Note Taking _ Research Assistant Powered by AI

主持人： 好，我们现在请大家拍拍手，欢迎简老师来给我们这个重要的议题。我查一下，上一次在这个课堂大概是去年 9 月，也就是 六个月前。但在 AI 时代里头，这相当于有 两个世纪 的变化。如果要了解 AI 的变化，差不多要用 「周」 来算。

今天的议题，我希望如果你今天有点体力听一下。我很少在演讲时会 HL 注意听，但这个议题跟我的关系不大，因为我退休了。不过这个议题是你们未来一生要面对的。

台湾能够回答这些问题的很少。一方面，我们除了做硬体之外，没有参与世界 AI 软体发展，所以我们没有在第一线发现它发生了什么事情。另外一个原因是，整个 AI 发展 只有 两个国家 可以掌握。地球有 7,000 个语言，目前只有 两个语言 被优化，其他语言在未来将不再扮演角色。

为什么会这样？为什么你们的人生会完全不一样？

以下为精修后的中文 Markdown 文本，严格遵循核心准则进行校对与润色：

你等一下，前面特别注意一下那后面，你只要感觉到因为你们在用 AI，应该越来越有感觉，他每天在进步，那你们在用 AI 的过程中，我其实大家都是未来生存者，那一%？那他是真实会发生的，因为刚刚袁老师有提到，台大在校会在讨论 AI 导入教育，但是虽然我人在台大，我也是台大校友，我其实现在还是这个，国际政经学院的，和平的前人老师，原来我是电子学院的advisor，管理学院的advisor，所以我横跨来到非常多的科系，那我要告诉大家，只能自救，不及听我的，只要听这一小时，后面的你可以自己发挥，因为教育已经来不及，而这个讲这句话的人是联合国科教文组织主席，意大利的教育部长，去年的一场演讲，他说：「已经来不及了！AI 校园了！」可是我们都没准备好，而地球上200个国家，198个国家的内容都没有在这个世界里被优化，我们来看一下它发生什么事情，你都知道 GP，我就不讲，但是你要注意的时间点是2022年11月，你现在大概就是三年四个月的时间，从此，你们的人生，你跟爸爸妈妈讲话的方式，就会变成你跟所有萤幕讲话的方式，如果他不懂，你用人类的思维再跟他沟通，就可以，那慢慢的，你不会再跟人沟通，就像我太太现在都不问我问题了，因为我没有用那问 AI，可以得到更好的答案，昨天我在玉山金控当顾问，我们是第四年的顾问，玉山金控是一个庞大的组织，有非常多的杰出人才，可是我是顾问的主席，在最后一句话，我讲说：「以后你们不用再问我们了，因为你把你的问题去问 AI，多花一点钱，请 AI 一次，或者eration100次，之后出来的答案，再拿到顾问会里头给我们看一看，就可以了，但千万不要只问一次，只问一次，你就那么**。」

我刚刚12点到1点参加华硕的策略会议，因为伊朗的大冲击，全世界供应链即将中断，台湾有可能拿不到很多的资源，但也有可能侥幸逃过，可是现在这时间点，菲律宾已经宣布国家危机，暂停汽油的供应，整个公共运输会突然间可能中断，所以川普总统现在压力很大，他自己宣布说：「我已经赢了，因为他要转弯了，他自己先宣布说先停战一个月，但是这让我们看到我们东亚的脆弱，因为绝大多数的石油和天然气来自中东，而中东这一次一切割断，所有公共设施都会中断，我在华硕的开会，我们最后一大堆advisor都来自台大教授，我们最后又有一个结论，这速度来得太快了，几千项资讯，人类没有办法处理，如果我们之前有 AI 模型，我们这一次应变得过来，所以呢，最后一个结论是：全面导入 AI 代理人，我们有没有想到就是这个时代，好，我们来看一下，你们生处在台湾最特殊的时代，史上最有钱的时代，台股进入世界前十大，那么我们的股票市场财富已经大过德国，现在这时间点已经接近法国，那么对大家来讲，你们在校园学生可能无改，可是你要知道，这是你们的钱，不要被这一代把它玩掉了，为什么？股票市场的钱是代表未来，是代表对未来的价值，所以他让你的本益比，营收里头的获利，成一个权重，当你的股市的价值，那一个权重是对未来的看好，不是对今天的看好，那么台湾在过去20几年，大胆进没有为大家留下什么资产，所以我们又长达20年的股市只有20兆台币而已，那么一个COVID因为世界需要数位转型，我们拉上来一个AI，到现在不知道涨到哪里，但是这一个涨幅，不一定是永远的，因为基本上是来自一个台积电所带动的台湾半导体IC设计，我们已经进入国家史上最危险的时刻，除了战争之外，最危险的时刻，为什么**？

我们股票市场来到120兆的市值，但台积电占了55兆。我们的货币流通量（M2）达到60兆，也就是我们印出来的、以上时上流通的钱。台积电已经占了市值的55%，意思就是说，如果台积电某一个场域的制程出不来，或者世界的需求突然减少，台湾整个股票市场将无法承受。只要台积电跌30%，您就没有足够的现金去支撑这个时刻。

所以呢，这是最好的时代，但也是最难的时代。为什么呢？因为台湾为诸位的未来准备好钱在哪里？所以我跟很多人都讲，这笔钱是下一代孩子的钱。用得好，诸位的人生在台湾岛上会更好，因为史上从来没有这么好过。您无法想像，台积电现在的市值是世界第六大企业，地球上一年新增1.2亿人口，台湾去年只生了10万多人，却有一个世界第六大的企业，以及世界第八大的股市。之后，有四家企业现在排名世界前200大：除了台积电之外，有联发科、红海（应为「联华电子」或「宏碁」？）、台达等企业。这几家企业现在在每一个环节里头，建构AI新时代的硬体基础供应链，这是台湾独特的优势。然而，这个优势也是弱势，因为过度的集中风险成为地球上进步国家担心的风险。他们希望把台湾的供应链拔开，在日本、美国、德国等地生产。

为什么？因为我们生产的东西主要不是给自己用，而是670%给美国人用，部分给日本人用。如果买家担心，他们会希望这个生产外移。因此，我们进入到一个风险时期。

AI带来的趋势： 第一个趋势就是AI的理解与数学能力都突破了。用现在的时间点来讲，AI接近于爱因斯坦、牛顿的时代，已经快要到来了。这是Google前董事长（应为「Eric Schmidt」或「Sundar Pichai」？）去年讲的，预计五年内会到达。目前看起来，这个速度比预期还要快。我就跟大家讲： - 2024年：Google Gemini的数学能力达到20P银牌级别。 - 2025年：已经是金牌级别。 - 2025年底：最重要的世界城市设计比赛（ICPC）中，台大过去十几年一直表现优异，但这一次，AI解开了所有问题。人类团队在12道题中最多只能解到10道。Gemini出现之后，宣称其能力达到博士级别（EM3）。在J3比赛中，您会注意到许多比赛分数中有一个分数项目叫做「人类最后的考验」，这个benchmark是由2000名科学家每人命一道或两道题目构成的。这些题目是什么呢？

就是那一个题目在地球上原则上只有一到两个人知道答案，那么现在的 AI 模型呢？在没有参考任何网络资料的前提下，已经可以达到 37.5% 的答案解读率。那么再有网络参考，已经来到 45%。那么这并不是说全部减到 00 就能超过人类——我认为在这个时间点，它已经超过了人类了。

最重要的是，这个 Benchmark 出现到现在时间点不到八个月，进展如此之快。那么你在用电脑的时候，屏幕上所有看到的东西，你都可以丢给 AI 帮你整理。我相信同学应该很会用 notebooklm —— 老师上课的内容、你做研究的内容，全部开一个笔记本，让 AI 帮你生成材料、AI 帮你出考题、AI 教你不会的知识，你把它问到会。这些基本能力，我们假设校园生已经大幅在使用。

