尽管如此，我一定要向前走。

從雲端到邊緣：AI 晶片正在改變算力地圖 去年底，我在一間做工業設備的公司開會。 他們的產線上有好幾台視覺檢測機，每一台都在「看」螺絲、零件有沒有瑕疵，節奏快到幾乎不能停。 技術主管跟我說了一句話，讓我記到現在： 「我們原本以為，只要把圖傳到雲端讓 AI 看就好。 結果發現，光是傳輸延遲，就讓整條生產線慢了半拍。」 那不是網路商的廣告詞裡面會出現的那種「幾毫秒」， 而是實打實的卡頓：機器手臂等結果、輸送帶速度不得不放慢、良率統計變得不穩定。 他們最後的解法，不是換更快的網路，而是換晶片── 把原本仰賴雲端的推理，搬回機台旁邊的邊緣運算模組裡，用專用 AI 晶片在本地做判斷。 這個場景，其實在很多產業都在悄悄上演。 Gartner 預測，到 2025 年，企業產生的資料有 75% 會在邊緣被產生並處理，而不是集中在傳統資料中心裡。 算力地圖，正在從「雲是一切的中心」，變成「雲與邊緣分工合作」。 雲端夠快，但不是所有事情都等得了 老實說，我們這幾年被「雲端 AI」的成功有點養刁了。 把資料丟上去、等模型跑完、把結果拿回來 —— 在很多辦公場景，這套流程順得不得了： 報表生成、客戶分群、推薦系統優化，延遲以秒計算也無傷大雅。 但當應用場景從後台移到前線、從螢幕裡走到真實世界，問題就完全變了。 你沒辦法讓一台自駕車的感知系統，等雲端伺服器回覆才決定要不要踩煞車； 你也沒辦法讓手術室裡的即時影像判讀，每次都走一趟大西洋再回來。 對機器人、無人機、智慧工廠來說，「幾十毫秒差一點點」有時候就是撞到 vs 避開的差別。 這也是為什麼，在資料中心裡 GPU 仍然稱王的同時， 另一條線悄悄長出來了：邊緣端的算力，開始有了自己的晶片族譜——ASIC、FPGA、NPU、PIM，各有各的位置。 IDC 預估，到 2027 年光是 AI 用 IT 基礎設施的半導體支出，就會來到 1,933 億美元，5 年複合成長率超過 35%，其中很大一塊成長，來自於「把一部分 AI 能力下放到邊緣」這個趨勢。 ASIC 和 FPGA：不是誰比較好，而是你準備押多大 「GPU … 더 읽기

生成式AI，不只是「快一點」而已 從 2022 年開始，ChatGPT 幾乎成了生成式 AI 的代名詞。短短幾個月，從矽谷到各行各業，人們開始第一次認真問自己： 「如果這樣的工具變成日常標配，我的工作還會跟現在一樣嗎？」 和上一波自動化不同的是，這一次被碰觸到的，不再只是產線上的體力勞動，而是我們以為「只有人能做」的那一圈：寫、畫、想、分析、溝通。 麥肯錫在 2023 年的研究裡估算，現有工作任務中，有大約 60%～70% 在技術上具備部分被生成式 AI 自動化的潛力，尤其是那些和語言、內容、生產知識有關的工作。 這些數字不會一比一對應到「多少職缺消失」，但已足以提醒我們：工作的核心職能，正在被重寫。 自動化與增強：真正的分水嶺在「怎麼用」 談到生成式 AI，很多人第一個想到的還是兩個字：取代。 誰會先被取代、哪一類職務風險最高、是不是該趕快轉行。 在實際企業裡看下來，我更傾向用另外兩個字來理解：自動化與增強。 一方面，有一整塊工作，正在被非常乾淨地自動化掉。 客服裡那些重複的 FAQ 回覆、報表裡一再出現的摘要段落、基本資料整理和初稿撰寫，越來越多是 AI 先打一輪底，人再在上面修改。部分企業的智能客服系統，已能處理超過 八成的常見查詢，讓人力專注在真正複雜的案件上。 另一方面，另一塊工作反而被往更「人」的一端拉。 