人工智慧時代的職場變革：強者更強、弱者更弱？

[大衛選讀] 經濟學人近期在財經與經濟專欄中刊出一篇文章《How AI Will Divide the Best from the Rest》指出，AI 可能加劇就業市場的兩極化發展。高階人才和能夠掌握 AI 技術的人，將獲得最多的好處，而低階勞工則會面臨被取代的風險。

身為經濟學人的長期讀者，相較於過往傾向 AI 賦能弱者的論述，我可以明顯感受到，報導的風向正在轉變… AI 究竟會讓人人都變強，還是加大能力差異，或甚至是取代所有人？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

早期的樂觀預期：AI 幫助平等賦能 (AI as an equaliser)

說早期，其實也不過就是兩年前。2023年4月，史丹福大學 Erik Brynjolfsson 和麻省理工學院的 Danielle Li 與 Lindsey Raymond 的研究發現，生成式 AI 工具提高了新手客服人員的生產力達 34%，幫助他們更快更有效地進行問題查詢。相較之下，資深員工幾乎沒有獲得同等的效能提昇，因為 AI 只是強化了他們已經在使用的方法。

在這階段的研究裡，AI 技術似乎特別能夠幫助到，那些表現較差或技能較低的人群，使他們能夠生產出更高質量的工作成果，進而縮小與高績效者間的差距。

別高興得太早，故事還沒結束。

最新發現：AI 更可能會擴大差距 (AI as a Divider)

然而，近期 MIT 麻省理工學院在 2024年12月的研究中發現，頂尖研究人員在使用人工智慧來探索新材料時，研究效能的提升可以達到一倍以上；但是換到能力後段三分之一的研究員，有沒有使用 AI 則幾乎看不出差別。

這是因為擁有豐富專業知識的頂尖科學家，可以從AI生成的各種可能性當中，識別出較有希望的建議，並排除糟糕的選項。相較之下，能力後段的研究員則很難從大量五花八門的輸出中，篩選出有用的假設。

隨著更多研究證據的出現，早期認為 AI 會成為「偉大平等工具」的樂觀預期已開始動搖，取而代之的是 AI 可能會擴大現有差距的擔憂。

差異的關鍵：任務複雜度

仔細比較前後的差異，會發現兩年前的研究，更多關注在那些相對標準化和結構化的任務上，例如客服諮詢回應、基本文件生成，或是合約起草。在這些領域中，AI 確實能夠提供明確的指導和協助，對缺乏經驗的人員尤其有效。

然而當工作牽涉到複雜判斷、創造性思維，以及綜合分析的困難任務時，那就沒有標準答案了。高技能專業人士比起一般人，更能夠準確評估 AI 輸出的質量好壞、識別其侷限性，並將 AI 生成的結果與自身專業知識，有效地連結整合起來。

這種能力上的差異，在簡單任務中或許看不出來，但在複雜任務中卻會被明顯放大。

這形成了一種倒置效應：一旦任務的複雜性提高，AI 弭平人類能力差距的效果似乎會減弱；甚至會完全倒過來，進一步加大了能力上的差距。

強者更強，但可能最終還是逃不過自動化

經濟學家估計，過去 40 年來美國工作者的薪資差距不斷擴大，其中超過一半是由於以前由人類勞工完成的任務被自動化所取代。他們發現，經濟產出中，支付給工人的薪資比重不斷下降，而用於機械和軟體的支出卻不斷增加。

閱讀全文 人工智慧時代的職場變革：強者更強、弱者更弱？

那些錄音筆錄不到的事：乙方PM的專案溝通課

[大衛選讀] 昨天去上了一堂，扎扎實實的 PM 專案溝通課。這是悠識學院的 Richard 特別開給設計顧問同業的閉門交流課。

因為關起門來，大夥聊起甲乙雙方的愛恨糾葛，總是特別真實深刻。由於收穫太多了，我特別把互動問答當中，特別有共鳴的觀念整理出來，結合自己的經驗反思，寫成一篇專文。

對於這堂課有興趣的朋友，歡迎直接聯繫 Richard。

客戶總是變來變去，有什麼不變的對應原則？

首先，你的個人動機很重要。

如果你做這個案子沒有想清楚自己的動機，那會很容易變得沒有動力跟韌性，也很難調適各種困難與變化。專案開始前，得要先找到個人的動機，那將會是在變動中，評估自己該如何做的不變核心。