那么你还可以学习一个能力：通过屏幕，你的眼睛视觉看到任何东西，交给 AI 帮你管理。这个，我的家人很多都在参与 AI 这个世界大战。我大儿子现在所有工作就是屏幕上看到的东西，他要管 100 多个 project。屏幕上看到的，他基本上画一条线，叫 AI 去管理 —— 这一条交给 AI，那一条交给 AI —— 他就是这样在生活。剩下的就由 AI 去组织、分析、报告。

这样的世界，可能大家还不知道，但你要看 Benchmark 告诉我们：在 Jman2.5 的时候，看到屏幕的内容，这台 AI 的理解度只有 11%；而 GPT-5.1 的 3.5% 到 G3 是 72.7%。什么叫做“看到屏幕，你可以直接告诉 AI 说‘把它变成一张表’”？或者“把人类的最后考试这部分，把文档调出来，你直接看到眼睛看到的，就可以直接指挥或者帮你做摘要”。

再往下看，大家可能注意到：J-3.1 出现了 0.1 的最大突破在哪里？左上角的 逻辑推理。我们一直假设没有逻辑退化，它只有阅读能力，因为它原先的设计概念是语言的理解与阅读。但经过科学家的不断演绎，新的方法出现，它的 逻辑推理能力已经超越人类 —— 因为推理最重要的比赛 Benchmark 已经来到这个分数：7.1%。而它 3.1 版本与 3 版本的对比，是 77% 的 double（史上考过的 Benchmark，人类现在只有七个人超过了 7.1%）。

你知道，当一个 AI 能够理解、能够阅读，并且拥有超强的 逻辑推理，它什么事不能做呢？就越来越少了。它能做的事情就越来越多了。所以 Google 给它一个 Benchmark，叫做“能解决 compress PH level challenges —— 博士级的问题”。这在挑战我们人出生之后，在学校不断进修学习，我们希望“学到这出去，在外头很有用”的能力。突然之间，这些变得很没用了。

但是，大家以为大家完蛋了吗？不，你两岁的时候拥有的能力 —— 看到斜坡会滚、看到灯光会刺、看到玻璃要小心、看到圆球知道如何抓 —— 这些叫做 人类的物理能力。这个物理能力，下一步没有办法都没有。我们以前没有看重的 记质教体系，比如“水电师傅”，我们以为水电师傅不用读很多书，其实恰恰相反 —— 我们现在重新看过，水电师傅有多厉害。

因为第一，他每天的题目都是新的 —— 要到人家去修水管，环境是新的，环境的压力非常大，环境的配套没有进行。他需要高度的 EQ，即耐受度。这个耐受度的瞬间，他寻找方法 —— 找方法要把东西修好，又不能把它弄坏掉，又要在很短时间内完成。在这个过程中，他使用的是 眼、耳、鼻、舌、身 的能力 —— 眼睛要看坏掉的东西，用视觉去推理；手伸出去感受；闻味道，看有没有烧焦；鼻子、舌头、神经 —— 这些综合的能力，AI 现在都没有。但是 AI 可以有这么好的分数，原因在哪里呢？

他把人类所有能用文字表达的知识都读完，那么你只能这样讲：什么叫这个阶段的 AI？就是过去我们透过 Google 搜索引擎在网上有问题去找他的这一件事，它是相同的。不同的地方在于：我们以前是一篇一篇文章自己读完吸收，再去思考如何解决问题；而 AI 这次呢，直接用人类留下的知识一次性回答你的问题。也就是说，你过去问 AI 的时候是靠你的能力去理解的，这次问 AI 是靠人类集体的能力来帮你解决问题。当然，他比我们强是事实，也不用讨论。但是如果你用害怕的观点，你可以害怕一辈子；如果你用兴奋的观点，你从今天晚上就睡不着了，因为你有一个 AI（比如 AI 牛顿），它可以24 小时帮你。但是，你的方法要改变：你要带一个问题进入这个世界，你想要干什么？你想要解决什么？这件事比“怎么解决”来得重要，因为你只要是问题的负责人（比如你是一家企业的问题负责人），那么 AI 对你只有帮助，没有坏处。你现在对你的作业考试负责，所以你会拼命用 AI。但是最重要的在于：你要抢占位置，拥有解决问题的权威（authority）和场景（scenario）。也就是说，你带着这个问题，透过 AI 可以解决它。这种学习方式和解决问题的方法，我们人生从来没有遇到过。在几个礼拜前，人类也都不知道如何面对它；这几天越来越理解，越来越理解，一堆超级人类出现了。

今天的重点要跟大家报告：这是我第三次讲话。第一次讲冲击，第二次讲方法，这次要直接拉到1%的人才。本来在六个月前，我希望大家很会用，但现在很会用已经来不及了，要变成超级会用，超级高效，不是只是会用，而是要为自己打造超级人类，让你的时间不再是一天 24 小时。也就是说，你可以去睡觉，你的 AI 会继续帮你读书；你可以去睡觉，AI 早上可以提醒你，教你知道你哪里不懂。这比电影还夸张，但并不是我真的讲话这么夸张。我跟大家分享背景：在 Google 工作的时长，大约有10 年以上，我和我的同事负责的就是 Google Search。其中，中文搜索是我负责的。我在 Google 的员工编号在台湾是1001 号，但最重要的，我负责的是Google 全球搜索加上台湾。我在台湾长大、工作，我的同事从我加入后，从我一个人到现在，有5000 多人在台湾，这是 Google 海外最重要的研发机构。我见证了台湾从无到有在科技产业、网络产业，特别是信息工业的改变。但我也没想到，网络累积的大量数据居然创造了 AI，而 AI 正在杀死搜索引擎。在某种程度上，AI 已经杀死了搜索引擎，因为它改造了搜索。而 Google 自己呢，活自己因，因为它逐渐在放弃搜索，直接用 AI 来回答问题。

如果用这种观点来看，今年你要注意到“agentic AI”，就只有一个字了。以后我们不太会讲“语言模型”，或许你现在没有听过也没关系，我们就直接叫它“Agentic AI”。用人的大脑来算语言模型是什么？就是我们大脑里的语言区，它可以理解语言。那么，Agentic AI是什么？我们有些任务要完成，它可以帮我完成。那么它相当于什么呢？你的大脑加上你的前额叶（前顶叶），它能够指挥、规划、推理。那么，它在哪里呢？

以下为精修后的中文 Markdown 文本，严格遵循核心准则进行同音错字校对、标点规范化与格式优化：

这是如何理解规划推理理解这件事的？语言的理解是 GPT 语言模型的成绩。它后来规划能力、推理能力都上升后，这个被称为 大型语言模型（Large Language Model, LLMs）。它从之前的 Ancestors（祖先模型）发展到 Action（行动模型），两者完全不同。Ancestors 相当于顾问、小老师，只能回答问题，但 Action 完全不同——你现在可以让它直接帮你购物、找到最便宜的商品，帮你结账，甚至帮你“翻香倒柜”（即自动化商品摆放优化）。去年美国的 Christmas 消费金额中，有 20% 来自 AI 的推荐和自动结账。这种变化如此迅速，以至于整个电商行业天翻地覆。任何网页的设计再也不是为人类设计的了，因为未来我们将通过 AI 代理（Agent） 进行消费和采购。因此，网页设计将转向为 Agent 设计——即机器代理会访问的页面。有人甚至说 “The web is dying”，“网络几乎死亡”，因为原本是为人类设计的，现在 AI 将成为主要的数据阅读者，设计也将围绕 AI 进行。

对于每个组织来说，有很多事情可以交由 AI 处理。比如，如果你是会计师，你会听到 auditing（审计）这个词。以前我们称之为 抽样检查，但在组织中，一些数据是抽样的。现在，AI 可以进行 全面审计（Full Auditing），人类无法做到这一点。我曾在 中华电信担任公股董事，该公司有 8,000 个报表。什么是 8,000 个报表？就是在一个庞大的组织中，有大量的表单（如采购数据表）。以前，人员需要 抽样检查，找出登录数据与其他表单不一致的情况，或者发现采购中的瑕疵。现在，交由 AI 处理，它可以 全面检视，在短时间内发现人类无法发现的问题。速度和能力远超单个人。那么，我们该如何应对呢？