行銷人員把更多時間花在品牌定位、用戶洞察與長期策略，而不是在一字一句地改文案； 開發團隊把較少的時間花在重複性程式碼輸入上，更多精力放在架構設計、系統整合和風險評估上。 所以真正重要的問題，其實不是「哪個職稱會被淘汰」， 而是：在我的工作裡，哪些部分會被自動化，哪些部分會被放大？ 而這條界線，往往取決於我們願不願意主動去用 AI 重組自己的工作內容。 對企業而言，關鍵不在導入，而在「重設」 站在企業角度看，生成式 AI 已經不再只是 IT 部門的試驗專案，而是董事會層級的戰略議題。 各種研究顯示，能把 AI 真正嵌入核心流程的公司，往往能在生產力上取得 15%～30% 的優勢。 但問題是，很多組織看到這些數字的第一反應，是去列一張「AI 工具採購清單」，而不是回頭看自己的工作方式。 比較健康的順序，應該是這樣的： 先把工作拆開來看。 在公司現有的流程裡，哪些工作是高度重複、規則清楚的？ 哪些環節是靠人把資料整理成報告，只是因為過去沒有更好的工具？ 哪些地方需要創意，但在初稿階段有很多機械式嘗試？ 如果這一步沒做，任何 AI 導入都只會浮在表面。 再決定工具與架構。 … 더 읽기

當 LLM 走進公司：興奮之前，先面對幾個不那麼浪漫的現實 大型語言模型帶來的第一個衝擊很直接： 原本要一整天整理的報告，它幾分鐘就能寫出初稿； 原本要好幾個人輪班回的客服訊息，它一台機器就能 24 小時頂住第一線。 所以很多企業的第一反應是：「這顆球，我們不能不接。」 但真把 LLM 放進實際環境，很快就會撞上幾個難題，而且都是不太好閃的那種。 第一個現實，是資料主權和隱私。 LLM 要聰明，就得吃進大量資料； 企業真正有價值的，又剛好就是那些不該亂丟到外面的資料：客戶資訊、內部合約、產品路線、財報草稿……。 很多公司第一次開會討論 LLM，用不了多久就會有人問： 「我們敢不敢把這些東西丟進公有雲模型？ 這些內容以後會不會在別人家對話裡冒出來？」 這不是杞人憂天。曾經就有模型被證實會「不小心」吐出訓練資料片段， 而 GDPR 一類的法規，也讓「誰看過、誰處理過你的資料」這件事變成實打實的合規風險。 第二個現實，是偏見與幻覺。 多數人現在都知道 LLM 會「一本正經地胡說八道」──這就是所謂的 hallucination。 如果只是寫行銷文案、內部腦暴，錯了頂多重來； 但如果你把它丟進履歷篩選、信用評分、風險評估， 那些早就藏在訓練資料裡的偏見，就會很安靜地被放大成決策的一部分。 更麻煩的是，錯誤不一定看得出來。 LLM 的語氣通常很自信，論述也很完整， 它不會幫你在段落上方貼一個「這段我有 30% 把握」的標籤。 第三個現實，是整合與內部能力。 不少企業以為「導入 LLM」就是買個 API 金鑰、接個前端介面， 結果專案一開始，才發現真正耗費時間與預算的，是那些看不見的部分： 把四散在各處的資料清理、結構化、權限分級。 跟既有的 CRM、ERP、客服系統、資料倉整合。 為各種例外情況寫 fallback 流程，避免一出錯就把使用者丟在半路上。 韓國有研究調查企業 LLM 導入的最大障礙，有將近八成的回答是「內部能力不足」， 包括不知道從哪個業務開始、沒有懂 LLM … 더 읽기

