者將這類問題稱為「認知債務」。例如，原本只要求 AI 修改一個函式，它卻順手最佳化附近的三個模組。每項修改看似正確，合在一起卻可能悄悄改變原有邏輯。最後，程式碼由 AI 產生，理解、審查與承擔責任的工作仍留給人類。

AI 也容易讓人產生可以同時處理多項工作的錯覺。一個專案卡住後，團隊可能再啟動五個專案，最後桌面上堆滿完成度約 70% 的成果。每個都能展示、看似即將完成，卻沒有一個能安全上線。

因此，AI 並未真正消除瓶頸，而是將瓶頸從「寫不出來」推向後續的審查、整合、測試與交付。未來真正拖垮 AI 公司的，可能不是模型能力不足，而是 AI 不斷製造半成品，人類卻來不及收尾。

AI 負責快速向前衝，人類則負責審核與踩剎車。誰能率先解決後端流程的瓶頸，誰才算真正掌握了 AI 帶來的生產力。

AID03-Token 是什麼，AI 又為什麼會忘記-5分鐘學AI

 AID03-Token 是什麼，AI 又為什麼會忘記-5分鐘學AI

跟 AI 講話是照 Token 算的，它的記性也是。

搞懂上下文，你就知道它為什麼突然忘記前面說過的事。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI

Token 是什麼，AI 又為什麼會忘記。

阿哲，我昨天跟 AI 聊了很久，聊到後來，它突然忘記我一開始交代的事。它是不是壞了？沒壞。而且這件事，跟它怎麼讀你打的字，其實是同一個問題。咦？讀字跟忘記有什麼關係？這一集講完你就會知道，它其實沒有記性，它只有一張桌子。桌上攤得開的它看得到，攤不下的就掉下去了。

那我們從最小的單位開始。我常聽到這個要花多少 Token，它到底是什麼？它是 AI 讀字的單位。它不是一個字一個字讀，也不是一整句一整句讀，是切成一小塊一小塊。

喔，所以它算的不是幾個字，是幾塊？就像菜市場算的是幾斤，不是幾顆。就是這樣。而且要注意，你打的字要算，它回你的每一個字也要算，兩邊加起來才是這一次的用量。那中文跟英文，切出來的塊數一樣嗎？不一樣。中文大概一到兩個字一塊，英文常常半個單字就一塊。所以同一段意思，用不同語言寫，用量會差滿多的。所以叫它講短一點，真的會比較便宜？真的會。很多人以為只有自己打的那一段在算錢，結果讓它寫了一大篇，那一篇才是貴的地方。

那 Prompt 呢？大家都說要會下 Prompt，講得很神秘。它就是你交代給它的那一段話。不只是你的問題，還包括你要它用什麼身分、給你什麼格式、寫多長。

喔，就像請同事幫忙買飲料？講幫我買飲料，跟講幫我買一杯大杯無糖去冰的紅茶，拿回來的東西差很多。這個比喻很準。你少講的每一件事，它都會自己幫你決定，而它決定的不一定是你要的。那我要交代到多細？講到換一個人來做也做得出同一個東西，就夠了。太細反而綁死它，它就只會照著你的框框走。那是不是有什麼特別厲害的句子，講了就會變準？沒有。它不是咒語，沒有哪一句話講了就升級。真正有效的是把你要什麼講清楚，跟交代一個新同事完全一樣。

接下來這個更常聽到，Context，中文叫上下文。上下文是它這一次回答的時候，眼前看得到的全部東西。你前面講過的話、它自己回過的話、你貼進去的文件，通通算在裡面。

喔，就像開會的時候攤在桌上的那些資料？沒攤上去的，它就當作不存在。非常準。所以它不是記得你，是那些字還攤在桌上。你開一個新的對話，桌子就被收乾淨了。那我可以自己決定桌上放什麼嗎？可以，而且這是最有用的一招。真正相關的那一份貼上去，不相關的別貼。桌上東西越少，它越不會被別的東西帶走。那我上個禮拜跟它講過的事呢？除非那一段被放回桌上，不然它不記得。有些產品會幫你偷偷放回去，所以看起來像記得，那是產品幫的忙，不是模型的記性。

