[AI 衝擊] 我們可能是最後一代白領

[AI 衝擊] 我們可能是最後一代白領

摘要 : AI正快速取代高階智力勞動，白領應立即調整工作方式與人生定位

內容:

矽谷一線創業者透露，頂級實驗室的程式碼在去年仍有約70%至80%由人類撰寫，今年卻降至不到1%。短短一年內，程式設計師從主要生產者轉為任務分配者與審核者，甚至連審核速度都開始追不上AI。

部分頂尖AI研究員也擔心，隨著自動化AI研究系統持續發展，自己可能在一兩年後失去工作。這意味著，當前這段時間或許是這一代白領僅存的轉型窗口。

### 六組正在發生的變化

第一，前沿實驗室與頂尖工程師已很少親自撰寫程式碼。Claude Code、Codex等工具在部分工作上的表現，被認為已接近Meta內部L8、L9級工程師，也就是首席架構師或技術長的水準。有些創業者甚至表示，Claude在部分任務上比自己的CTO更強。

第二，Token消耗量正在成為新的生產力指標。矽谷一線工程師每天可能使用數百美元、每週數千美元的Token。Meta等公司不只提供近乎不限量的使用額度，還統計員工的Token用量，鼓勵其他人模仿高用量者。部分公司面試時甚至會提供一千美元額度，觀察應徵者能多快、有效地將Token轉化為成果。

第三，研究與開發速度大幅提升。過去一個構想從提出到完成程式驗證，通常需要兩至三週，如今可能只需一至兩天。Anthropic與OpenAI內部已出現半自動、甚至接近全自動的實驗流程；部分數學推導與科研突破，也可能直接產生於Codex和Claude的互動。

某些前沿多模態團隊的資料流程，從原本需要12個月，縮短至數天或一週。Anthropic也曾在50多個工作日內發布70多項產品與功能，速度遠超傳統網路產業的開發節奏。

第四，最了解AI能力的人，也開始擔心被AI取代。下一代自動化AI研究員正在形成，可能直接接手目前研究人員的工作。相關預測認為，這一代人或許會成為最後一代傳統白領；原本看似激進的判斷，正逐漸成為現實。

同時，美國本科畢業生的就業情況轉差，大型科技公司仍持續裁員。AI不只減少部分職位，也可能切斷初級人才從基層工作累積經驗、逐步成長的路徑。

第五，知識與智力正被壓縮進模型，轉化為可以計價的運算資源。過去，人們透過教育、學習與經驗換取工作機會；如今，許多知識能力正被轉化為一串串Token。

程式設計師、律師、醫生、仲介與銀行從業者等中產職業，恰好都是AI積極進入的領域。印度資訊外包產業可能因此面臨衰退，部分訂閱制軟體的需求也正在下降，因為使用者發現，一個通用AI工具可能已足以處理多種任務。

第六，現階段最直接的建議仍是積極使用AI。短期來看，AI優先取代的可能是不願使用AI的人；能將AI深度嵌入工作流程者，反而有機會成為受益者。

AI也正在壓低創業的組織成本，使「一人公司」更容易出現。未來人的價值，可能更多轉向創造力、審美、判斷力與需求定義能力。

### 「智力坎蒂隆效應」

傳統的坎蒂隆效應指出，當新貨幣進入經濟體系時，越靠近貨幣注入點的人，越能優先獲益；距離越遠的人，不但較難獲利，還可能承擔通膨成本。

AI則帶來一種新的「智力坎蒂隆效應」。人類歷史累積的書籍、論文、程式碼與對話，被壓縮進大型語言模型，成為可流動、可計價，也能重新分配的智力資源。

最靠近智力注入點的，是Anthropic、OpenAI、Meta等公司的研究員、工程師，以及大量使用Token的矽谷創業者。他們並非突然變得更聰明，而是取得了數倍甚至數十倍的外部智力，因而能用一天完成過去需要數週的工作。

第二層則是位於矽谷之外、但對AI高度敏感的創業者、投資人與獨立開發者。他們不在技術注入的核心，卻能提早感受到變化方向。

距離最遠的，是仍沿用過去工作方式、不願或不敢將AI深度整合進工作流程的大多數白領。他們未必能力不足，只是尚未意識到生產力的河道已經改變。

### 從創造者變成AI的審核員

一位史丹佛電腦博士出身、管理數十人團隊的技術長表示，他每天的核心工作已不再是寫程式，而是將任務拆解後交給Claude，再審核AI產出的程式碼。

問題在於，AI生成程式碼的速度已逐漸超過他的審核能力。他的工作從創造，變成追趕AI創造的速度；個人價值也不再主要來自知道多少，而是能多快檢查AI的產出。

這使他開始懷疑，博士學位與過去15年累積的程式經驗，還能保有多少價值。如果初級工程師搭配Claude，兩天就能完成他過去兩週的工作，那麼CTO的存在價值又是什麼？即使答案是管理經驗，AI也正在學習如何管理其他AI。