過去幾年，只要和企業高層聊起數位轉型，「生成式AI」幾乎一定會出現在前五分鐘之內。從一開始的好奇與試玩，到現在各種專案簡報裡動輒出現的 ROI、效率提升百分比、競爭力差距，GenAI 已經不再是一個「可以關注看看」的選項，而是慢慢變成：「如果我們不認真面對它，兩三年後可能會看不懂同業在做什麼」的存在。 有趣的是，這一波導入浪潮並不是突然冒出來的。前幾代 AI 要進企業，大多卡在三件事：資料不乾淨、模型不好做、人才請不起。今天情況有了根本性的變化。一方面，大型語言模型已經由雲端服務商預訓練好，企業不必從零開始，只需要在自己的領域知識上做調整；另一方面，算力可以按需租用，不必砸下巨額資本支出蓋自己的機房。 換句話說，門檻被壓低了，試的成本變小了，讓很多原本只敢在簡報裡畫藍圖的公司，真的開始動手做。 當然，驅動這一切的並不只是技術。「同業都在做」帶來的壓力，同樣真實。各種調查顯示，多數大型企業已經在至少一個業務功能上試用過 GenAI，許多管理顧問公司也不斷強調：成功導入的組織，在知識工作上的生產力提升可以到四、五成。 這些數字不一定都能在自己公司複製，但它們傳達的訊號很清楚：這不再只是「可有可無的創新」，而是會直接反映在損益表和市占率上的因素。 然而，現實比行銷海報複雜得多。MIT 和多家顧問公司的研究都不約而同提到一個殘酷的現象：大多數 GenAI 試點專案，其實沒有真正落地成為穩定創造價值的系統。 一開始的 Demo 很炫，員工也覺得新鮮，但過了幾個月，大家回到原來的工具和流程，AI 成了那個「有點厲害、但用起來有點麻煩」的存在。這樣的結果，多半和技術本身無關，而是出在資料、治理、組織三個層面。 資料問題其實大家心裡都有數。企業內部的知識散落在舊系統、共享資料夾、各種格式不一的文件裡，真正乾淨、一致、可機讀的資料往往少得可憐。當你把這樣的資料丟進 GenAI，得到的也只會是「包裝得漂亮的混亂」。 資料隱私和資安又是另一層顧慮：一旦無意間把敏感內容帶入公有模型，或用錯方式儲存提示與回應，很可能在不知不覺中洩漏商業機密。越是管得嚴的產業，這種焦慮就越強。 接著是倫理與偏見。大家都知道 GenAI 會「幻覺」：說得頭頭是道，卻不一定是真的。如果這些輸出只用在內部草稿還好，但一旦碰到信用評估、客戶分級、招募篩選這種對人有重大影響的決策，模型裡原本就存在的偏見和錯誤，就會很快放大成為制度性的問題。 歐盟的 AI Act 和各國即將上路或討論中的法規，都是在提醒企業：你不能只看 AI 為你賺了多少錢，還得看它在這個過程中，是不是悄悄踩過了不該踩的線。 最後是組織本身的問題。很多企業導入 GenAI 的方式，其實是「請一個外包團隊做一個很酷的 PoC」，然後期待這個 PoC 自然而然地長成一套新工作方式。現實是，如果沒有明確的擁有者、沒有把流程重設、沒有重新配置責任和權限，舊的習慣只會慢慢吞噬新的工具。Deloitte、Accenture 等顧問的報告一再強調：真正成功的組織，技術選型只占成功因素的三成，剩下七成是策略、治理和變革管理。 那麼，這一波 GenAI 浪潮究竟值得期待的地方在哪裡？如果把浮誇的口號擺一邊，腳踏實地看，其實有幾個方向是相當務實的。第一個是「把重複而知識密集的工作拆解開來」。例如，在產品研發中，工程師可以讓 GenAI 先產生多種設計概念草圖或程式碼原型，再從中挑選和修改，而不是從空白頁面開始；在行銷部門，團隊可以用 GenAI 為不同客群快速生成多版本文案與視覺，然後用數據檢驗哪一種真正有效。 這邊 AI 扮演的角色比較像是「永遠不會累的初稿產生器」，而不是最終決策者。 第二個是知識的整理與查找。幾乎所有大企業都有一個共同的痛點：內部有很多寶貴的經驗和文件，但真正需要的人找不到，或者根本不知道它們存在。