下一代 OS，不只是給人操作，也要讓 AI 理解
下一代 OS，不只是給人操作，也要讓 AI 理解

下一代 OS，不只是給人操作，也要讓 AI 理解 Mr. τ・風雲網通系統有限公司 二十幾年前，我剛入行的時候，「學會用電腦」這件事本身就是一個專業門檻。不是每個人都知道怎麼開磁碟機、怎麼打 IP、怎麼判讀錯誤代碼。 後來網路普及了，GUI 變得越來越友善，這道牆矮了一半。但對工程師來說，真正的工作仍然是那些 CLI、那些 config、那些藏在第三頁設定選單裡的參數。 現在，AI Agent 出現了。 我不是要說「AI 可以取代工程師」這種老套論述。我想說的是一件更底層的事：人類與複雜系統的互動介面，正在準備迎接第三次重構。 第一次：GUI 讓普通人也能操作機器 過去的作業系統，只有兩層溝通介面： 第一層：GUI 給人用的視覺介面。Windows 設定、NAS DSM、Router 管理介面。你看到的是「按鈕」，不需要知道背後是什麼指令。 第二層：API / CLI 給程式用的系統介面。PowerShell、Shell Script、REST API。工程師的地盤，自動化的入口。 但這兩層都有一個隱藏前提：操作者必須先知道「這個系統有什麼能力」。 你得知道功能在哪裡、工具叫什麼名字、參數怎麼填、錯誤怎麼判讀。這道「認知高牆」從來沒有消失，只是被 GUI 遮住了一部分。 第二次：API 讓程式也能操作機器 REST API 的普及，讓「自動化」成為可能。你不需要真的去點那個按鈕，只要呼叫對的 endpoint、帶對的參數，就能完成任務。 但這層也有門檻：你仍然需要先讀文件，先知道 endpoint 的名稱，先理解資料結構。程式不會「猜」，它只會「照做」。 API 解放了自動化的下限，但沒有解決「讓不熟悉系統的人也能快速上手」的問題。 第三次：AI Capability Layer — 讓 AI Agent 也能理解機器 AI... » read more

0
Read
steven
巨頭不是為 SMB 而設計，卻意外改變了 SMB 的 AI 部署門檻
巨頭不是為 SMB 而設計，卻意外改變了 SMB 的 AI 部署門檻

巨頭不是為 SMB 而設計，卻意外改變了 SMB 的 AI 部署門檻 工程師思路系列・事出必有因 ｜ Mr. τ／風雲網通系統 如果把近兩年大型模型（Google、Meta、DeepSeek、阿里、Moonshot 等）的演進整理起來，可以發現一件有趣的事： 幾乎沒有任何一項技術，是專門為 SMB 本地部署而設計。 各家模型公司真正追求的，始終是資料中心的吞吐量（Throughput）、降低雲端服務成本、增加併發（Concurrency），以及降低每百萬 Token 的推論成本。 然而，這些為龐大雲端設施打造的底層技術，透過開源與社群的轉譯，最後卻讓只有雙卡 RTX 3060 12GB、甚至 Mac Studio 的 SMB 使用者，意外成了最大的受益者。 要理解這股紅利如何傳導到地端，不能只看單一名詞，而必須用系統工程的三層架構來拆解。更重要的是，這三層並非平行存在，而是嚴格的依賴與傳導鏈： 模型架構（決定天花板） → 推論框架（決定能不能跑） → 部署技術（決定有沒有資格入場） 例如：MLA 再強，如果推論引擎沒有支援，SMB 一樣享受不到；反過來，GGUF 量化格式再成熟，如果模型本身缺乏 GQA 或高效設計，VRAM 還是會被 KV Cache 瞬間撐爆。唯有三者同步成熟，地端的性價比甜蜜點才會出現。 第一層：模型架構層（決定天花板） 一 MLA（Multi-head Latent Attention）— 以 93.3% 壓縮率突破 KV Cache 瓶頸... » read more