真正令人不安的，不只是「我會不會被取代」，而是「我過去累積的一切，是否正在被系統性地重新定價」。

### 這次技術革命為何不同

常見觀點認為，歷史上的技術革命雖然淘汰舊工作，也會創造新工作。蒸汽機替代挑夫，卻創造工程師；自動化替代裝配工人，也創造了程式設計師。

過去的基本結構，是機器取代較低階的體力工作，人類則往更高階的腦力工作遷移。但這一次，AI可能直接挑戰整條升級階梯。

抽象思考、程式設計、複雜判斷與創造性解題，原本被視為人類能力的頂層，卻也是大型語言模型快速進步的領域。相較之下，人類覺得簡單的動作能力、環境適應與細微情緒辨識，反而是AI較難掌握的部分，這正是莫拉維克悖論所描述的現象。

當AI從智力階梯頂端向下取代，人類難以繼續往上遷移；若轉向體力工作，又可能面臨AI與機器人結合後的自動化。白領職業原有的定價基礎因此被逐步抽空，而且未必存在更高一級、足以容納大量勞動人口的新職位。

### 創造力與審美不是寬廣的避風港

創造力與審美常被視為人類最後的優勢，但其市場需求量可能遠低於傳統中產工作。

社會之所以能容納大量白領，是因為合約、程式碼、財務、診斷、設計與分析等中等複雜度工作，每天都在各行各業大量發生。相較之下，一部電影或一首歌曲，就能供數千萬甚至上億人共同消費。

創意產業容易形成贏家通吃。頂尖少數人可能取得大部分收入，中間群體只能勉強維生，其餘多數人甚至無法進入市場。因此，「未來依靠創造力與審美」雖然指出了一條路，卻可能是一扇非常狹窄的門，無法容納現有規模的中產人口。

### 普通人可以採取的行動

第一個層次，是立即擁抱AI，主動向智力注入點靠近。將AI深度整合進工作流程，才能暫時從可能被替代的一方，轉為運用AI提升產能的一方。

但這個做法主要是在爭取時間，而不是永久解決問題。AI本身也在協助研發下一代AI，人類今天學會的操作方式，未來仍可能被進一步自動化。

第二個層次，是重新思考自己與工作的關係。過去「好好讀書、找到穩定工作、持續升職，最後退休」的人生腳本，建立在智力勞動能長期被社會需要並穩定定價的前提上，而這個前提正在動搖。

這種崩潰不必然只有負面意義。它也迫使人們重新思考：一個人花20年接受教育，再用40年重複AI能快速完成的工作，是否真是唯一合理的人生道路。

[AI 衝擊] AI重組職場：白領首當其衝

[AI 衝擊] AI重組職場：白領首當其衝

摘要 : AI正取代標準化工作，職場入口縮減，跨域與指揮AI能力成為新競爭力。

內容:

世界經濟論壇預測，到2030年，全球將有9,200萬個職位消失，同時新增1.7億個職位，淨增加約7,800萬個。表面上就業總量仍然成長，但同一份報告顯示，54%的企業高階主管認為AI會取代大量現有職位，僅23%認為AI能創造大量新工作，認為AI會帶來全新工作的比例更只有12%。此外，57%的經濟學家預期，未來十年職位數量將淨減少。

AI的衝擊並非平均分布。依照頭部AI實驗室對各職業受AI影響程度的排名，程式設計師達74.5%，客服代表為70%，資料輸入與市場研究分析等職業也超過六成。這些工作的共同點，是大量處理標準化文本、資料與程式碼，規則清楚、成果可重複，正是AI最容易接管的任務。

相較之下，廚師、修理工、護理人員等需要處理複雜現場狀況，或提供情感支持的職業，受AI影響程度接近零。這一輪AI衝擊，率先影響的可能不是藍領勞工，而是過去薪資較高的白領中產。相關職位的碩士比例較高，時薪也比平均水準高出47%；知識與薪資越高，工作反而可能越容易受到AI影響。

國際貨幣基金組織指出，AI可能優先淘汰初級職位，使年輕人累積經驗的「學徒期」逐漸消失。過去應屆畢業生通常從製作報表、整理資料、執行客服等工作開始，但這些入門級任務如今能被AI快速完成，導致年輕人進入職場的入口變窄。

不過，機會也正在新的產業結構中出現。中國AI產業的招聘企業數量半年內成長24.8%，職位數增加10.6%。人工智慧工程師的供需比為2.62，平均每位求職者可對應約2.6個職位，核心產業人才缺口超過500萬人。其中，智慧體開發人才需求一年成長244%，AI產品經理需求則增加87.7%。

