2026年11月21日 星期六

[AI 分享] 產品同質化之後,如何靠場景差異化創造價值

[AI 分享] 產品同質化之後,如何靠場景差異化創造價值

摘要:產品容易被模仿;理解顧客的需求情境,才能找到更有力的差異化方向。



內容:


當一個產業逐漸成熟,競爭者往往能取得相近的技術、零組件與供應鏈資源。產品原本引以為傲的功能或規格,可能很快成為市場標配。此時,如果企業只靠增加功能、調整參數或降低價格競爭,就容易陷入「投入更多,卻賺得更少」的困境。


不過,「產品一定會同質化」不是毫無例外的定律。專利、製程能力、品牌信任、服務網絡與規模經濟,都可能讓企業維持產品優勢。更準確的說法是:當顧客難以感受到產品之間的差別時,企業就必須重新思考,自己究竟替顧客解決了什麼問題。


場景差異化,就是從這個問題出發。場景不只是「產品在哪裡使用」,還包括顧客當時要完成什麼事、受到哪些限制、擔心什麼,以及希望獲得什麼感受。同一杯咖啡,對趕著上班的人,價值可能是取餐快速;對正在談合作的人,價值可能是安靜、方便交談的空間;對想短暫休息的人,價值則可能是放鬆的體驗。商品相同,顧客願意選擇它的理由卻不相同。


第一步是把觀察往購買前移。 企業不應只研究顧客買了產品後如何使用,也要了解需求在哪個瞬間出現。顧客是在遇到什麼困難後開始尋找方案?搜尋與比較時,最擔心買錯什麼?如果阻礙發生在購買之前,改善產品本身未必有用。例如,家電品牌發現顧客遲遲不買洗碗機,原因不是清洗功能不足,而是擔心廚房裝不下、安裝麻煩。提供尺寸評估與安裝服務,可能比再增加一種洗滌模式更能促成購買。


第二步是辨認功能之外的感受。 顧客購買產品,有時也在購買安心、省心、被理解,或對自己選擇的信心。情緒價值並不等於替產品包裝一個動人的故事,而是讓體驗真正回應顧客的顧慮。例如,購買長輩使用的手機時,家人關心的可能不只是規格,還包括長輩能否學會操作、遇到問題時能否得到協助。清楚的設定流程、易懂的教學與可靠的售後支援,才是「安心」的具體來源。


第三步是讓場景決定產品與服務的設計。 如果企業已清楚掌握特定情境,就可以圍繞它調整功能、交付方式、服務流程與溝通內容。以出差旅客為例,行李箱的重量與容量固然重要,但耐用的輪子、方便辨識的外觀、快速維修服務,以及適合短途行程的收納方式,合在一起才構成更完整的解決方案。這比單純宣稱「容量更大」更貼近顧客的實際旅程。


要把這套方法落實,企業可以先選定一群明確的顧客,訪談他們最近一次購買或放棄購買的經過,而不是只問「你希望有什麼新功能」。接著畫出從需求出現、搜尋比較、購買、使用到售後的過程,找出反覆發生且顧客願意付出成本解決的困難。最後以小規模方案測試,觀察轉換率、回購率、客訴、服務成本與毛利是否改善,再決定是否擴大投入。如此才能避免把企業自己的想像,誤認為市場需求。


場景差異化也有邊界。競爭者仍然可以模仿一個成功的使用情境,情緒訴求也不能掩蓋品質或價格上的明顯缺點。真正較難複製的,不是某一句行銷文案,而是企業長期累積的顧客洞察,以及能持續把洞察轉化為產品、服務與交付能力的組織。


因此,產品是進入市場的基礎,場景則是重新理解產品價值的方法。與其無止境地比較規格,不如問:顧客在什麼時刻需要我們?他們當時最想解決的是什麼?我們能否比別人更完整、更可靠地幫助他們? 這些問題的答案,才可能讓差異化不只停留在口號上。

[AI 觀察] 軟體職缺回暖,為何新人更難入行?

[AI 觀察] 軟體職缺回暖,為何新人更難入行?

摘要:軟體職缺回升,機會卻偏向資深人才。AI 改變工作分工,也讓新人培養與職涯晉升面臨挑戰。



內容:


美國軟體開發職缺正在從低點回升,但回暖不等於人人都更容易找到工作。原文引用 Indeed 的招聘廣告資料指出,2026 年第一季,美國軟體開發職缺中,入門級僅占 4.5%,資深級則占 69.3%。另一組以疫情前為基準的指數顯示,軟體職缺雖已從 2025 年的低點反彈,仍未回到疫情前水準。這些數字描繪的不是「程式設計師全面失業」,而是企業重新招聘時,優先尋找已具備經驗的人。


這個差別對應屆生尤其重要。招聘廣告的占比並不等於實際錄取人數,也不能單憑它斷定 AI 是唯一原因;企業縮減預算、調整投資方向及提高用人門檻,都可能同時發揮作用。不過,若軟體需求回升而入門職缺仍然稀少,對求職者而言,結果就是第一份工作的競爭變得更激烈。


原文也引用以薪資發放資料進行的研究:在 AI 暴露程度較高的職業中,年輕工作者的就業表現相對較弱。值得保留研究者提出的限制:這不能簡化為「AI 已大規模取代程式設計師」。更值得注意的可能是少招新人,而非大量裁掉在職者。少招人不一定會形成醒目的新聞,卻會逐年改變一個行業的人才結構。


歷史經驗提醒我們,技術改變工作,不一定會讓職業消失。電話交換自動化使部分在職接線員承受轉職損失;自動提款機減少了單一銀行網點所需的櫃員人數,卻也曾降低展店成本,改變櫃員的工作內容。放射科同樣說明,對「某職業即將消失」的預言要保持謹慎。但這些案例不能直接保證軟體業也會走出相同結果:技術、產業規模與新人培訓方式都不同。


AI 對軟體工作的影響,關鍵也不只是「能不能產生程式碼」。樣板程式碼、小型修改、文件查詢等工作,確實更容易獲得 AI 協助;需求釐清、理解既有系統、測試、資安、效能與架構取捨,仍需要人負責判斷。原文引用的程式碼庫分析,觀察到重複程式碼增加、重構相關指標下降,但該研究沒有隔離 AI 使用情況,因此不能據此認定這些變化都是 AI 造成的。


文中提到另一項讓資深開源開發者完成實際任務的實驗:在當時的工具與研究條件下,使用 AI 的受試者平均反而花了更多時間,即使他們主觀上覺得自己更快。這項研究常被歸於 METR,而非 Meta;其結果也不宜直接套用到今天所有模型、專案與團隊。它比較有價值的提醒是:衡量生產力,不能只看產生程式碼的速度,還要計入提示、等待、審查、修改與後續維護的時間。


對新人來說,最棘手的是學習路徑。過去,許多人透過修小問題、寫簡單功能、閱讀文件與接受程式碼審查,逐漸累積獨立判斷的能力。如果企業把這些任務大量交給 AI,同時又減少初級職缺,就必須回答一個問題:未來的資深工程師要從哪裡來? AI 可以成為新人的練習工具,但不能自動取代真實系統中的責任、回饋與指導。


原文進一步提到,部分美國電腦相關科系的修課或就讀人數出現下滑,而有些學生轉往資料科學等方向。這可能反映學生對就業前景的重新評估,但各統計的涵蓋範圍、時間與科系分類不同,不能合併成「年輕人不再學技術」的結論。科技公司一邊裁員、一邊投入龐大資本支出建設 AI 算力,也呈現了投資重心的轉移;然而,將兩筆金額相比,只能說明規模,不能證明每一筆算力支出都直接取代了某個職位。