把這些內容整理進可搜尋的內部語料庫，再結合檢索增強型的 GenAI，讓員工可以用自然語言問：「我們過去處理某類客訴有什麼 SOP？」「某某客戶去年談判的重點是什麼？」這類場景往往能很快看見效益，因為它直接節省了大量在郵件、共享資料夾、舊簡報裡翻找的時間。 第三個則是決策前的「思考輔助」。管理階層在做重大決策時，常常需要參考大量報告、數據和市場訊號。GenAI 無法替你做最後選擇，但可以在前一個階段，幫你把幾十份報告裡的關鍵觀點抓出來，模擬不同策略下可能出現的情境，甚至整理出對立觀點，提醒你「哪些地方值得多問幾個為什麼」。做到這一步，AI 不再只是節省幾個小時，而是實質參與了思考的過程，不過仍然是在人的掌控之下。 說到這裡，我們大概可以對未來幾年畫出一個輪廓：生成式 AI 會從零星的工具，變成企業裡一種「看不見但到處存在的基礎設施」。它可能藏在客服系統背後，也藏在開發平台裡、內部搜尋引擎裡、人資系統裡。企業不再是「有沒有用 … 더 읽기

如果要替這個世代下個簡單的註腳，大概可以這樣寫：我們親眼看著「計算」一步步改變了世界。從一開始只會做四則運算的大型電子計算機，到讓資訊像空氣一樣流動的網際網路，再到如今已經滲入日常生活每一個角落的人工智慧，每一波技術躍進，都逼著我們重新思考：什麼叫做「聰明」、什麼叫做「效率」、什麼又是「極限」。而現在，兩股看起來最尖端的力量——AI 和量子計算——正慢慢靠近對方，準備在某個時間點真正交會。 AI 的故事我們已經耳熟能詳。從圖像辨識、語音助理、到 ChatGPT 這類大型語言模型，它用實際表現證明：只要給足夠的資料和算力，機器可以在很多任務上做到甚至超過人類專家。問題在於，這種成就背後的代價也很驚人。一個巨大的模型，可能要用掉幾百甚至上千顆 GPU 訓練好多天，耗掉嚇人的電力，產生可觀的碳排放。 更何況有些問題，比如新藥發現、複雜金融市場模擬、全球物流最佳化，不是單靠「把模型再放大一點」就能解決的，因為那裡面牽涉的組合實在太多，傳統計算不管怎麼疊加，都很難真正觸及。 量子計算正是在這樣的背景下，被寄予厚望。它不是把原來的電腦「加速一點」，而是直接換了一種思考方式。經典電腦的位元只有 0 和 1，量子電腦的量子位元（qubit）卻可以同時處在「偏向 0」又「帶著一點 1」的疊加狀態，多個量子位元之間還能形成糾纏，讓它們的變化彼此牽連。 這種看起來有些違反直覺的特性，讓量子電腦在某些類型的問題上，擁有理論上的指數級優勢：例如質因數分解、非結構化資料搜尋、某些特定的最佳化與模擬任務。過去幾年，Google、IBM 等公司陸續發表「量子優越性」相關實驗，雖然距離大規模實用還有不少距離，但至少證明了一件事：在特定問題上，量子這條路真的有機會跑得比今天最快的超級電腦還要快得多。 那麼，如果我們把這兩股力量疊在一起會怎樣？這幾年開始被認真討論的「量子機器學習」（Quantum Machine Learning）和「量子 AI」（Quantum AI），就是試著把 AI 對資料的理解能力，和量子計算對複雜系統的處理能力綁在一起。直白一點說，就是讓一部分原本在 GPU、CPU 上跑的 AI 計算，改由量子處理器來處理，看看能不能在訓練速度、可處理的問題規模、甚至預測品質上，跨過現在的那道牆。 聽起來很夢幻，但最有意思的是，這件事並不是完全停留在 PPT 和想像。以金融為例，今天我們已經習慣用機器學習模型來做風險評估、詐欺偵測、信用評分。