0
Read
steven
你一年花七千多元訂閱 AI，到底換來什麼？
你一年花七千多元訂閱 AI，到底換來什麼？

你一年花七千多元訂閱 AI，到底換來什麼？ 這個問題，最近很多人都在問。我自己也問過。 以前買軟體的時候，我們從來不會猶豫「值不值得」，因為那是「買東西」的思維。現在卻變成了「聘請一位數位助理」的思維，感覺完全不一樣。 第一幕：個人錢包的真實感受 幾乎每個用過電腦的人，都有一段共同記憶： ✔ 買新電腦時，Windows 是預裝的，感覺「免費」 ✔ 為了寫報告或做簡報，咬牙買正版 Office ✔ 想玩遊戲時，等特價，或者曾經接觸過非官方版本 ✔ 後來發現很多軟體可以免費下載，但總覺得功能不夠好 ✔ 再後來，開始付月費用 Adobe、Spotify、Notion、雲端硬碟…… 這些都是我們親身經歷的「付費心理轉變」。 現在，AI 成了下一個要付月費的項目。很多人卡住的原因不是錢，而是心態：我以前是買一套軟體，現在卻要持續付錢「訂閱智慧」？ 第二幕：軟體取得方式的根本改變 這正是關鍵轉折。 過去的軟體 現在的 AI 成品：開發者寫好，你付錢安裝，使用固定功能 生成工具：你給需求，它當場為你寫程式、做設計、整理資料、寫文案 賣固定產品 賣按需生產的能力 過去 GitHub、開源社群累積了大量軟體資產，但真正能修改、整合、打造新工具的人，仍然集中在少數技術族群。AI 的出現，讓「描述需求」第一次成為普遍使用者也能參與的開發入口。 從「買軟體」到「訂閱 AI 助理」，中間的心理距離，其實就是從擁有物品到擁有能力的轉變。 第三幕：科技消費模式的半世紀演進 把時間拉長來看，這不是孤立的現象，而是資訊革命一貫的模式。 每次重大技術突破，都會帶來新的「固定支出」，而這些支出最後都變成社會基礎建設： 📟 BB Call 時代：很多人覺得「有必要隨時被找到嗎？」 📱 行動電話時代：月租一千多？太貴了吧 🌐 寬頻網路時代：家裡一定要一直線上嗎？ ☁️ 雲端與串流時代：為什麼要每月付 Netflix 和 iCloud？ 🤖 AI... » read more

0
Read
steven
規格表贏了，然後呢？從 Intel ARC 驅動更新看半導體競爭的真實邏輯
規格表贏了，然後呢？從 Intel ARC 驅動更新看半導體競爭的真實邏輯

工程師思路系列・事出必有因 規格表贏了，然後呢？ 從 Intel ARC 驅動更新看半導體競爭的真實邏輯 Mr. τ・風雲網通系統・2025 最近看到 Intel ARC 系列顯示卡發布了新版驅動程式，點進去看更新內容，發現絕大多數都是 bug fix——修這個、修那個，幾乎沒有新功能或性能提升。 這讓我停下來想了一下。 因為如果只看硬體規格，Intel ARC B580 其實不差。12GB GDDR6、192-bit 記憶體介面、繪圖記憶體頻寬 456 GB/s——放在同價位段，這個數字完全不輸競品，甚至超過不少對手。 規格表上，Intel 這次是認真做的。但驅動更新清單告訴你另一件事：規格表贏，不等於產品力贏。 一、NVIDIA 與 AMD 這十幾年鋪了什麼 要理解 Intel ARC 面對的困難，必須先搞清楚對手這十幾年到底累積了什麼。這些東西不會出現在規格表上，但全部都是真實的護城河。 第一層：幾千款遊戲的相容性資料庫。每一款遊戲都有自己的怪癖——特定的渲染 API 用法、記憶體存取模式、多執行緒行為。NVIDIA 和 AMD 的驅動裡，藏著多年來針對個別遊戲調校的 profile，有些甚至是為了修一個特定遊戲的特定場景而存在的 workaround。這個資料庫是時間換來的，沒有捷徑。 第二層：開發者生態的綁定。NVIDIA 的 CUDA 已經成為 AI 運算的事實標準，PhysX、DLSS 讓遊戲開發者主動針對 NVIDIA 優化。AMD 則有 FSR 和 ROCm 在追趕。這些工具不只是功能，而是讓開發者在設計產品時就預設你存在——這種綁定一旦形成，競爭者要切入的成本極高。... » read more