那這一張桌子有多大？這就是下一個名詞，上下文視窗。它是一次最多能攤多少東西的上限，而且是用剛剛說的那個單位在算。

那攤滿了會怎麼樣？最前面的會被擠出去。它不是挑一個不重要的丟掉，是照順序，最早進來的先掉。喔，就像記事本寫滿了，只好從最前面撕頁？對。所以長對話講到後來它開始答非所問，通常不是它變笨，是你一開始交代的規則已經掉出去了。那我怎麼知道快滿了？多數產品不會明講。實際一點的做法是，聊到一半覺得它開始跑掉，就把最重要的那幾條再貼一次，或乾脆開一個新的對話重來。

那有沒有辦法讓桌子大一點？桌子的大小是固定的，但可以讓攤上去的東西變薄。做法是先把前面那一大段整理成重點，再把重點放回桌上，原文就不佔位置了。

喔，就像會議記錄？不用把每個人講的每一句都留著，留結論就好。對，而且很多產品已經在背後自動幫你做這件事了，你根本不會看到。那聽起來很棒啊，有什麼代價嗎？整理過的東西一定會掉細節。數字、日期、合約上的條款這種不能錯的，不要指望它整理完還記得，自己再貼一次最保險。那我可以叫它先整理給我看嗎？可以，而且很值得。你讓它先寫一份重點，你看過確認沒漏，再往下講。這樣掉的是你同意掉的東西。

那我把這一集重新排一次好不好？好，你來。Token 是它讀字的單位，你講的跟它回的都要算。Prompt 是你交代給它的那段話，講清楚比講神奇有用。上下文是它眼前看得到的全部，不是記憶。上下文視窗是這張桌子有多大，滿了就擠掉最前面。上下文壓縮是把前面整理成重點，省了位置，但會掉細節。完全正確。以後它突然變笨，先別急著怪它。問一句：我要它記得的東西，現在還在桌上嗎？

企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 智慧] 承認無知，是成長的起點

[AI 智慧] 承認無知，是成長的起點

摘要：真正的智慧，是看見自身侷限，勇於承認不足並持續學習。

內容：

為什麼懂得越多的人，越不敢大聲說話？小溪、小河總是嘩啦作響，大江、大河卻往往靜默無聲。

《道德經》有言：「知不知，上矣；不知知，病也。」知道自己有所不知，是一種明智；明明不知道，卻自以為知道，則是一種毛病。

真正的智慧並非無所不知，而是清楚自己的認知邊界，坦然承認無知。即使面對熟悉的事物，也不妄下定論，而是保有求證與學習的態度。只有承認自己不知道，才可能真正學習與成長。

越覺得自己什麼都懂，越容易被認知的高牆困住，變得見識淺薄、觀念侷限。承認無知不是自我否定，而是拓展認知邊界的第一步，也是所有成長的起點。

相傳蘇軾年少聰穎，通讀四書五經後意氣風發，在門前貼上一副對聯：「識盡天下字，讀盡天下書。」

一位老人看見後，拿出一本蘇軾從未見過的書，裡面的內容更令他聞所未聞。蘇軾這才體會到學問之廣、世界之大，於是將對聯改為：「發奮識遍天下字，立志讀盡人間書。」

此後，他發奮讀書、四處求學，最終成為一代文豪。這正說明，清楚自己的無知，才是真正的智慧。

「不知知」之所以是一種病，是因為它點出了人性的弱點。許多人好面子、愛逞強，認為承認不懂就是丟臉，因此選擇不懂裝懂。

孔子說：「三人行，必有我師焉。」連聖人都懂得虛心請教，何況普通人？總是自以為是，不僅學不到新知，也難以結交知心朋友。承認不懂、主動請教並不可恥；不懂裝懂，才是阻礙人生發展的重要原因。