問題是，真正具有系統性風險意義的那些情境，往往藏在極端又少見的組合裡 —— 也就是我們最難完整模擬的那一段。幾個量子計算公司和大型金融機構，已經在合作嘗試：讓量子模型來模擬複雜投資組合在不同市場條件下的行為，再交由機器學習模型從中學習常規方法看不到的模式。 初步結果多半還停留在「特定小問題上有潛力」這個層級，但對一個保守又重視風險的產業來說，這樣的試水溫本身就具有指標意義。 在藥物與材料領域，故事則更接近量子計算的「主場」。傳統電腦在模擬分子、固體材料的量子行為時，會很快遇到資源爆炸的瓶頸；量子處理器在這裡卻有先天優勢，可以比較自然地重現那些微觀世界的細節。幾個大型藥廠和科技公司正在嘗試這樣的流程：先用量子計算模擬候選分子的性質和反應，再把模擬結果交給 AI，讓它從龐大的候選空間中篩出最有機會成功的那一小撮，最後才進入昂貴又耗時的實驗和臨床階段。這裡的關鍵不是「AI 比科學家更會做研究」，而是 AI 和量子一起，把原本需要大量盲目試探的部分變得更有方向感。 講到這裡，很容易產生一種衝動：那是不是趕快把所有 AI 都搬到量子電腦上就好了？這時候就得踩一下煞車了。就目前來看，多數量子裝置仍然停留在所謂 NISQ（Noisy Intermediate-Scale Quantum，嘈雜中尺度量子）階段：量子位元數量有限、雜訊大、易受環境干擾。 這意味著，我們離「通用型、穩定、錯誤可控的量子 AI 平台」還有一段不短的路要走。也因此，大部分嚴謹的研究和應用，都採用混合架構：把適合的子問題交給量子處理，其他部分照樣交給傳統高效能運算。NVIDIA 和 Google 在設計下一代量子處理器時，用超級電腦來模擬量子裝置物理行為，本身就是一個很好的例子：經典和量子不是誰取代誰，而是互相補位。 從產業角度看，未來幾年更有可能出現的畫面不是「量子 AI 無所不在」，而是一些高度專業、算力需求特別極端的場景，開始悄悄出現「我們這一段已經在用量子輔助 AI」這樣的案例。對多數企業而言，真正值得問的問題可能是：在我的業務裡，有沒有那種一想就知道「這裡的計算特別痛」的地方？那種即便已經用了雲端、GPU、分散式運算，還是覺得效能不夠、精度不足、情境不夠豐富的問題。那些，就是適合被拿出來放到量子 … 더 읽기

傳統金融業這幾年最常被問到的一個問題，大概就是： 「在 AI 這波浪潮裡，我們會被誰取代？還是能借力重新長出一套新的樣子？」 過去，金融業談科技，多半是聊網銀、行動支付、RPA，自動化做得多一點、網路服務漂亮一點。 但今天，人工智慧已經不再只是「把原來的流程做快一點」而已，而是慢慢伸進了風險模型、授信決策、產品設計、甚至客戶互動的核心。 問題不再是「要不要用 AI」，而是「要用到什麼程度、用在哪裡、由誰負責最後那一刀」。 AI 讓金融從「事後處理」變成「即時反應」 先從風險管理說起。 以前的風險控管，給人的印象很像是在看後照鏡： 用有限的歷史數據， 建一個統計模型， 過一段時間再回頭看「這段期間我們表現得好不好」。 在這樣的世界裡，詐欺往往是事後才被看清楚， 很多壞帳也是「事後證明當初評估不夠準」。 AI 把節奏整個往前推。 機器學習和深度學習模型，可以同時看： 交易金額、頻率、地點、設備指紋， 客戶以往的行為模式， 甚至社群或其他公開資訊裡的異常訊號。 結果就是： 很多事情不再是「出事之後才發現」，而是「出事之前幾毫秒先踩一下煞車」。 國際卡組織、跨境支付公司每天看的是數十億筆交易， 在這種量級下，人力根本不可能逐筆看過去。 