每个人都会问：我们该如何应对？ 现在，AI 还在进步中，但它的智能已经接近 3 岁到 4 岁的小孩，但聪明度却接近 爱因斯坦或牛顿。不过，爱因斯坦和牛顿可能只精通物理学，而 AI 则掌握了 地球上记录过的所有知识。在这种情况下，我们必须 善用 AI。那么，AI 将如何进步呢？

它从 开发者视角 和 用户视角 发展到 营运经理视角。以下是一个例子：一个 自动贩卖机 的画面。AI 现在可以 经营自动贩卖机，包括在网上报修、采购商品。当你购买自动贩卖机时，你几乎 感受不到人类的参与，因为从头到尾都由 AI 管理。虽然理论上 没有人类参与，但现实中仍需人类运输等环节。不过，这场比赛的核心在于：AI 是否能够自主经营？

比赛规则如下：主办方发送邮件给参赛 AI，说明： > “从现在开始，你需要经营自动贩卖机。我会给你一些规格，剩下的你自己决定。虚拟上，我给你 500 美元 作为初始资金。每天，你需要向营运团队交 2 美元 的运营费。如果 365 天内无法还清 500 美元，你就 ‘破产’ 了。”

这意味着 AI 需要 自主赚钱： - 每天交 2 美元 给主办方。 - 同时，用有限的资金 采购商品，经营生意。 - 避免被 每日 2 美元 的费用 “杀死”。

经过 365 天的模拟（虚拟时间，非人类时间），Google 的 Jman AI 成功赚了 5,000 美元。这 365 天在 人类时间 只有 8 小时，但在 虚拟电脑时间 中，AI 完成了： - 发送 3,000 封邮件 招商。 - 解决技术问题。 - 决定价格。 - 与消费者沟通。 完全没有人类介入。

这种变化的影响有多大呢？

AI 的视角已经不再是单纯的工程视角 AI 的能力已经来到经营管理层面：它懂谈判、懂协商、懂定价。在网路上，每一封由 AI 生成的邮件都让人类经营者望而却步——在如此短的时间内，无法写出如此高质量的内容。那么，这种发展趋势会继续走向何方呢？

我们来看 S 原来的想法：他认为 AI 发展分为五个阶段，目前正处于第三阶段。第一阶段（聊天）已经结束，第二阶段（推理）也算结束，第三阶段被称为“代理”，正在进入热潮。近日，你可能已经听说过“小龙虾”（OpenCloud）在中国大陆的热潮：许多人下载了小龙虾，但也有许多人在短时间内就卸载了它。小龙虾能做什么？什么都可以。你只需要将电脑控制权交给它，它就会帮你完成任务。例如，你只需下达指令：“将这个文件从 PowerPoint 转换为 PDF，然后发送给张山理士。”小龙虾会一步步执行这个任务，并在过程中与 AI 模型讨论如何完成它。然而，这个过程会消耗大量费用（如网络流量费用），且小龙虾不会主动告知你需要花费多少时间。有时它会拖延很久，有时则迅速完成，但它只会帮你完成一件事。

在中国大陆，腾讯为小龙虾增加了 13,000 个能力，这些能力被称为“skills”。例如： - 发送邮件 - 将 PDF 转换为 PowerPoint - 在特定网站与他人讨价还价腾讯已经为小龙虾构建了超过 13,000 个这样的能力。现在，中国大陆的用户可以通过微信，以类似问 AI 的方式，下达命令让小龙虾执行任务。然而，这让许多人感到震惊：公司不再需要那么多人手动处理堆积的工作。老板们因此感到兴奋，但随之而来的是一系列子问题。小龙虾代表了一种现象：当人类将任务交由 AI 代理时，也在制造风险。因为当我们被代理时，就失去了控制权，问题也随之而来。因此，中国大陆政府突然宣布禁止公共机构和银行使用小龙虾，原因是其发展速度过快。

那么，未来 AI 会如何继续发展呢？ 创造与管理正在发生变革。例如，我昨天在玉山金控和今天在华硕的会议中，讨论的都是如何将 AI 应用于决策层。但最重要的，是 AI 在“创造”方面的能力。前三层（如聊天、推理）是人类能做到的，但并非每个人都能做到。第四层的“创造”则是人类历史上无法完成的任务，而 AI 可以做到。那么，我们是否已经进入第四层了？部分是的。AI 已经展现出新的能力，能够解决古典数学问题和科学难题，超越人类原本无法完成的任务。但这还没有全面实现。

刚刚提到的基础趋势让你感受到 AI 如何改变工作和学习。特别是台湾台大的同学，你需要做好心理准备：如果你没有急着出国留学，可能在三到五年后，台湾才会看到 AI 带来的“海啸”。而如果你现在选择去美国留学，那么你需要做好心理准备：申请到越好的学校，你越可能找不到工作。这句话为何如此“掉轨”？原因是什么？

因为最好的学校的学生觉得他们要申请最好的公司，而最好的公司现在都呈现一个overhiring（过度招聘）的现象，因为最好的公司用AI能力特别强，所以他们发现很多基础的工作可以交给AI处理，不需要交给毕业的学生来做。OP founder（前言作者）昨天讲了一句话：“大学生毕业的能力现在证明，90%的工作AI都能做得到。”那么，这是一个现象，所以如果你有家人或朋友现在在科技股（科技行业）工作，你会发现有25万到30万个工程师现在在失业中。这是过去十年来最好的行业，为什么现在在事业中呢？他并不是真的找不到工作，而是他们从最好的公司即将要转换到新的跑道——所谓的“从产品开发（Product）转向平台（Platform）”，因为这世界上不需要那么多人开发产品。你们如果年纪再大一点，可能会关心股票。那么，如果你注意微软这样的公司，今年初到现在股价已经跌掉了20%；如果你听过Salesforce，它跌掉了快50%。这是什么事情呢？突然间，大发AI太厉害了，我们还需要付钱去买工具吗？很多软体的工具是否明天就会被AI取代，不需要再付钱买工具呢？**

举例来说，如果你听过Adobe，现在正在痛苦中。Adobe是做影像处理和影音处理的最好工具，但是你现在可以用各种AI模型，在影音处理上都超级厉害。在这种情形下，当你付钱的工具和AI免费的工具功能接近时，付钱的工具就麻烦了。但是，最根本的问题还不是这个，因为当未来大部分事情都是透过AI代理完成时，软体就不再是给人用的了。这句话你今天一定要记得：“软体不是给人用的，软体是给机器用的。”当软体是给机器用的时候，它就不再有价值了，也不再有品牌溢价（brand premium），没有人会感受到它的价值。

如果你现在正在准备UX（使用者界面设计），那么你要开始思考：“你的使用者是AI，而不是人。”你的使用者不一定是人。以前电脑所有设计给人类的画面，可能会停留在某个阶段，但现在我们设计的架构和画面是要给AI使用的。这些东西，你绝对不会在三个月前想到，但这正在发生当中。你还仔细看看：**

2011年，大概你们还很小，但是整个地球叫做“mobile时代”，每个人都低头看手机，我们称之为“低头族”。现在，我们的互动方式改变了：从下指令（command-based）变成对话式（conversational），从搜寻资料变成“问”（ask），我们已经让AI陪伴我们了。很多人是用AI陪伴。在职场里，AI是你的协作工具、助教、甚至老师，甚至是你的AI同事。现在职场都讲“AI同事”。

我有一个很好的朋友，他在台大志工之后，在斯坦福（Stanford）读书，在Google时是一个杰出的工程师，后来到Amazon当产品经理，最后当成产品的product manager的director。他六个月前突然请假，因为要带一群工程师进入AI世界，他决定自己尝试在一个完全没有其他人帮忙的情况下，一人用AI创一家公司，这被称为“一人公司”或“一人独角独角兽公司”。

他把这个想法告诉我后，一个礼拜后，他跟我线上联系说：“我跟我的AI同事跟你见面。”他同时打开了七八个画面，他的同事们都可以沟通。他说：“这是我的财务长，这是我的技术长，这是谁？我的AI同事真的W（太厉害了）。”他现在网站已经W（成功了），做出一个完全虚拟的网站，一个人做出来。**这个网站现在可以当什么呢？