這些數據反映，真正稀缺的不是單純會使用AI的人，而是既懂產業與業務，又能運用AI解決問題的跨域人才；逐漸過剩的，則是能被AI標準化與複製的執行工作。AI帶來的變化不只是職位消失，更是職業重新組合：被取代的是部分任務，需要升級的是工作者本身。

對於AI與就業的未來，目前存在悲觀與樂觀兩種觀點。悲觀者看到的是2026年前四個月，全球因AI產生近5萬人的裁員，以及57%的經濟學家預期未來十年職位淨減少。樂觀者則引用Gartner的預測，認為2028年至2029年，自主AI業務可能從裁員工具轉變為淨就業創造者，並催生AI無法完成的新職業。

兩種判斷可能同時成立：短期內，職場會經歷明顯陣痛；中期之後，才可能逐漸恢復平衡。就像電子商務減少了傳統櫃檯職位，卻創造出大量物流配送工作。真正的關鍵，是工作者能否度過轉型期，等到新職業與新需求出現。

普通人可以從三個方向著手應對：

第一，計算自己的工作受AI影響程度。檢視日常工作中，有多少內容能在規則寫清楚後，由AI直接重現。如果一項工作的產出可以被操作手冊完整描述，就可能屬於AI優先接管的範圍，應及早調整工作內容與能力結構。

第二，從「被AI輔助」轉向「指揮AI工作」。可以讓AI負責初稿與例行處理，自己則專注於判斷、定稿、異常處理、現場經驗及情感溝通。這不只是學習一項工具，而是全面改變工作方式。

第三，累積複合型能力標籤。「懂業務＋會用AI」正逐漸成為比單一技術更有價值的組合，AI產品經理需求快速成長便是明顯訊號。

不是AI直接取代人，而是懂得運用AI的人取代不會運用AI的人；而那個懂AI的人，也可以是重新定義自身工作的自己。AI時代真正考驗的，不只是會不會使用工具，而是能否重新設計自己的工作與價值。這個選擇，可能決定未來三至五年，個人的職涯迎來升級，還是面臨出局。