AI 在這裡扮演的，不只是守門員，而更像是「先幫你把最可疑的一小撮交易圈出來」的雷達。 對客戶來說，體感可能只有一句話： 「我被盜刷的機率好像變低了。」 但對金融機構來說，背後是一整套風險文化在被重新調整。 客戶跟銀行的關係，從「偶爾來往」變成「持續對話」 過去，你跟銀行互動的場景很有限： 臨櫃、電話客服、偶爾的 RM 約訪、零星幾封 EDM。 AI 出現之後，這些接觸點變得碎片化、也變得更「黏」： 手機銀行裡的推薦，不再只是通用廣告，而是根據你的消費習慣、現金流、人生階段去微調。 智能客服不只是回答「我帳戶餘額多少」，還能銜接你的過去對話記錄和實際交易行為，給出更完整的建議。 智能投顧會根據你的風險承受度和目標，自動調整資產配置，而不是一年開一次檢討會。 很多以往只有高資產客戶才能享受到的「專屬服務」， 現在被拆解成演算法，放進每個人的 App 裡。 這帶來一個微妙的變化： **銀行不再只是你「需要錢時才會想到的地方」， 而是變成一個在你日常財務生活裡，持續發出提醒與建議的存在。** 當然，這也有風險。 如果推薦太頻繁、太侵入，客戶會覺得被「監視」； 如果推薦太不準，又會被當成垃圾訊息。 真正做得好的機構， 不是只是多裝一個推薦引擎，而是願意花時間問一句： … 더 읽기

全球醫療現場，這幾年多了一個看不見的新成員：人工智慧。 一開始，它只是被當作「效率工具」——幫忙看片子、排順序、整理資料。 但越來越多醫師開始發現，AI 不只是多了一套軟體，而是逼著大家重寫一個老問題： 我們到底是怎麼做醫療決策的？ 當一個系統能在幾秒鐘內看完成千上萬張影像、快速讀完堆積如山的文獻時， 醫師和醫院的角色，就不可能只停留在「看得比機器快」這件事上了。 AI 幫你看到「本來就很難看到」的東西 在所有應用裡，影像診斷大概是 AI 最早真正站上臨床舞台的一塊。 對放射科醫師來說，過去的日常就是：一張片、一張片、日復一日。 在疲勞、時間壓力之下，要在每一張影像上都維持百分之百專注，本身就是不可能的任務。 現在，多數進步較快的醫療機構，都已經在嘗試這樣的流程： 先由 AI 把所有影像掃過一輪， 發現可疑區域就標記出來， 再由醫師帶著這些「提示」做最後判讀。 在乳癌篩檢、肺結節檢出、眼底病變等特定任務上，研究顯示 AI 的表現可以接近甚至超過人類專家，尤其是在降低疲勞相關錯誤、穩定整體品質方面，效果相當明顯。 但真正決定醫師是否願意信任 AI 的，往往不是那幾個漂亮的精準度指標，而是幾個很實際的感受： 它有沒有幫我縮短診斷流程，而不是增加額外負擔。 它標記出來的異常，我看得懂「為什麼」，還是只覺得像黑箱。 在最忙的時候，它是讓我更安心，還是讓我更焦慮。 AI 沒有取代醫師的判斷，反而凸顯了「最後那一刀由誰負責」這件事的重要性。 判讀不再只是「看得準不準」，而是「你能不能解釋你為什麼這樣看」。 從治療一群病人，到設計一個人的療程 AI 對醫療的第二個深層改變，發生在治療策略上。 醫學界談「精準醫療」已經很多年了，但真正讓這個概念開始具體落地的，是 AI 把各種不同來源的資料真正整合在一起。 一個癌症病人的資料，可能包括：影像、病理切片、基因檢測結果、生活習慣、既往病史、用藥反應等等。 單靠個別醫師，要在有限時間內把這些資訊消化完，再對照最新研究，實際上非常勉強。 AI 在這裡扮演的，是一個「資料整理者」與「模式發現者」的角色： 它可以根據基因變異圖譜，從龐大的資料庫裡找出過去類似個案的治療路徑與成效。 