這就要順便分享我自己帶專案，常會跟團隊討論的四個目標，也就是專案、客戶、團隊，以及個人目標。

專案目標最簡單，要達成的目標跟交付物，都寫在RFP跟開案簡報裡了。

客戶目標則要主動去考慮，他們除了順順做完專案之外，希望能順便建立結構、訓練培力、還是升官前的考驗？知道了就能幫忙，會去考慮客戶心裡要什麼，也才有機會經營夥伴關係。

團隊目標則是，我們自己的團隊想要完成些什麼。也許是想要挑戰新的領域，也或許是面對舊專案想要嘗試新作法？設好團隊目標，大家做起專案來會比較有共識，什麼要多做一點，什麼得要放掉。

個人目標是常常被忽略，但是很重要的部份。我通常會在專案啟動前，一對一跟團隊成員討論個人的目標。無論是要挑戰資深崗位、轉換不同角色，還是累積特定的作品經歷都好。討論確定了，就讓團隊裡的每個人都知道彼此的個人目標，這就有機會讓大家互相幫忙。

總之，個人的動機很重要。有值得追求的目標放心裡，才不會浪費青春，白白做一個案子。

溝通不良，無法改善，甚至對方失去了溝通意願？

專案上的溝通，不是為了當好人、討好客戶，或是維持私人關係。

溝通只有一個目的，就是設法達成既定的專案目標。

所以遇到溝通的問題時，得要回到根本去檢視專案的目的 (Goal, 為什麼要起這案子) 跟目標 (Objective, 要達成什麼)，然後盤點人事物的現況，看看到底中間發生了什麼問題。

回到個人經驗，通常在專案初期的內部訪談過後，我會帶團隊在客戶公司樓下大廳快速retro, 交流剛剛聽到了什麼「錄音筆錄不到的事情」。

有些事情不好說、有困難，在面對面的場合裡，就會形成錄音筆錄不到的無聲互動。這裡頭藏的可能就是關鍵的 hidden agenda，若能早點發現應變，就可以省掉中後期的大量溝通成本。

此外，溝通的原則技巧，除了順藤摸瓜 + 對等溝通外，有一個態度上的建議，那就是：「我是來幫你的，你有什麼問題，都可以跟我說。」我的親身經驗是，即使碰到合作意願低落的窗口，只要把這來幫忙的態度擺好，多溝通幾次，總是會有機會切進去的。

客戶只簡略介紹需求，就要求估價？

PM 常常碰到這狀況，那該怎麼辦呢？簡單講，硬著頭皮報價是很不負責任的作法。要不害死自己，要不報價含風險溢價就會高到沒天理，開頭就留下一個壞印象。

預算 vs. 估價 vs. 報價，這是三個不同的字眼。

閱讀全文 那些錄音筆錄不到的事：乙方PM的專案溝通課

當我們讓人工智慧代筆時，究竟失去了什麼？

[大衛選讀] 平常在開會或做設計討論時，我多半會打開筆記本，霹靂啪啦開始寫東西。有些設計師會問我，腦袋想就好，為什麼一定要打字？

這大概是研究所以後養成的習慣吧，一開始是為了把議題記錄下來，避免遺漏了而寫。後來慢慢演變成，只有三成記錄眼前脈絡，更多的是記錄腦袋裡的想法。

所以我的筆記除了聽到的重點之外，大部分會是我腦中的提問、可能的假設，以及後續的規劃與建議。有邊想邊記錄下來，思緒會變得很清晰，而且很快就能進入反思與決策。

生成式 AI 一鍵就可以錄音並且總結會議記錄，一開始用很驚艷，可是用著用著，我發現思考變慢變薄了，有一種腦霧感。

仔細想想，我的體感經驗完全呼應到 Paul Graham 所說的：寫作本身就是思考 (writing is thinking)。寫作本質上是一個擴充腦力、精鍊邏輯思維的過程，而不只是生成文字而已。

很快地，未來大量的寫作工作一定會被外包給 AI。但是思考跟語文能力的鍛鍊，想要讓腦袋變聰明，就更需要靠自己有意識地健身勞動了。

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

寫作就是思考，難以簡化，而且頗有壓力

Paul Graham 前一陣子寫了篇文章，名為《Writes and Write-Nots, 會寫作，與不寫作的人》。他認為，寫作本身就是思考 (writing is thinking)。寫作早已內嵌在許多工作中，而且工作的影響力越大，往往需要越多的寫作。

