AI時代：洞察趨勢，引領組織與個人創新
探索AI革命：全球影響、組織轉型與產品創新的深度解析
前陣子在一場與 Google 合辦的 容器遷移與生成式AI實戰工作坊 上，做了一場 “容器遷移與生成式 AI 應用的趨勢剖析” 的分享 (完整的 slide 可以參考這邊)。準備過程中，有機會重新整理自己對當前AI領域的理解和框架，在這篇文章中，我想將演講的要點進行文字紀錄，並分享給對此主題感興趣的朋友們。
準備過程中看了許多資料，其中幾份我覺得幫助蠻大的，內容當中很多引用也出自這些報告和文章，表列如下：
2024 AI Index Report - Stanford University
Now decides next: Getting real about Generative AI - Deloitte
How to Make AI UX Your Moat - Latent Space
我們就開始吧，內容大致分成三個部分：
~~~
📌 AI 對世界、對工作帶來的影響
~~~
We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run - Roy Amara
這句話相當傳神的刻畫了當前生成式 AI 帶來的 hype，也精準的描繪了人性的短視和容易 FOMO 的情緒。人們擔心錯過些什麼，擔心這新技術將如何影響現有的生態。AI Index Report 進行了詳細的調查，探討了AI在各個層面的影響，我選取了一些與主題相關的資料來分享：
~~~
💡 AI 在部分任務上的表現，已經超越人類
如上圖所示，在基礎的識別與理解任務（包括手寫、語音、口語、影像、視頻、文本理解）方面，AI 已經基本上全面超越了人類。也許在處理一兩句話或一兩張圖片時，人類的表現還可能略勝一籌，但當數量達到數百或數千時，從平均表現來看，人類基本上無法與 AI 相比（人類難免會感到疲倦且容易犯錯，而 AI 則不會有這些問題）。
在《AI 世界的底層邏輯與生存法則》一書中，其中有一句話讓我印象深刻，大致上是這麼說的：「不要被生成式 AI 中的”生成”二字所迷惑，其真正可怕的能力在於”理解”」。
因此，有一句我忘了在哪裡看到的話，我覺得說得很好：
無論你最擅長什麼（通常是你最喜歡的），你可能比人工智慧更好，但無論你不擅長什麼，人工智慧都可以幫助填補空白
~~~
💡 基礎模型的訓練成本巨大
由於基礎模型的訓練需要大量算力和巨量的資料儲備，可以看到整個 AI 的研究量能，其實是產業界大於學術界的。或許當前各家巨頭模型盡出的盛況，再過沒多久就會收斂成少數贏者全拿的局面。一般中小企業其實很難/也沒必要，自己訓練一個基礎模型。在實際與客戶接觸的案子中，主要還是以 Prompt Engineering 和 RAG 的架構為大宗。
~~~
💡 AI 不會取代你，但是會用 AI 的人會
2016 年 Alpha Go 打敗世界棋王的時候，也短暫掀起 AI 將取代人類的波瀾，不過很快就銷聲匿跡了；但現在這一波生成式 AI 不太一樣，很多場景 AI 甚至讓人覺得有自主思考的能力。
在這份調查中，有 57% 的人認為在未來五年內，AI 將對目前自己的工作帶來改變；有 36% 的人認為 AI 將取代自己的工作。可以看出，雖然懷抱著擔憂，但是人類對自己的能力還是有 21% 信心的差值。
正如之前所述，AI 難以在短期內超越你真正感興趣的領域，然而在你的不足之處，AI 可以提供幫助。因此，AI 不會取代你，而可能取代你的，是那些在同一領域中，能夠善用 AI 工具的其他人。
~~~
📌 組織如何從 +AI → AI+
~~~
在探討如何讓組織從 AI 中獲益時，將 IBM 和 Deloitte 的報告觀點結合來看，確實提供了一個全面的框架 (IBM 左；Deloitte 右)。從 IBM 的觀點來看，組織應從小規模的實驗開始，逐步推進至自動化，最終甚至可能改變或重塑整個工作流程。這個過程從導入 AI 的初期階段，到擴展和全面整合，每一步都具有其獨特的挑戰和需求。
從 Deloitte 的報告中，我們可以瞭解到，在導入 AI 的每個階段中會遇到的主要挑戰。一開始，組織需要證明 AI 可以在小範圍內提高績效。隨著技術的擴展，獲取組織內部以及合作夥伴的信任變得至關重要。到了後期，隨著 AI 的全面應用，組織的人才招募策略甚至可能需要進行調整，以適應新的工作需求和技能要求。
進一步深入 Deloitte 報告中的一些洞察，可以幫助我們更好地理解這些階段中的具體策略和建議：
~~~
💡 價值創造：ROI 難易計算，錯過的風險更大
左上角那句話，最近特別有感。現在很多客戶都會來詢問如何導入雲端上的 AI 工具，AI 相關的專案需求也是爆炸性增長。充分印證了一開始的那句話：「短期高估、長期低估」。