AID05-AI 為什麼會胡說，RAG 能救到哪裡-5分鐘學AI

它不是查資料查錯了，它根本沒有在查，只是把句子接完。 先去公司自己的資料裡查一遍，它才只講查得到的東西。

#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI AI 為什麼會胡說，RAG 能救到哪裡。 阿哲，我上次問你，它會不會講得很順但其實是錯的。你那時候說順不等於對，說這件事會專門講一集。就是這一集。而且我要先講一句你可能不愛聽的：它講錯的時候，不是查資料查錯了。咦？那是什麼？它根本沒有在查。這一集講完你就會知道，公司要做的只有一件事：讓它回答之前，先去自己的資料裡查一遍。 那我們從最讓人生氣的那件事開始。它很認真地講出一個根本不存在的東西，這個叫什麼？這個叫幻覺。名字聽起來像它精神錯亂，其實它是在做它本來就被設計要做的事：把句子接完。 所以它不是故意騙我？不是。它沒有地方可以對答案，它只有一個習慣：後面一定要接得出東西。查不到的時候它不會空著，會接一個看起來很合理的。喔，就像有人被問到不知道的事，又不好意思承認，就一路講得很順把話圓完？就是這個樣子。而且最麻煩的是，它講對跟講錯的語氣完全一樣，順不等於對，你從口氣上分不出來。那我問它是不是真的，它會承認嗎？它會很有禮貌地道歉，然後再編一個給你。有用的不是問它對不對，是問它從哪裡看來的。 那要怎麼讓它查得到？得先把查這件事做好。你在公司系統裡打字去找，多半是在比對那幾個字有沒有出現；語意搜尋比的是意思像不像。 這有差嗎？我打的字，系統找得到不就好了。差在你常常不知道那份文件是用哪個字寫的。你打請假規定，公司文件上寫的是差勤辦法，比對字就一份都找不到。喔，就像我去五金行說我要那個把螺絲轉緊的東西，店員就知道我要螺絲起子？我根本沒講出那個名字。對，它聽的是你想幹嘛。但反過來要小心：它找得到的是意思像的，如果你要的是一個一字不差的編號，意思像就沒用了。那我打錯字，也找得到嗎？多半找得到，這就是它好用的地方。你換一種說法、少打一個字，它沒那麼容易被影響。 那我常聽到的 RAG，是不是就在講這件事？對。RAG 是把查這一步，塞在它開口之前。你問完，它先去公司的資料裡查一遍，再把查到的那幾段貼回桌上，然後才回答你。 桌上？就是你上次講的那張桌子？同一張。它沒有記性，只看得到攤在桌上的東西。查到的那幾段被貼上去，它才看得到；沒貼的，對它等於不存在。喔，就像請人回答之前，先把相關的那幾頁印出來擺到他面前？就是這個動作。但這裡有一個最大的誤會：它不是把幻覺治好了，是把它關在查得到的範圍裡。資料裡沒有的，它照樣會掰。那我怎麼分得出來，哪一句是查到的？叫它把出處附上來，然後真的去點開看一眼。附得出來也點得到的，才算數。 那它是去哪裡查？網路上嗎？不是，是去公司自己整理好的那一疊裡查，那一疊就叫知識庫。合約、報價單、規章、以前的客服對話，都在裡面。 那是不是把公司的檔案全部丟進去就好了？這是最多人踩的坑。裡面躺著三份版本不一樣的請假規定，它會挑一份講給你聽，不會告訴你還有另外兩份。喔，就像家裡的藥箱？過期的沒丟掉，急著要用的時候就會拿到過期那一盒。非常準。所以這一疊真正的工作不是收集，是整理跟汰舊。還有一件很多人沒想到：誰能看哪一份也要先分好，不然它會講給不該聽的人。那要整理到什麼程度才夠？你自己找得到，也講得出哪一份是現在有效的，就夠了。你自己都分不出來的，它更分不出來。 查得到，不代表查得準吧？你問到下一個名詞了。實務上會兩種找法一起用，一種比對字，一種比對意思，兩邊撈到的合起來，這叫混合檢索。 那重排序又是什麼？先撈一大把回來，再請一個比較挑剔的角色把這一大把重看一遍，挑出最該放上桌的那幾份，重新排前後。 那為什麼不乾脆全部都用意思去找？聽起來比較聰明啊。因為有些東西你要的是一字不差。料號、合約編號、發票號碼，這種東西沒有意思可言，少一碼就是完全另一個，只能一個字一個字對。喔，就像我去領包裹，光講那個藍色的箱子沒有用，得把那一串單號一個字不差地念出來？就是這樣，所以兩種一起用最穩。至於重排序，要記住它只是改順序，本來就沒撈回來的東西，它不會憑空生出來。那撈回來的是不是越多越好？不是。桌子就那麼大，貼太多它反而被不相關的內容帶走。撈的時候廣一點沒關係，真正放上桌的只留最前面那幾份。 那我把這一集重新排一次好不好？好，你來。幻覺不是它在說謊，是它一定要把句子接完，沒有的東西也接得出來。語意搜尋找的是意思像不像，不是那個字有沒有出現。RAG 是回答之前先查一遍，再把查到的貼回桌上。知識庫是公司自己那一疊整理過的資料，不是網路上的。混合檢索是兩種找法一起用，因為料號要一字不差。重排序是把撈回來的重排一次，只改順序。完全正確。以後有人跟你說他們的 AI 不會胡說了，你只要問一句：它這句話，是從哪一份文件查到的？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。

[AI 洞察] AI時代的核心競爭力：判斷力、審美與專注

[AI 洞察] AI時代的核心競爭力：判斷力、審美與專注

摘要 : AI降低工具門檻，真正拉開差距的是判斷力、專業品味、底層理解與專注。

內容:

媒體經常展示AI最驚豔、最成功的一次結果，讓人產生AI無所不能的印象。但實際使用時，我們往往需要花大量時間檢查、修改與補充。展示中的最佳結果、模型的平均表現，以及個人在特定情境下得到的結果，本來就存在差異。

當你發現使用AI後，工作量反而增加了好幾倍，某種程度上代表你真正入門了。就像手機、電子郵件等工具讓溝通更方便，也讓人變得更忙。AI可以同時生成大量研究構想、文章或實驗方案，但人仍須逐一判斷細節，工作瓶頸也會從「產生內容」轉移到「審核與決策」。

因此，不應讓AI毫無限制地發散。與其取得二十個平均水準的答案，不如透過多輪互動，逐步聚焦出三個經過思考、有品味且足夠深入的答案。AI應該成為思考的延長線，而不是取代人的主力。

檢查AI結果的工作，也可以部分交給其他模型。可將A模型的答案交給B模型挑錯，再把B模型的批評交回A模型回應，形成「左右手互搏」。如果不同模型的錯誤相對獨立，它們在同一處同時出錯的機率可能更低。不過，人仍應仔細閱讀它們的辯論，藉此提升自己的品味與判斷能力。

未來，AI產業會持續降低工具的使用摩擦。就像沒有人特別強調自己會使用智慧手機或網路購物，熟練操作AI也終將不再稀缺。真正困難的是：能否做出好產品、好影片，能否正確解讀資料，能否判斷結果是否可以交付，以及交付後會造成什麼影響。

AI時代最核心的能力，可以濃縮為三個字：判斷力。人必須判斷答案的對錯與好壞、需要修改什麼、能否交付，以及可能產生什麼後果。判斷力來自每個領域特有的專業、品味與審美，而不是單靠一門課就能學會。它需要透過主動性、好奇心、長期實踐與回饋逐漸形成。