寫作本質上是件很困難的事，而且難以簡化。要寫得好，你必須思考清晰 (think clearly)，而清晰地思考是件難事。

腦袋沒想清楚，寫得狗屁不通已經夠糟；如果還沒有深入思考，就去抄襲別人的文字，那就更慘了。字裡行間會顯露出瑣碎、平凡，而且缺乏洞見與思辨能力。

寫作，確實是件頗有壓力的事情。

一旦可以把寫作外包給 AI，人類將往兩個極端走

然而 AI 打開了一個新的可能性，生成式人工智慧一出現，幾乎所有寫作的壓力都已散去。無論是在學校還是工作中，幾乎都可以讓 AI 幫你代筆。

可清楚預見的，把寫作外包給 AI 的趨勢會加速發展。過往那個嘔心瀝血構思文句的繁重工作，一旦可以外包出去，那種一鍵生成快速便利的感覺，真是會令人感到興奮。

舉凡公司郵件、法律文件、伴娘致辭、訃文等，可預見的是，人工智能寫作將無處不在，要生成多少文字就有多少文字，甚至跟真人寫的沒什麼差別。

結果是，這個世界將分成兩群人：寫作者 & 非寫作者。喜歡寫作的人會變得更為優秀、更懂得思考；而其他人則會變得更加不擅長這些事情。

人工智能魔法的便利性，是有其代價的 (the convenience of AI magic comes at a cost)

AI 生成取代寫作，不僅是一種自動化的進程而已。這並不像是從算盤過渡到電子計算機那樣，只是計算上的勞力替代。讓人工智能為我們寫作的後果，實際上更加危險。

閱讀全文 當我們讓人工智慧代筆時，究竟失去了什麼？

我們已經準備好迎接又快、又劇烈的 AGI 變革嗎？

[大衛選讀] 近期紐約時報旗下的 Hard Fork 做了一則專訪，訪問 OpenAI 前任資深顧問 Miles Brundage，談 AGI 發展趨勢，以及對於大眾的影響。

過去六年深入參與 AGI Readiness 的研究工作，他認為現在是一個很瘋狂的狀況。一方面 AI 技術發展正在向前不斷加速，但是另一方面政府跟社會似乎都還沒有做好應變的準備，大眾的認知也跟先進實驗室的發展現況有相當落差。

對他來說，趨勢很明顯。不需要幾十年，而是在未來幾年內，人工智慧將能夠全面勝任人類在電腦上能做的各種工作。提早退休的時代將會比我們預期地更早來臨，隨著經濟快速發展，若能搭配好的租稅與社會福利制度，大多數人無需工作也能過活。

變革之大，教育與工作的意義，將需要重新被探索跟定義。在那之前，為了更好的在後人工智慧時代下生活，Miles Brundage 建議，人們應該趁現在，趕快積極儲蓄，並且充分了解人工智慧的能與不能。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

我們已經準備好迎接又快、又劇烈的 AGI 變革嗎？

Miles Brundage 曾任牛津大學人類未來研究所的研究員，之後加入 OpenAI，參與通用人工智慧準備 (AGI Readiness) 的研究工作，以確保 OpenAI 在建構更強大的人工智慧系統時，能夠安全地釋出這些系統，讓社會享受到人工智慧帶來的益處，同時減輕風險。

他在 OpenAI 工作六年後，宣布離開的消息引起了很多關注。他一直非常積極地呼籲大家關注這些系統的風險。但他在離職的過程中表示，他不認為 OpenAI 或任何其他先進人工智慧實驗室已經為人工智慧的到來做好了準備，而整個社會也還沒做好準備。

如果去仔細閱讀各個先進人工智慧實驗室發表的東西，會發現他們普遍承認還沒有完全掌控一切。所以這是一個很瘋狂的情況：一方面是技術進步非常快，另一方面是了解最多的人卻說我們還沒做好準備。

電腦在未來幾年內，或將全面勝任人類在電腦上能做的各種工作

在未來幾年內，很可能會出現人工智慧系統，在電腦上的工作能力完全超越並可取代人類，無論你是否要稱它為通用人工智慧 (AGI)。

趨勢很明顯，這些系統將能夠操作滑鼠和鍵盤，甚至可以在視訊聊天中看起來像真人。人們應該儘早思考這意味著什麼，政府也應該思考這對稅收、教育投資等意味著什麼。

在一個人工智慧可以勝任大部分工作的環境下，教育的意義是什麼？

並不是說所有的工作都會消失，但人工智慧的發展必然會帶來巨大的衝擊，人們需要提前思考這對於教育的深遠影響。

教育的目的是培養人們成為一個努力工作的好公民，還是讓他們能更加了解自身所在的世界？如果教育不是跟過去一樣，主要是為了就業做準備，那麼未來發展時，就會更需要去思考教育的真正意義是什麼。這肯定會變得很不一樣。