《道德經》又說：「聖人不病，以其病病。夫唯病病，是以不病。」聖人之所以沒有這種毛病，是因為始終將不懂裝懂視為問題，時時反省並保持警惕。

想改掉一個毛病，不能只是強行壓制，而要先承認它的存在。很多人總在同一個地方跌倒，不是因為無法改變，而是不肯承認自己有問題，總認為是別人或環境的錯。

敢於直面問題，問題便解決了一半；不肯承認問題，本身才是最大的問題。

首先，要認清自己，不高估自己的能力。人外有人，天外有天，不要因為懂得一些知識、取得一點成績，就看不起別人。學會謙虛，才能持續進步。

其次，不要低估他人。世事變化難料，今日仍在努力打拚的人，未來可能取得非凡成就。當老闆的，不要看不起基層工作者；坐辦公室的，也不要輕視在外奔波的人。尊重每一個人，不低估任何人，是應有的修養。

在生活中，可以從三件事開始實踐：

第一，不懂就坦白，不要硬撐。工作中遇到不熟悉的事情，可以直接說：「這部分我不熟悉，我先確認一下。」這不會讓人看不起你，反而會使人覺得你誠實、可靠。

第二，遇到問題不要急著推卸責任。尋找外部原因之前，先問自己：「我有沒有可以做得更好的地方？」即使最後證明責任不在自己，這種自省的習慣仍會讓人愈來愈清醒。

第三，保持謙卑並持續學習。認知越高的人，越能看見世界的廣闊與自己的侷限。人所知道的永遠有限，不知道的卻近乎無窮。

不要因一點成績便驕傲自滿，也不要因掌握一些知識就目中無人。保持謙卑、持續學習，不斷修正自己的認知，人生才能走得更穩、更遠。

AID01-認識 AI 這一家人-5分鐘學AI

AID01-認識 AI 這一家人-5分鐘學AI

AI、生成式 AI、大型語言模型、GPT，其實是一層包一層。

五分鐘搞懂誰是誰的誰，以後看到新名詞都不會慌。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI

認識 AI 這一家人。

阿哲，我最近很困擾。新聞一下講 AI，一下講生成式 AI，一下又冒出一個大型語言模型。我知道你要問什麼。你想問的是，這些到底是同一件事的不同講法，還是真的不一樣，對不對？對！可是我每次都不太敢問，怕被笑。這一集講完你就會發現，它們其實是一層包一層，就像地址一樣，從國家一路寫到門牌號碼。

那我們就從最外面那一層開始。AI 到底是什麼？AI 就是人工智慧。它是一個很大的統稱，講的是「讓機器做出原本要人來做的判斷」這整件事。

所以它不是一個產品？對。你去買車，不會說「我要買一台交通工具」。AI 就是交通工具那個層級的字。喔！所以掃地機器人算 AI，翻譯軟體也算 AI，是這個意思嗎？完全正確。只要它會自己做判斷，就都住在 AI 這個大房子裡。要小心的是，很多人一講 AI 就以為在講 ChatGPT，那其實只是這棟房子裡的一個房間。那為什麼最近才這麼紅？AI 不是很早就有了嗎？因為以前的 AI 只會做很窄的一件事，像下棋。現在的會講話、會看圖、會寫東西，所以你才開始在生活裡碰到它。

那生成式 AI 呢？多了「生成」兩個字，差在哪裡？差在它會「生」東西出來。以前的 AI 大多是在分類、在判斷，這封信是不是垃圾信、這張照片裡有沒有貓。

生成式就是會自己產出新的東西？對。你叫它寫一封道歉信，它不是去資料庫裡撈一封現成的給你，是當場一個字一個字寫出來。喔，所以搜尋引擎是幫我找到別人寫好的，生成式 AI 是現場幫我寫一份。就是這個差別。也因為是現場寫的，同一個問題問兩次，答案可能不完全一樣。這不是它壞掉，是它本來就這樣運作。

那多模態模型又是什麼？這個聽起來最難。名字嚇人，意思很單純。模態就是「資料的種類」，文字是一種，圖片是一種，聲音也是一種。多模態就是好幾種它都吃得下。

所以我可以直接拍一張冰箱的照片，問它今天晚餐煮什麼？對，這就是多模態。以前你得先自己把照片裡有什麼打成文字，它才看得懂。那就像從只會看信，變成也會看照片、也會聽你講話。對。但要提醒一件事：看得懂不等於看得準。它會把模糊的照片猜成別的東西，重要的事還是要自己再確認一次。那我要怎麼知道它有沒有看錯？最簡單的方法，是叫它先描述一次它看到什麼，再回答你的問題。它講錯你馬上就發現，不用等結論出來才知道。