近期討論值得補充的觀察是:職缺要求愈來愈常把 AI 工具使用能力與既有工程能力並列,但「會用工具」本身很難構成長期優勢。企業真正需要的是能把模糊需求轉成可驗收方案、辨認 AI 輸出的錯誤,並對上線結果負責的人。同時,AI 也可能讓小團隊更容易製作原型與推出產品,增加創業、接案及跨領域開發的機會。這些是值得關注的趨勢,不應當作已被本文數據證實、適用於所有地區的結論。本文亦無法即時查核原文所列的近期報告、裁員與資本支出數字,正式引用前應回查研究原文及統計口徑。


整體來看,好的方面是軟體需求並未消失,AI 能降低試作與部分重複工作的成本,也可能催生新的產品、職務與小團隊機會。不好的影響則是入門職缺可能縮減、企業培養新人意願下降,既有工程師的審查與維護責任變重;若長期缺乏新人,整個產業還可能出現人才接續斷層。


我的建議是:值得繼續做程式設計師,但不宜只把自己定位為「按規格快速寫出程式碼的人」。正在入行的人,應持續練習不依賴 AI 也能解釋的基礎能力,並透過專案展示測試、除錯、部署及維護經驗;已在職的人,則應深化對業務、系統可靠性、安全性和技術取捨的理解。使用 AI 時,把它當作需要驗證的協作工具,而不是成果的保證。至於是否勸年輕人讀電腦科學,答案不必是全面鼓勵或全面勸退:若對解決問題有興趣,仍值得學;但應及早了解所在地市場、爭取實習與導師,並為第一份工作預留更多時間與選擇。

[AI 回顧] Claude 的記憶架構:為什麼記得多,不一定做得好?

[AI 回顧] Claude 的記憶架構:為什麼記得多,不一定做得好?

摘要:Claude 一邊工作一邊記錄,事後再核對與整理;好的記憶重在可靠、精簡,而且找得到。



內容:


一件事值不值得記,往往要等到未來才知道;但 AI 在工作當下,就得決定要不要把它寫下來。這是文章《智慧體記憶的組成》討論的核心難題。它提出一種分工:工作時先記下可能有用的內容,工作之後再回頭核對、修正與整理。文章把後一個過程形容為「做夢」——這是對事後整理的比喻,不是說 AI 真的會睡覺。


這裡的「記憶」,也有特定意思。Claude 在訓練時學到「北京是中國的首都」,屬於原本具備的知識;它在同一段對話中記得你剛說的名字,屬於當前對話的上下文。即使對話太長、系統把前文壓縮成摘要,只要摘要仍留在這次對話裡,也不是本文要談的長期記憶。只有把資訊存成檔案,讓下一次新對話仍能取用,才是這裡所說的記憶。


文章把這套記憶分成四層:


原始紀錄:完整的對話與工作過程,是日後核對事實的依據。

工作筆記:Claude 執行任務時寫下的發現、經驗或待確認事項。

知識庫:把零散筆記整理成一頁頁主題詞條,並用連結建立關係,類似內部百科。

自動載入的目錄:每次開始新對話時先讀取的簡短內容,例如 memory.md,主要告訴 Claude「有哪些資料、該去哪裡找」。


這四層不是把同一份資料抄四遍。原始紀錄負責保留依據;筆記方便工作時快速留下線索;知識庫協助理解跨資料的關係;最上層則只放必要的導覽資訊。事後整理時,Claude 可以拿筆記回頭對照原始紀錄,改正錯誤、整合重複內容,並調整下次要先看到的目錄。


第一個關鍵:記筆記不能只停在「我可能錯了」。


文章描述一項資料庫問答測試:模型每答完一題,會得到正確答案,也可以寫筆記;下一題則在全新對話中開始,只保留筆記資料夾。理想的改進過程,不只是抄下錯題,而是先提出可能的錯誤原因,再回去驗證,最後歸納成下次能用的規則。


依分享內容,較早的模型往往只寫下猜測,沒有完成驗證與歸納,因此有筆記也未必明顯進步。較後面的測試則顯示,當筆記包含規則、支持規則的證據、已確認的答案,以及曾踩過的坑,成績改善更明顯。這說明記憶的價值不在「寫了多少」,而在於未來能不能放心使用。


第二個關鍵:記太多,可能比記太少更糟。


在文章提到的寶可夢遊戲測試裡,一個模型把戰鬥、道具、路人等經過大量寫成檔案;另一個模型只保留少數檔案,重點記錄自己試出來的經驗,以及目前目標和計畫。依分享內容,前者約一萬步寫出四百多個檔案,取得一個徽章;後者只寫十個檔案,取得四個徽章。


原因不難理解:遊戲狀態一直在變。道具在哪裡、角色走到哪裡,可能很快過期;檔案越多,越難找,也越需要花時間檢查。分享中甚至有模型連續多步都在新增、刪除和整理檔案,卻沒有推進遊戲。相較之下,像「連續嘗試某種操作無效時,應改變節奏」這類經過試錯得到的經驗,未來比較可能再次派上用場。當然,並非只有試錯經驗才值得記;明確的使用者偏好、長期目標與已核實的事實,也可能值得保存。重點是避免把所有經過都當成永久知識。


文章還指出,對能力較強的模型,過度細緻的記憶規則可能造成反效果。例如硬性要求「只記失敗經歷」,可能讓它漏掉成功且值得重複的方法。因此,比起規定每一筆該怎麼寫,更有用的做法往往是先說清楚:這份記憶將來要用來完成什麼任務。


第三個關鍵:已經寫下的記憶,也可能是錯的。


寶可夢測試中,Claude 曾把一座山附近的寶可夢中心位置記反。之後它相信筆記,多次依錯誤方向判斷路線,卻一直沒有發現問題。研究人員讓它回頭對照原始遊戲紀錄後,它才修正位置,重新找到入口並繼續前進。


這正是事後「做夢」最直接的用途:**筆記不是證據本身,必要時要回到原始紀錄核對。**日常使用 AI 也會遇到類似情況:你曾請它提醒某件事,後來計畫取消了,但舊檔案沒更新,它仍會反覆提醒。記憶若不維護,就可能把過去有效的資訊變成現在的錯誤指令。


第四個關鍵:知識庫擅長串連資訊,但不能取代搜尋原文。


文章中的「wiki」是一頁一個主題、頁面之間互相連結的知識庫。它適合回答需要綜合多份文件、整理關係或計算的問題;如果答案清楚寫在單一文件裡,直接搜尋原文通常更省事,也更容易核對。


依分享內容,在一項企業文件測試中,只靠知識庫答題得到 48%,只搜尋原始文件得到 53%,兩者搭配則得到 61%。另一組較需要跨文件整合的題目,使用知識庫的表現也優於只靠搜尋。不過,知識庫本身有維護成本:整理不當會漏資料、寫出錯誤連結,甚至越寫越長,變成一張和原始資料一樣難用的「地圖」。因此,知識庫應幫助人和模型更快掌握結構,而不是機械地複製所有原文。


第五個關鍵:每次自動讀取的檔案,越精簡越好。


最上層的記憶會進入每一次新對話,看似方便,卻有三個代價:它每次都占用 token;其中若有錯誤,錯誤也會反覆出現;內容太長時,重要指示反而可能被淹沒。文章所述的做法,是讓 memory.md 主要充當目錄:保留少量必要資訊與連結,把細節移到其他檔案,需要時再查。分享內容提到的載入上限為前 200 行或前 25 KB,這也凸顯目錄不宜塞滿細節。