0
Read
steven
AI 工廠與金字塔的文明結構:當「老師傅」遇上自動化神話
AI 工廠與金字塔的文明結構:當「老師傅」遇上自動化神話

PCPILOT 知識中心 ── 產業觀察 AI 工廠與金字塔的文明結構:當「老師傅」遇上自動化神話 從黃仁勳的水電工論,到外送與 Costco 的悖論,看懂自動化神話背後的人力本質 引言:沙漠中的金字塔 輝達執行長黃仁勳曾說過一句話,讓我反覆思考了好一陣子: AI 時代最搶手的,不是程式設計師,而是水電工;因隨著資料中心的快速增長,未來將需要數十萬名水電工和水管工。 第一次讀到這句話時,我腦中浮現的畫面,竟不是矽谷的伺服器機房,而是法老王金字塔的施工現場。 這個聯想其實一點也不荒謬。金字塔是古埃及人為永生信仰打造的終極硬體基礎設施,而今天的 AI 資料中心,則是現代人為「人工智慧」這個新神打造的終極硬體基礎設施。兩者的共同之處,在於人類把大量資源砸進一場「看不見的崇拜」——你看不到神,但看得到金字塔;你看不到 AI 的「智慧」本身,但看得到一座座吞噬電力與冷卻水的鋼鐵巨獸。 我們總以為 AI 時代是一個「去體力化、腦力至上」的時代,結果繞了一大圈才發現,真正稀缺的,反而是最古老的藍領技能。程式設計師寫完模型之後,要讓 AI 真正跑起來,靠的是電力、冷卻、管線、變電站、備援電源——這些最原始、最物理的東西。就像金字塔再怎麼神聖,最後還是得靠成千上萬人推石頭、拉繩子、抬木槓。只是石塊換成了伺服器機櫃,法老換成了黃仁勳,奴工換成了年薪可能比工程師還高的水電工。 核心對比:外送與 Costco 的悖論 這個「人力填補系統缺口」的觀察,讓我想起兩個生活中再尋常不過的例子。 案例一 外送經濟 年輕力壯的外送員,靠的是迅速響應的服務速率。這套系統把「時間」與「體力」拆解出來販售:付服務費,買的是別人的「執行速率」;選擇自取,則用自身體力與時間置換了溢價。 案例二 Costco 會員制 繳了會員費,再自己開車前往、自己揀貨、自己扛上車。零售業原本該承擔的物流成本,被悄悄轉嫁給消費者,而消費者卻心甘情願,甚至覺得划算。 外送悖論與 Costco 悖論,本質上是同一件事的兩種面貌:系統把效率包裝成自動化的神話,但底層始終靠人力填補設計留下的缺口。 範例 ── 外送服務 系統設計誘因:付費換取「時間壓縮」 人力參與形式:外送員成為即時物流節點 隱含的荒謬感:快速響應成為新階級象徵 範例 ── Costco 系統設計誘因:付費換取「低價與大份量」 人力參與形式:消費者自願成為運輸鏈一環 隱含的荒謬感:自己付錢、自己運貨、自己加油 範例 ── AI 工廠 系統設計誘因:投資換取「智慧與自動化」... » read more

0
Read
steven
Prototype 能動，不代表 Product 能活
Prototype 能動，不代表 Product 能活

軟體工程 AI 協作 SMB 數位轉型 委外 CKO Prototype 能動，不代表 Product 能活 AI 時代的「原型膨脹幻覺」與複雜度治理，一篇給想動手者、也給評估委外者的清醒文 這兩年，很多人第一次有了「原來我也能做軟體」的感覺。 對著大型語言模型（LLM）下幾段精準的指令，網頁登入畫面會自己長出來，資料庫結構會自己建，API 串接、Docker 容器化、前後端框架——AI 助理都能在幾分鐘內幫你完成初稿。這是一個非常真實的突破。過去阻擋許多企業與領域專家的，是程式語言本身的高門檻。而現在，那道牆正在鬆動。 許多原本因為「缺人缺錢缺時間」而永遠啟動不了的專案，終於第一次有了「從 0 到 1」的可能性。這件事，我們是真心欣喜的。 但也因為進入門檻的全面民主化，市場正在出現一種全新的治理盲區——我們在現場看了二十年，必須把實情說清楚。 📌 什麼是「Prototype Inflation（原型膨脹幻覺）」？ 越來越多團隊第一次成功做出了 Demo，看著畫面上會跑會動的介面，就誤以為自己已經完成了產品。網路上充滿「用 AI 10 分鐘做一個 App」的激情短影音，卻極少有人以「在 Production 生產現場活過二十年」的視角，冷靜地指出後面那個會爆炸的修羅場。 Prototype 能動，不代表 Product 能活。 這句話，是這篇文章最想傳遞的一件事。 先說給「想自己動手」的你聽 LLM 是一個真實的能力放大器。如果你在自己的領域有深厚的知識與經驗，你現在確實是最適合動手嘗試的一群人——因為你知道痛點在哪、知道答案對不對、知道什麼才算「真正能解決商業問題」。 但是，軟體工程是非常現實的事情。Demo 階段的美好，和實際營運階段的考驗，是兩個完全不同的世界。當你的系統脫離實驗室、準備承擔商業責任時，真正的複雜度治理挑戰，才正要開始。 如果試了之後發現自己或內部團隊確實不那麼擅長軟體架構與生命週期管理——請點頭承認，這也是非常正常且理性的經營判斷。交給相熟且具備實戰經驗的 IT 專家處理，是最務實的選擇，不是認輸。 ⏳ 時代的隱形風險：限制消失了，系統在理解複雜度前就已長大 在過去，軟體開發緩慢的步調，某種程度上其實是對企業的一種隱形保護。因為開發慢、成本高，團隊在初期就會被迫面對各種預算、人力與技術限制，這反而促使團隊提早去思考模組劃分、運維流程與權限資安。 但 AI 時代打破了這個保護機制。現在最大的風險，不是做不出系統，而是開發速度太快了——快到團隊還來不及建立系統防禦力，就已經利用 AI 把系統盲目堆大了。這種缺乏地基的補丁式系統，一旦進入市場，隨之而來的工程現實一個也逃不掉。... » read more

