2026年10月9日 星期五

[AI 觀點] 彼得・蒂爾談AI、技術停滯與西方文明的未來

 [AI 觀點] 彼得・蒂爾談AI、技術停滯與西方文明的未來

摘要 : 蒂爾從AI競爭、歐洲衰退與美國政治,探討技術進步、制度改革及獨立思考的重要性。



內容:

彼得・蒂爾是矽谷知名的逆向思考者,也是PayPal與Palantir的共同創辦人、Facebook的首位外部投資人,以及《從0到1》的作者。根據提供的文字,他於2026年9月在柏林領取阿克塞爾・施普林格獎,並在領獎前接受施普林格集團執行長馬蒂亞斯・德普夫納的深度專訪。對話涵蓋AI風險、歐洲科技競爭力、美國政治、財政困境與創業文化等議題。


技術停滯:社會撕裂的底層原因


蒂爾約在20年前提出「技術大停滯」假說,認為自1970年代起,全球技術進步出現系統性減速。這不代表所有領域都停止發展,而是進步高度集中在「位元世界」:電腦、網際網路、行動網路與軟體持續快速成長;相較之下,機械、化工、航空航太與核工程等「原子世界」的創新,則逐漸失去往日的活力。


在他的理解中,長期停滯不只是科技問題,也是現代社會衝突的根源。當社會缺少向外開拓的增量,利益分配就容易變成零和競爭:一方的勝利被視為另一方的損失,政治因此走向極端,社會也更容易撕裂。


1990年代末的網際網路雖然帶來巨大成長,卻仍不足以推動整個文明跨入新的發展階段。如今,蒂爾認為AI的規模與潛能可能超越當年的網際網路,至少提供了讓技術進步重新加速的機會。他也承認,AI的爆發使他在一定程度上修正了原先的停滯論。


AI風險不能只看「前進的危險」


多位科技界人士曾警告AI可能帶來人類滅絕風險,也引用讓六個主流大模型評估相關機率的測試,結果多落在1%至10%之間。這些數字屬於模型回答,並非已確立的科學風險估計。


蒂爾直覺上認為,實際風險可能沒有那麼高。但他的核心論點並不在於精確機率,而是:即使承認風險存在,也不能直接推導出「放慢發展就是唯一正確選擇」。


他認為,人們往往忽略停滯本身的代價。西方社會穩定的一項基礎,是中產階級相信下一代能比自己生活得更好。這是一種跨世代的進步契約,包含財富增加、健康改善與生活水準提升。一旦這種預期破裂,社會就容易陷入怨懟與對立。


因此,在蒂爾看來,零成長並不必然通往平靜的田園生活,也可能帶來更激烈的存量爭奪。討論AI安全時,必須同時考慮技術前進與停止前進的風險。


全球限制AI,可能帶來另一種權力風險


蒂爾進一步指出,如果美國放慢AI發展,而中國持續推進,西方未必能因此降低風險,反而可能失去戰略優勢。


他認為,要讓全球AI同步減速,需要極深度的國際協調,甚至需要具有強制執法能力的世界政府。從他的古典自由主義立場來看,為防範技術風險而建立高度集中的全球管制體系,本身也可能構成更嚴重的危險。


反過來說,如果沒有足以強制各方遵守的機制,國際論壇與公約可能只限制願意配合的一方,而其他競爭者仍持續前進。


教皇利奧十四世於2026年5月發布題為《Magnifica Humanitas》的AI通諭,呼籲加強監管、建立獨立監管機構,並警告權力過度集中。蒂爾將其解讀為反AI立場,認為這類呼籲若主要影響美歐,卻無法約束競爭對手,客觀上可能削弱西方競爭力。他同時澄清,這不是指控教皇是任何政治勢力的代理人,而是在批評其主張可能產生的戰略效果。


技術悲觀主義的根源,更多來自西方內部


訪談也談到,是否有外部對手透過演算法與社群媒體,在西方散布反AI或技術恐慌的內容。


蒂爾表示,他沒有系統研究相關證據,雖然直覺上認為這類操作可能存在,但不認為它是西方技術悲觀主義的主要來源。對他而言,更重要的問題是西方內部的文化與制度正在削弱自身行動能力。


他以對格蕾塔・通貝里的批評為例,指出外部勢力或許樂見某些運動的效果,但不能因此把所有內部問題都歸咎於外敵。在對外保持警惕的同時,西方也必須反省自身對技術、成長與風險的態度。


AI競賽:美國領先、中國追趕、歐洲落後


蒂爾將目前的AI競爭格局概括為三個層次:美國領先、中國快速追趕、歐洲明顯落後。


他認為,美國的社會撕裂感較強,部分原因是AI變革正在企業與產業中實際發生。中國則是強勁的追趕者;歐洲因為不是新技術發展的核心,許多企業尚未真正感受到被顛覆的急迫性。


他以Palantir為例,指出公司在美國企業市場的快速成長,來自管理者對淘汰風險的強烈焦慮:若不及時將業務轉型為AI驅動模式,就可能失去競爭力。相較之下,他認為歐洲仍存在較強的官僚惰性與延後決策的傾向。


談到歐洲的未來,蒂爾希望它成為有能力、自主且能有效運作的強大盟友。他以英法聯合研製協和式超音速客機為例,說明歐洲曾經能集中資源,追趕並建立世界級技術標竿;也以法國Minitel作為封閉發展路線的對照。


2028年美國政治:蒂爾擔憂民主社會主義力量上升


美國民主社會主義相關組織在桑德斯參選後,吸引大量年輕成員,從高齡、邊緣的組織,轉變為具有青年動員力的政治亞文化。平均年齡66歲與後來中位數33歲的對比,但因前文缺失,組織名稱、統計範圍與時間未完整交代。


蒂爾認為,2026年期中選舉可能是重要轉折點。如果共和黨慘敗,民主黨可能更加相信自己能在2028年勝選,黨內中間派阻擋激進候選人的理由與籌碼也可能減少。


他提到,自己曾就此與法蘭西斯・福山激烈辯論。福山認為民主社會主義者不可能在2028年入主白宮;蒂爾則認為歷史並非線性演進,並將他所稱「極左力量」取得白宮的可能性估到50%。這是他的政治推演,而非確定結果。


至於共和黨接班人,蒂爾表明支持JD・萬斯,但也悲觀地認為,無論萬斯或馬可・魯比歐,都可能面臨艱難選戰。關鍵或許不只是共和黨推出誰,更在於民主黨最終提名誰。


他欣賞萬斯的思想深度、開放性與個人魅力。萬斯在蒂爾參與創辦的創投公司工作期間,利用業餘時間撰寫《鄉下人的悲歌》,蒂爾鼓勵他出版,也在2022年參議員選舉中提供1,500萬美元的早期資金支持。


阿根廷與西方財政:改革是否一定要等到衰敗之後?


談到阿根廷總統米萊,蒂爾認為世界關注阿根廷,是因為許多人擔心阿根廷的過去可能成為自己的未來。


阿根廷曾是世界富裕國家之一,卻在長期政策失誤下陷入衰退。將其主要歸因於庇隆主義主導的經濟政策。米萊的激進改革能否逆轉局勢仍不確定,但蒂爾認為,他有較大機會連任,因為阿根廷民眾已付出長期衰退的代價,開始接受舊路線走不下去。


蒂爾更在意的是:西方能否不必經歷百年衰敗,就主動改革?他反對「情況越糟越有利於改變」的加速主義,但認為歐美民眾目前雖然憤怒與沮喪,痛感未必足以推動真正的制度重構。


在他的分析中,西方同時背負龐大的福利支出、高稅率與財政赤字。過去低利率環境讓問題得以延後,但利率上升後,債務與利息支出的壓力更加突出。


他將可能路徑分為三種:大幅削減政府支出、提高稅率,或繼續借債與貨幣擴張,把危機推給後任。他認為,西方自2008年金融危機後長期偏向第三條路,而這種做法可能已接近極限。他也批評德國總理梅爾茨仍主要依靠擴大借債,未能提出真正突破困境的方案。


