作者: Daisy

今年 AI 發展大躍進，許多工作者變得焦慮、擔心自己被取代，其實 AI 並不會取代工作，而是取代任務。就現階段觀察而言，AI 對於每個產業影響的程度都不太一樣，AI 的發展就像是兩面刃，工作者處理的任務若跟 AI 高度重疊，就需要擔心AI 帶來的衝擊，相反地 AI 其實能夠成為互補的工具，提升工作者的生產力。我們觀察到許多文字工作者的出版量、網路上許多部落格、行銷文案內容都正在大量增加當中，對於純文字工作者而言，原先一天只能張貼一篇文章的社群小編，透過 AI 的協助能夠增加至一天張貼三篇文章，還可以運用 AI 工具偵測外部發展趨勢來豐富文章，AI 加速了工作者產製內容的速度。

如何在日常工作中應用 AI？這是工作者需要反思自身、團隊甚至擴及到企業組織的必要問題，因此研究日常工作流程非常重要，AI 能夠加速任務的部分流程，卻也能讓部分流程變慢，顯然 AI 並不是萬靈丹。當 AI 變成工作的標配，就像是某個語言或技能作為標配一樣，工作者不需要知道 AI 背後是如何運作，但是必須了解如何使用它。

今年七月份，Nielsen Norman Group 發布了一份報告（AI Improves Employee Productivity by 66%），說明生成式 AI 影響生產力最深的三個領域。首先在客服方面，一開始大部分人認為，聊天機器人這麼會聊天，客服人員是不是全部要失業了？這件事情並沒有發生，主要是因為客服人員回答的資訊必須非常精準，尤其在處理客訴的時候需要非常小心，並且要懂得安撫客戶的情緒，若將 ChatGPT 應用於這些細部流程，目前是無法預測結果的，也就是說聊天機器人雖然很厲害，上知天文下知地理，但如果明確指使它照著指令來處理事情的時候，它會呈現一定程度的不確定性，所以大家會猶豫將 ChatGPT 應用在客服的場域，畢竟沒有人想要得罪客戶，也因此目前在客服領域得到的進展反而較少，大家還在嘗試規範聊天機器人。

第二是在內容生成的領域，生產力明顯提升超過五成。美國麻省理工學院 MIT 研究人員於今年三月發布了一篇論文（Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence），量化生成式 AI 對於內容生成工作的影響。在這個人們幾乎離不開數位工具的時代，這些工具與交換資訊、產生內容相關，例如產出文案、翻譯、報告、整理簡報及會議記錄，這是數位工作者幾乎每天都會做的事情，在工作流程中 ChatGPT 能夠協助發想與草稿，但是對於編修，研究人員發現它反而會耗費工作者更多時間，當工作者收到一篇冗長的報告，可能會想自己全部重寫，因為編修它比你重寫還要花時間。經過研究，ChatGPT 適用於大範圍地提供意見、方案作發想，以及給予框架作簡單的草稿，但同時較難協助撰寫詳細的內容，工作者必須自行處理這個部分。整體來說，使用 ChatGPT 還是能夠縮短任務的處理時間，研究人員發現採用 AI 工具，生產力能夠提升 37%，等同於減少大約四成的工時，且品質提升將近兩成，顯示生成式 AI 能夠同時優化品質與效率。

最後針對 AI 提升生產力最多的領域，結果表示軟體工程師寫程式的生產力能夠提升超過 125%，也就是原先單位時間只能寫一行程式，有了 AI 幫助之後軟體工程師可以寫兩到三行程式，這個結論出乎許多人的意料之外。不過觀察業界的狀況，今年以來矽谷已經進行約 50 萬位軟體工程師的裁員，科技公司都觀察到了 AI 帶來的加值，進而積極調整人力配置，這也說明了原先 AI 被普遍認為會衝擊非理工科的工作，現在得出的結果反而是相反的。

總的來說，AI 的角色應該被視為一個重要的生產力提升工具，但它不會也不應該將一個職位完全取代掉，而是解構工作流程。因此，AI 時代下，人人都必須了解如何在自身工作流程中善用 AI 來增強工作效率和價值。人需要工作，並從中找到意義；而 AI 是輔助工具，不會也不需要變成主角。

*本文章已同步投稿至 TechOrange【程世嘉專欄】

2023 上半年 AI 技術發展大躍進，這篇文章將分享 AI 實戰經驗 11 項重點，主要基於 iKala 在 AI 網紅數據行銷平台 KOL Radar（擁有全世界超過 100 萬的跨國網紅資料）、顧客數據平台 iKala CDP 兩個產品，以及我們協助客戶導入 AI 的研究發展整理而成。iKala 會持續在 Hugging Face 和公開論文中發表我們的成果。

1. 縮小模型大腦仍一樣聰明？

要達成這項任務很難，模型的參數量對於大型語言模型（LLM）的能力目前仍是決定性的關鍵，我們總計測試了 40 餘種模型，大部分在 30B 以下，發現 AI 大腦縮小就會難以維持相同的理解能力，論文 "The False Promise of imitating proprietary LLMs" 總結了這件事情。但是誰不希望模型又小、又好、又快呢？所以研究社群對於把模型縮小還是持續投入非常多的心力，不過值得注意的是：AI 寫程式的能力似乎與模型大小沒有必然關係，這跟其他人類認知工作呈現不一樣的趨勢，目前我們還無法解釋這個現象。

2. 各界爭相誇大自有開源語言模型的能力

承續上一點，過去半年來，有無數的公開模型發表，很多公司和開發者宣稱，自己用幾百（千）塊美金、少少的訓練資料、快快的訓練速度，就讓小模型的表現跟 GPT-4 有 87% 像。這些看似驚人的成果僅供參考，重要的是一定要自己部署、重製這些實驗，才能驗證其中的真實性。