人工智慧的發展是真實深刻的，但是大眾的認知還沒有跟上

總會有一些人認為這都是科幻小說，他們不相信人工智慧正在接近人類水平的智慧，他們在生活中看不到 ChatGPT 或其他工具的用處，他們認為這基本上是科技巨頭的營銷炒作。

身為科技與社會跨領域研究的專家，Miles Brundage 觀察到科技業界人士與大眾之間的認知差距。這斷差既有趣，又值得深入探討並且試著弭平。

閱讀全文 我們已經準備好迎接又快、又劇烈的 AGI 變革嗎？

預測未來：從蒸汽機到人工智能，我們學到了什麼？

[大衛選讀] 預測未來有多難？最近讀了一些科技發明對於人類歷史的影響，再從當時人們的認知與預測，對照後續的真實發展，會發現要預測未來真的很困難。

從蒸汽機發明，到鐵路建設，以及設備電氣化等技術發展來看，人們對於新技術的直覺想像總是貧乏的，也往往會在長期範圍內，低估了新技術所帶來的深遠影響。

人工智慧很明顯會帶動第四次工業革命，要怎樣重新思考我們的工作？是要謀定而後動，還是打帶跑見機行事？

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

預測未來：從蒸汽機到人工智能，我們學到了什麼？

未來是一片未經探索的領域，而我們對於未來會如何的直覺往往是錯誤的。

眾所周知，哥倫布曾以為他正在開闢一條通往印度的新貿易路線，結果卻意外發現了美洲大陸。同樣地，對於未來工作的預測，通常跟我們真正到達未來時所看到的實際情況，往往相距甚遠。

以著名經濟學家凱恩斯在 1930 年代的估計為例，他預測在幾代人之內，每週將只需要工作 15 小時。他認為技術的進步將提高生產力，讓人類能夠用更少的工作時間享受同等的生活水準。雖然隨著歷史演進，工時確實有若干減少，但是自 1940 年代以來，典型的工作週仍停留在平均每天 8 小時，每週 5 天的水平。

為什麼我們的預測經常是錯的？

首先，人類是非理性和情緒化的，這使我們難以預測未來會怎樣發展。

在科學研究的基礎上，我們對大自然的理解，比對人性的理解要好得多。由於大自然的規則是由物理世界所定義的，是邏輯的、能被充分理解的，而且穩定不變。這使得科學家能夠在高度確定的狀況下，去理解複雜的物理過程，例如氣候變化。

但人性決定了人們將如何在社會經濟跟政治上，去做出反應。人性本質上是非理性和情緒化的，這使我們難以預測。這就是為什麼，氣候變化和許多其他事件對未來的影響，實務上難以準確預測的原因。

此外，我們在預測上的真正問題，並不在於技術貧乏或不精確，也不在於我們在短期內高估了新想法和技術的潛力；而是往往在長期範圍內，低估了它們的影響 (underestimating their impact in the long term)。

預測靠的是模型，也就是一種框定現況以及後續動態的方式 (model, a way of framing the present and its dynamics)。但是我們使用的模型，難以考慮到人類的慾望和創造力。未來是由無數人類所共同決策與塑造的，而正是這些人類的判斷，決定了我們將身處哪一個未來。

我們選擇如何使用技術，跟技術本身的特性同等重要，甚至更為關鍵。儘管新技術創造了新的可能性，但我們需要去決定，哪些可能性會真正發生，成為新的現實。

閱讀全文 預測未來：從蒸汽機到人工智能，我們學到了什麼？

Tesler’s law, 複雜性守恆定律

[大衛選讀] 設計師會不會想太複雜了，有必要在系統上做到這樣複雜的判斷跟處理嗎？在產品規劃時，這是很常出現的來回思辨跟角力。

我的經驗是：表面上看起來簡單，其實裡頭通常並不簡單。一開始想簡單了，最後很可能用起來就會複雜到爆炸。

複雜與否，這當中的權衡一直是很有趣的議題。Tesler’s law 複雜性守恆定律，正是這樣的洞見，有助於我們理解整體的複雜性，並且更好地思考該如何應對。

這個定律簡單講，就是根本的複雜性是不可能消滅的。要麼這個複雜性在規劃階段由設計跟開發來承擔，要麼就是丟給使用者來自己面對。

但仔細去思考，就會發現人性偏好在未知懵懂的狀況下，去選擇複雜的解法以求得安心；過度的簡單，可能會造成體驗的反效果；以及如何利用建立概念模型、漸進式揭示等設計技巧，去有效承載消化不必要的複雜性。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