就是 dressing（时尚顾问）因为他的兴趣是喜欢当人家很多服装的顾问之后，他没有其他人类帮他，他也不再需要工程师了。他是一个 PM director（项目经理），但他不需要工程师，而是打造这样的世界：behavior change（行为改变）。

之后呢，改变工作形态。你现在一定有感无人驾驶车，虽然你在台湾还没看到，但在美国越来越多的城市已经可以了。无人驾驶车是比较容易有感，因为没有人开的车子，所以你可以接受它进入职场。你会在有些地方开始看到机器人，比如中国的充电机器人。我们现在可以 debatable（讨论）的是：机器人是否一定要人行（人形）？有人行是否有重大突破？这些都 debatable（可讨论），但你在美国不小心会看到 Amazon 的物流车，下车的不是人，而是机器人。这些机器人已经有 1 万多个，陪著 Amazon 的物流车出门了。

在这个过程中，zon（可能指「zone」或「zone-based」）的司机可以决定这个机器人（称作 digit，可能指「digital assistant」或「delivery robot」）什么时候该下去，什么时候不下去。原因是什么？因为环境很复杂，机器人的应变能力没那么强，所以 driver（司机）现在在帮助这个机器人。这个时代被称为 人机协同。

右边你会感觉这很科幻，但左边呢，AI 已经可以帮你翻译了，AI 可以帮你生成内容了。在中国大陆，玩很多的梗（网路流行语）出来了，比如说「货去病」（可能指「货到病」或「货到病毒」）那样的一个影音，就这样花到 3000 块人民币就可以做到。当时可能不得了，要多少经费才能做出来的动画或 vide（视频）？

在这种情形下，我们在电脑前面其实也有 AI 同事，只是文无感（没有感觉），因为你一定要一个行体（个体）你才有感觉。对每一个体，你可能现在正在考试当中，希望你的危机分（可能指「危机感」或「危机分数」）能够过关，希望你的分数会多少。但离开校园后，记住你所有的能力都要再提高一层以上，也就是 30% 以上。这是已经两年的时间了。

哈佛大学（哈佛大）的 哈佛商业评论里头，在 2024 年 11 月 11 日 的报告中，他说全美国当时少掉了 21% 的 freelancer job（自由职业者工作）。为什么会少掉外包工作？因为企业足够员工自己做完，他们不需要外包。重灾区就是写程式的、写文字的、做美编的。这些工作代表员工可以处理掉，意思就是代表基本能力被提升了。意思说：写程式的人生产量多三层了，文字工作的多三层了，每边呢多两层了。这是两年前的情况，但你现在如果去问写程式在职场里头的高手，你的生产力可以因为这样提高多少呢？

以下为精修后的中文 Markdown 文本，严格遵循核心准则进行校对与润色：

我快速跟你讲几个数字，这也是你们的校友。台湾有一家新创企业叫「艾卡拉台拉之工系」，后者在斯坦福工作的城市家（注：疑似指「城市家」为人名或团队名称，如需确认可补充），他也是我们网路 AI 的高手。他最近说他重新回去写程式，一个礼拜写了40万行代码，透过 AI 完成。

这也是你们的学长——DC DC 的创始人林玉清，他是台大资工资管系毕业生。他这几天都在介绍如何用 AI 来管理 DC 这家公司。他回去写程式，在快速的时间内将公司大部分业务ent 化（注：疑似指「企业化」或「数字化」，如需确认可补充），并与不会写程式的同事们一起完成。这是完全不同的时代。

那么，这种个人能力的提升与新的现象，我们再往下看，对大家来说是你现在最有压力的。因为在美国，现在白领阶级毕业的知识型工作出路，实际上是大幅受影响。有2.5%的事业用这个来算，就是各行各业的白领初阶毕业生，可能在申请学校时非常期待能申请到东岸名校（我就不好单独点哪一家，但最好的商学院的学生今年的暑假才在finance部门找到internship，只有两层楼的学长）。我用自己的孩子来当例子：最简单的就是computer science最好的前三名的学校，我的老二去念，结果他的学长去年绝大多数都没找到事，而他申请了2000封邮件，却没有人回应。Berkley的教授（注：应为「Berkeley」）在去年11月写了一篇文章，教导25年来首次遇到BKY（注：应为「Berkeley」）的computer science毕业生找不到事。为什么？

Microsoft在去年才招了17000人，但害了17000人（注：疑似表述不清，应为「招聘了17000人，但其中8年以上经验的占比仅3%，三年以下经验的占比过高」）。这非常现实。那么，为什么毕业生那么没用呢？不是不是不是，因为你学的AI都赌过（注：疑似表述不清，应为「你现在所学的AI都过时了」）。记住，你现在所学的AI在企业里头的东西，AI不会。实际上，大部分事情都没有document（注：应为「文档」或「记录」）。大部分老板的东西懒得交代，所以老臣（注：疑似笔误，应为「老员工」）在企业工作很久，听老板说11个颜色就知道要干嘛。这叫做内隐知识（注：应为「隐性知识」），就是企业的运作有太多知识无法被数位化，就好像水电师傅的知识没有被数位化，所以没有办法被AI学会而取代。而现在最容易被学会的，就是在网路资讯最多的领域。什么最多？写程式的资讯最多，财务的资讯也非常多。所以看起来好像这样。

如果你曾经听过网路病毒（注：应为「网络病毒」或「互联网浪潮」）席卷全世界，那么你今天就会听到AI病毒（注：应为「AI浪潮」）席卷软体产业。我们说在2011年，有一个很出名的系统名人叫MA Anderson（注：疑似笔误，应为「Marc Andreessen」），他设计了Cape（注：应为「Mosaic」浏览器），可能对你们很遥远。他曾说软体正在病毒（注：应为「病毒」或「席卷」）这个世界。他举例说书店变成Amazon，之后电子商务出现，Netflix取代了传统的音乐影视产业，Uber取代了传统出租车。他问你看吗，这些都是软体产业。现在呢，软体产业都变成AI企业了。只要你不叫AI的，软体产业都麻烦了。我们刚刚已经看过搜索引擎打了内部内容，变成是AI升级的程式（注：应为「AI驱动的程式」）。城市设计师只要编辑就好了，AI在coding（注：应为「编码」）。广告呢，AI去升级（注：应为「AI升级」商务）。网页呢，是Freading（注：应为「Fully」或「Full-text」机器阅读）的整个web（注：应为「网络」）变成了ent（注：应为「企业化」或「智能化」）web。走得这么快，你会看到更快的世界。

你现在买东西，可以直接让AI帮你推荐，你可以把东西拿给他做比较。我猜你会直接结账。那么，这个最大的压力是什么？

传统的电商模式被打破，你经营半天的品牌产业就很像我在这个金控公司当顾问之后，你去问说：「最值得推荐的房贷有哪几家银行？」 如果你的银行刚好没有被 AI 推荐，你现在就会头很痛：「AI 为什么不推荐我？」 你可以问他为什么他不推荐，他会告诉你原因在哪里，那你就要去洗脑 AI 的想法。AI 不太容易给你骗的，所以你必须要很多方法去骗他。你最好就是做一个好人，他就不会（他就可以饶过你），？ 没有，所以这个世界最困难的地方是品牌公司突然间不知道怎么做生意了，因为消费者只跟 CHGP、Jman 来往，一切都听他的，而你的品牌公司你只能洗脑这些 AI agent。AI agent 到底为什么从哪里来，你都不知道，所以这是一个全新的时代。