3. AI 私有化和客製化的趨勢已經形成

導入 AI 進程較快的客戶已經普遍認知到，市面上的大模型諸如 GPT-4、Claude、Midjourney、PaLM 2 等等，是非常難重製的模型，況且也沒有必要耗費龐大資源，只為了把這些大模型放在自身企業當中，因為多數的企業並不需要一個「通用型 LLM」，僅需要根據商業模式決定語言模型應具備的能力。

4. 模型整體弱化或是摘除特定能力

由於重製大模型的可行性低，企業又急迫於導入 AI，所以現在的方向是訓練「產業專屬模型」，而方式則是「直接摘除語言模型的特定能力（例如只會聽說讀、但是不會寫）」或是「整個模型弱化（例如聽說讀寫一起變差）」，這部份可以參考論文 "Distilling Step-by-Step! Outperforming Larger Language Models with Less Training Data and Smaller Model Sizes"。

5. 企業導入 AI 的雙軌思維

企業主現在思考的是：「AI 如何運用於既有的商業模式？」以及「AI 如何提升既有人員的生產力？」目前每個組織都在拆解內部的工作流程，去蕪存菁加上自動化提升人員單位生產力，同時也積極探索 AI 究竟能否為企業帶來商業模式的增值。我們服務的企業多數從 iKala CDP 開始建置「數據中台」，在探索的同時也加速資料整理，因為無論如何，沒有資料就沒有 AI，既然未來一定會使用到 AI，那在摸索的同時能處理的重要任務就趕緊一起進行，所以我們看到 AI 開始快速拉動 Big Data 和 Cloud 的市場發展。以往的數位轉型目的不明，但現在的數位轉型是為了取得「智慧」，目的明確也證明 AI 真的有效，企業主也因此開始積極投入。

6. 大模型平台化的趨勢形成

承續上面提到的大模型，回到經濟學規模經濟的現象，由於大模型的訓練和維運成本只有科技巨頭有能力負擔，並且能夠降低單位服務成本阻擋小型的競爭者，這些模型正在全面走向平台化。它們會是私有模型的基礎，外部企業和開發者可以憑藉低成本調用這些大模型產出的結果，不過無法得知太多運作的細節。目前沒有任何誘因足以讓科技巨頭們揭露大模型的細節（Meta 是例外，請見下一點），除非是透過政府的監管和介入，不過這仍是條漫漫長路，而政策制定者最後可能還是會和科技巨頭取得商業利益與國家（區域）治理的平衡，整體來說科技巨頭並不會受到太多傷害。

7. Meta 已經在開源 AI 社群拔得頭籌

隨著 LLaMA 和 SAM（Segment Anything Model）受到廣大的歡迎，Meta 已經搶回相當程度的 AI 話語權，不過 Meta 最不一樣的是，這家公司並不「直接靠 AI 賺錢」，Google、Amazon、Microsoft 都將 AI 放到雲端讓企業租賃、OpenAI 在販賣 ChatGPT 的訂閱，只有 Meta 是持續靠著極其強大的社群平台網路效應賺進大筆的廣告費，所以 Meta 在開放 AI 的激進程度，肯定會持續超越其他科技巨頭。

8. 英文語系主導 AI 模型領域發展

多數的（開源）模型明顯還是在英文的表現最好，這會擴大西方國家和全世界的科技發展差距，以及主導全世界使用者日後的使用習慣，甚至危及某些語言的普及性，所以各國政府和大型私人企業開始發展屬於自己的大模型，想要抵抗這種「語言霸權」。但就算投入龐大資源訓練出國家的專屬模型，重點仍在於「有沒有人要使用？」當訓練 AI 模型拉升到國家層級的時候，已經變成是行銷和服務的問題，而不是技術的問題，各國相關單位應把重點放對地方。

9. 多數生成式 AI 新創並沒有護城河

就連 ChatGPT 本身的商業模式是否能持續運作都尚無定論，其他只依靠 OpenAI 提供 API 的新創公司就更可能無以為繼。在特定商業領域已經有經濟規模的公司雖然動作可能較慢，但只要釐清究竟如何導入且應用 AI，一個轉身就會大幅超越這些公司。再加上科技巨頭靠著經濟規模把生成式 AI 的使用成本不斷降低，這些都會讓生成式 AI 新創雪上加霜。所以 AI 的重點仍然在於「應用場域」，憑藉純粹的 AI 技術去創業是難度非常高的事情，也是第一時間就選擇加入資本戰。

10. 通用型人工智慧（AGI）

目前距離還很遙遠，儘管 GPT-4 和 DeepMind 對於 RL 的意外研究結果顯示機器有可能自我行動。但截至目前為止，各種追求突破 AGI 的努力，大部分還是在 high-level 組合各種 toolchain 加上既有的 LLM，而且能解決的 task 是以一個一個微調的方式在進行，成本高昂也導致很多中途放棄的開源專案，並沒有完全通用的解決方案出現。與其說是 AGI，仍比較像是 RPA。

11. AI 要發揮功用，最重要的是「信任」、「使用者體驗」、「商業模式」

這是 AI 要進一步擴散到人類社會每一個角落最重要的三個元素。目前可解釋 AI（XAI） 這個研究領域雖然快速崛起，但還處在很初期的發展階段，GPT-4 這種大型模型對於所有人來說，仍是一個龐大的黑箱，了解其如何做出決策和推理還有很長的一段路要走。使用者體驗則是新的課題，既有的產品和服務如何融入 AI，是令人興奮的新機會，同時也是挑戰使用者舊習慣的大題目。商業模式則如上面所述。

下半年 AI 圈第一個重磅消息：Meta 發布 LLaMA 2，並且完全開源、商用免費。