通往今日 AI 炒作週期的漫漫長路

當前人工智慧的激增感覺像是一場突如其來的風暴，但實際上，這是多年前一個靜悄悄的決定所導致的結果。2017 年，Google 的研究人員發表了一篇名為《Attention Is All You Need》的論文，介紹了 Transformer 架構。這種特殊的設計讓機器能夠同時處理句子中所有單字之間的關聯，而不是逐一處理，成功解決了序列處理的瓶頸。如今，從 ChatGPT 到 Claude，每一個主流模型都依賴這項單一的突破。這大約發生在 2026。我們看到的並非什麼新發明，而是七年前的一個想法被大規模擴展。這種轉變讓我們從簡單的模式識別邁向了複雜的生成能力，並徹底改變了我們與電腦互動的方式。現在，重點在於我們能將多少數據和電力投入這些系統中。成果固然令人印象深刻，但基礎依然如故。了解這段歷史有助於我們看穿行銷包裝，並意識到今日的工具其實是過去十年中特定工程選擇的邏輯結論。

預測引擎與機率

生成式 AI 本質上是一個巨大的預測引擎。它並不像人類那樣思考或理解，而是計算序列中下一個 token 出現的統計機率。Token 通常是一個單字或單字的一部分。當你向模型提問時，它會查看訓練期間學習到的數十億個參數，然後根據訓練數據中看到的模式來猜測下一個單字應該是什麼。這個過程常被稱為隨機鸚鵡 (stochastic parrot)，意指機器在不理解底層含義的情況下重複模式。對於今日使用這些工具的任何人來說，這種區別至關重要。如果你把 AI 當作搜尋引擎，你可能會感到失望。它並不是在資料庫中查找事實，而是在根據機率生成看起來像事實的文字。這就是為什麼模型會產生幻覺的原因；它們被設計為流暢，而非絕對準確。訓練數據通常由對公共網際網路的大規模爬取組成，包含書籍、文章、程式碼和論壇貼文。模型學習人類語言的結構和程式設計邏輯，同時也吸收了這些來源中存在的偏見與錯誤。這種訓練規模使得現代系統與過去的聊天機器人截然不同。舊系統依賴僵化的規則，而現代系統依賴靈活的數學。這種靈活性使它們能以驚人的輕鬆度處理創意任務、程式設計和翻譯。然而，其核心機制仍然是一個數學猜測。這是一個非常精密的猜測，但絕非有意識的思考過程。

這些模型處理資訊的方式遵循一個特定的三步驟循環：

• 模型識別龐大數據集中的模式。
• 根據上下文為不同的 token 分配權重。
• 生成序列中最可能的下一個單字。

運算的地理新版圖

這項技術的影響並未在全球均勻分佈。我們正看到權力高度集中在少數幾個地理樞紐。大多數領先的模型都是在美國或中國開發的，這為其他國家創造了一種新的依賴關係。歐洲、非洲和東南亞的國家現在正爭論如何維護數位主權。他們必須決定是建立自己昂貴的基礎設施，還是依賴外國供應商。進入門檻極高，訓練一個頂級模型需要數萬個專用晶片和巨大的電力消耗，這對小型企業和開發中國家構成了障礙。此外還有文化代表性的問題。由於大多數訓練數據是英文，這些模型往往反映了西方的價值觀和規範，這可能導致一種「文化扁平化」。遠在半個地球之外建立的系統，可能會忽視或誤解當地的語言和傳統。在經濟層面，這種轉變同樣劇烈。每個時區的公司都在設法整合這些工具。在某些地區，AI 被視為跨越傳統發展階段的途徑；而在其他地區，它則被視為對支撐當地經濟的外包產業的威脅。2026 的市場現狀顯示出明顯的分歧。隨著基礎程式設計和數據輸入等任務自動化，全球勞動力市場變得更加動盪。這不僅僅是矽谷的故事，而是關於地球上每個經濟體將如何適應自動化認知勞動新時代的故事。少數硬體製造商所做的決定，現在決定了整個區域的經濟未來。

與自動化助理共存

要理解日常影響，可以看看行銷經理 Marcus 的生活。兩年前，Marcus 的早晨都在草擬電子郵件，下午則與平面設計師協調。今天，他的工作流程不同了。他以將粗略的產品簡報輸入本地模型開始一天。幾秒鐘內，他就擁有了五種不同的行銷活動方向。他不會直接使用這些產出，而是花接下來的兩個小時進行潤飾，檢查品牌語氣和事實錯誤。他曾經收到一份草稿，裡面編造了一個根本不存在的產品功能。這就是工作的新現實：重點不再是從零開始創作，而是編輯與策展。Marcus 的生產力提高了，但也更累了。工作節奏加快了，因為初稿只需幾秒鐘，客戶現在期望在幾小時內就看到最終版本，而不是幾天。這產生了持續產出更多內容的壓力，這種高速產出的循環幾乎沒有留給深度思考的空間。在辦公室之外，我們在政府和教育領域也看到了這一點。教師們正在重寫課程以納入 AI 輔助，他們正從帶回家的論文轉向面對面的口試。地方政府正在利用 AI 來總結公聽會並為移民社區翻譯文件。這些都是切實的好處。在印度鄉村的一家醫院，醫生使用 AI 工具來協助篩查眼疾。該工具是在全球數據集上訓練的，但有助於解決當地專家短缺的問題。這些例子表明，該技術是一種增強工具。它不會取代人類，但改變了任務的本質。挑戰在於，該工具往往不可預測。一個今天運作完美的系統，在一次小更新後明天可能會失敗。這種不穩定性是從個人創作者到大企業每個人都必須面對的背景噪音。我們都在學習使用一種在我們手中不斷構建的工具。欲了解更多詳情，您可以閱讀我們主網站上的全面 AI 產業分析。