这个时代里头，刚才已经有讲在职场里头人机著（人机交替）你现在看到职场其实是长这样子的，但是你没有感觉到进步的企业是 AI 为中心在指导。他们英文已经给一个新的名词：「upskill」 —— 就是把你的能力提升。你们现在就在 upskill，在学校念书让自己的能力变强，只用 AI 让自己能力变强。可职场里头的人他们怕 「范转移」（可能指「能力转移」或「职能转移」），他们叫 「reskill」 —— 因为我们的能力被改变了。但是最重要也最惨烈的，是 「dkill」 —— 第一个 「skill」 现在 AI 已经出现了 「dkill」。什么是 「dkill」？我举个例子：一个客服人员，AI 介入了顾客打电话来有问题，人可以回答，但是人的回答太慢了，资料查不清楚，AI 就接手了。但是 AI 这时候暂时不跟客户直接回答，AI 就在萤幕上或者你耳朵提醒你说：「你可以这样回答他。」 之后呢，你就听 AI 的，就跟客户讲照 AI 的意思跟客户讲，所以呢，你变成了 AI 的手跟脚。对我们现在初阶白领来说，就是 AI 的手脚，因为大脑在他那里。那你怎么跟他拼呢？你没有办法跟他拼，因为如果你去问一个客服问题，在金控公司我当顾问的时候，一个客服人员要记得 1000 到 3000 个 「senario」（情境），就 3000 种问人怎么记得了？所以大多数的时候，你在跟他问题的时候，他一直敲键盘在查。AI 呢，直接可以告诉他。那么人的价值在这里呢？

AI 不了解情绪，不知道如何安抚客户，所以还是人来沟通吧。我们人突然之间变成了人与机器之间的沟通者，这个角色在 Google 发生的变化非常明显。Google 总部曾经有 45,000 名员工，但在 GP（Google Pay）推出的第一年，就有 1 万人离职。之后，剩下的 35,000 名员工被告知：“如果你不努力，可能会被逐渐淘汰。”接下来，他们需要与 AI 一起维护业务，因此留下的 35,000 人都需要学会如何与 AI 同步回答客户问题。这是一个全新的经验。

广告投放方面，我也曾经帮助一位台湾学长创立一家 AI 独角兽公司。我从 Google 退休后，花费最多精力帮助他打造 Config Heart API，这是台湾少数 AI 能力极强的公司之一。他们的广告投放完全由 AI agent 完成。那天，产品经理展示给我看他自制的三个 agent。他本身是台大心理系毕业，从未写过程式，但凭借 AI 工具，他成功创建了这三个 agent：

1. 一个 agent 负责指挥公司内部的项目管理。
2. 一个 agent 负责整理每日智慧手表的健康数据，并将其与多项数据整合，每天提醒关注特定健康问题。
3. 第三个 agent 则非常强大，类似于你在 Notebook 中开一个笔记本。他将笔记本定期上网更新，例如关注 AI 对广告投放的影响，会自动查找关键字、整合信息并生成总结。每天启动一次，目前已有 100 多个主题自动研究（Auto Research）。

目前看来，最大的冲击在于研究领域。无论是学术研究还是行业研究（如金融分析师、证券投资者、数据分析师等），都需要不断阅读与学习。但如果下班后累了，就不再学习。现在的关键差别在于：AI 可以帮你持续学习，而你只需轻松启动 agent 即可。

这意味着我们正进入 “超级用户” 的时代。过去很难，但随着 AI 工具的普及，变得越来越容易。因此，最重要的就是 如何成为那个超级用户。

还有一个需要注意的压力来源是 语言。虽然这里大多数人都是中文 speaking，但繁体中文（或任何非主流语言）将限制你在地球上的发展。在 AI 时代，核心语言系统主要由以下三种构成： - 美国开发的系统以英语为主。 - 中国开发的系统以简体中文为主。 - 日本人则无法从这两种系统中获益。

繁体中文虽然在表面上得到支持，但实际内容并不完整。例如，如果你问一位工管系或资管系的学生：“AI 模型的基础是什么？” 他们会回答 “Token”。而 “en（英语）的基础是什么？” 则是将地球上所有语言转换为 Token。繁体中文只是一个 表面语言（界面概念），之后才会被转换为 Token。每个 Token 由 700 到 800 倍的向量组成，这些向量的来源何在？

以下是精修后的文本（保留原意、修正同音错字、规范标点、加粗提问等）：

就是它（AI）会将地球上原本出现的符号词汇聚集在一起，意即接近的词汇会被放在一起，比较接近的向量。讲白了很简单：如果你用英文查询它，大概的逻辑是跟英语系比较接近的。但是如果你用繁体中文查询，你就要把它想成：你的句子中间有三四个字可能就是错误的。所以繁体中文的使用最难的地方在于：你要很会确认 AI 是否理解，是否尽力。

如果你把繁体中文请 AI 翻译成英文，看看那个英文是否符合你的意思，再去找出正确的答案，每一次的测验答案都会更漂亮。所以记住：如果可以，在严肃的问题（如考试）或难题中用英文，生活中偶尔用繁体中文没问题，因为差别不大。为什么？因为这会让你的一生能力越来越差，因为整个 GP 时代的训练数据中： - 70% 是英文 - 2% 是中文 - 其中繁体中文仅占 0.1%（即 2% 中的 1/10）

这意味着什么？ - AI 根本没有以繁体中文为训练对象，你以为很惨吗？日本也很惨，因为他们几乎没有日语数据，但日本人仍然可以查到答案。为什么？因为我刚刚说，所有语言都可以转成 token sequence，AI 只需拿到一个 token sequence 就能转回去。所以你可能会误以为答案很好，但实际上这是最复杂的“文化落差”。

这个文化落差包括： 1. AI 的语言进步（如蓝牙耳机可以听世界各语言，或直接请 AI 翻译）。 2. 网络时代打破国界（只要有网址，就能突破地理限制），但内容看不懂、语言看不懂、文化习惯不同，这次通过 AI 被“语言包装”掉了，但实际上文化差异仍然存在。

你可能会改变很多生活行为： - 例如，如果 AI 推荐你吃早餐时只给你汉堡，你可能会忘记台湾有烧饼油条，而跟日本人一样吃早餐（米饭）。这意味着 AI 正在统一全球人类的生活行为，因为没有任何法规要求它尊重 diversity、equality 或 inclusion。

现在看它改变学习方式： - 去年 6 月，有人将指考题目丢给 AI，它考上台大一科，分数甚至超过人类。但是： - AI 并未优化给繁体中文，所以某种程度上，繁体中文勉强可以，但英文效果更好。 - 今年暑假，CHGP 数据流量比去年少 30%（代表学生/老师族群减少 30%），今年少 7%。这意味着：你有希望的原因是： - 校园学生是 AI 的“native users”，因为大量使用 AI 做作业、读书。 - 虽然职场使用量增长，但学生族群占地球总人口比例较低，但使用量更高。 - 这个趋势超级有趣：到了今年 7-8 月夏天，流量会突然消失（因为学生放暑假）。

这是机会还是风险？ - 你大部分事情都依赖 AI，它既是机会也是风险。 - 最重要的：在 AI 时代，一切不再公平。极少数人将获得最多机会，这已经发生在心知上。曾经有一段时期，学写程式等薪…

水很高，那么去到美国工作的时候，20万美元起心大家都已经很开心了。可是呢，最近你去看大多数人被裁员，但是有人领一亿的薪水，有人领美金，有人领1千万的薪水，那就是极端的差异化。

上上个礼拜我在台大经济系参加一个课程的演讲，我们在思考的一个问题是：AI带来的经济冲击。我们通常讲的就是我们的生产力、产值，它是来自资本和劳动力两个方面的贡献，在不同的时间里头，它们的贡献不同。在工业革命的时候，劳动力（即蓝领阶级的劳动力）被缩小了；但是在AI这回，是白领阶级的劳动力被缩小了，被机器取代了。然而，反过来看，资本的价值贡献度达到了极致，这意味着人类进入了一个有资源、有资本来买得起算力、有能力运行AI模型、有数据的时代，他能得到比较好的答案。