德國創業困境:不是只怕失敗,也怕成功


蒂爾對德國創業文化提出一個尖銳判斷:德國的問題不只是害怕失敗,更是害怕成功。


他認為,這種心理包含對突出成就與超大規模企業的排斥。當公司開始成長,創辦人往往選擇出售、套現,而不是像馬斯克或祖克柏那樣,持續推動全球擴張。


比較美德富豪的資料:美國最富有的50人中,有12人屬於X世代或更年輕,其中9人靠創辦科技企業白手起家;德國最富有的50人中,有20人屬於較年輕世代,但這20人的財富全來自繼承。


蒂爾強調,創業成功不只是讓創辦人致富,也會創造就業、培養投資人、帶動供應商,並催生下一代創業者。


他認為,德國歷史上曾有強大的企業創造能力,但約從1995年起逐漸失去這種動能。在他的判斷中,當財富取得越來越依賴繼承,而非新企業的誕生,社會的創新引擎就會受到削弱。


德國仍是他的情感原鄉


訪談後半段轉向蒂爾的個人背景。他出生於法蘭克福,一歲時隨父母移居美國,在英語學校接受教育,但祖父母仍在德國,家中也一直使用德語。


他形容自己在德國與美國之間的文化夾縫中成長。過去十年,他試圖在理智上將德國放下,卻始終無法從情感上切割。


在他看來,德國是歐洲的核心,而歐洲仍是西方文明的精神原鄉。因此,德國與歐洲的衰落不只是區域性的經濟問題,也涉及西方文明的根基。


真正的創新者,同時是局內人與局外人


談到Palantir執行長亞歷克斯・卡普與PayPal共同創辦人馬克斯・列夫琴,蒂爾認為,頂尖創業者往往兼具「局內人」與「局外人」的特質。


他與卡普接受過史丹佛法學院的精英教育,理解體制規則;但移民、文化或身分背景,也讓他們能從體制之外觀看問題。列夫琴則在16歲時從烏克蘭移民美國,具有不同於主流的成長經驗,同時展現很強的技術能力。


蒂爾認為,顛覆性創新常出自那些既能進入體系核心、掌握資源與規則,又能保持精神距離的人。


純粹的局外人可能陷入受害者心態與怨恨;純粹的局內人則可能過度習慣現有規則。更有價值的組合,是擁有教育、信任與參與機會,同時仍能用新鮮眼光審視制度。


逆向思考的重點,是獨立而不是唱反調


對於「逆向思考者」的標籤,蒂爾強調,為反對而反對沒有太大價值。把主流共識加上一個負號,並不等於真正的思考。


他追求的是獨立判斷,而不是反共識本身。在高度分工的現代社會中,人們容易成為狹窄領域的專家,卻失去理解整體的能力。因此,他始終重視將歷史、政治、總體經濟、科幻、未來學與心理學連結起來,從不同領域尋找共同脈絡。


蒂爾反覆追問的是:社會如何重新取得進步的能力,以及個人如何在既有體制中,保有不被共識取代的獨立思考。

2026年10月8日 星期四

[AI 展望] 馬斯克談 AI 未來:物質豐裕、工作可選與全球安全治理

 [AI 展望] 馬斯克談 AI 未來:物質豐裕、工作可選與全球安全治理

摘要 : 描述馬斯克對 AI、就業與全球競爭的預測,探討物質豐裕時代的可能性及安全風險。



內容:

馬斯克於 2026 年 7 月 23 日在德州超級工廠,接受《經濟學人》主編貝多斯長達 85 分鐘的專訪,討論人工智慧、產業競爭、就業與財富分配等議題。以下依提供文字整理;訪談資訊、引述與相關數據未經獨立查證,文中的未來情境也屬預測,而非已確定的結果。


AI 可能在五年內超越全人類智慧總和


貝多斯首先詢問十年後的世界會是什麼樣貌。馬斯克預測,大約五年內,AI 的綜合智力將超過地球上全體人類的智慧總和。到了 2036 年,除了「做人本身」之外,幾乎沒有任何工作是 AI 無法做得比人類更好的。


他認為,最可能出現的結果,是世界進入物質極度豐裕的時代。商品與服務的供給大幅增加,人們想要的東西幾乎都能按需取得,金錢的重要性也會因此下降。


數字智慧結合人形機器人,改變經濟生產方式


面對「商品與服務若能充分供給,企業如何賺錢」的質疑,馬斯克的回答是:到了 2036 年,錢本身可能已經不再重要。


他的解釋是,經濟生產需要結合數字智慧與物理智慧。目前 AI 主要處理資訊,仍難以直接改造物理世界;人形機器人則能成為 AI 的執行工具,負責製造商品、提供服務。


當大量 AI 與人形機器人結合,整體經濟產出可能大幅提升。如果供給超過人類的消費需求,作為商品與服務交換媒介的貨幣,其重要性便可能顯著減弱。


對 AI 的樂觀,不代表風險已經消失


談到人類是否還能掌控未來,馬斯克以人類和黑猩猩的智慧差距作比喻,認為超級 AI 與人類之間的差距可能更大,因此人類未必能維持主導權。不過,他同時預期,超級 AI 有較高機率具備良好的價值觀,並重視人類的幸福與繁榮。


貝多斯隨即追問他過去對 AI 風險的警告,包括呼籲暫停高階 AI 研發,以及曾提出 AI 可能導致人類滅絕的機率估計。


馬斯克並未否認這些風險。他的轉變主要在於:如今認為 AI 發展已難以阻擋,與其持續試圖踩煞車,不如參與其中,設法影響發展方向。


從創辦 OpenAI 的初衷,到接受 AI 加速發展


馬斯克表示,當初參與創辦 OpenAI,是希望以非營利、開源的方式制衡 Google,避免 AI 發展由少數企業主導。


OpenAI 後來走向閉源與商業化,Anthropic 也從 OpenAI 分拆後成為重要競爭者。這些變化讓他認為,原本希望約束 AI 發展的行動,反而間接促進了產業加速。


他因此得出結論:AI 的發展是一股難以阻擋的趨勢。但接受這個趨勢,並不等於完全放任企業自行發展。


主張建立跨企業、包含中國的 AI 安全機制


在安全治理方面,馬斯克提出由主要 AI 公司建立定期溝通機制,每隔幾週召開一次安全專項會議。


突破性的新模型發布前,企業應提供競爭對手一至兩週的測試時間,由同行協助排查安全風險並提出改善建議。他以美國電影協會的分級制度作類比,主張先透過產業自律處理問題;只有在企業拒絕改善、風險又極高時,再由政府介入。


他特別強調,這套機制必須納入中國的主要 AI 公司,不能將全球重要參與者排除在外。


中國 AI 的競爭力:算力、電力與工業能力


談到中國模型 Kimi,馬斯克認為它已非常接近第一梯隊。他也提到一款「飛步」的模型,稱其綜合能力最強,但該名稱仍待確認。


他的核心判斷是,中國 AI 公司在算力相對有限的情況下,已達到相當高的水準;若取得充足算力,可能成為全球 AI 產業的領導者。


他認為,中國的優勢主要包括電力供給,以及完整的工業與技術體系。AI 是高度耗電的產業,算力擴張最終會受到電力條件限制;而半導體技術、人形機器人與製造能力,也會影響數字智慧能否轉化為實際產出。


列出中國發電量與高階光刻機進展的相關說法,但這些數據與時程仍需另行查證,不能直接視為既定事實。


禁止中國模型,難以阻止全球使用


面對美國是否應禁止使用中國 AI 模型的提問,馬斯克認為,這類禁令難以達成全面阻止的效果。


美國即使限制本國企業使用,也無法阻止其他國家採用。因此,他認為全球 AI 安全治理仍須包含中國,而不能只依靠單一國家的限制措施。


數字工作可能先被替代,工作逐漸成為選項


在就業方面,馬斯克預測,數字領域的工作會最先受到 AI 衝擊,軟體工程就是其中一例。


他認為,AI 寫程式的能力已超過至少九成的人類工程師,未來還會繼續提升。他以西洋棋程式 Stockfish 為例,描述 AI 最終可能在特定能力上遠超人類頂尖表現;不過,這類能力比例仍須依具體任務與評測方式判斷。