講了這麼多，大型語言模型是站在哪一層？它是生成式 AI 裡面，專門處理「語言」的那一種。大，是因為它讀過的字多到你無法想像，整個網路上的文章幾乎都讀過。

讀那麼多字，它是把全部背起來嗎？不是背。比較像是把「什麼字後面通常接什麼字」的感覺練到很熟，所以它回答的時候，是在挑一個最順、最像人會講的下一個字。咦，那它有可能講得很順，但其實是錯的？你抓到重點了。這就是為什麼它偶爾會很有自信地講錯話。順不等於對，這件事我們之後會專門講一集。

那 GPT 呢？大家都在講 GPT。GPT 是一個系列的名字，就像 iPhone 是手機裡的一個系列。它是 OpenAI 做出來的其中一組大型語言模型。

所以講 GPT 不等於講 AI？不等於。就像你不會說「我要買一台 iPhone」來泛指所有手機。那我以前把 AI 跟 ChatGPT 講成同一件事，其實是講錯了？是講小了。ChatGPT 是拿 GPT 做出來的一個聊天產品，它只是這一大家子裡面最有名的那一個。那我以後聽到別人講 GPT，要怎麼判斷他在講哪一個？看他在講產品還是講模型。講「用 GPT 寫了一篇文章」通常是指 ChatGPT 這個產品；講「換一個 GPT 版本」才是在講模型本身。

那市面上除了 GPT，還有哪些？幾家聽過就好：OpenAI 的 GPT、Anthropic 的 Claude、Google 的 Gemini、Meta 的 Llama。台灣也有自己的，像國科會主導的 TAIDE。這麼多家，我要全部學嗎？不用。它們的用法大同小異，重點是知道「這是不同公司做的不同款」，就像不同牌子的車，會開一台大概都會開。那公司要選的話，該從哪裡開始想？先看資料能不能出公司。可以，就挑雲端最順手的；不行，就得找可以架在自己機房的那種。這件事比誰比較聰明重要得多。

最後我們把這一家人重新排一次。我來！AI 是最外面的統稱，什麼東西會自己判斷都算。生成式 AI 是會自己產出新東西的那一種。多模態模型是文字、圖片、聲音都吃得下的那一種。大型語言模型是專門處理語言、讀過很多字的那一種。GPT 則是其中一個系列的名字。完全正確。記住這個順序，以後聽到任何新名詞，你只要問一句：它是住在哪一層？

企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

AID02-模型怎麼變強，又為什麼要搶 GPU-5分鐘學AI

 AID02-模型怎麼變強，又為什麼要搶 GPU-5分鐘學AI

蒸餾、推理模型、專家混合，三種讓模型變強的做法。

GPU 跟 CPU 差在哪，雲端跟自己養又該怎麼選。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI

模型怎麼變強，又為什麼要搶 GPU。

阿哲，我最近常看到新聞說某家公司又買了一大批 GPU，還有人說公司要自己養一個模型。這些我完全看不懂。這裡面其實混了兩件不一樣的事。一件是模型怎麼變強，另一件是它跑在誰的機器上。咦，我一直以為是同一件事。不一樣。就像一家餐廳，廚師怎麼練出來的是一回事；這頓飯在你家廚房煮，還是叫外送，是另一回事。這一集前半講廚師，後半講廚房。

那我們先講廚師。第一個名詞叫蒸餾，聽起來像在做酒。名字是有點怪。它講的是拿一個很大很強的模型，讓它把答案一題一題示範出來，再讓一個小模型照著學。

喔，就像老師傅帶學徒？學徒不用把師傅讀過的書再讀一遍。對，就是這個意思。學徒身材小、動作快，養起來也便宜，本事卻有師傅的八九成。那為什麼要做出小的？直接用大的不好嗎？大的貴，而且慢。手機裡、客服系統裡那些要馬上回你的地方，塞不下一個大的，也等不起。那學徒會不會有一天超過師傅？很難。因為他學的是師傅怎麼答，師傅沒教過的他不會，師傅本來就答錯的他也照錯。所以小模型是比較快、比較便宜，不是比較聰明。

