你以為你認識 AI，但你認識的可能是別人替你定義的 AI。
華爾街記者要的是聳動標題(「取代你」)、AI公司要的是你續訂、CEO要的是「我們也導入了」的交代。三種人各有各的敘事，唯獨沒有一個是站在你的角度講。
這篇不加形容詞、也不喊未來，只做一件事:把這三層濾鏡撥掉，看看濾掉之後 AI 對你到底剩下什麼。
先講章節結論: 它確實是一個能以人辦不到的規模與速度讀寫、但一樣會犯錯、需要人校正的工具——如此而已，但這樣就夠用了。
我必須先同步一個重要的觀點，
如果你最近一年看到新聞寫「AI」，有九成以上是在談大型語言模型（LLM），而不是整個人工智慧。
(這句話是寫給非工程師背景的人看的)
為什麼? 因為AI聽起來比較厲害，LLM這個詞超笨的。
LLM 全稱:「Large Language Model 大型語言模型」，本質上是一種根據大量資料，再根據上下文預測下一步輸出的模型，是目前所有的媒體跟企業主流敘事AI的原本面貌。
AI 這個詞本身涵蓋很多領域應用，LLM是其中之一。
先分清楚聲音是從哪來的:
這三種聲音都有各自的立場，所以不能說他們是錯的，
但它們都不是為了幫你把事情做好。 撥掉它們，才輪到你自己的問題: 這東西，我拿來能幹嘛?
( 說個題外話: 2024下半~2025的AI爆發前，華爾街的主流敘事重點是SAAS服務以及科技公司，如果你能夠因為裁員而讓財報的毛利上升，那我就會獎勵你-> 股價UP )
LLM可以把它想像成一台「讀過大量文字後，學會預測下一句最可能是什麼」的機器。它不是把答案存在資料庫裡，也不是理解世界，而是不斷根據上下文推測下一個最合理的輸出。也正因如此，它可以很有幫助，也可能非常自信地說鬼話。
把三層濾鏡撥掉、把強與不可靠都認了之後，AI 對你就變成一件很單純的事:一個放大器。
它放大你能處理的規模與速度，讓你一個人能扛以前一個團隊的量;但它放大不了的部分——要相信哪個答案、要對結果負責、要決定這件事該不該做——那塊空出來的餘裕，你會拿去做什麼，是你自己的事，這系列不替你填答案，只負責幫你拆解雜訊後把選擇權給你。
與其用講的， 不如給你一個實際例子。
首先，給LLM輸入第一個詞「川普」，然後第二個詞「戰爭」。 結果會出現什麼? 沒錯，會出現的是「伊朗」、「以色列」。
單純只看這幾個詞，在字面上互相沒有關係，憑什麼兜出這個結果?
這個其實是訓練資料跟提示字的功勞，就是LLM最常見的應用: 「用變數權重跟輸入去猜測使用者想要的輸出」。
一般來說訓練資料跟權重都是一般使用者沒有辦法控制的內容，你從頭到尾只能輸入「川普」、「戰爭」，剩下就全交給模型去猜。
在2026的現在我們知道，這幾個意義上不相干辭彙會兜在一起的原因，資料來源占比很大一部份是新聞。
現在回到企業環境，當你帶入「訂單」、「合約」、「條款」、「KPI」， 你覺得會出現什麼東西?
身為主張想靠 AI 優化流程的人，你不僅沒有 參與模型訓練 跟 資料集篩選 ，
更沒有概念在現在的環境裡AI產出的內容影響人判斷的比重有多少，在這種情形下，
說要導入AI這件事情的包袱比你想像中的更重，而且更難。 (往臉上貼金.jpg)
舉個例子:
假設一家企業把過去十年的合約、訂單紀錄、客戶往來信件交給 AI，希望它協助整理「哪些客戶可能有跑單風險」。
AI 可以非常快速整理大量文件，找出人可能忽略的模式。
但問題是，它看到的是文字中的關聯，而不是理解商業關係。
一封客戶抱怨信，可能代表即將流失，也可能只是一次正常溝通。
AI會出現什麼內容，以及影響多少決策者的結論你敢賭嗎?