事後整理還需要知道未來的用途與精確度要求。例如,要根據收購合約撰寫法律文書時,合同條款、數字和例外情況都可能是評分重點。若只籠統要求「整理成知識庫」,模型可能把關鍵條款概括掉;多人同時寫同一張表,也可能互相覆蓋。分享中的改善方式,是讓每份合同各有一頁、明確分工,並對必須精確的條款保留原文。多次整理完成後,也要從全局檢查頁面與連結,修補單次工作時看不到的缺漏。


這套設計仍有難題:工作當下記錄,能立刻派上用場,卻可能讓模型分心;事後再整理比較專注,卻來不及幫上眼前的任務。舊記憶也需要更新,但若每次都全面檢查,成本太高。因此,文章的重點不是找到一條「什麼都該記」的萬用規則,而是讓記錄、核對、搜尋與整理各司其職。


對一般使用者來說,可以直接採取幾個做法:告訴 AI 記憶將來的用途;讓自動載入的檔案維持為簡短目錄;定期拿筆記對照原始對話或文件,刪除過期資訊;跨多份資料的任務再建立知識庫;遇到合同條款、金額、日期等不能寫錯的內容,要求附上原文或出處,不要只信整理後的概述。


一句話說,好的 AI 記憶不是把一切都留下,而是知道該保留什麼、去哪裡核對,以及何時承認自己記錯了。

[AI 轉型] 納德拉談 AI 時代的六場價值遷移

[AI 轉型] 納德拉談 AI 時代的六場價值遷移

摘要:從產品、生產、組織到人才、智慧主權與授權,AI 正在重塑價值創造的方式。



內容:


微軟執行長納德拉說,他下一份最想做的工作,是回到一線當軟體工程師。對一位管理龐大科技企業、身處 AI 產業前沿的人而言,這個願望值得玩味:他想重新學習的,不只是如何用 AI 寫程式,而是智慧能力快速進步後,產品、生產與組織該如何重新設計。從這場訪談可以梳理出六場正在發生的價值遷移。


第一場遷移,是產品從圍繞既有操作方式,轉向跟隨模型能力重新設計。微軟擁有 GitHub、VS Code,也很早將大模型帶進程式設計場景,卻仍要面對 Cursor、Claude Code 等產品帶來的挑戰。納德拉的判斷是:模型能力若出現非線性躍進,產品形態也必須改變。AI 只能補全程式碼時,將它放進編輯器十分合理;當 AI 能獨立執行任務時,產品便走向 agent;當開發者只需描述意圖、訂定規範並驗證結果時,整套以「人直接編寫程式碼」為中心的設計,都需要重新思考。


這也是 AI 時代的創新者窘境:上一代產品越成熟,企業可能越難放下它。納德拉提醒團隊,不要愛上自己已經創造的東西。真正應該堅持的是要解決的問題,而不是過去解決問題的方式。


第二場遷移,是生產從「人寫程式碼」,轉向「人定義意圖,系統產出程式碼」。過去,程式碼是人交給電腦執行的輸入;現在,人提供目標、規範與限制,AI 可以負責生成程式碼,程式碼逐漸成為輸出。生產的抽象層級因此再次提高,意圖與規範的重要性也隨之上升。


但生成便宜了,驗證不一定同樣便宜。Agent 可以快速產出大量程式碼,企業仍須判斷它是否符合業務目標、有沒有引入風險,以及能否長期維護。沒有相應驗證能力的生產力,只會讓錯誤更快擴散。微軟所探索的「軟體工廠」,正是讓人定義意圖、agent 拆解並執行任務、驗證系統檢查成果,再以生產環境的回饋持續改進。錯誤不只是一次修補工作,也能轉化為新的測試案例與生產規則;不同模型甚至可以相互審查,降低共同盲點造成的風險。


在這種模式下,工程師的工作不再只是親自完成一項任務,更包括建立能反覆完成任務的系統。完成一個產品是一次交付;改善生產產品的流程,則是在累積長期資產。微軟 Azure 網路團隊將實際運維與程式碼倉庫連結、探索開發與運維一體化的 agent 系統,就是文中提到的例子。對於反覆出現的業務判斷,納德拉也提出「決策引擎」的構想:與其每次都讓大模型從頭推理,不如把可重用的判斷能力封裝成穩定元件,使智慧逐步成為可呼叫的基礎設施。


第三場遷移,是企業從只配置人力資本,轉向同時配置 token 資本。傳統企業擴張,通常先招聘、設立崗位與部門,再以管理制度協調人力。AI 原生團隊可能採取另一種做法:配置一位員工時,也為他配置模型與 token 預算;待這組人機能力充分發揮後,再考慮增加人員。企業的基本生產單元,可能逐漸從單一員工,變成由人與多個 agent 組成的工作單元。


管理者因此不只要分配工作,也要分配智慧資源:哪些任務值得使用能力更強、成本更高的模型?哪些可以交給較低成本的模型?哪些決策必須由人負責?哪些經驗值得沉澱為整個組織可重用的流程?員工數量也將更難單獨代表企業的生產力;一個小團隊,可能透過成熟的人機系統完成過去需要大部門才能完成的工作。


第四場遷移,是人才價值從完成局部任務,走向交付完整成果。納德拉觀察到,一些原本優秀的工程師,在新的 AI 生產模式中仍然表現出色。專業知識沒有消失,只是發揮作用的方式改變了:專家可以將經驗轉化為規範、約束、驗證標準與系統能力,讓專業判斷被反覆使用。換言之,AI 未必淘汰經驗,更可能淘汰經驗過去的交付方式。值得保留的是對問題的理解,而不是對既有工作動作的依賴。


這也解釋了為何貼近真實業務問題的角色愈發重要。文中提到,微軟內部成長較快的職位之一是前線部署工程師(FDE):他們深入客戶場景,理解問題,再運用技術交付解法。LinkedIn 也在嘗試整合原本分散的角色。當 AI 降低跨領域實作的成本,能調動不同能力、對完整結果負責的人,就可能比只負責單一環節的人更具價值。


新人面臨的處境則較複雜。AI 可以幫助新人閱讀文件、理解專案,成為隨時可諮詢的導師;但過去用來培養新人的簡單工作,也可能先被 AI 吸收。於是,學習門檻下降,就業門檻卻可能上升。企業需要重新設計的不只是生產流程,也包括人才如何從初學者逐步成長,否則眼前省下的人力成本,可能換來日後的人才斷層。


第五場遷移,是企業從購買 AI 能力,走向累積自己的智慧資產與主權。納德拉提出一個關鍵問題:若企業無法自由替換正在使用的模型,它是否真正掌握了自己的智慧能力?當業務知識、工作流程、記憶與上下文都深度綁定某個供應商,更換模型便可能意味著失去多年累積。企業以為自己擁有一批「數位員工」,實際上卻可能只是租用一個難以搬走的「數位大腦」。


企業獨特的生產、風險或客戶知識,不可能完全存在於通用大模型之中。因此,企業未必需要從頭訓練自己的大模型,卻應掌握自己的業務知識、上下文、記憶、行動流程與回饋機制,並建立私有評估體系。公開排行榜只能說明模型在特定測試中的表現,不能代替企業判斷它是否真正適合自身業務。一個實際的檢驗標準是:更換模型後,企業能否保留原有知識與流程,並持續透過自己的評估方式改善成果?