至於物理世界的工作,則可能隨著人形機器人成熟而逐步被替代。按照他的構想,未來工作將不再只是維持生計的必要條件,而可能成為個人的選擇。


他以園藝作比喻:即使超市已能提供充足蔬菜,人們仍可以選擇自己種植。原文在此處中斷,尚未提供後續說明,也未完整交代轉型期間的收入分配與生活保障如何實現。

[AI 衝擊] AI裁員先砍誰?美國削減高薪員工,德國優先縮減海外外包

 [AI 衝擊] AI裁員先砍誰?美國削減高薪員工,德國優先縮減海外外包

摘要 : 美國與德國因AI採取不同裁員策略,反映成本、員工保障與生產力之間的取捨。



內容:

公司用AI取代人力,第一刀會砍向誰?文中指出,目前有兩種不同做法:一種先砍「最貴的」,另一種先砍「最遠的」。美國企業傾向削減總部內薪資高、福利完整的正式員工;德國企業則優先縮減印度等地的海外外包團隊,並讓自家員工接受培訓後繼續工作。


摩根士丹利調查,研究涵蓋美國、英國、日本、澳大利亞與德國的科技及金融企業,了解這些公司過去一年因AI裁減及新增了哪些職位。整體而言,企業因AI直接裁減了12%的職位,另有15%的職位在人員離職後不再補人。五個國家中,只有德國的職位數反而增加了1%。


德國能保住職位,第一個原因是再培訓。文中提到,德國於2024年推出政策,企業因技術轉型而不再需要某些員工時,可以選擇安排培訓,而非直接裁員。培訓期間,政府負擔六成薪資,有孩子的員工可提高至67%;培訓費用則由企業支付,前提是企業先與工會簽訂協議。透過政府、企業與工會合作,員工有機會轉換職位並留下來。


調查顯示,德國有27%受到人力調整影響的員工,在培訓後重新回到工作崗位,比例為五國最高。


第二個原因,是德國企業優先裁減海外人力。文中指出,德國企業一半以上的裁員發生在海外,主要涉及外包團隊,印度因此受到衝擊。外包工作通常能被整理成明確需求,交給其他團隊執行,而這類工作也可能被AI承接。報告中有41%的外包職位遭到裁減,或在空缺後不再招聘。


外包訂單減少,接單端隨即受到影響。文中以印度最大的外包企業塔塔諮詢為例,指出其上一個財年員工減少逾2.3萬人,是公司歷來人數減幅最大的一年。


不過,德國的做法也有取捨。調查中,AI為德國企業帶來的生產力提升為8.4%,是五國最低。這呈現出員工保障與效率提升之間的權衡:人力留住了,但生產力增幅相對有限。


美國的做法則相反。文中指出,美國企業有46%的裁員針對本土員工。其成本考量是,外包團隊原本就較便宜,裁掉後節省有限;真正昂貴的是總部內享有完整福利的正式員工,因此優先削減高成本人力。


截至所述年度7月,美國科技公司已裁員近14萬人,其中亞馬遜、甲骨文、Meta與微軟四家公司合計約占5萬人。亞馬遜從前一年10月起削減了3萬個總部職位,約相當於每十人就有一人離開;Salesforce的客服團隊則從9,000人縮減至5,000人。執行長貝尼奧夫直言,自己需要的人力變少了。這些裁員並非只發生在虧損企業,也出現在仍然獲利的公司。


調查亦指出,美國受訪企業的職位中,只有6%尚未受到AI影響。兩國導入AI的優先目標也不同:美國是唯一將投資回報列為首要目標的國家,德國則是唯一將風險與合規列入前五大考量的國家。一方追求回報與速度,另一方更重視穩定及避免出錯。


「越發達越危險,越落後越安全」概括這種反差,但其核心比較,是高薪正式員工與低成本外包人力在不同企業策略下面臨的風險,並不能直接推論所有國家或職位的處境。


這份調查未涵蓋中國。德國傾向透過培訓保障本國員工,美國則優先削減高成本職位。那麼,我們身邊的企業更接近哪一種做法?你看到的是什麼情況?

[AI 分享] AI 產出太快,人類怎麼看懂?從簡化寫作到圖表的理解階梯

 [AI 分享] AI 產出太快,人類怎麼看懂?從簡化寫作到圖表的理解階梯

摘要 : AI 產出愈快,人類理解愈成瓶頸。透過簡化寫作與圖表,降低閱讀負擔與誤解風險。



內容:

許多人對 AI 代理人感到興奮,但 OpenAI 創始成員、前特斯拉 AI 總監 Andrej Karpathy 提醒:對工程師來說,收到一份包含上千行程式碼變更的 diff,未必實用。AI 可以瞬間產出大量程式碼,但工程師仍得親自確認,這些改動是否會引發錯誤。


引述他在 2025 年 6 月演講中的觀點,並提到他後來在社群平台 X 上提出的解法:我們會花愈來愈多時間,理解 AI 的產出。


想像一下,你請 AI 修改一個功能,十秒後它交出一千行程式碼。你需要多久才能看完?一個小時,還是一個下午?而且,「看過」不代表「看懂」,更不代表已經確認沒有錯誤。


AI 寫作與生成程式碼的速度愈來愈快,成本也愈來愈低,但人類的閱讀速度不會同步提升。引用一篇彙整 190 項研究的分析指出,成年人默讀英文非小說類文本,平均每分鐘約能閱讀 240 個單字。


因此,瓶頸不只在 AI,也在人的眼睛、注意力與理解能力。Karpathy 的解法是:既然 AI 產出太多,就讓 AI 也協助我們看懂。他提出四種方法,像四級階梯逐步往上走。以下提供了第一級的完整說明,以及第二級的開頭。


第一級:改變寫法,讓文字更容易理解


第一個方法,是請 AI 使用 ASD-STE100 的規則寫作。這套標準稱為「簡化技術英文」(Simplified Technical English),最初是為飛機維修手冊設計的受控英文。


它的起源可以追溯至 1970 年代末。當時,航空維修技師閱讀的手冊,可能使用美式英文、英式英文,或由非英語母語工程師撰寫的英文。不同手冊的用字與句型不一致,增加了理解難度。


官方資料指出,需要使用這些手冊的航空公司,約有八成來自非英語系國家。但飛機維修不能只求「大概看懂」:技術指示若被誤解,可能導致事故。


1979 年,歐洲航空公司向飛機製造商的產業協會提出請求,希望共同制定一套受控英文,事先規定哪些字可以使用、句子應如何撰寫。之後,相關協會與美國航太工業協會合作,於 1986 年發布第一版。


2004 年,協會合併並改名為 ASD,這套規則也成為 ASD-STE100。第九版於 2025 年 1 月發布,全文四百多頁,任何人都能填寫申請表,免費取得官方 PDF。


ASD-STE100 如何簡化英文?


這套標準主要分成兩部分:字典與寫作規則。


字典的核心原則,是盡量讓一個字只對應一個意思,同一個意思也使用一致的字。例如,表示「開始」時,不交替使用 begin、commence、initiate,而使用 start,避免讀者誤以為換了一個字,就代表換了一件事。


反過來,同一個字的意思也受到限制。例如,fall 只能表示物體因重力向下掉落,不能用來表示數字減少。詞性也有規範:check 在 STE 中只能作為名詞,因此不能寫「check the lights」,而要寫成「do a check of the lights」。


這種寫法有時顯得不自然,但目的就是降低歧義。字典核准的字約有九百個,另外列出約一千二百個不核准使用的字,並提供替代用字。


九百個字不足以涵蓋所有專業內容,因此標準允許使用技術名詞與技術動詞,例如零件名稱,以及特定產業中的固定操作用語。


五個代表性的寫作原則


寫作規則共有 53 條,分成九大類。挑出五項重點。


第一,句子要短。引用的第九版業界整理,操作步驟每句最多二十個英文單字,說明文字每句最多二十五個英文單字。句子太長,讀者容易讀到後面就忘記前面;短句則比較容易一次掌握。


第二,一句只下一個指令。不要在同一句話裡塞進三個動作。讀一句、做一步,比較不容易遺漏操作。


第三,使用主動語態,直接說明要做什麼。例如,「The component must be installed」表示「零件必須被安裝」,但沒有直接交代由誰執行。改成「Install the component」,也就是「安裝零件」,指令就更明確。


第四,能用動詞,就不要把動作改成名詞。例如,「do the adjustment of the controls」可以改成「Adjust the controls」。同樣是調整控制器,後者更短、更直接。


第五,讀者必須先知道的條件,要放在句子前面。官方例句「If hot oil touches your skin, injuries can occur」,先交代熱油碰到皮膚的情況,再說明可能造成傷害,讓讀者先掌握風險。


簡化英文真的有幫助嗎?