它可以模擬不同治療組合下，成功率與副作用風險的差異。 它可以提醒醫師：在某些基因背景下，哪一類藥物特別需要謹慎使用。 決定權仍然在醫師手上。 但這個決定不再只是「我看過幾個類似病人」的經驗，而是建立在「全世界曾經出現過的類似情況」所萃取出的知識之上。 對病人來說，這種差異往往體現在一句話上： 「這不只是標準療程，而是為你量身設計過的療程。」 新藥開發：從瞎子摸象到有方向摸索 新藥研發一直是醫療產業裡最漫長、最燒錢的賽道之一。 一個新藥從概念到上市，十幾年、數十億美元，途中失敗無數，是再正常不過的事。 AI 能做的，並不是讓藥物從天上掉下來，而是讓這段長路不再完全黑暗： 在虛擬空間裡，先快速篩掉幾乎不可能有效的化合物， … 더 읽기

數位時代的節奏越來越快，新技術一波接一波。當大家還在忙著談生成式AI、雲端和大數據時，另一個名字其實已經悄悄出現在不少企業簡報的最後幾頁——量子運算。 很多人聽過它「很厲害」，卻還不確定它什麼時候會真正走進自己的產業。 下面這一版，是把你原本那篇偏向報告體的文字，改寫成更像專欄／深度文章的口吻，同時保留關鍵概念和商業重點。 量子運算：還在實驗室，卻已經改變對未來的想像 如果說傳統電腦是幫我們把世界拆成一格一格的 0 和 1， 那量子運算做的，就是乾脆承認這個世界本來就是「同時又是、又不是」的疊加狀態。 聽起來有點玄，但對商業世界來說，重點其實很單純： 我們長期被很多「算不動」的問題困住—— 例如組合太多、情境太複雜、變數太細， 最後只好退而求其次，用近似、用假設、用經驗。 量子運算的吸引力在於，它不是把現有電腦「加速一點」， 而是用完全不同的方式去看這些問題。 它讓我們第一次有機會，真的碰一碰那些過去只能在白板上畫一畫的理想模型。 量子位元到底厲害在哪裡？ 傳統電腦的位元 bit 非 0 即 1，這點大家很熟悉。 量子位元 qubit 則可以同時處在「偏 0、偏 1、介於兩者之間」的疊加態， 而且多個 qubit 之間還能「糾纏」在一起—— 一個改變，另一個也跟著變，哪怕它們隔得很遠。 結果就是： N 個 bit 的系統一次只能表達其中一種狀態； N 個 qubit 的系統，理論上可以同時「攤開」2ⁿ 種狀態來思考。 對一般使用者來說，你不會拿量子電腦來開 Excel， 但對那些原本要花上天文時間才能算完的加密、最適化、模擬問題， 這種「一次看很多種可能」的能力，就變得非常關鍵。 Google 當年用 Sycamore 量子處理器做了一個很有宣傳效果的實驗： 選了一個對傳統超級電腦來說極度吃力的計算， 聲稱「傳統機器要算一萬年，我們 200 秒做完」。 很多人質疑這個比較到底有多公平，但至少傳達了一件事—— … 더 읽기

當「打一行字就有圖」變成日常 幾年前，如果你對一位設計師說：「有一天，你只要打一行字，就會有人幫你畫出十種不同版本的視覺稿。」 他大概會笑一笑，覺得你在說科幻。 現在，這句話已經不是誇張，而是每天發生在無數工作桌上的現實。 Midjourney、Stable Diffusion、DALL·E、Firefly… 這些名字對創意產業的人來說，已經不再陌生。 更微妙的是： 客戶開始會自己丟 AI 生成的草圖來開會。 非設計背景的 PM 和行銷，突然也能輕鬆做出「看起來還不錯」的示意圖。 真正受過專業訓練的創作者，反而需要花時間解釋—— 為什麼有些看起來「差不多」的東西，其實差很多。 從畫圖的人，變成會跟機器說話的人 傳統的視覺內容製作流程很清楚： 企劃 → 粗略草圖 → 設計 → 修修改改 → 定稿。 