這個原則也適用於個人。若每天使用 AI 完成工作,卻沒有留下自己的知識庫、工作規範與回饋紀錄,得到的可能只是當下的效率,而不是可累積、可帶走的能力。納德拉因此看好雲端、本地、開放與閉源模型共同運作的混合智慧。他將未來的個人電腦形容為一座「Token 工廠」:部分智慧任務可在本地完成,不必每次都按雲端 token 用量付費。好的系統未必總使用最強模型,而是依任務需求、成本與風險,配置合適的模型。


第六場遷移,是將 AI 的能力與它被授予的權限分開。模型越聰明,不代表它越可靠,也不代表它應自動取得更多權限。Agent 可以分析財務資料,不等於可以轉移資金;可以提出經營建議,不等於可以自行修改目標;可以發現系統漏洞,也不等於能未經授權更動正式環境。智慧處理的是「能不能做」,授權處理的是「可不可以做、由誰負責」。企業在使用 AI 執行任務時,必須同時設計權限邊界、驗證機制與責任歸屬。


回頭看納德拉想重返工程一線的願望,核心或許不是學會某個新工具,而是親身理解一套正在形成的新生產邏輯:產品隨模型能力改變,生產重視可重用系統,組織同時配置人與 token,人才走向完整交付,企業累積可自主掌握的智慧資產,而 AI 的權限必須受到清楚約束。訪談最後,他給想成為優秀 AI 時代工程師的人一個務實建議:少一些只談論變化,多一些親手實踐。理解趨勢是起點;真正進入新世界,仍要靠持續嘗試與重新學習。

[AI 觀察] AI 超級智慧、永久失業與安全競賽:一場訪談引發的思考

[AI 觀察] AI 超級智慧、永久失業與安全競賽:一場訪談引發的思考

摘要:一場 AI 安全研究員訪談,引出超級智慧、就業衝擊與失控風險,也凸顯相關預測與財務資訊仍待查證。



內容:


這篇內容從一場據稱於 11 月 15 日發布的 AI 風險訪談談起。受訪者被介紹為 Anthropic 安全防護團隊的華人研究員「陶林」,工作涉及阻止使用者利用 Claude 尋求生物武器製造或駭客攻擊方面的協助。他在訪談中對 AI 的發展速度、就業與人類安全提出強烈警告。以下整理的是影片轉述的觀點;受訪者身分、訪談原文及部分數據,仍需要回到原始資料核對。


受訪者最受矚目的預測,是具備「超越人類」能力的 AI 可能在一至三年內出現;影片另提到約「1.3 年」、即 2027 年底前後的說法。他所描述的能力,不只是擅長單一任務,而是在程式設計、電影製作、政治等幾乎所有領域,都能達到或超過頂尖人類專家。受訪者也多次承認自己無法確定未來,這些時間點應被理解為個人預測,而不是已獲證實的技術進度表。


影片作者認為,AI 已在程式產出速度和知識覆蓋面上展現巨大優勢,甚至主張它的程式設計能力已全面超過人類。他尤其在意「品味」能否被取代:如果 AI 不只會生成影片,還能像優秀導演一樣判斷故事、畫面與觀眾感受,創作、產品設計及最終決策中由人把關的部分,也可能受到挑戰。不過,產出速度快、能完成特定任務,與在各種真實情境下穩定勝過所有頂尖專家,仍是不同層次的主張。


談到工作,受訪者預測的不是「未來十五個月所有人立即失業」,而是一個較長的過程:人們先失去原有職位,暫時轉往其他行業;若 AI 與機器人繼續進步,連新工作也可能逐漸消失。他認為在電腦上完成的白領工作會先受衝擊;體力工作則因機器人仍須大量製造與部署,取代速度可能較慢。影片作者將此延伸為「幾乎所有人最終永久失業、仰賴政府福利」的情境,並以程式設計師轉做外送或駕駛、未來又可能遭自動駕駛取代為例,說明轉職未必是長久的避風港。


除了工作流失,訪談還涉及 AI 的控制權。受訪者據稱主觀估計,AI 最終導致人類消失的可能性約為 20%;他也提出另一種不涉及暴力的「接管」方式:人類把越來越多決策與執行工作交給 AI,久而久之不再理解系統如何運作,也失去介入能力。影片以《瓦力》中的人類生活作比喻,擔心便利使人逐步喪失自主性。這些百分比是個人對不確定風險的判斷,並非可直接驗證的事故機率;「失業」、「權力流失」與「人類滅絕」也應分開討論。


受訪者擔心,AI 公司彼此競逐產品與市場,可能沒有足夠時間處理安全問題,因此主張大幅放慢研發速度。影片作者認為這很難由單一公司做到:一家企業若放慢,競爭對手卻繼續前進,它就可能失去優勢。文中也轉述其他 AI 公司安全人員的類似憂慮,包括發布壓力、安全研究可能讓位給產品與收入,以及必須透過國際協調才能有效降低競賽壓力。這些人的看法值得重視,卻不等於業界已對風險大小或發生時間形成共識。


影片進一步指出,開發 AI 的人與承受影響的社會大眾,可能生活在兩個不同的世界。受訪者據稱坦言,AI 研究者活在自己的「泡泡」裡,與可能失去工作的群體缺乏接觸;他希望 AI 改變世界,但認為速度應慢一些。另一方面,一般人在日常生活中未必已感受到與科技業相同的變化,這種感受落差也使公共討論更困難。


其中最需要謹慎看待的是財務敘述。影片聲稱 Anthropic 於 11 月 19 日在那斯達克上市,並列出發行價、市值、員工期權與大量新富員工等數字,再以此對比「全民可能失業」的警告。然而,這些具體上市與財富數據在原文中沒有提供可核對的公告或申報文件,不宜當作已確認事實。即使撇開個別公司的數字,影片提出的分配問題仍然重要:若 AI 大幅提高生產力,收益會流向勞動者、持有股權與算力的人,還是整體社會?


影片最後以作者自身的工作經驗收束。他表示,已利用 AI 將接收任務、產出程式修改請求等流程高度自動化,因而相信程式設計工作會率先改變,並推測多數白領職位可能在 2027 年前後遭遇重大衝擊。這是一個具體的個人觀察,但單一工作流程的自動化,不等於整個職業已被可靠、低成本地取代;企業仍須處理驗證、維護、安全、責任歸屬及與人的協作。


這篇內容值得補充的觀察是:即使 AI 在技術上能完成某項工作,實際就業變化仍取決於成本、可靠性、法規、硬體供應與社會接受程度。工作也可能先被重新拆分,而非一次消失。比起只押注某一年會不會出現「超級智慧」,更迫切的問題是如何評估高風險能力、建立可稽核的安全標準,並提前討論轉職支持、社會保障與 AI 收益的分配。對這類強烈預測保持警覺,同時查證原始訪談與數據,才能把焦慮轉成有用的準備。

2026年11月17日 星期二

[AI 分享] 從晶片到 App:用六層架構看懂 AI 如何完成任務

 [AI 分享] 從晶片到 App:用六層架構看懂 AI 如何完成任務

摘要:以六層架構與餐館比喻,串起 AI 的算力、框架、模型、知識、智慧體和應用。



內容:


AI 名詞越來越多:GPU、Transformer、RAG、智慧體、MCP……如果逐個背,很容易越學越亂。換個方法,可以把 AI 想成一塊由下往上疊起來的六層蛋糕:算力層、框架層、模型層、資料與知識層、智慧體平臺層,以及應用層。每往上一層,都在補足下一層做不到的事。


不妨用一個問題貫穿這六層:「依照公司的出差規定,我能坐一等座嗎?如果不行,請幫我訂下週一去上海的高鐵票。」最底層的晶片只會執行大量運算,最上層的 App 卻能呈現規定、查詢車票,甚至在你確認後完成訂票。中間靠的就是六層協作。


第一層:算力層——提供運算與記憶體


模型處理文字,最後會落到大量數值運算,尤其是乘法與加法。GPU 擅長同時處理許多這類計算,因此成為 AI 運算的主力;此外,也有 Google TPU、華為昇騰、Amazon Trainium 等專用晶片。CPU 並非不能運行 AI,只是在大規模平行計算上,通常不是主要選擇。