預測的隱藏代價

我們必須針對這種進步背後的隱藏成本提出困難的問題。首先是數據所有權問題。我們今天使用的大多數模型都是在未經明確同意的情況下，從網際網路上抓取數據訓練出來的。利用數百萬永遠無法從利潤中分得一杯羹的人的創意成果來打造價值數十億美元的產品，這合乎道德嗎？這是一個法律灰色地帶，法院才剛剛開始處理。其次是環境影響。訓練和運行這些模型所需的能源令人震驚。隨著我們轉向更大的系統，碳足跡也在增加。在氣候危機時代，我們能證明這種能源消耗是合理的嗎？《Nature》最近的研究強調了冷卻數據中心所需的大量水資源消耗。我們還必須考慮「黑箱」問題。即使是構建這些模型的工程師，也無法完全理解它們為何做出某些決定。如果 AI 拒絕了貸款申請或求職面試，我們該如何審核該決定？缺乏透明度對公民自由來說是一個重大風險。我們正在將基礎設施託付給我們無法完全解釋的系統。此外還有「制度腐敗」的風險。如果我們依賴 AI 來生成新聞、法律簡報和程式碼，人類的專業知識會發生什麼事？我們可能會發現自己因為失去了親自動手工作的技能，而無法再驗證產出的品質。這些不僅僅是技術障礙，更是我們如何組織社會的根本挑戰。我們正在用長期穩定性來換取短期效率，我們必須自問，這是否真的是我們準備好要做的交易。

您有任何關於 AI 的故事、工具、趨勢或問題，認為我們應該報導嗎？ 將您的文章想法寄給我們 — 我們很樂意聽取您的意見。

本地模型的幕後運作

對於進階使用者來說，焦點已從簡單的提示詞轉向複雜的工作流程整合。真正的價值不再於聊天機器人的網頁介面，而在於 API。開發人員現在管理著嚴格的速率限制和 token 成本。他們正從龐大的通用模型轉向較小、專業化的模型。這就是本地儲存和本地執行發揮作用的地方。像 Llama.cpp 這樣的工具允許使用者在自己的硬體上運行強大的模型，這解決了隱私問題，並消除了對持續網際網路連線的依賴。然而，在本地運行這些模型需要大量的 VRAM。大多數使用者發現 24GB 是中型模型獲得良好體驗的最低要求。此外還有「量化 (quantization)」的趨勢，這是一種透過降低模型權重精度來使其運行更快、佔用更少記憶體的技術。4-bit 量化模型通常能達到與完整 16-bit 版本幾乎相同的效能，同時僅佔用一小部分空間。我們也看到了「檢索增強生成 (RAG)」的興起，這允許模型在生成回應前查看使用者的私人文件，透過將模型錨定在特定的、經過驗證的事實上來減少幻覺。這是通用預測引擎與實用商業工具之間的橋樑。下一個前沿是上下文視窗。我們已經從只能記憶幾頁文字的模型，發展到可以一次處理整個圖書館的模型，這使得分析龐大的程式碼庫或長篇法律文件成為可能。現在的挑戰是管理這些大輸入帶來的延遲。隨著我們推動這些系統的極限，瓶頸不再是軟體，而是矽片的物理極限和光速。《MIT Technology Review》和《IEEE Spectrum》的報告顯示，硬體優化現在是 AI 能力的主要驅動力。

進階使用者目前正專注於三個主要的優化領域：

• 量化減少了本地硬體的記憶體需求。
• RAG 系統將模型連接到私有的、經過驗證的數據。
• API 整合允許自動化的多步驟工作流程。

未完待續的故事

通往這一點的道路是由特定的技術選擇所鋪就的。我們選擇了規模而非效率，選擇了機率而非邏輯。這給了我們感覺神奇但依然存在嚴重缺陷的工具。炒作週期終將冷卻，但技術將會留存。我們留下了一個人類與機器創作界線永久模糊的世界。懸而未決的問題是，在一個內容無限且廉價的時代，我們將如何定義價值。如果機器可以在幾秒鐘內寫出一首詩或一個程式，那麼人類付出同樣努力的價值何在？我們仍在尋找答案。目前，最好的方法是保持好奇心與懷疑態度。我們應該利用這些工具來擴展我們的能力，同時意識到它們的局限性。AI 的未來並非一個成品，而是我們能構建的東西與我們應該構建的東西之間的一場持續談判。

編者按： 我們創建這個網站，是為了那些不是電腦高手，但仍希望了解人工智慧、更自信地使用它，並追隨已經到來的未來的人們，提供一個多語言的人工智慧新聞和指南中心。