在應用程式或流程中，誰應該承擔起這樣的複雜性？是使用者，還是設計師和開發人員？這是在做介面設計，以及更廣泛地考慮人類如何與技術互動時，必須面對的一個基本問題。

體驗設計師的其中一個關鍵目標是，為人們降低複雜性，讓產品和服務能夠變得更簡單易用。

但是每個流程都有一些固有的複雜性。不可避免地，當複雜性無法進一步降低時，只能將它其從一個地方，轉移到另一個地方。在這個時候，複雜性要麼進入使用者界面中，要麼進入設計師和開發人員的工作流程中。

The origins of Tesler’s law

複雜性守恆定律 (Tesler’s Law, Law of conservation of complexity) 的起源可以追溯到 1980 年代中期，當時全錄 PARC 的計算機科學家 Larry Tesler 正在協助開發全新的互動設計語言。這是一套定義互動系統結構的原則與標準，對桌上型電腦和排版技術的發展至關重要。後來又到了蘋果電腦，協助開發 Mac 物件導向的軟體框架。

Tesler 意識到，介面的一致性不僅會讓使用者受益，也能夠讓開發人員受益，因為共通的標準可以內建在共享的軟體庫中。很快速有效地導入，並且發揮綜效。

Tesler 將複雜性守恆定律，定義為一種向公司管理層以及獨立軟體供應商，推銷這個想法的說服方法，希望能在大眾市場軟體中建立標準，以減少終端客戶面臨的複雜性。

Tesler 認為：「工程師應該多花一週時間，來試圖降低使用端的複雜性，而不是讓數百萬的用戶因為這不必要的複雜性，而每天得多花一分鐘。這樣做是讓工程師輕鬆了，但是反過來懲罰了使用者。」

Complexity bias leads to more complex solutions 人們天生偏好看起來複雜精細的解法，結果往往導致更複雜的解決方案

人類有相當多的認知偏差，它是一種心理捷徑，讓我們能夠快速做出決定而不需徹底分析情況，進而提高了我們的效率。

複雜性偏差 (complexity bias) 則是我們傾向選擇那些複雜和精細的解決方案，而非直接簡單的解決方案。這通常是因為複雜性會讓人聯想到：智慧、專業知識，或是有著深度的理解。

簡單來說，我們經常過分讚許那些聽起來複雜的概念，或者當我們感到困惑或沒有花時間真正理解時，會將原本很容易理解的事物，視為是相對複雜和困難。

當我們選擇更複雜的解決方案時，我們就逃避了真正理解關鍵問題的必要性。但結果往往是，解決方案中的複雜性和假設越多，失敗的可能性就越大。

閱讀全文 Tesler’s law, 複雜性守恆定律

Giver culture, 互相給予幫助的動機與能力

[大衛選讀] 最近在反思，一個設計團隊效能好、氣氛佳的關鍵原因是什麼？是因為團隊成員都很資深、組成很多元、還是16型人格很速配？

想了想，都不是。我看過效能氣氛都好，而且可以逐步成長越來越好的團隊，通常多數成員都會主動伸出手幫別人一把，同時自己也樂於請求幫助。

Adam Grant 在 2013 年提出的 Giver and Taker 概念，正好很呼應了我的實務經驗與反思。團隊效能高低的關鍵，來自於互相給予幫助的動機與能力。

這當中包含了如何篩選適當的人格特質進入團隊、如何透過管理機制去加強促進幫助他人的行為，以及如何創造一個樂於尋求幫助的環境，而不用擔心示弱等。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

在 9/11 恐怖攻擊事件之後，一組哈佛心理學家團隊進入美國情報系統進行研究。他們想要找到，情報單位運作效率高低的真正關鍵因素。

透過針對 64 個不同情報小組中，數百名分析師進行調查、訪談和觀察，研究人員發現，關鍵並不是他們預想的那些。像是擁有清晰、具有挑戰性和有意義的願景，也不是明確定義的角色和責任，適當的獎勵、認可和資源，或是強有力的領導。

相比之下，要預測群體效能高低，最直接有效的因素只有一個，那就是：分析師之間互相給予幫助的數量 (the amount of help that analysts gave to each other)。