如同上圖左上的文字所述，生成式 AI 這個技術太新的，沒有太多過往的案例可循，所以即使被問到專案的 ROI，絕大部分也都是憑直覺在估算，以至於現在很多組織內部的 AI 計畫/專案，其實都是因為怕錯過了這股浪潮，落後了競爭對手，所做的各種嘗試。
在面對眾多AI技術導入需求的情況下，與客戶的溝通過程中，我們持續強調價值創造的重要性，這對於項目的聚焦與推進起到了關鍵作用。例如，有電商客戶希望利用生成式AI來分析平台上買賣雙方的聊天記錄，判斷是否存在繞過平台進行私下交易的意圖。
從模型性能直觀考量，人們可能認為模型應盡可能多地識別出含有私下交易意圖的對話；然而，如果從價值創造的角度來看，假設模型的主要價值在於節省人工審查時間，那麼是否應該首先提高對「無私下交易意圖」對話的識別準確率？這樣一來，人工審查者可以放心地忽略那些被模型判定為無問題的對話，只需針對模型篩選出的潛在風險進行進一步核查。如果僅僅追求正向識別的準確率，而忽略了反向的準確度，可能反而會降低整體效益。
在上圖中，深綠色圓圈代表在 AI 技術上領先的企業，而淺綠色圓圈則顯示了行業的整體平均水平。一般來看，大多數企業採用的是 "+AI" 模式，即在現有商業流程中融入 AI 技術以達到優化和加速的目的。相比之下，直接採用 "AI+" 模式來創建全新的商業模式或顛覆現有模式的企業則較為少見，這主要見於那些已經直接面臨 AI 威脅的行業。
~~~
💡 規模化導入：GenAI 工具導入仍低，風險(資料)和利益仍需權衡
探索現有商業模式之外，引入工具不僅是推動文化轉型，也是提升生產力的關鍵一環。簡單問大家一個問題：您所服務的公司是否開放使用像是 ChatGPT 或 Gemini 這樣的服務？公司是否有建立自己的大型語言模型（LLM）供內部使用，或者購買了 Github Copilot 來提升開發者的效率？
從調查結果來看，許多企業對於開放使用生成式AI工具的接受度仍然較低，主要原因是對商業機密資料安全的擔憂。企業擔心在員工使用AI工具的過程中可能會不小心洩漏敏感資訊。即便組織未正式開放這些工具的使用，個人仍可能會嘗試使用它們，這突顯了資訊安全在這一新興領域的持續重要性。因此，在開放與謹慎之間找到一個平衡點，將是組織在規模化應用AI及建立信任過程中的關鍵策略。
~~~
💡 AI 賦能：重新設計工作流程，改變人才策略
為了進一步提升業務效率，我們需要從根本上革新現有的工作流程，甚至考慮讓人工智慧處理部分任務。這要求我們重新設計工作流程和調整人才招募策略。
根據調查顯示，在硬技能方面，「資料分析」和「Prompt Engineering（提示工程）」將成為未來與AI有效互動的關鍵技能。在軟技能方面，「獨立思考」和「創意」顯得尤為重要，目前的AI模型尚未能透過大量資料輕易實現這些能力。
個人層面上，定期反思自己的日常工作流程，識別出哪些環節可以藉由「資料分析」和「Prompt Engineering」的幫助來提升效率。透過使用這些AI工具，不僅能優化工作效率，還能釋放更多時間用於「獨立思考」和「創意」。
通過不斷地反思和迭代這一流程，我們可以從單純使用AI的階段 (+AI) 進步到AI賦能(AI+) 的新階段。
~~~
📌 AI 如何創造產品價值，打造商業護城河
~~~
💡 AI 不是護城河，UX (Data) 才是
在前文中，我們提到不應急於透過 AI 顛覆整個產業或創造新的商業模式，而是應從現有的商業模式中尋找 AI 帶來的增值機會。然而，接下來我們必須面對的問題是，這些機會商業競爭對手也看得到，且他們可能擁有更豐富的資料或更大的規模。在這樣的情況下，組織應如何利用 AI 技術來構築自己的商業防禦壁呢？換句話說，如何能夠使您的 AI 應用表現優於競爭對手？對此，我發現「How to Make AI UX Your Moat | Latent Space」一文中提出的框架非常有參考價值，值得我們深入探討。
~~~
💡 ChatGPT 震驚了世界不是因為模型而是體驗
回想一下，我們第一次打開 ChatGPT 展開一輪對話，並且為之震驚的那個 moment。我們是被他背後模型所擁有的巨大規模/參數所震驚，還是被有如與一個博學多聞的真人對話體驗所震驚？
ChatGPT 的流式輸出，模擬了閱讀和聆聽。對話的過程，ChatGPT 會根據之前的內容 (Context) 來調整回應，彷彿有了記憶。聊天真正成為聊天，不像以前的 chatbot 似的一個個獨立的 Q&A。
這就是體驗上的差距，既然 AI 未來會像水電一樣成為企業的基礎設施。那麼，便沒有企業會因為用上了水電就脫穎而出。如何透過良好的體驗，建立正向循環持續積累資料形成壁壘，才是關鍵。