1995 年華盛頓大學與波音曾進行實驗,比較簡化英文與一般英文撰寫的飛機維修程序。受試者包含英語母語者與非母語者。


結果發現,面對較複雜的文件,簡化英文能提升理解程度,也讓讀者更容易找到需要的資訊。受益者不只非母語人士,也包含英語母語人士。


如今,STE 的應用已不只限於航空業,國防、鐵路、汽車與醫療器材等領域也有人使用。


如何把這套規則用在 AI 產出上?


回到 AI 生成的大量內容,這個方法主要是在改善說明文字,而不是直接保證程式碼正確。


Karpathy 認為,AI 熟悉 ASD-STE100,而這套標準對寫作的限制很嚴格,因此能讓文字清楚許多。


AI 常見的寫作問題包括句子太長、被動語態太多,以及同一件事反覆換不同說法。STE 的規則,正好能針對這些問題加以約束。只要在提示中指定這套標準,就等於一次交代了數十項寫作要求。


不過,Karpathy 也認為完整規範可能過於嚴格,因此有時會要求 AI:「請用 80% 接近 ASD-STE100 的方式來寫。」


也就是保留它的骨架:短句、主動語態、用字一致,不必完全受限於核准字典。


這些原則也能應用在中文。例如,AI 可能寫:


「為提升效能,建議在後續整合快取層之前,先對該函式進行重構。」


改成較簡潔的表達,可以是:


「先重構這個函式,再加快取。快取能讓程式變快。」


句子更短、操作順序更清楚,也減少了抽象的名詞化表達。


第二級:用圖表取代大段文字


第二個方法,是不要只叫 AI 寫一大段說明,而是請它畫出圖表。


Karpathy 在演講中提到,閱讀文字費力,也不一定有趣;視覺資訊則能提供更直接的理解途徑,像一條通往大腦的高速公路。


多媒體學習研究者 Mayer 的研究:他整理的十三次對照實驗中,「文字加圖」組在將所學應用於解題的表現上,都優於「只有文字」組。


這個方向不是單純減少文字,而是讓資訊以更容易理解的形式呈現。當 AI 能快速產出大量內容,下一個重要問題便是:如何讓人更快看懂、掌握重點,並有效檢查。


在第二級的研究說明處中斷,未提供後續完整內容,也未列出第三級與第四級方法。

[AI 洞察] 消費級AI的下一步:從幫你省時間,到值得你花時間

 [AI 洞察] 消費級AI的下一步:從幫你省時間,到值得你花時間

摘要 : AI大眾化的關鍵,可能不是提升效率,而是融入生活,創造讓人願意投入時間的體驗。



內容:

AI真正的大眾化,可能根本不是省時間。A16Z釋出的第七版消費級AI應用Top 100報告,最值得關注的不是誰排名第一,而是一組看似矛盾的資料:美國已有接近一半的消費者用過AI,但真正每天使用的,大約只有四分之一。在EPIC Data的美國樣本中,截至報告所述的8月,持續為ChatGPT、Gemini或Claude至少一項產品付費的人,只有4.5%;然而,在這些付費使用者裡,消費最高的1%,平均每月在AI上花費903美元。


這或許就是當前消費級AI最真實的狀態:用過的人已經很多,但真正離不開它的人仍然很少。如果AI已經這麼強,為什麼大多數人還沒有像刷短影片、追劇或玩遊戲一樣,每天都離不開它?


對多數普通人而言,提升效率可能不足以支撐每天使用AI的理由。過去三年,我們幾乎一直用生產力工具的邏輯理解AI:搜尋更快、寫程式更快、做圖更快、製作影片更快。但回顧過去20年,真正覆蓋數十億人的消費產品,例如TikTok、YouTube、Netflix、Instagram與遊戲,它們的強大之處,恰恰不是幫你省時間,而是讓你願意把時間留在裡面。


因此,消費級AI真正的大眾化,可能需要完成一次價值轉移:從「幫你省時間的AI」,走向「值得你花時間的AI」。前者賣的是效率,後者融入的是生活。


為什麼AI首先普及的是省時間的能力?因為最早願意為AI投入大量金錢的人,並不是典型的大眾消費者,而更像是拿個人信用卡購買生產力的專業使用者。


A16Z的資料顯示,消費最高的1%使用者,貢獻了全部AI消費金額的19.5%,比消費最低的50%付費使用者加起來還多。此外,消費金額最高的50個AI產品中,有29個沒有進入網頁或行動端的流量Top 50。這說明AI產品的流量與商業價值已經開始分開:使用人數最多,不一定最能帶動付費;流量較小的產品,也可能聚集了一群極高價值的使用者。


這批人名義上是消費者,實際行為卻更像生產者。他們購買自動化程式設計、產品建構、設計、影片與內容工具,是因為AI省下的時間,可以繼續轉換成程式碼、產品、內容、交付成果,甚至直接變成收入。消費級AI第一階段真正跑通的,不是「所有人都需要AI」,而是「一小群人已經能從AI獲得巨大的經濟回報」。


這也解釋了AI距離真正的大眾化,為什麼還有一段距離。對重度使用者而言,空白對話框是一扇任意門:他知道怎麼提問、拆解任務,讓AI找資料、呼叫工具、生成內容並完成工作。但對普通使用者來說,打開AI後看到「有什麼可以幫你」,有時更像面對一張空白試卷,還得先想清楚自己為什麼需要它。


AI下一階段的採用瓶頸,可能正從「模型能力不足」,轉向「使用場景尚未被設計出來」。普通人不會因為模型能力表多了20項,就自然增加20次使用。真正的大眾產品,不是告訴使用者「我什麼都能做」,而是讓使用者自然知道:「現在這件事,就應該交給你。」


這也是近期Personal Agent,也就是個人智慧體,開始密集出現的原因。文中提到,Manus推出的Q,讓智慧體擁有獨立的電子郵件、電話號碼、錢包與電腦,使用者甚至可以提供預算,讓它自行付款。OpenAI隨後推出的Dots,則讓每個Dot擁有自己的雲端電腦,能連接多種應用、長期工作,並逐漸學習使用者的偏好,以及使用者認為什麼才算做好。


這些產品值得注意的,不只是市場上又多了幾個Agent,而是AI產品的基本形態正在改變。過去,你打開一套軟體,再使用其中的功能;現在,你開始擁有一個持續存在的數位助手。它有身分、工具、上下文與權限,甚至具有支付能力。AI正在從「等你提問」,走向「持續替你行動」。


A16Z報告提到的Instinct,也提供了值得觀察的訊號。其創辦人披露,大約40%的使用者會在三週內綁定個人信用卡;真正透過它完成購買的使用者,平均每月經由它花費約1,300美元。他也聲稱,已有超過10億美元的年化交易額流經這個智慧體,其中約一半來自旅行。


這些數字仍需要持續觀察,但至少指出一個方向:AI正在從「告訴你怎麼買」,進入「替你完成購買」。過去搜尋引擎掌握的是「你想買什麼」,未來個人智慧體可能掌握的是「替你買什麼」。當AI從資訊入口變成行動入口,商業模式也會跟著改變。


今天的AI公司為什麼如此依賴訂閱?A16Z統計的44個頭部AI原生網頁產品中,84%提供訂閱,但真正依靠交易或平台抽成的只有2%。原因很現實:智慧目前仍然昂貴,每次推理、生成與智慧體行動,都有真實成本,因此AI公司必須先向最願意付費的人收費。


然而,商業模式不只決定怎麼賺錢,也會篩選誰更容易成為使用者。當一個人每月必須先支付20、50,甚至100美元,他就得不斷確認這個AI是否值得。這自然更適合那些能把效率重新變現的人。因此,訂閱制的繁榮,未必就是消費級AI的終局。


當推理成本持續下降,AI真正進入購物、旅行、娛樂、社交與交易場景後,廣告、交易抽成、聯盟分成與按結果收費,都可能開啟新的空間。


但更大的變化,可能還不在這裡。個人智慧體目前大多仍在幫你把事情做完,解決的本質上還是任務。上一代網際網路誕生超級消費公司的領域,卻是社交、娛樂、遊戲與約會。這些場景有一個共同點:使用者進去,不是為了趕快出來。