在表現最好的團隊中，分析師會投入大量時間和精力來指導、教學和諮詢 (coaching, teaching, and consulting) 他們的同事。這些幫助了分析師去質疑自己的假設，填補知識空白，獲得新的視角，並在看似不相連的訊息線索中認識到模式。

相反地，在評級最低的單位中，分析師之間很少互相幫助。光是掌握互助行為的頻次數量，就可以讓哈佛研究人員準確預測出各單位最終的績效排名。

Give, take, or match 給予、索取或互利

在給予者 (giver) 的文化中，員工的運作方式與高績效的情報單位一樣：樂於幫助他人、分享知識、提供指導和建立聯繫，而不期望得到回報。

同時，在索取者 (taker) 文化中，慣例是盡可能從別人那裡拿多一點東西，同時少貢獻一些。員工只有在個人利益比付出成本更高時才願意提供幫助，而不是在組織利益超過個人成本時。

大多數的組織處於中間的位置。也就是互利者 (matcher) 文化，慣例是員工會去幫助那些幫助他們的人，保持給予和索取的平衡。但這只是封閉小圈圈的互助，針對跨部門或地區的員工，若是彼此沒有足夠的互信，就沒有辦法啟動正向循環。

All too often, leaders create structures for takers 通常是領導者自己建立出了鼓勵索取的管理結構

既然開放的互助系統有明顯的好處，為什麼大多數的組織沒有發展出 giver culture 呢？

那是因為，領導者經常自己創造出，會阻礙這一過程的管理結構。根據康奈爾大學經濟學家羅伯特·弗蘭克 (Robert Frank) 的說法，許多組織本質上是贏家通吃的競技場，重點在於彼此爭奪獎勵和晉升。

當領導者實施強制性的績效排名來獎勵個人表現時，他們就在 giver culture 的發展過程中設下了障礙。這會把員工放在爭奪資源的對立面，讓互相幫助這件事變成了一個不明智的舉動，除非他們自己能因此獲得更多划算的回報。

原本願意付出的那些人，很快地就會發現這太費力了。他們自己的生產力受到影響，因為組織裡的 takers 佔據了他們的時間甚至竊取他們的想法，透過剝削來達到自己的成就。

隨著時間過去，可以預料的是，員工們會發展出更多的索取行為，或至少變成 matcher 來保護自己。每當他們提供幫助之前，都期望至少要能互惠才願意行動。

閱讀全文 Giver culture, 互相給予幫助的動機與能力

永遠不要召喚你無法控制的力量 Never summon a power you can’t control

[大衛選讀] 關於人工智慧的發展與影響，近期有很多思辨。像是AI Is a False God, Artificial intelligence is losing hype等，都在講現在看到的人工智慧，只是一種假象。看似充滿智慧的背後，只是玩弄了人類熟知的表達形式，並不代表真知卓見與創新巨變。

相較之下，哈拉瑞 (Yuval Noah Harari) 的新書摘要，一篇名為《永遠不要召喚你無法控制的力量》的文章，則更能引起我的深度反思。

哈拉瑞是著名的歷史學者、哲學家暨暢銷作者，著有人類大歷史三部曲。他不從短期技術分析著手，更關注人類歷史長期的發展與演變趨勢。他認為人工智慧並不等同於以往的技術革新，不只是個工具，而是歷史上第一個能夠自己做決定和創造新想法的技術。

以 AlphaGo 的第 37 手棋作為關鍵分界點，人工智慧的特質，包含越來越不依賴人造的外星本質 (the alien nature of AI)，以及不可理解性 (the unfathomability of AI)，對於人類來說都是前所未有的挑戰甚至威脅。

往後如果有幸，人類沒有發動大規模戰爭，毀滅掉了自己，也勢必要面臨人工智慧壓倒性的挑戰。團結一致是唯一的機會，不然召喚出無法控制的力量之後，就很難抵禦我們孕育出來的超高等智慧了。

文章很長，值得細讀思考。內容整理如下，原文連結：https://www.theguardian.com/technology/article/2024/aug/24/yuval-noah-harari-ai-book-extract-nexus

永遠不要召喚你無法控制的力量 Never summon a power you can’t control

忘記好萊塢電影演的魔鬼終結者機器人吧，人工智慧的現實情況，遠比這些電影更加危險。

縱觀歷史，許多傳統思想都認為人性中存在某種致命的缺陷，誘使我們追求我們不知該如何處理的力量。

例如希臘神話中，法厄同妄圖駕駛太陽神赫利俄斯的太陽戰車，結果失控引發災難。兩千年後，當工業革命邁出第一步，機器開始在許多任務中取代人類時，歌德的警世故事《魔法師的學徒》講述了學徒使用魔法讓掃帚取水，卻無法加以控制而釀成大洪水。這兩個故事都警示人類：不要貿然召喚或使用超出自身掌控能力的力量。