0
Read
steven
AI 不再是「大雄的安慰機器人」
AI 不再是「大雄的安慰機器人」

AI 不再是「大雄的安慰機器人」 今天是第二場次的中小企業知識系統推進簡報與交流。 這次主要分享近幾個月大型語言模型（LLM）在企業現場的應用演進， 以及「地端 AI + 雲端 AI 協作」逐漸成熟後，中小企業可以真正落地的實作模式。 很多企業主對 AI 的理解仍停留在：寫文案、摘要、做簡報。 但實際上，架構已經開始往「企業雙層思考系統」演進。 地端 AI × 雲端 AI 的分工開始成形 地端 AI 可以處理企業內部的第一層知識與資料： 內網資料整理與索引 私有文件檢索與分析 NAS / ERP / SOP 系統串接 第一線設備與網路資料監控 雲端 AI 則負責更高階的推理與整合： 策略規劃與決策輔助 跨領域資訊整合 高階文件生成與整理 抽象問題建模 兩者結合之後，其實已經形成一種「企業第二思考層」的雛型。 中小企業反而更有機會 有趣的是，這一波 AI 架構轉變，中小企業不一定落後，甚至可能更有優勢。 因為 SMB 的特性是： 決策距離短、現場經驗集中、問題回饋速度快。 真正的瓶頸往往不是資料不足，而是： 如何把「隱性經驗」轉換成「可累積的知識系統」。 AI 的真正角色，不是安慰，而是放大觀察力 AI 很擅長整理與生成內容，但真正的洞見仍然來自第一線的經驗。 企業主與主管往往已經知道：... » read more

0
Read
steven
按下 Enter 的那 1.2 秒，世界裡發生了什麼事？
按下 Enter 的那 1.2 秒，世界裡發生了什麼事？

按下 Enter 的那 1.2 秒， 世界裡發生了什麼事？ 你的腦袋要讀 15 分鐘的東西，AI 為什麼幾秒就懂了 #AI科普  #LLM  #雲端運算  #ChatGPT  #Claude  #地端AI 下午三點，你打開一份 PDF——季報、技術文件、或者一份你根本不想讀的會議紀錄。密密麻麻，滑鼠往下捲了三下才到底。 你嘆了口氣，把整份文字框選，貼進 ChatGPT 或 Claude，打了幾個字：「幫我抓重點。」 然後按下 Enter。 你端起咖啡杯。 還沒喝到嘴邊——答案已經出現在螢幕上了。 「等等……這份文件我自己看，要花至少 15 分鐘。 它怎麼可能幾秒就……讀完了？」 這個問題，值得認真回答。 AI 根本沒有在「閱讀」 在解釋「為什麼這麼快」之前，要先打破一個根本性的錯覺： AI 沒有在讀你的文字。 人類閱讀是線性的。你的眼睛從第一行掃到最後一行，大腦一邊解讀、一邊建立理解，遇到難的段落還要回頭重看。這個過程有前後順序，快不起來。 AI 做的事，完全不同。 它把你貼進去的所有文字，瞬間打散成數萬個數字（每個詞、每個標點都變成一串向量），然後用一種叫做「矩陣運算」的方式，讓所有詞語同時互相對照——哪些詞跟哪些詞有關聯、哪裡是重點、哪裡是細節——一次算完。 一個比喻： 人類閱讀，像是一個人拿著手電筒在黑暗中逐行照。 AI 處理，像是整個房間的燈同時打開——所有角落一眼看清。 1000 行的程式碼，對 AI 而言不是「1000 行要逐行理解」，而是「幾萬個數字，做一次大規模的平行矩陣計算」。 按下 Enter 之後，那 1.2 秒裡發生了什麼 跟著一個請求，從你的鍵盤出發，往下走一遍。... » read more