(我是麵包舖老闆，我覺得接下來會出現蛋糕食譜是很合理的吧)
你看到的關於AI的所有內容跟定義"全部都是"三種人給你的:
你可以回頭檢視看看他們是不是一律都用製造焦慮的字眼。 (要是不xxx就完蛋了、 XXXX已經過時，現在是XXX...、要是早點知道，我就xxxx)
去掉話柄，它的真面目其實很樸素:一台能用人辦不到的規模與速度去「讀」和「寫」的機器。
它有一個很好聽的敘事: 「AI擅長的是語意理解，然後依照指令執行。」
本質仍然是一套事先訂好的演算法，只是他多了一道統計學去猜後續輸出，
最好的證明是現在所有的知名AI(或是說LLM)，離不開主打編程跟文本處理這個主基調。
現在的AI可以做到：
現在的主流已經開始把AI其他相關領域的內容開始合併了，例如: 看圖、做字幕、甚至是操作電腦，但語言仍然是最核心的能力，而其他能力，本質上多數也是建立在語言推理能力之上。
((講到這裡，我相信你對於後續會發展什麼功能，已經猜到七七八八了，也開始釐清了AI故事的敘事幻想))。
它能一次讀完你一輩子讀不完的文件、能不睡覺地重複同一件事、能在幾秒內生成人要寫半天的東西。
但同一台機器也會:一本正經地講錯、把不存在的東西講得很像真的、對它沒看過的狀況亂猜。
舉個例子:
皮卡丘尾巴的棕色其實在根部，AI 卻很篤定地說在「末端」——把細節講反，還講得跟真的一樣。這就是幻覺長的樣子。
皮卡丘: 0口0
換句話說，強和不可靠， 是 LLM 這個要素同一件事的兩面， 不是「還沒進化完」的藉口，
只要LLM還在以機率跟權重預測生成內容，整個AI應用開發就不能期待因為科技發展而完全不犯錯，因為這就是他的發展原理跟初衷。
認清這點，你才不會神化它、也不會全盤否定它——而是知道要怎麼設計哪些事該放手給它、哪些事要人加入(那是 D5、D7 的主題)。
眾所周知，AI訓練需要靠資料集，
參考資料越多、品質越高，通常越有助於模型學習，因此才會有一種主流說法：
「優質的訓練資料，產出優質的結果；垃圾的資料，產出垃圾。」
這句話沒有錯，但它其實被包裝了。
真正影響模型能力的，不只是資料多少，而是資料中的分布。
我可以很負責任地跟大家拆解這句話是什麼意思:
其實現實的資料分布（data distribution）--- 可以這樣理解: 「AI 的能力分布，會偏向訓練資料中高頻出現、具有大量案例支撐的常見情境。」
在整個訓練的資料集中，作為關鍵輸入的常見詞在大量文本中經常一起出現，因此模型會學它們之間的統計關聯，從來不是理解它們之間真正邏輯和因果關係。
--- 也就是說 AI會做、而且做得好的項目是參考資料越多，而且大多數人都會做的事情。
「意思是: 如果依照主流敘事，你花大錢導入AI，它只能來幫你做大部分的人都能做的事情，而稀少參考資料的個別案例會用幻覺幫你做。」（後面的D7文章有舉證）。
企業發展最有價值的地方，往往不是大量重複的工作，而是那些需要經驗判斷、特殊情境處理的部分。
所以我導入AI後還是只能讓它去做常見的應用情境嗎 ? --- 你已經摸到概念了，我們繼續下去。
不過這句話可以反過來換個說法，意思是你可以刻意利用這一點去做你想要的應用設計。 (後面D5、D7示範)
撥掉那些不是為你講的聲音，AI 就回到它樸素的樣子:一個能放大你、但要你校正的工具。
既然它真正的強項是「規模與速度」，我該從哪裡開始?
其實，定義問題的能力往往比答案本身更重要。
與其問「所以 AI 能做什麼」，不如反過來問: 有哪些事，是人再怎麼努力也追不上它的? 那才是有意義的問題——
在明天D3文章，我的提問是 「人類不可及」是哪些事，在企業裡哪些要素可以被定義是問題? 。
自從疫情後到2023左右，每年都有各大企業的裁員新聞，每次的比重都不少。
重要的是，近兩年加入了AI敘事導致各種消息滿天飛，所以這篇也是在闡述媒體識讀跟批判思考的重要性。
Source:
員工數一律以各公司向美國 SEC 申報的 10-K 年報(第一手原始資料)為準——這正是本文主張的「向源頭查證、不要停在二手聚合站」的示範。
iThome鐵人賽
看影片追技術