人工智慧對人類構成前所未有的威脅，因為它是歷史上第一個能夠自己做決定和創造新想法的技術 (the first technology in history that can make decisions and create new ideas by itself)

以前所有的發明都是為人類賦能，因為無論新工具有多麼強大，使用它的決定仍然掌握在我們手中。核彈不會自己決定殺死誰，也無法改進自己或自行發明出更強大的炸彈。

相比之下，自主無人機可以自己決定殺死誰，而 AI 可以創造新穎的炸彈設計、前所未有的軍事策略和更好的人工智慧。

人工智慧不只是工具，它是一個智能個體 (AI isn’t a tool – it’s an agent)。人工智慧最大的威脅在於，我們正在召喚無數個新的強大智能個體到地球上，它們可能比我們更聰明、更有想像力，而我們並不完全理解或控制它們。

AI 過往被用來當做人工智慧 (artificial intelligence) 的縮寫，但也許將其視為外星智慧 (alien intelligence) 的縮寫更為恰當

隨著人工智慧的發展，在依賴人類設計的意義層面上，它變得越來越不「人造」，反而更加地「外星」。

許多人試圖用「人類水平智能」的標準來衡量甚至定義人工智慧，我覺得這樣的標準有很深的誤導性。這就像用「鳥類水平般的飛行」標準來定義和評估飛機一樣，這兩者間已經是完全不同的尺度。

人工智慧並不是在朝著人類水平智能前進。它正在發展一種更像是外星類型的智能。

現在的人工智慧已經能夠自己創作藝術和進行科學發現。在未來幾十年內，它很可能獲得創造新生命形式的能力 (AI will gain the ability even to create new life forms)。無論是通過編寫基因代碼還是發明使無機實體生動起來的無機代碼。

因此，人工智慧可能會改變不僅是我們物種的歷史，而且是所有生命形式的進化進程 (not just of our species’ history but of the evolution of all life forms)。

閱讀全文 永遠不要召喚你無法控制的力量 Never summon a power you can’t control

AI 時代的設計品味 vs. 技術能力

[大衛選讀] AI 時代的設計品味 vs. 技術能力

總不會讓設計師失望的，Nielsen Norman Group 最新的文章，再次為設計師的不可取代性，有條有理地大聲疾呼。

我確實也認同，品味跟鑒別度是創造極致的關鍵。但是有多少普羅大眾分得出來80分跟90分的差別，這個我就沒有把握了。

我更好奇在意的會是，是否有機會結合 AI，讓設計師作對選擇 (make right choice) 的鑒別度提高，更好地理解問題，以及更客觀地去評估解法。

無論如何，內容整理如下，原文連結：https://www.nngroup.com/articles/taste-vs-technical-skills-ai/

Design Taste vs. Technical Skills in the Era of AI

生成式 AI 工具正在賦予人們前所未有的創作能力。你不需要擁有相機就能創作照片，不需要任何視覺設計技能就能製作插圖，也不需要了解任何韻律就能創作詩歌。只需點擊幾下，任何人都可以打破傳統障礙，生成幾乎所有你想要的東西。

這是 AI 工具令人興奮的好處之一，它們彌補了技能的差距 (fill skill gaps)，減少了設計中常見的乏味且依賴手頭功夫的任務 (reduce the boring, technically tedious tasks).

然而，僅僅因為某人能夠創造出他們以前無法創造的事物，並不意味著這就是好東西。

技術能力 ≠ 品味 (Technical Capability ≠ Taste)

雖然 AI 可以輸出各種東西，但並不保證品質。技術能力並不等於創造力 (Technical capability does not equal creative ability).

創意策略總監 Oisin Hurst 對此提出了一個完美的比喻：AI 之於創造力，就像微波爐之於烹飪 (AI is to creativity what microwaves are to cooking).