0
Read
steven
AI 開發體驗像坐雲霄飛車：當法力無邊的不是你，而是雲端 LLM
AI 開發體驗像坐雲霄飛車：當法力無邊的不是你，而是雲端 LLM

AI 開發體驗像坐雲霄飛車：當法力無邊的不是你，而是雲端 LLM 「我是不是突然變強了？」 最近幾週的 AI 開發體驗，真的像在坐雲霄飛車。 之前因為 Cursor 的 free tier 管控非常嚴格，只要短時間內把 tokens 用光，就會進入很長的冷卻期。長到我幾乎已經徹底棄用它，甚至快忘記自己有安裝過這套工具。 剛好這週，平常主要使用的 AI 服務付費額度也用完了。 對於目前已經習慣 AI 協助開發的人來說，這種感覺有點像： 「平常開車都開高速公路，突然被迫回去騎腳踏車。」 於是只好重新打開 Cursor，外加 Antigravity，想說至少多少補一點開發進度。 結果重新使用 Cursor 後，我其實滿驚訝的。 順暢度、理解力、執行成功率，都比我之前印象中的狀態好很多。 甚至已經開始有種： 「這東西現在真的能工作了。」 的感覺。 這其實是一件很危險，也很容易讓人產生錯覺的事情。 因為當 AI 助理開始能穩定完成工作時，人很容易進入一種： 「自己是不是法力無邊了？」 的狀態。 功能一直完成。 Bug 很快被修掉。 開發速度暴增。 原本可能要花兩三天研究的東西，現在幾小時內就能推進。 那種感覺真的很像： 一個人突然變成小型研發團隊。 但後來我慢慢發現。 真正法力無邊的，其實不是你。 而是背後那群正在燃燒 GPU 與資本支出的雲端大型語言模型。 AI 的超能力，其實是用錢燒出來的 很多人第一次大量使用 AI 開發工具時，都會被那種「超能力感」震撼到。... » read more

0
Read
steven
在 AI 會寫程式之前，你需要先會的那件事
在 AI 會寫程式之前，你需要先會的那件事

PCPiLOT 觀點 在 AI 會寫程式之前，你需要先會的那件事 Mr. τ｜風雲網通系統 · 2026 很多人看到 Vibe Coding、AI 協作開發的浪潮，直覺反應是： 「趕快找工程師學 AI 工具，就能跟上了吧？」 這個想法只對了一半。工具是可以學的。但工具放大的，是你原本就有的東西——如果原本就沒有，放大之後只是更快地製造混亂。 我想用自己的經歷說清楚這件事。 三年級的閱讀訓練，是一切的起點 小學三年級，我的樂趣是翻家裡那些數百頁、密密麻麻小字的章回小說。很多內容當時看不懂，但就像現代人追劇一樣，情節緊湊、有延續性，自然捨不得放下。囫圇吞棗、前後對照，久了也就略知其意。 這段經歷練出了兩件事：快速閱讀的速率，以及對長文資訊的耐受度。 這兩件事，在三十年後的 AI 協作開發裡，每天都用得到。 寫作是腦內的文字串流處理 從國小作文比賽，到後來網路時代的討論區、部落格、臉書，持續寫作這件事，本質上是一種持續的腦內訓練：怎麼把模糊的想法整理成可以傳遞的結構、怎麼適當描繪、怎麼來回修改。 這種能力，在與 AI 協作時變成了最關鍵的東西——不是打字速度，而是你能不能把自己的需求說清楚，讓 AI 往正確的方向走。說不清楚的人，AI 給的答案只會讓他更困惑。 這個能力，不是三天學會的。 現場跑出來的軟體品味 長年 FAE / CSO / Technical Support 的經歷，讓我看過太多現場狀況——使用問題、產品瑕疵、老化、人為疏失、原廠設計缺陷……跑多了，對「好產品」的直覺與感應就自然生成。 這種直覺延伸到軟體開發，就是 Vibe Coding 裡很在意的那個東西：軟體品味。它決定你在 AI 生成一段程式碼的時候，能不能感覺到「這裡有問題」——即使你說不出精確的技術原因。 沒有這個，AI 產出的東西你照單全收，遲早出事。 AI 出現之後，這些積累才真正有了出口 說實話，過去我有想法、有實務積累，卻苦於程式掌控與熟練度不足，很多專案構思推遲了十年以上，始終停在空想階段。 直到 2025～2026 年，AI 助理協作開發的現象出現。短短兩個月內，我把數十年累積的閱讀力、組織力與產品直覺一次灌注進去，開發出超過... » read more