今天成功的AI產品,仍高度集中於搜尋、設計、圖片與影片編輯等生產力領域。AI已經很擅長幫人完成任務,但尚未真正創造出新的方式,讓人娛樂、建立關係、消費、獲得陪伴,或主動消磨時間。這可能才是下一波消費級AI最大的空白。


第一階段,AI讓一小群高價值使用者變得極其強大;第二階段,AI需要讓普通人願意把更多生活交給它。第一階段的關鍵字是「效率」,第二階段的關鍵字可能是「體驗」。


未來最大的消費級AI公司,未必是擁有最強模型的公司。當模型逐漸成為基礎能力,真正決定使用者是否留下來的,可能是產品懂不懂你、體驗是否良好、能否形成關係與網路、能否進入真實交易,以及能否成為新的日常習慣。


過去三年,我們一直計算AI能替人省下多少小時。下一階段更值得計算的,也許是人願意主動把多少小時交給AI。當人們不再覺得自己正在使用一個AI工具,而是AI已自然融入娛樂、關係、消費、創造與日常生活時,消費級AI真正的大眾化,可能才剛剛開始。


最後真正值得問的,不是「AI還能替你省多少時間」,而是「什麼樣的AI,值得你主動把時間交給它」。

2026年10月7日 星期三

[AI 衝擊] AI重寫商業規則:更多賽道、更少贏家,從軟體預算走向任務預算

 [AI 衝擊] AI重寫商業規則:更多賽道、更少贏家,從軟體預算走向任務預算

摘要 : AI讓資本更直接轉化為技術優勢,也重塑市場規模、成長驗證與企業轉型的判斷標準。



內容:

AI與網際網路之間,可能存在一個顛覆性的差異。這個差異既是當前焦慮的根源,也可能是未來十年最大的機會。如果這個判斷成立,許多關於創業、市場競爭與估值的商業常識,都需要重新定義。


資本可能更直接轉化為技術優勢


在網際網路時代,一家公司擁有更多資金,不代表它能無限變強。資金通常必須先轉化為人力:更多工程師、更多銷售人員、更大的團隊,接著也帶來更多管理、協調與組織摩擦。人才是重要壁壘,而收入成長往往伴隨組織擴張。


因此,過去存在一道天然的牆:資本無法直接轉化為公司的能力。資金過多,甚至可能讓創業公司因擴張失控而陷入困境,因為組織成長往往比收入成長更複雜。


AI則可能第一次打穿這道牆。資金可以購買算力,算力支撐更多推理,更多推理讓產品變強,產品帶來更多收入,收入再投入算力。這意味著,資本本身可能開始更直接地強化技術優勢。


AI不是單一贏家通吃,而是更多賽道、更少贏家


原文提到,a16z近期的一場討論邀請了三位來賓,分別涉及全球募資與資本關係、成長投資,以及創投背後的母基金。他們長期處於矽谷資金來源與流向的第一線。


他們觀察到的第一個變化,是AI時代的價值分配可能比網際網路時代更加集中:不是所有公司平均獲利,而是極少數頭部企業取得絕大多數價值。


但這不一定代表一家公司吃下整個產業。更可能的情況是,AI不斷創造新賽道,而每個賽道留下的贏家更少。模型、程式設計、醫療、法律與機器人,都可能各自出現頭部企業。


換句話說,AI會創造更多牌桌,但每張牌桌上的贏家可能更少。原文的核心判斷是:AI不是單純的「贏家通吃」,而是「更多賽道、更少贏家」。


市場規模不能只看軟體預算,更要看任務預算


第二個重要變化,是我們可能正在低估AI公司的市場規模。


投資人常用TAM,也就是總潛在市場,衡量一門生意理論上能做到多大。過去評估SaaS,通常會看產業的軟體支出或企業IT預算。但當AI從「協助人完成工作」走向「直接完成工作」,這把尺可能不再適用。


原文引用討論中的醫療案例:醫療IT可能只是數百億美元的市場,但理賠、帳單與行政服務背後,對應的是更龐大的勞動力支出。一旦AI能直接完成這些任務,它競爭的就不只是軟體預算。


該討論甚至提到,美國經濟花在勞動上的支出,大約是軟體支出的40倍。因此,評估AI機會時,不能只問客戶每年花多少錢購買軟體,還要問客戶每年花多少錢,讓人完成這件事。兩者可能相差一個數量級。


SaaS爭取的是軟體預算,AI開始爭取的則是任務預算。AI真正打開的大市場,可能不在IT預算表裡,而在薪資表裡。


以前是賣客服軟體,現在可能直接提供客服服務;以前是賣財務工具,現在可能完成部分財務工作。越來越多AI公司販售的,不只是工具,而是結果。


成長速度不等於商業模式已被驗證


市場空間變大、收入成長變快,不代表公司一定更好。AI甚至可能讓一些傳統成長指標失真。


原文提到,一家AI創業公司在一個月內,從零做到500萬美元ARR。ARR是年度經常性收入,通常依目前的經常性收入推算年度規模。這樣的速度非常驚人,但公司才成立一個月,可能連一次續費都尚未發生。


半年後客戶是否繼續使用、毛利能否維持、需求是長期存在還是短期嘗鮮,都還沒有答案。有些公司甚至直接將單月收入乘以12,當成年化收入指標;但這個數字本身,不能證明收入具有持續性。


這形成一種危險現象:成長速度越來越快,確定性卻沒有同步增加。原文將它稱為「驗證延遲」。


AI可以讓產品在一天內成形、在一個月內產生收入,但留存、續購、口碑與商業模式,仍然需要時間驗證。AI壓縮了成長週期,卻沒有同樣壓縮驗證週期。最大的成長幻覺之一,就是把速度當成證據。


維持原有成長,也可能是相對衰退


這也會衝擊傳統SaaS公司。許多企業正在思考是否加入AI、Copilot或Agent,但真正的問題可能不是「有沒有AI功能」,而是加入AI後,成長是否重新加速。


假設一家公司的年成長率原本是30%,加入大量AI功能後仍是30%,表面上沒有退步;但如果新的AI原生公司成長100%,它在競爭中的位置可能已經相對下滑。


因此,AI時代即使維持原有成長,也可能是一種相對衰退。


加上AI,不等於完成AI轉型


另一個常見誤區,是以為加入AI功能,就能成為AI公司。


原文引用一個類比:把傳統零售公司搬到網路上,不會讓它自動變成Amazon。Amazon的優勢不只是多了一個網站,而是圍繞網際網路,重新設計物流、庫存、供應鏈、交易與組織。


AI轉型同樣如此。把客服換成Agent,不一定就完成轉型;真正的轉型,需要重新設計整個工作流程:哪些任務由AI執行、哪些判斷由人負責、權限如何配置,以及結果如何驗收。


如果這些安排都沒有改變,AI可能仍然只是一個外掛。未來許多企業AI專案失敗,原因未必是模型不夠強,而是用下一代技術,繼續執行上一代流程。


程式設計的突破速度,不代表所有知識工作都會同樣快速改變


看到AI寫程式的能力快速提升,很容易推論銷售、諮詢、策略與管理,也會以相同速度被改造。但原文認為,這未必成立。


程式設計可能不是一般樣本,而是AI最容易突破的知識工作之一。程式碼有大量文件、可以直接執行、結果相對容易驗證,也能透過測試與模擬快速取得回饋。


真實商業世界裡,許多高價值工作恰好相反。一項策略是否正確、一個產品方向是否選對、一次組織調整是否有效,可能要半年,甚至兩年後才知道。


因此,程式設計可能代表AI改造知識工作的最快速度,而不是平均速度。


決定一項能力是否容易被AI壓縮的,可能不只是它有多專業,而是它有多容易被描述、驗證與模擬。越容易驗證的能力,越可能快速被AI改造;依賴複雜情境、隱性經驗、長期回饋與非標準判斷的能力,反而可能變得更有價值。


