[AI] 議題筆記 – AI 工具選擇與導入決策(11/18)

本篇文章更新時間：2025/11/20
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知。
一介資男的 LINE 社群開站囉！歡迎入群聊聊～
如果本站內容對你有幫助，歡迎使用 BFX Pay 加密貨幣 或 新台幣 贊助支持。

講師：

尹相志
DataDecison.AI 數據科學家 技術長
投入人工智慧領域十年以上，企業 AI 導入顧問。
最不喜歡說現在的 AI 有智慧。

先說結論：

專業內容深入淺出、簡報不冗長，現場DEMO都有切入重點，導入企業的流程與決策參考重點部分在簡報後有提供。下方筆記就不贅述。

議題筆記重點

1. 當前的 AI 並不是真的有智慧，只是海納全世界知識的集合體（大型語言模型），透過極限推進預測下一個 Token ID，來呈現最有關聯的答案。向量是將特徵數據化的方法，透過向量的計算找到最相似的下一個動作就是將這樣的機制推向更多領域去發展 AI 的關鍵。顯卡正是適合這類型圖學的計算處理。

2. 實驗 AI 並不是真的有智慧之數學挑戰： 9.8 vs 9.11 誰比較大？ 讓 AI 產出結果正確的做法： 給他一點時間。（Prompt: 請你一步一步的拆解）如果給予 AI 不夠多的時間進行解析，往往錯誤率就會提升。

3. AI 進程： 對話機器人 -> 推理者 -> 代理人（目前到這） -> 創新者 -> 組織者。

4. 使用 AI 技巧關鍵就是角色扮演、人設： 讓 LLM 有個使用情境前提。同時舉例「Dead Grandma Trick」透過情勒讓 AI 做出違反版權的操作。

5. 以角色扮演進階的 ChatGPT 應用 GPTs，免費版能用，但是不能設計 ->講者提供他的 GPTs 設計之一： 費米推論 ，用來拆解一個複雜的提問，用理論去逼近結果。（Ex: 全台北市有幾個圓孔蓋？）

6. Agentic AI -> 用機制來解決錯誤。多 AI 互相協作：翻譯案例（GPTs: 萬能翻譯 ），透過 AI譯者、AI教譯的兩個角色交互產出結果。無法解決犯錯，但可以透過多重應用的機制來降低錯誤率。

7. 企業導入 AI: 資訊部門反而是阻力！最懂 AI 的資訊人員理解這裡面有太多無法控管問題。資安又會是法務更在意的點。

8. AI 資安： 建立分群屏障，舉例：聯發科研發部門不能用、但其他部門鼓勵使用。要用，但要用的安全。

9. AI 導入選題： 從解放人力下手，再來是從不反彈、造成傷害小的領域切入。

10. AI 目前帶來的價值，只有極少主題能收斂回是 AI 的商模。更多的是透過 AI 去做研究、驗證想法、改良過時的工具等做法，AI 僅是過程的輔助。 講者對於 AI 提供「深度研究」的功能展示其研究能力，可以輔助管理階層節省時間學習。

11. 講師案例：遠傳（客戶流失模型，提前半年做預判），預測 與 偵測 的差異：保留能解決未來問題的時間

12. AI 是流程重建，不是「自動化」，不建議照企業現行流程來復刻，而是理解重建的路徑（放在降低錯誤），所以自動化是現階段的暫時解（不建議投入的點），現行這些服務發展之快，評估如果一年內無法完成解決問題，就不建議花太多成本推進，可能被市場用不同維度翻盤的機會高。

13. 企業推動的層次：任務級層次（點） -> 流程級層次（線） -> 組織級層次（面）

14. 企業顧及資安需求，將這些 AI 模型落地是必要。不過除了顯卡運算資源缺乏外，電力更是問題。就選擇 AI 上，Manus 算後起之秀，品質也高。做深度研究的主題類型中費用也不貴（不到台幣三百元能完成一個專案報告）。

15. 企業導入也要理解 RAG 的機制。從分片資訊（300字元內）來建立多維度資料，提問的問題也是盡可能提供多種近似問法去逼近搜尋的結果。

16. AI 導入是馬拉松不是短跑。最重要的決策就是現在開始行動。75% 的 AI 專案失敗問題出於決策而非技術。三大根本原因： 缺乏長期AI策略（為了AI而AI）、難以規模化（試點成功，拓展卡關）、跨部門溝通不足（各自為攻）