大型模型的參數與運算所需資料,可能超過單張晶片可容納的範圍,因此需要高速網路連接多張卡;訓練模型或服務大量使用者時,還要擴展成更大的叢集,並處理供電與散熱。這一層提供的核心能力是「算得多快」與「一次容得下多少」。若把 AI 當成餐館,它就是廚房的爐灶、工作檯與能源:能提供火力,卻不知道該先做哪道菜。


第二層:框架層——安排怎麼算、在哪裡算


晶片不會自行決定計算順序,這需要軟體協調。CUDA 是開發者使用 NVIDIA GPU 的重要軟體平臺;大量程式依賴其生態,也是更換晶片供應商時需要克服的障礙之一。PyTorch 等深度學習框架則讓開發者描述模型與計算方式,不必逐一指揮晶片中的運算單元。訓練時,框架還會協助計算用來調整參數的「梯度」;模型太大時,分散式訓練軟體會把工作分配到多張卡。


模型訓練好、開始回答使用者問題後,負責調度的軟體稱為推理引擎,例如 vLLM、SGLang。模型通常是一個 token 接一個 token 地產生回答;token 是文字處理的單位,不一定對應固定數量的字。為避免每寫一個 token 就重算全部前文,推理引擎會保留可重用的計算結果,稱為 KV 快取。


推理還有不同的優化方法。「PD 分離」把處理輸入的 Prefill,與逐步產生答案的 Decode 分配給不同資源,減少兩類工作互相干擾。「量化」則用較少位元儲存部分參數,以降低記憶體與運算需求,但需要權衡模型品質。用餐館比喻,框架層就是廚房排程:安排哪口爐先開、備好的材料如何留存,以及切配與炒菜是否分區進行。


第三層:模型層——依據前文產生內容


模型可以理解為一套計算結構,加上訓練得到的大量參數。當代大型語言模型多採用 Transformer 相關架構,根據已知前文預測接下來的 token,逐步形成回答。有些模型採用「混合專家」(MoE)設計:雖然總參數很多,處理每個 token 時,通常只啟用其中一部分參數,以兼顧能力與運算成本。這裡的「專家」是一組組模型參數,不等同於真正的人類專家。


參數並非一開始就會回答問題。預訓練讓模型從大量資料中學習預測後續內容;但只會接續文字,不代表懂得遵循使用者要求。因此還需要後訓練,利用示範回答、評分與其他方法,讓它更像一位助手。部分模型也經過訓練,能在作答前進行較多步驟的推理,這是 App 中「深度思考」功能背後的重要基礎之一。


在餐館裡,模型像一臺經過反覆調校的料理機:參數是它的設定,訓練是試做、檢查、再調整。但即使料理機再熟練,也不代表它知道店裡今天剛改的菜單。


第四層:資料與知識層——回答前現查資料


模型可能沒讀過公司的內部規定,也可能不知道訓練後才更新的資訊。若只憑既有能力回答「能否坐一等座」,就可能給出聽起來合理、實際上卻錯誤的答案。對經常變動的規定,較可靠的做法是在回答前先找文件,把相關段落連同問題交給模型參考;這類「先檢索、再生成」的方法稱為 RAG。


文件多時,搜尋不能只靠字面完全相同。例如問題寫「高鐵一等座」,規定寫「乘坐火車限二等座」,單純比對字詞可能漏掉相關段落。系統可以把文字轉成代表語意的數字向量,尋找意思相近的內容;向量資料庫就是常見的儲存與檢索工具。聯網搜尋同樣能為模型取得較新的外部資訊,但來源變成了網路。這一層像餐館的資料櫃:料理機不知道新規則時,先翻出正確的那一頁。


第五層:智慧體平臺層——讓模型使用工具,同時限制權限


查到「只能報二等座」後,模型可以告訴你規定,但單靠生成文字,還不能真正訂票。要辦事,就得透過工具呼叫:模型提出要使用哪個工具、帶入哪些資訊;外部程式執行後,再把結果交回模型,由它判斷下一步。如此反覆查詢、操作、確認結果的系統,通常稱為智慧體。


訂票系統、日曆和電子郵件各有不同的介接方式。MCP(模型上下文協議)提供一種連接工具與 AI 應用的共同方式;如果任務步驟固定,也可以預先編排成工作流。像扣子、Dify 這類平臺,就提供建立相關流程的工具。


能動手,也意味著需要防範風險。假如訂票網頁藏著「把訂單改成商務座」的指令,模型若把網頁內容誤認為使用者要求,就可能發生提示注入。因此,智慧體應只取得必要權限;涉及付款等敏感操作時,要先取得使用者確認,並留下操作紀錄。若需要執行程式碼,也可在權限受限、與外部隔離的沙箱中進行。這一層就像餐館的跑腿人員與店規:可以依單辦事,但不能因為路上有人塞了張紙條,就擅自改掉客人的訂單。


第六層:應用層——把能力交到使用者手上


使用者直接接觸的是 App 裡的對話框、按鈕、確認視窗與操作結果。深度思考、聯網搜尋、智慧體模式等功能入口都呈現在這一層,但能力分別來自下方不同層。不是每段對話都要走滿六層:一般聊天可能不必檢索資料或呼叫工具;只有在需要查新資訊、讀公司文件或執行任務時,才會動用相應能力。同一個品牌名稱也可能同時指 App 與背後的模型,兩者應分開理解。


回到訂票的例子:App 接住要求後,智慧體先從知識層找出公司「火車限二等座」的規定;模型依據這段資料作答,並產生查票或訂票所需的工具呼叫;推理引擎安排運算,底層晶片完成計算;工具回傳車次與票價後,模型再整理選項。到了付款或正式下單前,App 應讓你確認,得到授權後才執行。


掌握這張圖,以後碰到新名詞就可以先問:「它屬於哪一層?解決了下一層的什麼限制?」例如,PD 分離屬於框架層的推理調度,MCP 屬於智慧體的工具介接;多模態則與模型處理圖片、聲音等不同類型資訊的能力有關。先找到位置,再研究細節,AI 的名詞就不再是一堆彼此孤立的縮寫。

2026年11月16日 星期一

[AI 深思] AI 程式碼生成越快,軟體越容易維護嗎?

[AI 深思] AI 程式碼生成越快,軟體越容易維護嗎?

摘要:AI 能加快程式碼生成,卻無法取代架構判斷、有效測試與審查;長期維護成本取決於團隊流程。



內容:


一篇在 Hacker News 引發六百多則評論的文章,提出了 AI 程式設計的關鍵問題:程式碼越容易生成,誰來確保系統仍能持續演進?文章作者曾在 Meta 工作。他表示,離職前幾個月,自己至少九成的程式碼由 AI 生成;進入另一家大型科技公司後,比例更達到百分之百。然而,他並未因此得到兩倍或十倍的程式碼產出,反而注意到一些經驗豐富的工程師開始提交「能執行,卻可能難以長期維護」的程式碼,讓程式碼庫逐漸變得脆弱。


軟體能成功執行一次,不代表它容易修改。以訂單系統為例,今天支援普通訂單,下個月加入優惠券,之後再接入訂閱支付,每次需求變動都可能碰到原有邏輯。設計清晰的系統能將改動限制在相對明確的邊界;脆弱的系統則可能因為新增一種付款方式,就得修改十幾個檔案,甚至刪掉一段看似多餘的邏輯,便影響仍在使用舊流程的客戶。這類問題在功能首次上線時未必會暴露,往往要等需求持續疊加,團隊才發現每次修改都比上一次困難。