企業之間的AI採用差距值得關注


原文最後引用一組資料:一般企業每位員工每月的AI支出,中位數約為12美元;最領先的1%企業,則可能達到7,000美元。


重點不只是7,000美元這個數字,而是不同企業之間,可能正在形成巨大的AI採用差距。


原始文字在此處截斷,因此後續論述未予補寫。

[AI 觀察] AI不是全面泡沫,但真正的價值正在分化

 [AI 觀察] AI不是全面泡沫,但真正的價值正在分化

摘要 : 生成式AI面臨價值重估,代理式AI的機會在業務落地,物理式AI仍受資料與技術限制。



內容:


A16Z發布了一份90頁報告,反駁「AI泡沫論」。引用的數據指出,2026年美股科技板塊上漲22.1%,盈利增速卻達55.7%,市盈率反而壓縮21.6%;約75%的上市軟體公司已經盈利。報告的核心觀點是:AI並非整體性的泡沫,近期SaaS拋售更像遲來的估值修正,而非崩盤前兆。


但「AI整體不是泡沫」,不代表「所有AI產品都值錢」。真正需要辨別的,是不同類型的AI正處於不同的發展階段。


生成式、代理式與物理式AI,價值正在分化


Gartner的技術成熟度曲線,將AI分成三個層次:生成式AI正滑向泡沫破裂的低谷期;代理式AI處於期望膨脹期,成為企業關注焦點;物理式AI則快速興起,被視為下一輪突破性創新的驅動力。引用黃仁勳的說法,強調未來的重心將轉向代理式AI與物理式AI。


從這個角度看,泡沫風險可能更集中在低門檻的生成式AI應用。寫文案、畫圖、製作簡報、建立聊天機器人,功能容易被複製,產品也容易同質化。許多軟體只是在原有介面中加入對話框或「AI助手」,就以AI產品作為宣傳,但市場已逐漸不再為這類功能買單。


一項日本調研:為SaaS的AI功能付費的企業中,62.2%感到後悔,70%的企業在選型時已不把AI視為決定性因素。中國市場也出現類似現象,快消產業頭部品牌削減70%的AI採購,部分IT能力較強的企業則選擇自行組建團隊、開發智慧體。


問題在於,許多AI產品只能「給答案」,不能「完成工作」。即使能回答問題、生成文案或報表,客戶使用一段時間後,仍發現後續執行得靠自己。


代理式AI的門檻,不只是模型,而是業務


代理式AI的價值,在於嵌入流程、呼叫系統、進行判斷,並完成任務閉環。但它也不是沒有風險。引用Gartner預測,到2027年底,40%的代理式AI專案將因成本失控、價值不明或風控不足而被取消。


代理式AI真正考驗的,是業務理解與落地能力:能否讓AI理解客戶的業務流程?能否拆清楚決策鏈?能否讓它在真實場景中可靠運作?模型能力正在商品化,但把模型接進業務、讓流程真正跑通,仍不是標準化商品。


跨系統協作尤其重要。代理式AI不是在自家產品裡呼叫一個API就算完成,而是需要串接CRM、ERP、工單系統、物流追蹤、郵件與審批流程。真正的門檻,在於跨系統完成工作,而非單一產品內新增功能。


然而,許多企業經營者仍把AI理解為「在自己的系統裡加一個功能」,沒有把跨系統整合視為產品責任。結果是通用SaaS持續同質化、功能臃腫,以一套模板服務各式企業,卻有大量功能長期閒置。八成功能可能長期不用,加入AI工具後,功能使用率中位數仍不到15%。


最尷尬的情況是:企業投入數百萬元研發與行銷,教育客戶相信「AI能幹活」,但自己的產品仍只能提供答案。客戶建立認知後,反而轉向購買真正能完成任務的代理式AI產品。


物理式AI的挑戰,在真實世界與資料缺口


物理式AI更進一步,不只是在數位空間生成內容,而是在真實世界中感知、推理與行動。中國人形機器人的重要短板之一,就是高品質物理互動資料不足。


列出的數字是:全球高品質真實物理互動資料約50萬小時,訓練通用具身模型至少需要1,000萬小時,並稱缺口超過99%。不過,若直接依這兩個數字計算,缺口約為95%;無論採用哪個比例,核心問題都是資料供給與訓練需求之間存在巨大落差。


增長很快,不代表落地容易


另提到,Stripe估值一年上漲74%,達到1,590億美元;AI公司達到500萬美元年度經常性收入(ARR)平均需要24個月,傳統SaaS則需要37個月,速度約快1.5倍。


但商業增長與實際部署,呈現不同節奏。引用的數據顯示,42%的企業需要對接8個以上資料來源才能部署AI Agent,53%將資料安全與合規列為首要挑戰,超過86%需要升級現有技術架構。


增長曲線很陡,落地卻困難重重。兩者之間的鴻溝,正是代理式AI的機會:協助客戶理清服務對象、收入來源、業務流程與產品銷售方式,再讓AI真正接進工作現場。


中小企業與垂直領域,仍有服務空間


大型諮詢公司已全面投入AI與核心業務流程的整合。安永獲評Forrester Wave AI諮詢領導者,PwC與Cohere成立全球聯盟,推動企業級安全AI部署。


但大型諮詢公司主要服務大客戶,中小企業仍需要更貼近自身需求的服務。大型供應商提供通用型FDE(前線部署工程師)服務,小型團隊則可聚焦特定產業、狹窄領域或區域市場,以深入的業務理解建立差異化。


AI辦公Agent的表現也在分化。Workday月活躍用戶達658萬、排名居首,但商業化表現最弱;「釺問辦公」月活躍用戶約23萬,採取企業上下文路線。這些比較想說明的是:月活躍用戶高,不等於營收高,留存與商業化能力才是長期競爭的關鍵。


不是所有AI都值錢,機會在真正完成工作


核心判斷是:生成式AI正在擠泡沫,代理式AI正在接受價值兌現的考驗,物理式AI仍處於萌芽階段。低端AI應用氾濫,真正能解決複雜問題的高階AI仍然稀缺。


因此,別再只把生成式AI當作產品賣點。更值得投入的方向,是幫客戶把業務理清、把流程拆透、把系統串起來,讓AI在真實場景裡可靠地完成工作。中國

2026年10月6日 星期二

[AI 分享] Muse、Dots 與自架 AI 助理比較:功能、實測與選擇指南

[AI 分享] Muse、Dots 與自架 AI 助理比較:功能、實測與選擇指南

摘要 : 從架構、任務實測、記憶與成本,比較雲端及自架 AI 助理的差異與適用情境。



內容:

這次分享聚焦在 Muse、Dots,以及被稱為「小龍蝦」與「愛馬仕」的 AI 助理。它們看起來都能理解需求、開啟瀏覽器、查資料、填表格、寫郵件,但真正的差異,不只是能不能自動做事,而是背後的電腦由誰提供、任務如何管理,以及使用者能掌握多少控制權。


Muse 從 9 月 18 日開始登上美國 App Store 的 iPhone 排行榜第一名,將 ChatGPT 擠下榜首,並連續十幾天維持第一,22 天的下載量約達 500 萬。另一方面,OpenAI 在 9 月 29 日的開發者大會上推出 Dots,主打擁有自己的雲端電腦與瀏覽器,能連接 4,000 多個應用,也能透過 ChatGPT、電話或 Slack 與使用者互動。


這類產品共同追求的方向,是讓 AI 不必事事等待指令,而能理解情境、主動完成工作。不過,要判斷它們是否適合自己,還是得回到架構與實際使用經驗。


一、先把「大腦」、「電腦」與「管理系統」分開


這類 AI 助理可以拆成三個部分:大模型是大腦,負責理解需求與判斷下一步;電腦是手腳,負責操作瀏覽器、執行程式與處理檔案;管理系統則像記事本,負責記住任務、連接帳號,以及安排後續工作。


模型強,不代表配備的電腦就有顯示卡;電腦記憶體大,也不代表推理能力更好。這些產品的差異,很多時候出現在電腦與管理系統,而不只是模型本身。


Muse 使用 Meta 的 Muse Spark,Dots 使用 OpenAI 的 GPT-6 Astra,使用者不能自行更換模型。小龍蝦與愛馬仕則是一套需要自行部署的軟體,模型與電腦都由使用者準備,可以接 Claude、GPT、較便宜的模型或本地模型,也可以部署在 Mac、NAS 或租用的伺服器上。