生成式AI出現之後，順序變了。 現在常見的畫面是這樣的： 企劃先丟幾句 prompt 給模型， 拿到一堆參考風格和構圖。 設計師從這堆結果裡挑出有感的方向， 再進行二次創作和細節調整。 客戶在會議上，不再只看一兩張提案圖， 而是看十幾、二十幾種可能性，現場就開始揀選、組合。 手的技能當然還是重要的， 但越來越多時候，決定畫面走向的那一刻， 是在「打字」而不是「動手」的時候發生的。 所以現在有了一個新角色： 不是傳統意義上的畫師，而是 會跟 AI 溝通的人。 他們知道： 什麼樣的文字說法，會讓模型往哪種風格偏。 哪些細節要寫在 prompt 裡，哪些乾脆留到後期自己來。 什麼時候該接受 AI 給的意外驚喜，什麼時候要堅持把畫面拉回自己的審美。 工作不一定更輕鬆了， 只是「重點」被移到了別的地方。 版權、風格、同質化：那些讓人不太安穩的角落 … 더 읽기

當詐欺不再像「異常」，而像「日常」 在多數銀行或支付公司的風險部門，大家心裡都有一個不太想面對的共識： 詐欺不是偶發事件，而是每天都在發生、只是程度不同的日常。 每年損失多少錢，報告上會有一個漂亮的數字， 但真正讓人睡不好的，往往不是那幾個大案子，而是那些「明明有點怪，但又說不上哪裡不對」的交易。 過去，我們相信規則可以擋住這些東西： 一次刷太大就擋。 短時間內連刷幾筆就擋。 地點太遠、IP太奇怪就擋。 直到某一天，你發現詐欺者比你更會寫規則， 甚至開始學著用跟你一樣的技術——AI。 規則擋得住舊詐欺，擋不住會學習的對手 很多銀行的老系統裡，還有一大串 if-else 堆出來的「詐欺規則」。 這些規則是有用的，問題在於，它們只會抓「我們看過的詐欺」。 詐欺手法一變，規則就過期。 規則一多，誤報就爆炸，真正的風險反而被淹沒在一堆紅色警示裡。 機器學習和深度學習加入之後，遊戲有點變了。 現在的模型可以： 同時看上百個特徵：金額、時間、地點、裝置指紋、登入習慣、交易頻率… 去比對「這個人平常的樣子」跟「這一次的行為」差多少。 找出那些單看一筆完全正常，但放進一整個圖像裡就怪得說不過去的交易。 某家信用卡公司就曾把這樣的模型丟到他們的歷史交易裡， 結果抓出來的，不是那種一次刷爆的大額詐欺， 而是「小額、高頻、跨多個平台」的細水長流型攻擊。 這些交易每一筆都很普通， 真正異常的，是它們湊在一起的方式。 人眼很難在幾千萬筆裡看出這種 pattern， AI 則很擅長這種「在雜訊裡找縫隙」的工作。 真正關鍵的線索，往往藏在文字裡 數字會說話，但很多詐欺的前兆，先出現在文字裡。 客服信箱裡開始出現類似的抱怨： 「有人冒用我的帳號」「莫名其妙多了一筆扣款」。 Call center 的錄音逐漸出現某種相似話術： 「客服說要我先轉一筆驗證款」之類。 社群上開始有人提醒特定平台或連結「看起來怪怪的」。 這些訊號過去往往散落在不同系統裡， 靠人工去聽、去看，不僅慢，也很容易漏掉關鍵字。 自然語言處理（NLP）介入之後，事情變得有意思： 模型可以在幾百萬封信件和對話紀錄裡， 自動標出跟「盜用」「不明連結」「假客服」有關的文字。 它可以把看似零散的個案串起來， 讓你發現這其實是同一種新型社交工程攻擊，只是換了不同開頭。 有家國際銀行就把 AI 放進客訴信箱和聊天記錄裡， 結果發現一種過去從未歸類過的詐欺： 詐欺者假裝是某知名平台客服， 用極為自然的聊天語氣， 引導客戶「自己」完成整個轉帳流程。 … 더 읽기