那第二個呢？我看到有一種叫推理模型，聽起來像在辦案。差別在它回答之前，會先自己把步驟走一遍，走完才開口。一般的模型是你問了它就答，像脫口而出。

喔，就像考數學，有人看一眼就寫答案，有人會先在旁邊列式子？非常接近。列式子的那一種，比較不會在中間算錯，遇到繞來繞去的題目差很多。那為什麼不全部都用這一種就好？因為它想的那一段也要花時間、也要花錢，一題可能貴上好幾倍。問今天星期幾，不需要列式子。那我怎麼知道什麼時候該用它？有一個簡單的判準：這一題你自己做，需不需要拿紙筆？需要的話，就換它來。

第三個名詞更玄，叫專家混合。是一堆專家一起討論嗎？不是一起。它裡面分成很多組，每一組擅長的東西不一樣。你問一題，它只叫醒其中一兩組來回答，其他組在旁邊沒事做。

喔，就像去醫院不是所有醫生一起看你，是先掛對科？對，而且掛號那一步在你看不到的地方就分好了。所以它可以做得很大，跑起來卻不會貴到不能用，因為每次真正動起來的只有一小部分。那它會不會掛錯科？會。而且掛錯的時候它不會告訴你，答案一樣講得很順。這是你在外面看不到、也控制不了的一層，所以重要的問題還是要自己驗一次。

講完廚師，來講廚房。為什麼大家都在搶 GPU？先說它是什麼。GPU 本來是拿來畫遊戲畫面的晶片，特色是可以幾千件簡單的事同時做。

那 CPU 呢？我電腦裡那一個。CPU 是那個很聰明、什麼都會的，但它是一件一件照順序做。你的系統、你打的每一個字，都是它在處理。

喔，我好像懂了。就像一個大廚要切一千顆洋蔥，跟一千個人一人切一顆？就是這個畫面。AI 在算的，剛好就是非常多、但每一筆都很簡單的計算，所以用 GPU 快得不像話。那 CPU 是不是就沒用了？不是。真要一個人把一道功夫菜從頭做到尾，還是得靠大廚。它們是適合做不同的事，不是誰比較強。那為什麼會搶到缺貨？因為全世界同時在找同一種幫手。不是它突然變好用，是要用的人一下子變太多了。

最後一段。你剛剛說的自己養一個，到底是什麼意思？先講另外一半。雲端模型，是模型放在別人準備好的機器上，你連上去用，按用量付錢，開機就能開始。

那自己養的那一種呢？那叫地端模型，是把模型裝在公司自己的機器裡跑。資料從頭到尾不用送出公司。

喔，就像東西放自己家的倉庫，跟去外面租一個倉庫？很貼切。租的隨時可以租大一點，屋頂漏水有人修；自己家的鑰匙只有你有，可是修屋頂也是你自己來。那是不是自己養就一定比較安全？這是最常見的誤會。機器搬回家，只是把門搬回家；門有沒有鎖好是另一件事。權限沒設好，放在自己家一樣會外流。那到底怎麼選？先問一句：這些資料能不能離開公司？不能，就只能自己架。可以的話，多數人從雲端開始比較划算，等量大了再說。

那我們最後重新排一次好不好？好，你來。前半是怎麼變強。蒸餾是大模型示範、小模型照著學；推理模型是回答之前先把步驟走一遍；專家混合是裡面分很多組，每次只叫醒幾組。後半是跑在哪裡。GPU 是一千個幫手同時做簡單的事，CPU 是一個聰明的人照順序做完；雲端是用別人的機器按用量付錢，地端是架在自己公司、資料不出門。完全正確。以後聽到公司要導入 AI，你只要問兩句話：要多聰明，還有資料能不能出公司。

企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 分享] 善用 CLAUDE.md 與 AGENTS.md 提升 AI 開發效率

[AI 分享] 善用 CLAUDE.md 與 AGENTS.md 提升 AI 開發效率

摘要 : 建立精簡且分層的專案指令，降低溝通與上下文成本

內容:

CLAUDE.md 與 Codex 的 AGENTS.md 功能相近，會在對話開始時自動載入 AI 的 Context Window，成為執行任務的重要指引。設定完善後，便不必在每次新對話中重複說明專案架構、開發規範與工作偏好。

這類指令檔可分為不同層級。User Level 適合放置跨專案通用的個人偏好，例如使用繁體中文、採第一性原理思考，或以金字塔原理組織輸出；Project Level 則記錄整個專案共用的規則，並可隨程式碼提交至 Git，確保團隊使用一致標準。若有不想分享的個人設定，可改放在本機專用的 CLAUDE.local.md。

專案子資料夾也能設置 Nested Level 指令。例如前端使用 React 並遵循特定 UI 規範，後端使用 Python 與另一套開發邏輯，便可各自建立指令檔。AI 會依序疊加使用者、專案與子資料夾規則；距離工作檔案越近的設定，適用範圍越精準，對當前任務的影響也越直接。

建立第一份 CLAUDE.md 最簡單的方法，是在專案資料夾開啟 Claude Code 並輸入 /init。系統會掃描專案，自動整理用途、啟動方式、建置與測試流程、框架、目錄架構及開發規範，產生一份起始模板。

不過，/init 產生的內容往往過於完整。Claude 執行任務時本來就會透過探索機制查看資料夾與設定檔，因此能自行找到的資訊不必重複寫入。否則每次對話都會占用 Token 與 Context Window，專案變動後若未同步更新，還可能讓 AI 受到過期資訊誤導。

最佳做法是只保留 AI 無法自行推斷、容易做錯，或必須嚴格遵守的規則。先區分個人習慣、團隊標準與特定資料夾需求，再放入適當層級，並持續刪除重複、失效或低價值內容，才能有效運用有限的 Instruction Budget。

[AI 洞察] 用 AI 創造加薪籌碼

[AI 洞察] 用 AI 創造加薪籌碼

摘要 : AI 提升效率不等於加薪，關鍵在創造價值、建立稀缺性與提升議價權。

內容:

學會 Copilot、Codex 等 AI 工具，雖能大幅縮短工時，卻不代表薪水會增加。研究發現，工作者透過生成式 AI 省下的時間，約有 85% 又被用來處理其他工作。對公司而言，效率提升往往只代表你能承擔更多任務，而非理所當然值得更高薪資。

薪水的本質，是公司為了解決特定問題而購買你能力的市場價格。能力要漲價，通常必須符合兩個條件：一是替公司創造新的商業價值，例如增加收入或降低成本；二是具備難以取代的稀缺性。前者決定談判桌上的餅有多大，後者決定你能分到多少。

因此，不要只問「哪些工作可以交給 AI」，而要問「公司最頭痛、長期無法解決的問題是什麼」。即使把一份沒人採用的報告從八小時縮短到一小時，其商業價值仍可能是零；若能藉由 AI 找出市場機會、帶進新客戶、減少錯誤或加快關鍵決策，效率才會轉化為加薪籌碼。

具體可從四處尋找機會：正在浪費公司金錢的事項、讓客戶或同事等待的流程、反覆出現的錯誤，以及因資料混亂而延誤的決策。同時，應把成果轉化為明確數字，說清楚原有問題、改善幅度、商業效益與自己承擔的責任，讓決策者看見你的貢獻並確認這套價值需要你持續維護。

但創造價值後，公司通常不會主動加薪，你仍須開口談判。依「納許議價」概念，薪資可視為「個人退路」加上「從合作剩餘中分得的部分」。退路是離職後仍能取得的收入；合作剩餘則是你與公司繼續合作，相較於雙方各自另尋選擇所多創造的價值。價值決定餅的大小，稀缺性、外部 offer 與承受談判破裂的能力，則決定議價權。

提高薪資可從四個方向著手：取得更好的外部 offer，或用 AI 發展副業與個人品牌以提高退路；解決真正的商業痛點，把合作創造的餅做大；建立難以複製的流程、判斷與跨部門影響力，提高公司失去你的代價；最後，以量化成果和可行退路主動談判。AI 本身不是加薪理由，能用它創造可衡量且難以取代的價值，才是真正的籌碼。