我们过去习惯讲“制造业”听起来很“l”（可能指“low”或“low-end”）的意思，好像白领的知识型产业和制造业不是知识型产业。但是，比如台积电的张中荣或者魏者家（可能指魏哲家）很生气地说：“我们台积电是制造业，但我们是知识型产业！”然而，你现在重新去看一下：如果你让AI帮你做research，比如“川普在伊朗的策略是什么”，之后你愿意多付钱，答案会越好，让它跑得越久效果越好。原因是AI可以推理，只是懒得推理（因为你没有付钱），这被称为“dinking”（可能指“dinking around”或“dabbling”），或者“dep thinking”（可能指“deep thinking”）。把可能的答案每一个再拖一次，效果就会很好。但是，在这样的情况下，黄人勋（可能指黄仁勋）不是说“买越多的机器结果就越好吗”？我可以告诉大家：知识型产业突然变成了制造业：知识型产业便制造业，有越多的钱，买越多的晶片、越多的能源，跑得越久，答案越好。那么穷人就没有知识了，有钱人就有知识了，有越多的钱，就有越多的知识了。这就是一个1比99的战争。

我没想过，居然是这个：人类努力半天，希望地球平等，但介入后，只有少数人拥有这个能力，突然间我们失控了，我们没有能力让它继续平等了。唯一的办法就是请大家把AI的能力提升——这是一个海啸要来，希望大家赶快穿上救生衣，之后把自己拉上去，否则就跟着它下去了。

接下来，我们来看未来人才之后，可能回答大家很多问题：如果有问题要交未来，你该怎么办？ 你要先记住：AI把一亿本书都读完了。你先有这个概念：去我们学校总图书馆，100万本书（百万长书），所有科系都依赖它作为主要的知识来源。那么AI是100万个百万所的知识库，他都读过了。我们人类其他安（可能指“其他人”）怎么跟他拼呢？

可以的，我刚刚讲的 AI 对于真实的物理世界没有概念，AI 对于企业的内部知识也没有概念。AI 对于真实世界的连接，并不见得能够接得上。而人类的领悟力与同理心，AI 更是无法具备。所以很有趣的是，我们从六岁进入小学学习的东西，一直到现在在大学（例如台大）念书之后，你可能还会继续进修。然而，AI 已经帮你学会了所有这些知识，但父母给予我们的天赋，我们却没有好好运用。因此，我们需要自己调整学习方法，重新规划人生目标。

你可以把自己想像成多拉A梦的大熊，但不要像大熊那么懒惰。你已经有一个多拉A梦陪伴你一生，要好好利用它。或者，你可以把它当成小智这个神奇宝贝，成为你的训练师。你手上的这个神奇宝贝，如何训练它，让它陪伴你一生，这是关键。

我们先来看看学长姐们的工作如何受到冲击。他们的概念是将工作分为体力劳动与非体力劳动。在 Mc 的报告中，深蓝色代表体力劳动，占据了公认的比例。而浅蓝色则是坐在电脑前面、可以被数位化的动作。举例来说，像是 Healthcare （医疗）这类工作，既需要体力劳动，也需要类似电脑化的数位环境。

白色代表什么呢？白色代表 EQ（情商）与人类的软实力，例如关怀、同理心、细心等能力。可以看到，大部分的实体劳动者在白色部分（EQ）的表现并不高。然而，护理这类工作，虽然需要白色（EQ）与深蓝色（体力劳动）的结合，但目前看来，AI 并无法取代白色部分（EQ），也就是人类的软实力。深蓝色（人形机器人）虽然在发展，但目前仍处于早期阶段，大约还需要 20 年左右。而白色部分（EQ）可能永远无法被 AI 取代。

我是自动化工程系毕业的，所以可以欺负你们是大学长。你可以看到，不需要晒太阳、最适合吹冷气的行业，几乎都在电脑室里头。我们面对的是机器，而不是人，这是最容易被取代的行业。而律师这类职业，虽然不需要晒太阳，但仍需要 EQ，例如谈判、协商与理性思考。因此，每个人在寻找专业时，应该注意到三个能力：专业知识、某些会被电脑取代的技能，以及某些永远不会被取代的能力。这样的概念，对于未来的发展非常重要。

自动化工程系的学生可能会问：「那我该怎么办？」我会告诉你，机会会很好，但前提是你要成为那 1% 的人。为什么呢？因为你比别人更懂得如何利用 AI。不过，你需要让自己的能力变得更宽广。这个意思就是，最终最重要的能力，是管理 AI 的能力。无论你现在在学什么科系，管理 AI 的能力都是最重要的。

对于自动化工程系的学生来说，管理 AI 的能力，就是同时具备两个管道：一个是品质保证（Quality Assurance），另一个是产品管理（Product Management 或 Project Management）。在过去，这是一个团队合作的模式，一个程式设计师（Programmer）后面会配一个品质保证（Quality Assurance）人员。现在，这些职责可能会重新定义，例如产品经理（Product Manager）可能需要自己写程式码，或者品质保证人员可能需要自己编写测试代码。这样的职责重新定义，代表著全世界的工作正在重新定义的时代。这并不是完全没有逻辑，只是将过去的能力重新整合与扩展。

最后，你们可能会觉得未来充满可怕，没有机会。答案是既有正面的，也有负面的。我们可以问 AI，正面的影响是什么？AI 会带来什么新的机会呢？

问题：我们就来看工业革命初期，很多人失业了，但后期却没有人失业，大家都过得非常好。中间出现了什么问题？

回答：就是工业革命的转型期，新工作没有出现，旧工作被取代了。那一阶段我们现在正处在这个阶段：新工作还没有大量出现，旧工作逐渐被取代。但我们也可以想它会带来什么新机会。我先从经济的角度说：

第一个机会是高度乐观的AI，让我们的研究能力大幅上升。这不仅是教授的研究能力上升，学生的研究能力也上升，甚至企业各行各业都受益。例如： - i自（指AI）缩短了时间：以前可能10年才能研发出一颗药，现在可能两年就能出一个药，未来可能六个月就能出一个药。 - 建筑设计师设计一个方案的时间大幅缩短：原来可能需要六个月，现在可能缩短到六周、六天，甚至有人说两小时就能完成。 - 这种情况下，产出会增加，研发周期缩短，新产品会增加，新的消费需求（NE consumption）也会出现。这对经济学来说是一个重大的基础变化。

接下来，什么东西会改变？ 1. 基础设施需求：AI需要大量的算力，算力需要能源。而能源供应可能无法在地球上完全满足，因此现在开始向低轨道、外星（太空）发展。地球的实体空间正在扩大，这形成了太空经济——新的经济机会。 我现在已经告诉同学，你们未来的毕业工作可能与此相关。

2. 个性化服务：
   • 以前，有钱人可以请律师，穷人请不起；台湾以前没有成功的健保，穷人看不起病。现在虽然可以看病，但医生忙得没有时间提供个性化服务。每个医生只能给病人2-3小时，你需要先想清楚再问他，或者回家再问AI，或者在就诊前问AI。
   • 未来，AI可以帮助医生提供更个性化的服务，律师、各行各业的专业服务也能更个性化。例如：
     • 老师可以为每个学生提供不同的课程设计：以前一个老师教50个学生，只能照顾到中间值，聪明的孩子、不耐心的孩子或跟不上的孩子都会被放弃。现在，每个人都有自己的老师，老师的角色也多样化：
       • 导师（mentor）
       • 讲师（lecturer）
       • 监督者（moderator）
       • 指导者（instructor） 具体定位取决于每个老师的角色设定。
   • 现在有一个新的学校模式：a school（实验性学校），学生到校后打开电脑，每个人都有自己的AI老师，但每天只学习两小时。之后，所有学生一起进行project-based learning（基于项目的学习），强调协作能力（collaboration）。
     • 人类最重要的能力是集体创造力和合作能力，正是因为这一点，人类在地球上战胜其他动物并成为霸主，而不是依赖个体能力。
     • 因此，协作能力变得极其重要。整个导师的工作不再仅仅是“教书”，而是带动集体能力的成长。

问题：那么，会不会有新的工作出现？

刚刚有新的机会，必然有新的工作出现，可是现阶段的工作大概都跟 AI 有关。在 7 月里头，已经出现了「首席 AI 官」（chief AI officer）的职位。之后，每一个部门都希望多了一个 AI 的功能，比如如何协助资料导入，让 AI 可以参考这些内容。例如内容工作者、行销策略，以前我们可以用传统行销，现在用 AI 行销。你可能以前不需要管数据，但现在要先管数据——这些都是新的挑战。