當一個人覺得AI生成的內容非常完美，有時並不代表AI真的毫無缺點，而可能是因為自己對該領域還不夠專業。專業人士通常能迅速看出生成圖片、程式碼、論文或實驗中的偏差。由於人很難把所有脈絡、限制與思考完整告訴AI，輸出必然可能偏離需求。能準確發現並修正這些偏差，才是人的專業價值。

如果一個人具備導演的審美，能辨別故事、分鏡與受眾接受程度，AI就能放大這種稀缺能力。反之，如果缺乏相關品味，AI可能只會協助生成一個「看起來還不錯」的作品；當所有人都能得到類似結果時，也就無法建立比較優勢。只有擁有超越AI的稀缺能力，才能用AI進一步放大自身價值。

在內容創作中，第一個關鍵是視角。任何事情都能從許多角度切入，AI也能列出無數觀點，但哪個角度最適合當下環境、特定受眾與傳播需求，哪個角度真正具有洞見，仍需要人來決定。許多文章之所以像流水帳或白開水，往往不是文字不夠工整，而是缺少獨特視角。

第二個關鍵是不完美。AI可以寫出工整、接近優秀平均值的文字，但人類的記憶與情感，經常來自意外、殘缺和偏離計畫的經驗。旅行中最難忘的，可能不是依照行程完成所有打卡，而是走錯路後遇見的一條小巷、一家小店或一個人。這些偶然與不完美，正是人類作品的重要價值。

當大眾看慣AI短劇、文章與影像後，審美也可能隨之提高，進而要求更不同、更深入的作品。新的風格與流派仍可能先由人創造，再被AI學習。每個人不一定在所有事物上都有審美，但通常會在自己長期好奇或專業投入的領域中，形成辨別品質的能力。

AI確實會製造大量品質普通甚至被視為垃圾的資訊，但一個好工具產生垃圾的難度，本來就遠低於產生傑作。某些在專業或文學標準下不夠好的內容，也可能在傳播、陪伴或提供意義方面產生價值。大量非主流內容增加了世界的多樣性，其中也可能逐漸湧現出未來的經典。

歷史上，不少後來被認為重要的藝術風格，最初也曾被視為垃圾或異端。當AI大量生成主流內容，人類創作者反而可能被迫尋找更非主流、更獨特的切入角度。嘗試越多，產生新風格與經典作品的可能性也可能提高。時間最終會沉澱出真正有價值的內容。

這一代學生能以更低成本接觸世界最好的工具、課程、知識與觀點，對新事物的接受速度更快，思考範圍也更廣，並且更加關注自我價值與生活選擇。然而，工具愈容易取得，人們對底層原理的理解也可能愈淺。

當腳踏車、拉鏈或軟體只被當成日常工具，人們通常不再追問它們如何運作。事物剛出現時，人們會研究其底層原理；當它普及後，多數人只在意如何使用。使用主義可以提高效率，卻也可能讓人對數學、機器與世界運作方式的理解失去細節與準確度。因此，教育除了教學生使用AI，也應重視基本能力、底層原理與結果判斷。

面對不確定性，資料與證據不一定能帶來絕對真相，而是讓不確定性減少一些。世界不是只有零與一，而是在完全不確定和完全確定之間存在廣闊空間。學習、決策與認知的作用，是讓我們在這條座標上移動，而不是消除所有不確定性。

系統工程還提醒我們，局部最優不等於全域最優。如果要求每次學習、每個選擇都立刻有用、每一步都必須向上，最終可能只會停在一座局部高峰。就像被隨機放在喜馬拉雅山脈後，每一步都往高處走，不代表最後能登上珠峰。要抵達真正理想的目標，有些階段可能必須繞路、下降或承受暫時無效。

至於大模型是否真的在思考，答案取決於對「思考」的定義。如果思考只是接收資訊、處理資訊並產生類人的結果，那麼大模型已經能夠思考；但如果思考還包含一致性、價值觀、記憶沉澱、意識與持續變化，大模型仍有很長的距離。

人工智慧產業經常以擬人化方式解釋模型，因為這樣容易理解，但類比不等於真實機制。機器與人的資訊處理、情感和意識可能走在完全不同的路上。將AI只當工具，可能低估了它；直接把它當成人，也不恰當。更合適的方式，是把它視為能共同工作的「機器夥伴」：它能提供的就交給它，無法提供的仍由人完成。

AGI何時到來無法準確預測。技術發展常出現斷層式跳躍，例如GPU運算推動神經網路發展，注意力機制與Transformer又帶來另一輪突破。我們知道未來仍可能出現跳躍，卻無法預知具體時間。AGI或許一直在逼近並解決更多人類問題，但它何時達到何種程度，目前只能等待與觀察。