如果你是一個糟糕的廚師，微波爐可以完成工作。但輸出的品質絕對無法與廚師製作的精緻餐點相提並論。微波爐不允許太多創意實驗。你可以改變烹飪時間和強度，但僅此而已。

因此，如果你是一位有天賦的廚師，使用微波爐可能會讓你感到沮喪，因為你對輸出的精確控制較少，而且產品的品質將遜於大多數其他烹飪方法的結果。

隨著 genAI 的廣泛應用，設計師不再是唯一能夠產生設計輸出的人。你不必是視覺設計師就能創建插圖，不必是內容設計師就能創建內容，甚至不必是互動設計師就能創建網站。

我們預計，在未來，設計師將不再能靠著擁有產生設計物所需的技術技能，就因此與眾不同。任何人都能夠製作各種內容類型，無論他們的技能高低。

那麼，為什麼還需要設計師呢？

我們認為，創造一個好的設計所需要的，不僅僅是技術技能。因為設計在技術層次上做得出來，並不意味著它就是正確的設計。

閱讀全文 AI 時代的設計品味 vs. 技術能力

從 McKinsey’s Lilli 生成式 AI 工具，看顧問的獨特價值

[大衛選讀] 自從今年三月 Claude 3 Opus 開放使用後，我最常做的事情就是，把資料丟進去，然後開始跟 AI 對話。

做做單篇內容的翻譯總結跟摘要是很基礎的，比較有趣的用法會是把有上下文關係的多個文檔放進去，然後試著做綜合分析跟比較。例如把研究規劃、訪綱、逐字稿都塞進去，然後開始靈魂拷問：每一個關鍵的研究問題下，發現到什麼脈絡、會如何詮釋跟解讀，跟去年的另一篇報告相比又有什麼不同的發現？

這樣做的目的，並不是要一個結果，而是要在過程中幫助思考各種可能性。

同樣是顧問業，麥肯錫在去年發表了 Lilli 這個生成式 AI 工具。Lilli 是以 1945 年聘用的首位女性專業人員 Lillian Dombrowski 命名，她創立了麥肯錫的第一個檔案資料庫，以敢於接受任何挑戰的精神而聞名。

看著 Lilli 的應用案例，會去深刻想想，再過五年，顧問業還是今天這樣的樣貌嗎？什麼東西是值得留下來的，哪些只會變成時代的眼淚？身為顧問的獨特價值又是什麼？

多篇文章的內容整理如下，原文連結則放在留言中。

Lilli has unleashed the creative potential in McKinsey’s Consultant

把過往幾十年到剛剛出爐的顧問報告，轉變成馬上可以取用的諮詢資源

眾所週知，麥肯錫有個 「KNOW」資料庫，裡頭涵蓋了多年來累積的案例研究、產業剖析、方法論指南等逾十萬份文件與訪談記錄。這些知識結晶在結案之後，會經過去識別化等保密處理，然後放到內部資料庫中，變成全球上萬名麥肯錫顧問可取用的參考資源。

而 Lilli 之所以強大，關鍵在於它能夠直接存取麥肯錫內部龐大的知識庫「KNOW」。只需輸入問題或關鍵字，Lilli 便能快速搜尋資料庫並給出綜合答覆。相較於過往必須透過搜尋、閱讀跟比對大量文件資料；以對談方式萃取過往知識脈絡，大幅節省了顧問蒐集資料的時間。

多層次知識源整合 (Multi-level Knowledge Integration) 

Lilli 能夠將 KNOW 資料庫中不同層次、不同維度的知識進行有機融合，形成全面、系統性的洞見。

在專案層面 (Project Level) 上，包括項目的背景、目標、團隊組成、工作計劃等。Lilli 可以從中根據新專案的特性，提煉出專案管理上的最佳實踐，如里程碑設置、資源配置等，作為新項目的規劃參考。

在方法論層面 (Methodology Level) 上，麥肯錫過往積累了大量的通用方法論和分析框架，如五力模型、價值鏈分析、波士頓矩陣等。Lilli 可以將這些方法論與具體的專案脈絡相結合，預先示範如何利用方法論與工具去解決特定的問題。藉此幫助顧問思考，並且提升分析的深度和廣度。

行業洞見層面 (Industry Insight Level) 上，KNOW資料庫涉及各個行業的研究報告、趨勢分析、標桿案例等。這些內容反映了對特定行業的宏觀掌握。Lilli 可以將這些行業洞見與專案層面的經驗相結合，將單一專案放在行業大背景下審視，去有效識別出更多的機會與風險。

專家網絡層面 (Expert Network Level) 上，KNOW資料庫中還包含了麥肯錫全球專家網絡的資訊。Lilli 可以結合專家觀點，並且串連起全球各地麥肯錫顧問間的交流聯繫。

閱讀全文 從 McKinsey’s Lilli 生成式 AI 工具，看顧問的獨特價值