作者舉過一個小例子:一位能力很強的同事為了實現滑鼠懸停樣式,使用 JavaScript 事件監聽控制介面;但在那個簡單場景中,CSS 的 hover 選擇器通常已經足夠。JavaScript 寫法不一定有錯,也能做出要求的效果,卻額外引入事件處理、狀態維護與清理工作。複雜互動當然可能需要 JavaScript;這個例子要說明的是,Agent 能完成任務,卻不一定會選擇最符合現有系統、維護成本最低的方式。


測試也有類似問題。AI 可以快速替簡單的 getter、setter 寫出大量測試,讓測試數量與覆蓋率看起來很漂亮,但真正高風險的情境仍可能沒有被檢查:付款成功後,確認結果因網路中斷而未返回,使用者再次點擊會不會重複付款?兩個請求同時修改資料時,是否會發生競態條件?尤其當 Agent 同時撰寫實作與測試,兩者可能共享同一個錯誤理解,於是測試全部通過,業務規則卻仍然錯誤。


因此,驗證依據不能只來自實作程式碼本身。以優惠金額為例,團隊可以獨立訂出「優惠不得小於零,也不得超過應付金額」等業務性質,檢查邊界與異常情境;必要時再使用變異測試,故意改動關鍵計算邏輯,確認測試是否真能抓出錯誤。測試的價值不只是顯示綠燈,而是它發現錯誤的能力。


抽象設計同樣需要判斷。AI 可能為了遵守避免重複的原則,把只是暫時相似的功能硬合併,或將簡單功能拆成過多的輔助函式與層次;反過來,也可能對明確需要支援數十種告警的專案,只寫出數百行針對第一種告警的專用程式碼。該提前考慮哪些變化、哪些應等需求明確再處理,沒有永遠正確的答案。


Agent 可以搜尋倉庫、閱讀檔案並反覆檢查,卻未必掌握系統設計背後的歷史。兩個模組沒有共用介面,可能是因為曾發生效能事故;一段看似奇怪的相容邏輯,可能仍服務尚未遷移的老客戶。若這些背景沒有記錄在程式碼或可讀取的文件中,Agent 很容易根據眼前資訊做出不合適的修改。人類工程師也會犯錯,但長期參與專案的人,至少有機會從實作、除錯與事故經驗中累積這類隱含知識。


當團隊越來越依賴 Agent 產生程式碼,另一個風險是系統持續增長,卻越來越少有人能解釋它為何如此運作。原本每天只有幾個需要審查的 pull request,導入多個 Agent 後可能增至數十個;生成改動的時間縮短了,閱讀、驗證、討論設計與整合的工作卻沒有消失。團隊若無法提高審查能力,就可能讓改動排隊,或縮短每次審查的時間,將問題延後到正式環境才發現。


研究結果呈現的也不是單一結論。Needle in a Repo 測試了 23 種模型與 Agent 配置;在報告統計的 483 個結果中,有 64 個通過全部功能測試,卻未通過結構檢查,約占 13.3%。這項診斷基準不能直接推算生產環境的缺陷率,但提醒我們:功能正確,不等於依賴關係、職責拆分與可維護性也正確。


另一項研究分析逾 6,200 個 GitHub 倉庫與逾 30 萬次經辨識的 AI 程式碼提交,透過靜態分析識別出約 48 萬個問題,其中多數屬於程式碼異味。在持續追蹤的問題中,24.2% 到觀察結束時仍存在。程式碼異味不等於線上故障,但若新增問題的速度長期高於修復與整理的速度,技術債就可能累積。


不過,也不能據此認定 AI 程式碼必然比較差。一項發表於 Empirical Software Engineering 的兩階段研究發現,使用 AI 的開發者在第一階段新增 Java 功能時,任務完成時間中位數縮短了 30.7%;第二階段由另一批開發者在沒有 AI 的情況下繼續修改程式碼,研究未發現兩組在後續修改耗時或品質上存在統計顯著差異。這項結果有任務規模與實驗情境的限制,但說明開發流程、任務類型、經驗與驗證方式,都會影響最終品質。


Hacker News 的討論也指出,技術債、過度抽象、測試不足、難以理解的舊程式碼,以及趕進度時跳過審查,都是 AI 出現前就存在的問題。AI 可能放大並加速這些問題,也可能在良好的流程中幫助團隊改善品質。Google 的 DORA 研究亦指出,較高的 AI 使用程度與較高的交付吞吐量相關,同時也與較高的交付不穩定性相關。AI 更像放大器:清晰的架構、可靠的測試與穩定的交付流程會受益;混亂的邊界與不足的驗證,也可能更快累積後果。


因此,團隊使用 Coding Agent 時,值得優先做好五件事:修改前明確需求邊界及必須維持的系統行為;將模組職責、依賴方向與架構約束記錄在倉庫中;要求最小必要改動,並解釋新增抽象或跨模組修改的理由;在持續整合中結合功能測試、異常情境、靜態檢查與必要的變異測試;最後,依改動風險安排審查強度,對支付、權限、資料遷移及核心狀態管理採取更嚴格的驗證。


AI 已能分擔大量重複實作、程式碼遷移、測試輔助與問題定位工作,沒有必要因擔心技術債就完全放棄它。但生成程式碼的成本降低,不代表判斷業務需求、維持架構邊界與處理未來故障的成本也會消失。未來衡量開發效率,不能只看一天產生多少程式碼、合併多少 PR;更重要的是幾個月後,團隊是否仍能以合理成本理解、修改並維護這套系統。

[AI 回顧] 微軟 365 全球故障:例行變更如何牽動雲端與 AI 服務

[AI 回顧] 微軟 365 全球故障:例行變更如何牽動雲端與 AI 服務

摘要:微軟網路升級埋下的問題引發跨服務故障,凸顯雲端集中風險與備援難題。



內容:


微軟這次大規模故障,最終公布的初步原因不是網路攻擊,也不是 AI 代理操作,而是早前一次網路容量升級引入的問題,在後續網路變更後顯現。微軟還特別聲明,事件「與網路攻擊或 AI 代理無關」。這句罕見的澄清,也反映外界已開始關注 AI 代理是否可能影響生產環境。


故障在週四上午陸續浮現。約 9 時 45 分,Teams 先出現訊息無法傳送、聊天紀錄無法讀取等狀況;微軟當時將問題歸因於資源使用增加,並於 10 時 53 分表示已修復。但到 11 時 17 分,Outlook 又開始無法正常使用,微軟開立編號 EX1550543 的事件工單。下午 1 時左右,DownDetector 收到約 13 萬筆 Outlook 報障,通報來自 74 個國家與地區。


下午 1 時 26 分,微軟再開立 MO1550821 工單,處理依賴郵件後端的其他服務。受影響範圍不只郵箱:Exchange Online 的網頁、桌面與手機端連線異常;Teams 的日曆、會議邀請和線上活動建立受阻;SharePoint 外部共享出問題;Copilot 無法正常開啟對話或讀取郵件、日曆與檔案。Defender XDR、Purview、Microsoft Graph、Power BI 和 Power Apps 也分別出現延遲、逾時或登入異常。一層共用後端故障,牽動了多條產品線。


外部網路監測公司 ThousandEyes 記錄到連線重設、連線遭拒、回應逾時及大量伺服器端錯誤;其觀測顯示,封包遺失發生在微軟自身網路內,而非使用者的寬頻線路。有報導指出,故障期間 Azure 狀態頁仍顯示沒有活動事件,Microsoft 365 狀態頁卻載入緩慢甚至無法開啟,凸顯不同服務狀態頁可能提供不一致的故障視角。不過,這次事件與特定 Azure 網路變更的關係,各方說法並不一致,不能視為已確認的結論。