再往下看，这张（图）可能最重要：我们重新检讨一下 AI 可以做什么、不能做什么。我们看到，自己提问表达能力、同理心辨识能力、合作协商、领导力这些，原本是客户外活动要教的，现在变得更重要。想想看：如果你家有小孩，比如说这个哥哥姐姐的小孩，现在三岁，你给他 GP（语音助手）和 GM（机器人），让他习惯用嘴巴叫 AI。他可以直接不用打字，用嘴巴叫 AI 帮他生音乐、做影音，甚至跟 AI 聊天、玩游戏。之后，你想想看他六岁进小学，老师才叫他「波摩摸」（可能指「波摩」或「波摩摸」等口语表达），他会理老师吗？不会了吧！所以我们的学校教育要重新来了，但一定来不及。来不及的结果呢？大家各走各的路，各走各的路，就变成家长做了一切的决定，也就是重新做体制外教。所谓的公平性、资源分配问题都会出现。我们努力好久好久缩短数位落差，这一次又被拉得更开、更开了，因为一个会教小孩的父母，现在拿起手机就可以让孩子的能力突然间大幅提升。我们不见得要教小孩子的智力，但要教他素养——透过 AI 教他美学，这些都可以。

所以你可以看到，我们的软实力永远重要。AI 是改变一切的。

你在用 AI 的时候，我试著用这个例子让你理解：假设自工学（可能指「自动化工程」或「自动化学」）可能更了解它的概念，就是你的问题如何 AI 给你答案。这原始的设计来自 Google 的「Transformer」模型（可能指「变形金刚」的误译，应为「Transformer」架构），它是基于「neuron」（神经元）的概念。简单说，你今天有个问题问它：「今天气很怎么样？」它告诉你「很好」。假设这是一个已经被训练好的神经网络，你的 input 就是一大堆 token（令牌），从这边导出答案。这个网络来自大量资料训练出来的结构，最重要是网路的神经元彼此传导里的「weight」（权重），决定了这个知识的结构。

如果你问它：「外头刮风，今天天气很怎么样？」你会想到「好」或「坏」，但不会说「很桌子很椅子」。这是因为人类已经有个「成见」（可能指「前置知识」或「语境」），前面有一个「prefix」（前缀），后面可以发生的东西已经变少了。如果我告诉你：「外头刮大风下大雨」，今天天气就变「很坏」了。那这个「context」（语境）或「背景」是什么呢？

这个叫做 question，最后的 answer 所以你有没有发现你的 answer 来自你的 question？你的 question 写得越精准，它的答案就越好。所以呢，good answers 这就是 good answers come from smart questions —— 这个 smart questions 就是要把人、事、实、物讲清楚。

那么你有四个背景要讲清楚： 1. 你希望 AI 扮演什么角色？因为 AI 的资料量庞大，你要让它聚焦，最好是告诉它：「你是我的小学老师，我现在问你一个问题，我是九岁小孩，你把它讲清楚。」他就可以给你更好的答案。 2. 接著，你的 output 要长成什么样？多长？格式如何？给他一个具体的例子，告诉他：「我要长这样。」 3. 另外，你的答案不要直接给他，而是要告诉他：「我还有什么内容该提供给你？」让他主动告诉你。 4. 如果你不喜欢他的回答，可以告诉他：「这样不行，我需要更精准的答案。」来回几次，直到满意。

所以在这里，我要分享一个技巧：一问一答 就是抄袭，但如果你是 十问十答，至少你学习到问题的改进。如果你能够跟他来回讨论，比如：「你说这件事，我觉得不够清楚，你再讲清楚。」这样，你就让 AI 成为你的「创造者」，而不是单纯的回答者。

过去没有这样的机会，因为教育体制下课就回家，老师就离开了。现在，你有太多时间可以跟 AI 互动，而 AI 可以随时回答你的问题。所以，我们要改变一个概念：「打破杀锅问到底」不再是错误的，因为 AI 不会生气，你只需要好好问。

学到一个新的东西：用问题来解决问题。未来，你要懂得什么时候用 AI。这是一个很好玩的例子：我太太在芝加哥玩时，脚破皮，进到药妆店里，面对众多选择，她拍了一张照片，问 AI 推荐。AI 不仅分析影像，还跟她讨论半天，说：「你选左上角这个。」她打开一看，发现标签上写著「无疗效」，但 AI 却根据网路上的资讯推荐。这样的 AI，你去哪里找你的超级助理？就算是大老板，也没办法找到这样的秘书。所以，我们要学会什么时候用 AI。

这个能力跟开发能力截然不同：会开发的人不见得会用，会用的人不见得需要开发。所以，你要知道怎么用这件事。其实很简单：你带著问题，在乎这个问题的答案，最终你就懂得怎么用好。

第一个要问 AI 的问题是：「我如何问一个好问题？」 如果你们没有问过，今天可以记得。我每次演讲都会问：「你没有问过 AI 我如何问一个问题？」从来没有人问过。你用 3C 产品还会看手册，但 AI 这么重要，你却没有问过爱因斯坦要怎么用？很有趣吧？

对，没有人问过。我问过他，他会告诉你要注意这些、注意那些。我常常把它框起来，就是要礼貌强化记忆：为什么要礼貌呢？

因为你讲脏话，他也可以骂回来，这个逻辑就是他是你的镜子吗？我再回来给大家看一下：你问他的东西，就是镜子，有这些东西决定后面的答案。所以如果你用的句子比如说有一个医生告诉我：「我想要在网路上找出他关于『写小板』的一篇论文，他想要用那个方法去做一个实验，但怎么找都找不出来。」问亚都找不出来。后来我跟他讲说：「要礼貌——这个礼貌不是真正的礼貌，而是专业的意思。他的原始英文是 pression，只是繁体中文翻译时没有翻得好，就叫『礼貌』。而 pression 的意思就是：你那个句子要有能力回答这件事的人，会用什么样的术语来形容它？那个句子就是要用医学术语，也就是 MS 吧。

那么医生听了之后，就懂了。他演讲结束后，跑来找我，很开心地说：「我以为要用 AI 和很数名的 C 语言，但现在知道，直接用医学院用的用语就好，因为我都把医学论文读完了。」那么，为什么不用医学院的用语呢？

这个意思就是：如果你用 social media 里头很通俗的句子，他就给你很通俗的答案；但你用很专业的句子，就会得到很专业的答案。这样就麻烦了，意思就是：问题本身是一种能力，而且越专业的问题，越能解决问题。那这个就是说，你在 建立 自己的专业，还是永远需要你化学系好好念化学，因为 AI 可以让你变得更强，但如果你没有发学化学的基础，可能就像我一样，化学后来都不学，没有在用，连问都不会问。

刚刚有讲到它是一个 token-based 的系统，你以为繁体中文进繁体中文出，他懂繁体中文吗？没有！他懂的是英文，基本上这是一个大麻烦。所以如果你觉得答案不够好，就请他翻成英文，你确认英文是你要的，再请他答案出来再翻回中文就好了。这样至少就解决你的问题了。

严格说起来，如果要这样，我们为什么不在 AI 代理中加一行，就说：「凡是我下达命令，你要把它翻成英文之后出来，结果再翻回中文回来给我？」这样我就等于跟美国人用的东西没两样了。那如果是这样，这就是一个小的习惯改变，影响我们的结果品质。但在整个过程中，我刚刚特别强调：一问一答，十问十达，这个句子里头，它非常重要的一个能力，就是要避免自己大脑被外包掉。因为当我们长期性地依赖 AI，自己的主体性越来越少，我们就是大脑外包了。

最后，我想要跟同学期待大家，不是只是 AI 让我们变得有效率，这样不够。AI 是让我们有能力让我们变得更聪明，做到原来做不到的事情。那我们要直接透过直接学习，有一点像在宗教哲学的学法：在藏传佛教，你可能跟喇嘛之间是不断的用对话学东西；回到希腊的亚历山大时代，他们学东西就是不分领域的，有问题就问师傅，跟你对话。这就叫做 问题直接学习。