~~~
💡 好的體驗需要在互動的每個環節下功夫
怎麼在好的「體驗」上下功夫呢？或許我們可以從 Prompt Engineering 當中找尋線索。使用者和你提供的產品或服務互動，和我們和 AI 進行互動其實是類似的。我們可以借鏡 Prompt Engineering 當中的框架，來指引產品/服務的 UX 設計。
在 How to Make AI UX Your Moat 當中提到的 3C = Command + Constraints + Context 非常值得筆記下來：你的產品/服務 在什麼背景(Context) 下基於怎樣的約束 (Constraints) 幫助使用者完成了怎樣的任務 (Command)，這三個環節，如何透過 AI 技術來進行簡化，打造更好的體驗？
~~~
💡 3P: Present → Practical → Powerful
來看一個實際案例（如上圖所示）：一個時尚電商平台提供了AI助理服務，讓我們看一下整個購物體驗的流程。
起初，一名使用者提出7月將前往聖托里尼參加婚禮的需求，希望平台能推薦合適的服裝。AI助理考慮到7月聖托里尼的氣候既炎熱又多風，且婚禮場合需要著裝較為正式和高雅，因此推薦了適合正式場合的無袖或短袖洋裝。
隨後，使用者詢問適合的鞋款。AI助理根據洋裝的風格，建議了幾款高跟涼鞋。然而，使用者進一步提到婚禮後將有一場在海灘上的派對，考慮到高跟鞋在沙灘上行走的不便，AI助理便轉而推薦了幾款平底涼鞋，以適應不同的場合需求。
從這個例子，從使用者的角度，我們來套用看看 3C：
Command (命令): 穿搭建議
Constraints (約束): 7月 (時間)、Santorini (地點)、朋友的婚禮 (人、事)
Context (背景): 婚禮後在沙灘上的 after party
然後，我們看一下這三個 C，可以有什麼具體增進 UX 的措施：
Command: 讓用戶創建任務並且在未來可以搜尋他們。
在這個案例中，提供穿搭建議可能是某些使用者的常見需求，但不一定適用於所有人。其他使用者可能更關注於搜尋特定商品或查詢價格。因此，平台可以對使用者與這個AI助理的互動進行統計分析，並將常見的指令分類整理。這樣一來，AI助理在與使用者初次互動時，就可以根據這些數據提供更加個性化的開場白，而不僅僅是標準的「你好，有什麼我能幫助您的嗎？」Constraints: 在應用程序中創建自動拉入的用戶設置。
在上述案例中，我們觀察到AI助理巧妙地利用地點和時間資訊獲得相關天氣資訊，避免了推薦冬裝的尷尬，這顯著提升了用戶體驗。進一步地，我們可以思考還有哪些因素可能影響穿搭選擇，並探討是否能在不干擾用戶的情況下自動獲取這些資訊。Context: 簡化數據收集。
婚禮結束後的沙灘派對可能是邀請函上的其中一項活動安排。在這樣的場合，當AI助理提供鞋子選擇的建議時，應該先詢問客戶的需求，而不僅僅是考慮鞋子與服裝的搭配。或許我們可以改變傳統的問答對話模式，像朋友間的閒聊一般，先充分了解對方的背景和情境，再根據這些信息來提供更精準的穿搭建議。
在 3C 上針對 UX 做出改善，讓 AI 融入產品，從 Present (讓使用者意識到有 AI 功能) → Practical (AI 功能實際幫助使用者更有效率完成任務) → Powerful (使用者的 wow moment)。
在為產品/服務導入 +AI 技術的時候，我認為這是個蠻容以理解的框架，用來反思這樣的整合是否帶來使用者體驗的提升，而不是為了 AI 而 AI。
~~~
💡 如何應對「短期高估、長期低估」的 Amara’s Law
最後，呼應前面提到的 Amara’s Law，人類總是傾向「短期高估，長期低估」。在當前這個 AI 資訊焦慮的時代，這四點建議我覺得很值得每個關注且希望透過 AI 來提升效率的工作者具體實踐。
保持耐心：讓子彈飛，世界越快心則慢。技術和研究的東西可以追，但避免 FOMO，更多關注那些即使技術實現了，也不影響的商業/人性本質。
持續關注：讓自己獲取資訊的渠道通暢，並且降低噪音比例。
擁抱改變：強迫自己克服原有成見，凡是嘗試思考看看如果應用上 +AI 的話，這件事情會怎麼樣。甚至去思想練習，如果這件事情用 AI+ 的思維來看的話，又會怎麼樣。
批判思維：凡是皆有兩面，如同前面提到 AI 相關的資安議題，擁抱改變的同時，也同時能站在另一面思考其中的風險。
好啦，我們從 AI 對世界帶來的影響，談到組織如何從 +AI 到 AI+，再聊到如何透過 AI 提升產品/服務的體驗，很開心和各位分享這些趨勢，我也從這個分享到中學到許多，希望這些內容對各位有所幫助，下次再見 :~)