下午 2 時 18 分,微軟表示負載升高並非因為使用者流量增加,而是可用的處理能力下降。之後的通報提到,部分伺服器未通過自動健康檢查,因而被移出服務。健康檢查原本用來隔離故障機器;但當大量機器已因過載而無法回應,持續將它們移出服務,可能讓剩餘機器承受更大壓力,形成連鎖效應。


微軟一度懷疑處理伺服器健康狀態的元件,並測試替代檢查方式、恢復部分伺服器。然而,這些措施未達預期效果;後續分析指出,被移出的伺服器當時確實已無法處理請求,健康檢查未必判錯。更深一層的瓶頸,是負責建立安全連線的核心程序承受不住壓力,請求甚至無法進入後續處理流程。部分恢復的伺服器一接觸真實流量,又再次失效。


微軟隨後限制部分地區的特定流量、依先前版本的設定重建伺服器,並開始回滾一項與故障起點時間相近的網路配置變更。深夜通報又指出,路由服務對後端的呼叫量激增;這可能與大量客戶端反覆重試有關,而不代表實際使用者突然增加。到了週五凌晨,上游認證與路由設定的修補程式部署至部分設施後,情況才逐步穩定。微軟也把郵件的逾時視窗延長至 48 小時,優先避免延遲送達的郵件被過早判定為失敗。


影響延伸到企業之外。日本政府表示,跨部門通訊受阻,已啟用電話等替代方式;新加坡政府科技局表示,政府郵件中斷正與微軟合作處理,當地法院也通報收發郵件出現問題,同時強調緊急服務維持正常。這些案例顯示,當政府辦公流程依賴同一套雲端服務,商業系統故障也可能成為公共服務問題。


經濟影響方面,Anderson Economic Group 初步估計生產力損失約 70 億美元,並估算週四約 2,600 萬人、週五約 5,100 萬人的工作受到可計量的影響。這是未能完成工作所折算的產值,不是微軟須支付的賠償,也不是直接蒸發的現金;數字仍屬初步估算。


微軟特別否認 AI 代理涉入,有其產業背景。《金融時報》曾報導,亞馬遜雲一宗故障與工程師使用編碼代理 Kiro 進行變更有關;亞馬遜則將問題歸因於存取控制配置不當,強調不是 AI 本身造成。兩種說法指向同一個治理問題:當代理取得足以修改生產環境的權限,授權範圍與變更審查就格外重要。就這次微軟事件而言,目前沒有證據顯示 AI 代理是肇因。


AI 在本次故障中更直接的角色,反而是下游受害者。OpenAI 提醒使用者,與微軟的新連線及部分工具可能異常;Anthropic 也通報上游服務商問題,Claude 連接郵件、日曆等工具的請求受到影響。企業 AI 助手若要讀取郵件、文件與行事曆,就必然依賴這些辦公系統。相關後端失效時,AI、資料工具及安全合規服務也可能一起受波及。


另一個值得討論的背景是擴容壓力。微軟表示,問題源於先前的網路容量升級;在 AI 需求與基礎設施投資持續增加的環境下,頻繁變更可能帶來更多操作風險。不過,「AI 需求促成此次故障」是對產業背景的推論,並非微軟公布的根因,兩者不能畫上等號。


對企業而言,「改用多雲」也不是郵件與身分系統的簡單解方。算力和儲存較容易分散,但郵件路由、單點登入、帳號權限與通訊錄通常仰賴同一套權威系統;維持兩套即時一致的環境,成本與複雜度都很高。因此,現實中的備援往往是電話、簡訊或其他聊天工具,能維持基本溝通,卻未必能立即恢復原有業務流程。


個人與團隊仍可做一些準備:為重要郵件保留本機副本;將關鍵聯絡人的電話存在手機本機;妥善保存雙重驗證備份碼;有截止日期的報稅、簽證或政府申請,不要等到最後一天才透過單一線上服務辦理。


監管也開始正視大型雲端供應商的集中風險。歐盟金融業數位營運韌性法規 DORA 之下,三大監管機構公布的首批關鍵資訊通訊技術第三方服務商名單包含微軟及其他大型科技企業。當少數供應商支撐大量企業與公共服務,一次例行變更的影響就不再只是單一公司的內部事故。


目前微軟完整的事後報告尚未公布,故障如何從最初的容量升級一路傳導至各服務,仍應以後續正式報告為準。比找出這一次的觸發點更重要的問題是:下一次不可避免的擴容與變更,微軟將如何避免同樣的連鎖失效?

2026年11月13日 星期五

[AI 分享] C# 15 新功能:聯合型別、封閉類別與更靈活的語法

[AI 分享] C# 15 新功能:聯合型別、封閉類別與更靈活的語法

摘要 : C# 15 加入聯合型別、封閉類別等功能,強化型別安全並簡化程式碼。



內容:


這場分享由 C# 團隊成員接續主題演講,透過程式範例介紹 C# 15 的新功能。講者表示,聯合型別是團隊討論多年的設計,如今終於能用簡潔的語法,表達「一個值只能是指定幾種型別之一」。


**聯合型別(union)**的示範從寵物資料開始:程式需要同時處理狗、貓和鳥,但這些型別可能來自不同程式庫,並非開發者自行建立的繼承階層。過去若以 object 儲存,任何物件都能混入,連不希望出現的鯊魚也不例外;對 object 撰寫 switch 運算式時,編譯器也無法確認所有可能情況都已處理。


C# 15 可以宣告「Pet 是由 Dog、Cat、Bird 組成的 union」。這些成員稱為 case types。宣告後,三種指定型別都能隱含轉換為 Pet,未列入的 Shark 則會產生編譯錯誤。程式也能直接針對各 case type 進行模式比對;當三種情況都已處理,編譯器便能確認比對具有窮盡性,不再要求額外處理未知物件。


如果其中一個 case type 允許 null,編譯器會明確提醒尚未處理 null。補上對應分支後,窮盡性警告就會消失。講者強調,這類具體的編譯器回饋,能引導開發者逐步補齊必要情況。


Union 本身是真正的型別宣告,不只能使用簡短的分號形式,也能加入大括號、泛型參數及屬性或方法等功能成員。例如,可以把處理不同寵物的邏輯寫成 Pet 的輔助屬性。不過,這種 union 不允許另外宣告儲存狀態:其中的值就是它的狀態。


講者也展示編譯器預設如何實作 union。預設產生的是 struct,包含保存目前值的 Value 屬性,以及接收各 case type 的建構函式;隱含轉換可藉由呼叫相應建構函式完成,模式比對則會取出值來判斷。編譯器產生的型別也會實作 IUnion,方便程式在不知道具體 union 型別時,仍能辨識 union 並取得其值。


開發者亦可自行建立 union:在類別或結構上標示 Union attribute,提供必要的值屬性與建立成員,讓編譯器辨識其 case types。這對效能要求較高,或想讓既有型別具備 union 行為的情境特別有用。例如,預設實作以較寬泛的型別儲存值,可能使實值型別發生裝箱;自行實作便能選擇其他儲存與取值方式。


第二項重點是 closed 類別。講者以計算機的運算型別為例:程式定義數字、加、減、乘、除等衍生類別,並用模式比對遞迴計算。但只要公開的基底類別仍可由外部繼承,其他專案就可能加入新的衍生型別,編譯器也無法保證現有比對已涵蓋全部情況。


將基底類別宣告為 closed 後,只有同一組件內的型別能直接繼承它;其他組件的繼承宣告會成為編譯錯誤。closed 也使該類別自動具有抽象類別的性質。如此一來,開發者可以保留既有的繼承模型,同時讓編譯器確認模式比對是否窮盡,而不必為了改用 union 重整整個資料結構。