因此,小龍蝦與愛馬仕比較像自己買房:裝修、水電、維護都要自己處理,但想怎麼改就怎麼改。Muse 與 Dots 則像住飯店,拎包入住,有人維護環境,但必須遵守平台規則,也無法完全控制底層系統。


二、雲端工作環境,不等於你的私人伺服器


實測時,我曾詢問 Muse 與 Dots,能不能把它們的雲端電腦當成自己的伺服器,長期掛著服務。


Muse 表示,它的環境是臨時虛擬機器,對外 IP 不固定,可能被重置,也不保證 24 小時持續運作。Dots 的回答類似:它可以協助管理我的伺服器,但不能把自己的工作環境承諾為可長期使用的主機。它查到的環境約有 9.7GB 記憶體、32GB 硬碟,沒有可直接使用的顯示卡。


換句話說,它們配備的電腦是讓 AI 完成工作的工具,不是提供使用者自由部署服務的雲端主機。


自架的小龍蝦則不同,部署在哪裡、機器是否持續開機,都由自己決定,但維護責任也由自己承擔。我曾在 NAS 上部署一隻,每天推送日報,期間壞過幾次,有時連續幾天收不到日報,才發現它已經停止工作。


三、實測一:註冊甲骨文免費雲端帳號


第一項任務,是請 Muse 與 Dots 協助註冊甲骨文的免費雲端帳號。


Muse 會持續操作,右側活動流能看到每一步做了什麼、何時執行。遇到寄往 QQ 郵箱的驗證信時,它坦白說自己只能存取 Gmail,請我自行取得驗證連結。到了信用卡資料輸入階段,它要求我接管瀏覽器,並提醒卡號、有效期限與安全碼只在網頁內填寫,不要傳到聊天中。


最後,信用卡驗證雖然通過,帳號建立仍被風控攔下。Muse 推測可能與帳單地址、發卡地區及網路位置不一致有關,並提供重試、聯絡客服或停止等選項,同時整理進度,方便之後接續處理。


Dots 起初判斷,我可能需要的是教學,或希望有人協助判讀註冊畫面,因此先請我開啟網站、提供截圖。在我確認授權它繼續操作後,它才啟動瀏覽器。後續經過條款、隱私權及付款驗證等環節時,它會多次停下來確認,說明哪些步驟應由使用者親自完成。


這次測試中,Muse 比較偏向持續推進,必要時才請人接手;Dots 則更重視授權與敏感操作的邊界。兩者並非單純誰比較好,而是工作風格不同。


四、實測二:登入論壇並發文


第二項任務,是登入 L 站並發布一篇大家可能感興趣的文章。


Muse 會先處理登入障礙,登入後查看近期熱門主題,再決定發文方向。它發現免費雲端服務、AI Agent 與 VPS 選型等內容較受關注,最後把前一項甲骨文註冊失敗的經驗整理成文章。


不過,它最初把自己當成主角,寫成「Muse 替主人操作」的視角。我要求改成我的口吻後,它重新調整。接著又因文章過長觸發論壇限制,它便縮短內容並再次送出,最後成功發布,之後也主動回報閱讀、按讚與留言情況。


Dots 則先確認登入授權,成功登入後選擇討論 AI Agent 能否真正減少重複工作的主題。它在送出前再次確認要不要發布,最後也完成任務。


但兩者都沒有充分模仿我過去的發文習慣,也沒有先確認帳號權限,例如是否具備使用某些標籤或發布特定內容的資格。這代表,能成功發文,不等於已經具備完整的論壇營運判斷能力。


五、實測三:生成圖片與影片


第三項任務,是請兩者生成幾張不同場景的圖片,並製作一段動漫風格影片。


Muse 先確認了數量、風格、比例、片長及是否需要配樂等細節,接著完成四張圖片,也直接產出一段影片。影片中有掠過水面的滑翔動作與落地鏡頭,與提示要求相符。整體感受接近在 ChatGPT 或 Gemini 中直接生成內容。


Dots 則表示,目前沒有能直接使用的圖片或影片生成工具。它改以程式绘圖的方式產出四張圖片,也另外生成一組分鏡與程式碼,但沒有完成影片。它提供了整理提示詞、使用雲端 API,或到第三方平台生成等替代方案。


Dots 特別提醒,這次成果比較接近「程式繪圖」,不是影像模型生成的寫實圖片。這種誠實說明值得肯定,但就本次任務而言,Muse 提供了更直接、完整的生成體驗。


以上三項只是有限次數的實測,不能當成嚴格的全面評比,但足以看出兩者在自主推進、授權確認與工具整合上的差異。


六、記憶能力:記得事情,不代表懂得在對的時候使用


測試記憶功能時,我曾簡單介紹自己的背景,也多次聊到公司有台式與筆記型電腦、家裡有其他設備、NAS 上運行的服務,以及 VPS 的用途。


Muse 將這些資訊逐步整理進長期記憶,檔案內容變得相當詳細。它也會主動運用記憶,例如在整理甲骨文註冊失敗的論壇文章時,加入我已有 NAS、VPS、影音及同步服務的背景。


Dots 也表示,會把記憶整理成檔案,而不是永久保存全部對話。不過,我曾要求它記住一項設定偏好,之後再提到相同事情時,它仍重新詢問是否要照做。它的理由是,記得偏好不代表可以跳過敏感操作所需的授權。


這裡要區分兩件事:一是能否記住,二是是否會在合適的時機使用記憶。有些重複確認不是忘記,而是平台刻意保留的安全機制。相較之下,自架助理通常提供更多調整人格、記憶與工作規則的空間,但也需要自己維護。


七、付費差異:買的是成果,還是自行承擔運作成本


Muse 方案分為免費、Pro 與 Max,價格分別為免費、每月 20 美元及 200 美元;Pro 與 Max 的額度分別標示為 20 倍與 100 倍。


較特別的是,Muse 主打「Results, not tokens」,也就是按結果而非 token 計費。依其文件說明,使用者只為可用結果付費,失敗執行不收費,重試、澄清與最佳化也不計入。但官方並未提供固定公式,說明一份結果究竟扣多少額度。


Dots 則依 ChatGPT 訂閱方案提供每月額度,正式上線後與 ChatGPT 共用使用量。不過,它當時仍处於研究預覽階段,部分訂閱者可以免費體驗,也有帳號出現邀請朋友使用的入口。


自架小龍蝦與愛馬仕的軟體本身免費,但仍須支付模型與機器成本。AI 繞路、重試、查錯頁或修改內容所消耗的 token,都由使用者負擔。


如果只是偶爾請 AI 搜尋資料或處理表格,未必需要這類持續在線的助理。但若希望它長期跟進郵件、監控資料變化、整理日報,則應把價格、部署與維護時間、穩定性及故障後的處理責任一起考量。


八、四款產品適合誰?


Muse 適合不想研究部署、希望 AI 接到任務後自行推進,且願意將帳號與部分資料交由平台處理的人。本次體驗中,它在查資料、處理郵件、整理表格、操作網站及生成圖片、影片方面,呈現出較完整的整合能力。代價是底層環境與規則由平台掌握,使用者無法自由修改。


Dots 適合已經習慣 ChatGPT 生態的人。它結合雲端工作環境與排程任務,也更重視權限與操作邊界,適合重要步驟需要使用者確認的工作。不過,本次測試中,它在生成圖片與影片方面未能提供與 Muse 相同的直接體驗。


小龍蝦適合喜歡折騰、需要高度客製化,而且願意自行部署與維護的人。它能放在自己的設備或伺服器上,模型、記憶、工作流程及本地資料串接都更有彈性,但也必須自行處理更新、權限、故障與安全問題。


愛馬仕則較偏向長期使用後,逐步累積記憶、技能與排程流程的工作助理。小龍蝦更強調連接平台、裝置與工具,愛馬仕則更強調持續工作及累積經驗。但兩者都不代表部署完成後就完全不需要管理。


九、Muse 的註冊與使用方式


Muse 當時以英文介面為主,需要邀請碼,並使用 Gmail 帳號註冊。它會申請相關郵件權限,因此我使用的是測試帳號,而不是主要個人帳號。登入後能看到幾個常用操作,其中部分需要訂閱 Pro。