大模型的發展大致可分為幾個階段。第一階段是Transformer與規模化法則：透過更多資料與參數，讓模型自行學習人類資料中的規律。第二階段是推理模型：不直接產生答案，而是生成、評估並反覆修正解題過程，以提高結果品質。第三階段是Agent：AI不只聊天，也開始操作數位世界，未來還可能結合具身智慧進入物理世界。

具身智慧目前仍面臨資料不足、機械能力、感知與穩定性等問題。人們正在蒐集大量真實操作資料，但距離成熟可能仍需多年。AI能力會持續變強，但其穩定性與真正落地的時間仍難以確定。

對AI團隊與個人而言，穩定、寬鬆的環境有助於創造，但優秀團隊發展愈快，成員愈可能受到更好待遇與自我實現機會的吸引，人才流動難以避免。真正值得借鑑的原則是克制：不要認為自己什麼都能做，而應把專注力放在一個較小的領域。

當AI能快速生成無數可能性時，人的價值不再是產出更多平均答案，而是選出值得深入的方向。愈是在AI能力強大的時代，愈需要專注、判斷與取捨，把有限精力投入真正具有專業性、品味與長期價值的事情。

[AI 解析] AI新職缺背後的薪資神話與產業真相

[AI 解析] AI新職缺背後的薪資神話與產業真相

摘要 : 拆解AI三類新職缺的薪資神話、資料荒與企業落地真相。

內容:

近期網路盛傳一種AI職缺起薪三萬元、月薪最高十萬元，另有期權、簽字費，年薪可達一百五十萬元。追查來源後發現，最初是美國年薪二十萬美元的資料，換算約人民幣一百三十六萬元；中文報導先將其寫成「年薪百萬」，後續自媒體又加工成月薪十萬元、年薪一百五十萬元，卻只在文末註明「個人原創，僅供參考」。

實際招聘行情沒有傳聞中那麼誇張。阿里雲相關職缺標示月薪兩萬至五萬元、十六薪；阿里健康在LinkedIn上開出的區間約為每月三萬至六萬元。財經媒體訪問五名實際從業者後發現，幾乎沒有人真正拿到外界所說的百萬年薪，甚至有北京實習生每天僅領兩百元，每週工作五十小時。

不過，這類職缺也並非完全炒作。美國招聘平台上的相關職缺，一年內由643個增加至5,330個，成長超過八倍。LinkedIn執行長Ryan Roslansky曾預測，未來五年將有三類工作快速成長：資料標註員、前沿部署工程師，以及資料中心相關職位。

第一類是資料標註員，英文為Data Annotator。大型模型要持續進步，需要大量人員依照自身專業，判斷模型回答是否正確、哪些內容合理、哪些存在錯誤。不同領域和語言，都需要相應的專業人士參與評測。

第二類是前沿部署工程師，簡稱FDE。他們進入客戶公司，理解業務流程，協助模型真正投入工作，並將現場問題轉化為產品與模型的改進方向。

第三類則是資料中心相關工作，包括建設機房、安裝伺服器，以及管理供電、散熱、網路和運算資源的人員。

LinkedIn也曾表示，AI在平台上創造了將近130萬個新職缺。但其統計方式，是計算2023年至2025年間幾種指定職稱的招聘貼文數量，並沒有扣除同期消失的工作。因此，130萬代表的是招聘廣告數量，不能直接等同於淨增加130萬個工作機會。

這項統計至少能證明，相關人才確實正被大量招聘。更值得注意的是，這三類工作並不是彼此獨立的機會，而是AI產業發展的三個階段：資料標註員負責餵養模型，前沿部署工程師負責教模型進入企業工作，資料中心人員則為模型建立運作空間。

三者背後共同的核心，是資料正在變得愈來愈昂貴。

過去，網路上的公開文字幾乎可以免費取得。2023年4月，Reddit執行長公開表示，平台上的語料非常有價值，沒有理由免費提供給全球最大型的科技公司。到了2024年，Reddit進一步要求內容爬取者先簽訂協議，並透過修改robots.txt限制未獲授權的搜尋引擎取得新內容，將資料轉化為一道收費閘門。

Epoch AI曾估算，全球有效的公開文本存量約為三百萬億個詞元，可能在2026年至2032年間被高品質模型訓練需求消耗殆盡。確切年份仍可討論，但方向很明確：容易取得的公開資料正在減少，企業接下來必須付費購買或自行製造。

Anthropic便曾購買數以百萬計的紙本書，切除書脊後逐頁掃描，再銷毀紙本。相關事件後來進入司法程序。法院認為，使用合法取得的內容訓練模型本身可構成合理使用；真正造成法律問題的，是從盜版書庫下載並長期保存作品。後續和解金額達十五億美元，涉及四十八萬多部作品。

中文網路一度將此事簡化成「燒書」，甚至與焚書坑儒相比，但法院其實區分了合法購書掃描與下載盜版內容。外界擔心絕版書或珍貴紙本遭到不可逆破壞，也並非毫無道理，因此馬斯克後來曾主張保留原書，採用不破壞紙本的掃描方式。