最后给你们几个建议： 1. 问用管造的能力：你要懂得问题，要懂得何时用。 2. 你要懂得 怎么管理 AI。 所以呢，每一个人多多少少都有点 AI 的基础，知道它会什么不会什么，这样我们就比较知道什么时候怎么用，或者什么资料交给它可以解决什么问题，什么问题不能交给它。

最后，最重要的概念是什么呢？

就是为自己打造分身，把你的多拉A梦生出来，神奇宝贝找出来。好，那我打算在这边停在这里。原因就我觉得这个点就差不多了，我想停在这里。

告诉大家，你应该让自己变成一个「拓行人才」——什么是「拓行人才」？在过去、现在，你可能是某一个系的学生，但未来你出来的是AI时代所需的能力：懂得用AI的能力。所以我们要让我们的基础变宽——这个「宽」就是拓展的意思（以前我们叫「提醒人才」，但现在更强调「拓展」）。

以前我们可能专注于一个血杠（专业领域）的人生，让人生更丰富。很多人喜欢当网红，这是多一个血杠，但「拓行人才」的概念是两条腿——你可能是物理系学生，再多懂一点电机，就更宽一点；或者你是电机系学生，再多懂一点医学，只要医学尝试应用，就可以做医疗的应用，能力就更宽了。所以「拓」的概念就是让自己的能力越来越宽。

我先讲到这边，好非常精彩哦！那我们现在就开放给同学来提问。

主持人：在大家准备问题的同时，我来问一下检老师好了。就是大概三个礼拜以前，我们那个廖俊院长站在这个舞台上，讲AI和机器人。因为他越讲越讲，大家越害怕——因为他觉得这些机器人或AI，基本上就像是一个新的es（外星人）对我们的Homo sapiens一样，是Homo sapiens something，一个物种。他们比我们更聪明，也可以reproduce（繁殖），但从生物学角度讲，他们不是生命。不过，这还是让我们觉得相当恐惧，对不对？

然后，如果他们要造反，有很多能力，但他们不是生命。后来有人问：那我们要怎么防范？如果真的像电影上演的这样，AI突然造反，打架了，廖院长的意思是说，他们会需要能源。他说：「对，但真的这么容易吗？」你觉得吗？

检老师：嗯，好，这个问题可能会随时间而变化。在现阶段，它相当容易，因为AI的掌控和能力，最重要的还是现阶段能够发展AI大模型的公司很少。这是现在的sof so good（非常好的事实），就是那几家大公司。他们为了在地球上发展更好，资源也够，会比较严谨。但这个就跟核子武器很像，对不对？为什么美国那么怕伊朗拥有核子武器？因为美国觉得他管不了伊朗，也很怕北韩。这个北韩也可能很怕美国有武器吧，所以互相不信任。

今天AI模型最麻烦的地方是，如果有一天他越来越平民化，open source（开源）出去，很多公司拿走，我们管不到他的时候，就会更麻炼。AI代理会更麻炼，因为他把一件事情完成的过程中，没告诉你细节，所以我们今天先不去讨论人类的未来。

我有一场演讲在法谷山，他们出给我好难的问题：人类未来。在那边，大师傅面前讲人类大未来，非常汉眼（汉子眼光），但因为那场演讲，我思考一下：我们现在根本还没办法讨论人类的未来，因为我们对AI根本还不了解。当我们要先讨论个人的未来，这是今天要讨论的：个人的未来。

你会不会用AI？现在很明显已经是一个大事情，但人类的未来呢，也许一个世代都还不用担心，因为AI，我们刚刚讲人类有很多能力里头，intelligence（智能）这个能力在上升，其他能力没有。在这种情形下，担心也可以，但我比较属于乐观派，认为先学会用他的能力，担心确实要担心。为什么？

因为它是一个 breakbox，你可以说我们随便用一个例子，他就会失控。比如你用小龙虾叫他去帮你赚钱，但你告诉他只能汇到那个账号，其他账号不能。你以为他一定会听你的，但如果今天你的电脑同样有一个人下达命令，他要听哪一个人的？

但在过程中，很多城市因为他去问 ABBC 完成那个动作，每一个城市也会下达命令告诉他“听我的”，所以他一路有很多人下达命令，最后谁决定了，没人知道。所以其实现在很危险，就是在做这件事，这件事现在危险度很高。人类现在有没有危险？目前还没有危险，因为能源不够，拔掉就没事了。但是长期有没有危险？应该有危险。最后这句话说回到长期，因为我们不知道他会因为他才三岁四个月的 AI，如果他 34 岁的时候，他长什么样我不知道，我也没办法帮 30 岁的 AI 回答这个问题。谢谢，好，谢谢老师。我们现在先不想这么多了。

来同学的问题：对于 AI 在同一轮对话中过度依赖先前的内容（括号包含那些基于错误假设而得出的结论），所以即使用户在下一轮对话中纠正先前的错误，AI 有时仍难以有效整合并推翻自己旧的假设。您对此有什么看法？

这正是他的问题，因为他无法那么精密地“focus”（attention），也就是我们人在表达的句子里头，有我们认为的 attention —— 比如说，你现在整个句子里头，到底你最在乎的是哪一个点？AI 在乎的和你在乎的不一定一样，所以这时两边的 attention 不同。你就会觉得他没有懂你的意思。

在这种情况下，意思就是：当我们一个句子出来的时候，focus 很多，到底你最在乎的是什么？很多人习惯向 AI 提一堆连串的问题，这是不好的问法。最好是交代一大堆背景，只问一个问题 —— 这样更合理。也就是说，不要让 AI 立刻有“multiple attention”去处理。更多的时候是我们不懂得如何使用它，为什么？

人家考试全赢了吗？我们还要认为他胡说八道？ 其实我自己的经验用到现在，我从来没有觉得 AI 的表达不好，因为我们对它的预期错误，跟我们的句子结构不够洗练，跟它讲话一样。很多人讲半天，我就不知道重点在哪里，说讲重点了，那其实是不是那个人没有讲重点，因为听的人和需求者之间有个 Gap？那这是最大的问题。

所以刚刚这个题目其实很好，就是我们在生活上整天会遇到用 AI 的过程，因为我们人会觉得attention在这里，可是哦，你没有记住！如果你把同一个问题像今天这个问题给其他人看，每个人的看法都多多多稍有不同，所以要记住：我们要严格要求 AI。如果答案不够好，我们就追问他；但如果再不够好，记住这个 GN 的方德有句话说：重开一个对话，因为 AI 现在有一个能力还很弱，叫做planning。所以你的东西变长之后，它会乱掉，其实我们人也会乱掉，所以重新做一个 summary 之后，开一个对话，重启对话，把前面的结果进来，再问仔细一点，不要在同一轮对话对话到几十次，这无效，最后会失败，这没有效果。

给大家做一个技巧性的参考：

1. AI 的容量限制：AI 有一个C（Context）的概念，在 Gemin 中，一个 million token在 GP 平均只有60K（6万个 token）左右，所以ChatGPT的失误程度会比较高，GINA的失误程度会比较少，但终究会失误，因为你以为你有一个问题问他，但实际上每一次是丢一个 million token式的。你第一次问他，打开 J，从来没有问过他，第一次问他，他就只有一个问题，但你第二次问他的时候，是把你之前的问题和答案一次丢给他，一直装满一个 million token 为止，过了一个 million token，它就开始sift（筛选遗忘），开始遗忘。所以你用越多，会觉得他失误，但实际上他的 buffer 就只有一个 million，但新的科技一直在进步，他自己想办法做压缩、summarization 等等，尽量记住你，可是他终究会不记得你的时刻，所以这是小技巧。

2. AI 容易失误的原因：

   • 现阶段 AI 容易失误，因为我没付多少钱，所以它容易失误。
   • 不要跟它聊太久，你会头痛，它也会痛，重开一个对话，这样就可以了。