0
Read
steven
不能永續經營的模式, 是走不遠的.
不能永續經營的模式, 是走不遠的.

PCPILOT 知識中心 ── 產業觀察 AI 產業的「撥接時代」即將結束？ 從 GitHub Copilot 收緊限制、OpenAI 砍服務，看懂三條路並進的產業重組邏輯 Mr. τ｜風雲網通系統 2026.05.01 產業觀察 ／ AI 商業模式 「不能永續經營的模式，是走不遠的。但產業總是會找到出路的。」這句話，在 2026 年的 AI 服務市場，正在被一件一件的具體事件所驗證。 訊號同時出現，背後只有一個原因 最近幾週，幾個看似各自獨立的動作，在業界接連發生： 🔧 GitHub Copilot：暫停 Pro / Pro+ / Student 新用戶註冊、收緊用量上限、將頂級 Claude Opus 模型從一般 Pro 方案移除。 🎬 OpenAI：收掉 Sora 影片生成服務，反手推出運算成本較低的 Image 生成。 🧪 Anthropic：測試性縮減約 2% Claude Pro 用戶的 Claude Code 使用權益。 ⚡... » read more

0
Read
steven
「NT$100 的 AI 報告，為什麼還是不能用？」
「NT$100 的 AI 報告，為什麼還是不能用？」

AI 很便宜，但「可用的答案」很貴 在高單價產品的世界裡，技術服務從來不是附加價值，而是產品的一部分。所謂「讓客戶賓至如歸」，背後其實是一整套嚴謹的診斷流程：從出貨資訊、現場環境、問題現象，到實驗驗證、跨部門（甚至原廠）協作，最後產出具體可執行的報告。這樣的服務，本質上是一種高成本的知識產出，因此以每小時 NT$2000–2500 收費，是市場可以理解的結構。 然而，生成式 AI 的出現，讓這個結構產生了劇烈變化。 我做過一個實驗：在具備一定背景知識的前提下，透過 AI 助理（例如使用 API 計費模式），可以在極低成本（約 NT$100 以內）下，生成一份結構完整、論述流暢、甚至具有顧問報告質感的採購評估文件。從「表面品質」來看，這幾乎已經達到可交付等級。 但問題在於，這份報告是否「可用」？ 關鍵差異，在於「上下文」。 AI 所生成的內容，缺乏以下幾種關鍵資訊： 因此，AI 所提供的，往往是一種「合理但不可驗證」的建議。它可以幫助思考，但無法直接承擔決策責任。 這個現象，其實與大型語言模型本身的訓練過程高度一致。模型的能力來自於前期大量資料與算力的投入；同樣地，人類專業判斷能力，也來自於長期累積的經驗與案例。沒有這一段「高成本訓練」，就不可能產出具備深度的決策能力。 換句話說，AI 降低的是「表達成本」，但沒有降低「理解成本」。 在這樣的背景下，開源 LLM 的價值開始浮現。現代模型已經具備接近通才型資深人員的知識廣度，可以快速生成不離譜的分析內容。但要讓這些內容真正產生價值，仍然需要兩個關鍵條件： 當這兩者被整合時，AI 才會從「內容生成工具」，轉變為「決策輔助系統」。 而這正是我目前投入的方向：將過去三十年的技術服務經驗，轉化為可被企業內部持續使用與擴展的知識系統，讓 AI 不只是回答問題，而是理解企業本身。 原文來自 臉書討論串, 以上為 AI 助理 (ChatGPT) 改編版本.

0
Read
steven