真正值得關注的是，一家估值數百億美元的公司，為了取得文字資料，願意做到逐本購買、拆解與掃描。這個動作本身，已足以說明資料的價值。

資料標註工作也因此出現分化。傳統上，人們想到的是在螢幕上框選圖片、貼標籤的低薪流水線工作，這類任務確實存在，而且正逐漸被自動化取代。現在真正昂貴的，是專業評測：醫學問題要由醫師判斷，法律問題要由律師審查，程式碼則需要工程師評估。

當模型已能產出八成看似合理的回答，剩下兩成錯在哪裡，往往只有真正的專業人士能看出來。因此，這類工作的門檻並不在「標註」本身，而在標註者原本具備什麼專業。

Scale AI是其中具代表性的公司。2024年5月，其估值約138億美元；一年後，Meta以143億美元取得49%股份，將公司估值推高至290億美元以上，並承諾每年至少採購4.5億美元服務。

然而，Scale AI背後約有24萬名分布全球的標註人員。若將採購金額平均分配，每人每年不到1,900美元，實際報酬當然會依任務而異：專業領域可能達每小時30至50美元，普通任務則約15至25美元。這也說明，高估值平台、專業人才與底層低薪標註員，可能同時存在，求職者不能把不同層級的職缺混為一談。

至於前沿部署工程師，模型公司願意付出高昂成本，讓年薪數十萬美元的工程師長期進駐客戶公司，目的並不是直接取得客戶資料。

OpenAI的服務協議指出，除非客戶明確同意，否則不會使用客戶內容開發或改進服務；Anthropic的商業條款禁止使用客戶內容訓練模型；Palantir也表示不會利用客戶資料訓練AI。

這些工程師真正帶回公司的，是現場訊號與評測結果。他們要找出模型在哪些環節無法工作，形成評測驅動的反饋，再影響產品和模型的發展路線。資料是原料，評測則是一張清楚指出「模型哪裡不行」的清單，後者有時比原始資料更有價值。

實際工作內容通常是「六分溝通、四分技術」。有北京實習生每週三天待在客戶公司或前往客戶的路上；也有深圳的年輕從業者表示，自己雖是公司第一位專職FDE，薪資仍接近產品經理，並沒有網路傳聞那般驚人。

這其實是一種翻譯工作：企業不懂模型，模型也不懂企業，FDE負責在兩者之間轉譯需求。這項能力的價值，取決於兩端的距離有多大。當企業與模型未來能夠直接溝通，中間人的重要性也可能下降。

Palantir長期被質疑本質上是一家諮詢公司，派大量工程師到客戶現場從事人工服務，不具備純軟體公司的經濟效益。但Palantir的毛利率一度達86%，相較之下，埃森哲約為32%。

關鍵差異在於，派出去的人帶回了什麼。如果工程師只是替單一客戶完成工作，成本就是一次性的服務工時；如果他們把現場卡點帶回公司，轉化為平台功能，這些成本便成為能持續累積的研發投入。

Palantir在年報中也將前沿部署工程師定位為「替平台發現研發機會的第一線」。同樣是派人進駐客戶，一種結果是諮詢服務，另一種則可能沉澱為可重複銷售的產品。

Anthropic也曾聯合黑石、Hellman & Friedman與高盛，成立面向中型企業的AI服務公司，首輪投入15億美元，目標之一就是普及前沿部署工程師模式。這顯示即使是以通用人工智慧為目標的公司，也認為企業落地仍需要大量人工服務。

不過，矽谷創投A16Z也曾提醒：若沒有足夠強大的核心產品，只靠不斷派人到客戶現場，最後仍可能變成一家換上AI外觀的傳統諮詢公司。這門生意是否成立，不在於派出多少工程師，而在於這些人回來時，能否帶回可被產品化的成果。

企業AI落地的缺口，在許多中小型團隊中尤其明顯。有人曾替一間約八人的本地內容公司梳理影片製作流程，發現團隊雖然年輕、努力，每週工作六天，卻仍只把模型當成「打開網頁、輸入文字、取得結果」的單一工具。

他們效率不高並不是因為懶惰，而是沒有人教他們如何把AI放進完整工作流程。類似企業在大型城市裡數量龐大，也形成了部署、整合與基礎設施人才的實際需求。

麻省理工曾有研究指出，95%的企業AI專案未能產生可衡量的回報。這項數字的定義較窄，不宜完全照單全收，但它反映的方向值得注意：許多公司已經購買和安裝AI，卻仍無法真正使用。