第三項功能擴充了集合運算式。集合運算式原本適合簡潔地建立集合,但若建立時需要傳入參數,例如替 HashSet 指定忽略大小寫的比較器,或替 List 指定初始容量,過去往往得改回明確呼叫建構函式。C# 15 允許在方括號開頭使用 with 並提供參數,讓程式在保留集合運算式寫法的同時,控制集合的建立方式。


第四項是帶標籤的 break 與 continue。在巢狀迴圈中,若內層條件成立便要跳出外層迴圈,過去可能需要額外的布林變數,再於外層檢查。現在可以替目標迴圈加上標籤,直接指定要跳離或繼續哪一層迴圈。講者指出,這能減少輔助狀態,讓控制流程更直接,也較不容易在修改程式時出錯。


第五項是擴充索引子(extension indexers)。C# 14 已讓擴充成員不再侷限於方法,例如可加入擴充屬性;C# 15 則進一步支援索引子。在擴充成員的宣告區塊中,開發者能沿用一般索引子的宣告語法。講者認為,這也顯示新的擴充成員設計可以自然延伸至更多成員種類。


分享最後提到另一項仍在預覽階段的功能:改進 unsafe 的標記與追蹤方式。其目標是讓開發者除了內建的不安全操作,也能標示自己撰寫的不安全操作,並在程式碼中的呼叫關係上持續追蹤,使這些操作更容易被辨識與檢查。此外,啟用相關改進後,async 程式碼也能因執行階段的支援而變得更快;它的用法沒有改變,重點在於效能提升。

2026年11月12日 星期四

[AI 分享] 讓 .NET MAUI App 不只會聊天,還能替使用者行動

[AI 分享] 讓 .NET MAUI App 不只會聊天,還能替使用者行動

摘要:介紹如何結合裝置端 AI、工具呼叫與 .NET MAUI,讓 App 理解需求並執行操作。



內容:


在 .NET Conf 2026 的這場分享中,微軟 .NET MAUI SDK 團隊的軟體工程師 Gerald 探討如何把 AI 加入 .NET MAUI 應用程式。他認為,AI 不該只是 App 裡的另一個聊天視窗。使用者真正需要的,是能理解意圖、找到資訊,並在適當確認後完成操作的 App。


行動裝置特別適合這類體驗,因為它可以透過相機、麥克風、定位及其他感測器提供情境資訊,也可能在取得適當授權後,運用行事曆或健康資料。例如,旅行時掃描菜單,結合所在地點,協助有芝麻過敏的使用者判斷需要留意的餐點。這些資訊讓 AI 的用途超越單純問答,轉向解決具體問題。


Gerald 以一款開放原始碼的 .NET Conf App 示範。使用者初次開啟 App 時,可以用自然語言描述感興趣的內容,例如指定講者、.NET MAUI 議程,或「更多 Copilot 內容」。也能設定希望觀看的時段;App 會依使用者時區和時間偏好推薦議程,經使用者檢查後加入個人行程。即使輸入有些微拼寫錯誤,模型也可能理解原意,但裝置端模型通常比雲端大型模型更需要明確的指令。


這款 App 的 AI 不只回覆文字。當使用者提出「找星期四的 Blazor 議程」,它會切換到星期四並套用 Blazor 篩選條件;提出「儲存所有 Aspire 議程」,它會直接將符合條件的場次加入個人行程;要求查看某位講者或特定議程時,也能導向對應的詳細頁面。App 另有尋找行程空檔的功能,可依既有安排和可觀看時段提出候選議程,讓使用者自行決定是否加入。


支撐這套設計的核心之一是 Microsoft.Extensions.AI。它提供 IChatClient 等抽象介面,讓 App 的頁面、ViewModel 和服務不必直接綁定單一模型來源。開發者可以接上裝置端模型、自帶模型或雲端服務,並視需要設定工具呼叫、函式執行與 OpenTelemetry 遙測。不同功能也可以使用不同的 AI 用戶端:較簡單、重視隱私的任務交給裝置端;需要更強能力的任務則交給遠端模型,而不必為整個 App 只選一種方案。


另一個重點是 .NET MAUI 團隊正在 MAUI Labs 實驗的 Essentials AI。它延續 Xamarin Essentials 將跨平台裝置能力整合為統一 API 的思路,嘗試為 iOS、Android 和 Windows 的裝置端 AI 模型提供一致的使用方式。開發者可依平台註冊對應的 IChatClient 實作,再讓應用程式其他部分透過共同介面呼叫。Gerald 說明,Essentials AI 目前以 MAUI Labs 預覽套件形式提供,方便團隊快速實驗並收集回饋;它受到團隊積極維護,但尚不等同納入正式產品支援承諾。


使用裝置端 AI 前,App 必須檢查裝置是否具備相應能力、模型是否已準備就緒,以及是否需要下載模型。不同平台與裝置支援的功能也不完全相同;以分享當時的情況來說,工具呼叫能力尤其需要逐一確認。這意味著開發者不能只因某台裝置「有 AI 模型」,就假設所有 AI 功能都能執行,仍須做好能力檢測、替代流程和實機測試。


模型部署各有取捨。作業系統內建的裝置端模型有離線、隱私及較低使用成本等優點,但能力與硬體支援可能受限;透過 ONNX 自帶模型,能針對特定任務選用模型,卻可能增加大量 App 體積與整合工作;雲端模型能力較強、App 本身也較輕量,但需要網路、持續付費,並須考量資料傳輸與隱私。若使用雲端 API,金鑰不應直接放在行動 App 中,而應妥善保存在後端。


要讓 AI「採取行動」,Gerald 展示了 AI attributes 的做法。開發者可在既有 C# 方法上標註匯出 AI 函式的屬性,替函式及參數寫出清楚描述,使模型能根據使用者語句判斷何時呼叫工具,以及該傳入哪些參數。例如,開啟講者頁面、搜尋議程或調整個人行程,都可以轉為模型可呼叫的工具。相關原始碼產生器會建立呼叫程式碼,避免在執行時依賴反射。工具最終仍透過 App 原本的 ViewModel、模型和服務執行,不必另建一套與既有介面脫節的操作邏輯。


讓 App 能行動,也必須讓使用者保持控制權。示範中,移除已儲存議程屬於可能造成損失的操作,因此 AI 會先列出將移除的項目並要求確認;使用者可以選擇移除或保留。Gerald 建議開發者驗證每項請求與工具參數、留意提示注入風險、清楚說明 AI 能做什麼,並只公開必要且願意讓模型操作的工具。AI 可以協助判斷意圖,但不應繞過安全檢查或替使用者擅自決定重大操作。


分享最後也提出更多延伸方向。語意搜尋可將文字轉成向量,讓使用者不必輸入完全一致的關鍵字,就能找到意思相近的議程。AI 也可能協助新使用者找到設定、推薦入門內容、說明觀看某場演講前應具備的背景知識,或將議程摘要翻譯成偏好的語言。MAUI Labs 中的 AI Wayfinding 實驗則進一步思考:如果使用者能直接表達目的,App 是否可以替他找到操作路徑,甚至呈現更符合個人偏好的介面?


整體而言,這場分享鼓勵開發者從「使用者想完成什麼」出發,而不是只在 App 裡增加聊天功能。Microsoft.Extensions.AI 提供連接不同模型的共同介面,Essentials AI 探索跨平台裝置端能力,AI attributes 則讓既有程式碼成為可呼叫的工具;三者結合後,AI 才能在明確邊界與使用者掌控之下,真正改善 .NET MAUI App 的使用體驗。