我最初用香港 IP 測試,多次失敗,換成美國 IP 後才成功。不過,也有人回報香港 IP 可以註冊,因此可能受個別環境影響。Muse 並非只能使用手機,也可以透過網頁版與電腦版操作;邀請碼則會放在原分享內容的下方。


十、最後的重點:AI 正從回答問題,走向執行工作


這次最明顯的感受,是 AI 產品正在改變:過去多半是使用者問問題、AI 提供答案;現在則逐步走向交代目標,讓 AI 使用自己的工作環境執行任務。


但「能做事」不等於「能放心放手」。它能否遵守平台規則、辨識操作限制、知道何時該停下來,以及在使用帳號權限時避免造成風險,才是更值得關注的部分。


選擇哪一款,核心並不是誰更像人,而是你願意把多少控制權交給平台,又願意自己承擔多少維護責任。想省部署與維護,可以考慮 Muse 或 Dots;想掌握機器、模型與資料流向,可以考慮小龍蝦或愛馬仕。最終仍要回到自己的工作需求,而不是只看產品熱度。

[AI 反思] AI發展由誰決定?一場抗議揭開普通人的失語處境

 [AI 反思] AI發展由誰決定?一場抗議揭開普通人的失語處境

摘要 : 一場AI大會抗議,讓資源消耗、監管與公眾參與的爭議浮上檯面:誰享受利益,誰承擔代價?



內容:

在倫敦一場AI願景大會上,一位反AI活動人士公開質疑:當科技公司宣稱AI是為人們而發展時,是否真正回應了普通人的恐懼?


她在發言中表示:「你們說這是為了人們,但普通人正在害怕。」她引用了「AI有一成機率在十年內導致人類滅絕」及「500座運作中的資料中心使全國三分之二地區陷入乾旱」等說法,藉此表達對AI安全與資源消耗的憂慮。這些數字是她在現場提出的主張,原文未提供來源或查證資訊。


她也提及一場難堪的風波,並尖銳地批評:「最好的情況,是掌握這項技術的人完全無能;最壞的情況,是你們正被帶向一場災難。」在她看來,大會不斷描繪AI的願景,卻沒有正面處理人們的擔憂。


「透明度在哪裡?監管在哪裡?投票在哪裡?我們有任何人曾經為這些事情參與公投或投票嗎?」她質疑,AI發展缺乏明確的問責機制,而監管又不符合股東的利益,讓普通人難以參與影響自身生活的決策。


她呼籲暫停資料中心建設,讓一般民眾在AI議題上擁有發言權,而不是把決定權交給矽谷科技富豪。她強調,地方社區往往最先承受AI與資料中心帶來的衝擊,卻最晚獲得表達意見的機會。她也指控AI從人們身上奪取利益,使地方社區陷入更貧困的處境。


說完這段話後,她被安保人員帶離會場。


但她真的只是在抵制AI嗎?從這段發言來看,她批評的核心,更像是當前AI發展的遊戲規則:資本與精英掌握方向,普通人卻可能承擔代價,而且缺乏話語權。


這場原本要展示AI願景與能力的大會,因為抗議而呈現了另一個問題:當技術快速推進,社會是否也準備好了相應的監管、透明度與公眾參與機制?如果這些疑慮始終得不到回應,質疑的聲音恐怕只會增加,不會自行消失。


我們或許無法左右大公司的決策,但至少可以追問:這些決定如何影響我們?又是否有人真正問過我們,同不同意?

[AI 警示] 比爾蓋茨談 AI 風險:就業衝擊、監管責任與下一代的未來

 [AI 警示] 比爾蓋茨談 AI 風險:就業衝擊、監管責任與下一代的未來

摘要 : 蓋茨警示 AI 的安全與就業風險,呼籲政府監管、調整稅制,並關注下一代的教育與社交。



內容:

根據所提供的兩場近期專訪轉述,長期相信科技能改善人類生活的比爾蓋茨,這次對 AI 的態度多了明顯的警惕。過去,他談論 AI 時,多半聚焦於令人期待的可能性;如今,他更關心的是:當 AI 帶來安全威脅、就業衝擊與資源分配問題,誰會承受代價,又該由誰負責接住受影響的人?


他提出的第一個關鍵判斷,是 AI 已經跨過某些危險能力的門檻。蓋茨表示,程式設計曾是他從十三歲到二十三歲最投入的事情,但如今許多大型模型的程式設計能力,已經能與人類競爭,甚至在部分任務上表現得更好。依照轉述,這項變化從訪談所指的去年年底開始變得明顯。


真正讓他擔心的,不是 AI 能聊天,而是人類可能需要多年才能累積的專業能力,AI 已能迅速追上。一旦這些能力被濫用,網路攻擊與生物恐怖主義就可能成為最先受到影響的領域。他在訪談中警告,AI 工具可能讓與政府無關的非國家組織,也具備製造流感等級病毒威脅的能力。這是轉述中蓋茨提出的風險判斷,不宜直接視為已獲證實的事實。


第二個判斷,是未來兩到四年,AI 可能對工作帶來嚴重衝擊。他認為,目前阻止 AI 大規模取代人類工作的主要障礙,是可靠性。這道門檻不容易跨越,但可能在幾年內被突破。


一旦某家公司率先採用可靠的 AI,並因此大幅降低成本,其他公司就會面臨跟進的競爭壓力。機器不需要睡眠與休息,可以全天候運作,因此他特別擔心白領工作會率先受到衝擊;如果人形機器人的認知與執行能力持續提升,藍領工作也可能接著受到影響。


轉述也提到,蓋茨曾與 Anthropic 執行長達里奧・阿莫迪討論這個問題。阿莫迪提出的預測更為激烈:未來一到五年,入門級白領職位可能減少一半,失業率也可能升至百分之十到百分之二十。這些數字屬於對未來的預測,並非已經發生的結果。


有人認為,歷史上的技術革新雖然淘汰部分工作,最終也會創造新的職位。但蓋茨擔心,這次變化的速度與規模不同於過去。以往的職業轉型可能跨越數代人,AI 帶來的衝擊卻可能集中在短時間內,讓勞動者與社會制度來不及調整。


第三個判斷,是現有的社會保障與稅制,可能不足以承受這波轉型。當大量工作受到影響,原本資金就有限的社會安全網,未必有能力接住所有人。


因此,他提出逐步從對勞動力徵稅,轉向對資本與機器人徵稅的政策方向。核心想法是:如果機器取代人類工作並創造收益,相關收益也應承擔支持公共服務與社會保障的責任,而不應主要依靠勞動者的薪資稅收來維持制度。


第四個判斷,是 AI 不能只依靠產業自我監管。蓋茨認為,當競爭者越來越多,單一公司的安全承諾,很難約束整個產業。


他以 OpenAI 為例,指出早期設置的安全措施,在只有少數企業領先時或許較容易發揮作用;但當美國與中國都有大量公司競相推進技術,任何一家企業單方面放慢腳步,都可能面臨被超越的壓力。要求減速的聲音,也容易被「不能在競爭中輸給中國」的論述壓過。


依照轉述,蓋茨批評美國政府目前更像是替產業加油的啦啦隊,將注意力放在地緣政治競爭,而未充分承擔管理國內風險的責任。他認為,真正有效的規範不能只靠企業自律,政府必須介入。


訪談最後,話題轉向下一代。當被問到會如何面對孩子在 AI 時代的成長,蓋茨提到自己的三個孫女,也坦言他仍不確定未來的教育會變成什麼樣子。


他尤其擔心,AI 陪伴與育兒工具可能改變孩子的社交經驗。如果家長不知道孩子經常提起的「朋友」其實是 AI,孩子就可能減少面對真實人際關係的機會,也難以學到那些必須透過真人互動才能培養的能力。即使 AI 和機器人有能力協助育兒,也不代表所有用途都應毫無限制地開放。


轉述中,蓋茨將 AI 比作核能,甚至以「威力是核能的一千倍」來強調其潛在影響。這是警示性的比喻,而非可直接量化的比較。他想表達的是:AI 既可能造福人類,也可能帶來巨大的破壞,關鍵在於人類如何引導與約束它。


這些判斷並不代表蓋茨否定科技的價值,而是顯示他不再認為,只靠技術進步與市場競爭,就能自然解決所有問題。當 AI 的能力與影響迅速擴大,安全監管、就業轉型、社會保障與兒童成長,都需要有人提前負起責任。