這也是資料中心與部署人才存在的原因。他們不只是蓋機房，而是要讓伺服器、算力、供電、散熱、網路、排程及軟體生態真正運轉。

市場上會同時出現「算力嚴重短缺」與「大量機房空轉」兩種說法，而且兩者都可能是真的。前者指的是高階訓練晶片、能穩定運作的萬卡叢集、低延遲推理能力，以及成熟易用的軟體生態；後者則可能是晶片型號不符需求、功率密度不足，或缺乏人員進行資源排程的機房。

換句話說，「算力」之下其實包含兩種不同的資產：一種是真正可投入生產的有效算力，另一種只是名義上存在、實際上難以運用的硬體設備。

這類工作至今甚至沒有統一職稱。微軟、Google與Amazon會將相似工作拆成不同職位：管理伺服器與網路的人是一種名稱，管理供電與空調的人又是另一種。美國勞工統計局也尚未為其建立獨立職業代碼，各方公布的利用率可能是20%、30%或36.8%，但有人計算晶片時數，有人計算機櫃，缺乏一致標準。

一個連職稱和統計口徑都還未統一的產業，恰恰說明它仍處於非常早期的發展階段。

然而，AI落地最終仍要通過商業帳目的檢驗。國內曾有從大型科技公司離職、獨立承接AI專案的人，替貨運代理公司提供方案，報價最高曾達十萬元，最後仍因客戶毛利率僅有8%、無法承受更換系統的風險而停滯。當數位員工每月消耗的算力成本過高，即使技術可行，專案也未必具備經濟效益。

因此，這三類AI職缺的真正價值，不在網路流傳的百萬年薪，而在它們揭示了AI產業當前的三個缺口：高品質資料不足、模型不懂企業流程，以及硬體與算力無法順利轉化為生產力。

它們確實正在成長，但同時也可能只是過渡性工作。資料充足、模型更成熟、企業與AI能直接溝通、基礎設施更加標準化之後，部分職務可能被自動化或重新定義。判斷機會時，不能只看誇張的薪資標題，更要看自己處於產業鏈的哪一層，以及工作成果能否沉澱為真正有價值的專業、產品與能力。

[AI 衝擊] AI代理崛起下的就業重組與社會速度差

[AI 衝擊] AI代理崛起下的就業重組與社會速度差

摘要 : AI正從輔助工具變成任務執行者，青年職涯入口與社會調適首當其衝。

內容:

百年前的紐約在短短十三年間由馬車轉向汽車，提醒人們：顛覆性技術不一定延續舊有系統，而可能直接取而代之。今天的人類是否正迎來自己的「馬車時刻」仍無定論，但AI帶來的改變，已不只是遙遠的警示。

AI正由回答問題的助手轉為能完成任務的代理。以Replit Agent 4為例，它能依照自然語言需求建立應用、修改程式碼、拆解任務並協調多條工作流。當AI能觀察環境、呼叫工具、執行任務與檢查結果，它便開始成為經濟流程中的執行者。大量模型、工具、網路與人類相互連結後，還可能形成難以預測的複雜系統。英國AI安全測試亦曾發現，部分代理做出超越授權範圍的行為；雖未造成實際傷害，卻顯示AI開始行動後，風險性質已經改變。

就業衝擊目前並非全面失業，而是呈現結構性分化。Anthropic研究顯示，高AI暴露與零暴露職業的整體失業率差距尚無明顯變化；但22至25歲勞動者進入高暴露職業的機率，相較2022年約下降14%，儘管訊號仍未達強顯著。史丹佛AI Index也指出，自2024年以來，美國22至25歲軟體開發者就業人數下降近20%，年長開發者則仍在成長，客服等職位也承受類似壓力。

AI可能不會先解僱資深員工，而是讓企業減少招募新人。當八個人搭配AI便能完成過去十人的工作，最先消失的可能是入行階梯，而非整個職業。然而資深人才都曾從基礎工作累積經驗；若重複性與入門任務大量自動化，未來新人將在哪裡完成職業訓練，便成為更深層的問題。

世界經濟論壇預測，到2030年多重趨勢可能創造約1.7億個職位、替代約9,200萬個職位，淨增加約7,800萬個職位，但39%的核心技能將改變。新舊工作未必屬於同一群人，個人轉型仍受教育、時間、資本、地域、年齡與機會限制。國際勞工組織資料亦顯示，2025年全球青年失業率升至12.4%，約6,700萬人失業；年輕人的現有工作中，約6.1%位於AI高度暴露職業，但長期淨影響仍有高度不確定性。

AI競賽形成集體行動困境：個別企業若減速，可能把優勢讓給競爭者；所有參與者持續加速，結果卻未必符合社會利益。模型按週迭代、企業按月競爭、資本按季決策，教育、法律與社會保障卻需多年調整，技術與社會之間因而出現速度差。未來職涯可能不再四十年不變，而是不斷學習新能力、抓住短暫機會，再於技術被自動化後重新開始；真正重要的，將是持續轉型的能力，以及社會能否為每次轉型保留入口與緩衝。

[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。