生成式AI趨勢解析與顧問業對應
一、AI時代的典範轉移
自從ChatGPT開始成為熱門議題以後，各種AI應用諸如：寫書、畫圖、作文甚至寫詩…等，開始被廣泛討論。加上輝達總經理黃仁勳最近在台灣颳起一陣AI旋風，AI的應用逐漸從專業領域走向各種民生應用，生成式AI更是熱點議題，其對各行各業都將有所衝擊。而顧問業做為知識產業之一，在這一波浪潮中又將受到什麼影響，本文從知識工作者的角度，提出身處AI時代的企業與個體發展建議。
既然這一波熱潮的起點之一是輝達，那我們就來看看這個議題引領者對AI發展的觀點，下圖是輝達在2023年商業周刊中所發表，其對AI發展進程之看法。
在上圖中其認為這波從電腦到手機典範轉移的主要動力是「AI應用終端」的大幅增長，這樣的增長使應用擴散，在物聯網多樣化資料收集節點的支援下，AI發展得到最大的支持，而促成AI發展的底層之一「運算能力」便成為所有要發展AI應用企業的剛性需求，這正是輝達的底氣所在。
與其說上述流程是典範轉移，我更將之認知為「典範疊加」，PC與手機在上述轉移過程中並沒有消失，而是各自有了更明確的應用分工，未來，我相信二者依然會存在，只是附加了更多的AI應用，這個觀點是我們討論未來應用的基礎認知，電腦的情境，代表了固定地點、高精度、監控需求的應用情境；手機的情境則代表了需要即時反應，高度差異化的應用情境。
二、生成式AI出現的驅力
要談一個技術趨勢的未來應用，要先了解促進其生成的驅力，因為這會是持續在未來發揮影響的要素。業界一般將1956 年美國達特茅斯學院（Dartmouth College）所召開的第一次人工智慧會議視為人工智慧學科的起點，過去這段時間AI的應用離不開「語音辨識、影像辨識與自然語言處理」等三大基礎應用範疇。限制一個技術發展的硬性門檻是其「使用成本」，就如同電腦的普及化，也是因為使用成本大幅下降，才讓電腦的使用走出工業領域，進入個人領域。
最近的AI興起亦然，AI應用需要大量資料的收集、儲存與腦運算，這些工序的成本高昂，所以多用在醫療、國防、精密工業等有大資本支持的領域，而近年的物聯網興起，讓資料收集成本大幅降低，更關鍵的是收集到「來自個體使用端」的人類反應資料，使AI更能因為反應人的行為而被訓練得更接近人類思考。
再者，雲端儲存技術讓儲存成本降低，CPU運算力的提升讓資料處理成本降低；再加上發展至今，各種演算法逐步被優化，從而讓AI應用總體使用成本大幅降低，也才有各種能被大家使用的AI應用出現。（總體發展觀點可參閱下圖）
而關於生成式AI與過去分辨式AI的差異，筆者將之歸納為兩種形式，以利讀者理解：
- 分辨式人工智慧（Discriminative AI）
期希望AI扮演著如同管理者般的角色，對AI應用設定有明確的目標，所用來訓練AI的資料也多是被明確標記，通常有明確的變數設定與清楚明確的結果反應邏輯，在應用面對誤差的容忍度低，希望可以盡可能的精確，因為一旦出錯，將造成很嚴重的後果與帶來較大的經濟損失，多半用於醫療研究、精密工業或投資預測領域。
這個類型AI應用的最大意義，在於人類可能不會記住龐大的歷史數據與資訊才下決策，但AI的決策，可以確保都是建構在明確數據的基礎上，因此可預期比人腦精確。
- 生成式人工智慧（Generative AI）
期望AI扮演著類似創作者的角色，對AI應用採取開放式的態度，所用來訓練AI的資料也多未標記資料屬性的數據，期望從數據叢集中歸納出對使用者有意義的邏輯規則，再進一步優化這些規則，在應用面不要求精確，期望有多樣性的呈現；目前多應用於商業服務業，尤其是娛樂領域。
在於人類可能無法面對所有的溝通顧客類別，嘗試所有情境要素的排列組合，但AI可以在大量面對不同使用者的基礎上，找出最大化與不同情境下最有利的結果，同時，也能為創作工作提供各種類的基礎模型，加速各種創作的速度。
陽明大學李育杰教授在其文章中提到，生成式AI的資料應用形式與判斷式AI最大區別在於「沒有使用被標注標籤的資料」，判斷式AI的訓練資料都被標記了該資料的特徵，所以資料被限定了「意義」，例如「機車」是一種交通工具，但現實情境中，「機車」可能代表某種人格特質。在生成式AI中則讓資料透過被使用的來推論可能的脈絡，因此，同樣的資料可能衍生出不同應用，而不是像分辨式AI一樣，收斂成一個最佳結果，也因此，用AI創作的可能性得以出現。
三、生成式AI的應用案例
為了讓各位更了解生成AI的應用，以下舉幾個例子與其代表的意義：
- AI寫書
2022年底，Ammaar Reshi一個毫無寫作經驗的素人，用ChatGPT編寫一本給小孩的童話故事，再使用圖片生成AI Midjourney繪製插圖，短短72小時就在亞馬遜上完成上架，目前亞馬遜上已經有超過200本以類似方式產出的商品。
- AI寫歌詞
2021年起，台灣知名音樂服務提供者KKBOX和其背後的資料科學團隊KKLab 就開始投入應用AI來創作華語歌詞之應用，以華語歌詞、古詩詞為文本，並邀請了20多位詞曲作家與音樂人加入，目前該應用以「Lyricist.靈魂寫手」為名，已經正式推出並開始收費服務。
- AI繪圖
2022年，亞馬遜宣告將在自有的雲端服務 （AWS）中，大力投資大型語言模型（LLM）和生成式AI，其想讓顧客在保護個資的情況下快速客製化自己需要的AI應用，其中一個功能，甚至可以依據所產出的文案，自動生成對應的圖像。現在光在日本本亞馬遜上，就可看見超過1500部，從人類到寵物，從真人到漫畫的AI繪圖作品。
- AI虛擬偶像
韓國影像技術業者Sidus Studio X打造虛擬偶像Rozy，其在2020年8月出道，目前在IG上有15萬活躍粉絲，2022年已為公司創造近4000萬台幣年收。這個可以說是集上述三個案例應用的大成，應用了繪圖、動態捕捉等技術，未來還要加入以ChatGPT為技術基礎與粉絲互動的對話功能，堪稱是全年無休、無道德瑕疵，無檔期衝突的完美偶像。
四、顧問業該怎做
從前述的幾個趨勢，可以發現生成式AI當下的應用，多在娛樂與媒體產業，但這個趨勢並不會長此以往，當下應用態樣的主因在於專業性的資訊與對話還不足夠支撐AI「變得足夠專業」，就如同日常生活中對話一般，不會突然有某個領域的專家來加入話題；但未來，小眾專家或是重度使用者的對話群體加入AI應用的可能性就會變高，如此，生成式AI應用的領域，也會漸漸進入到各種專業領域。在這種趨勢預期下，本文對顧問業與類似之知識產業，有以下建議：
- 持續深耕專業領域，尤其單一主題的深化
未來決定AI品質的將是「訓練模式與資料」之品質，如果參與對話，作為訓練基礎的顧問言之無物，那生成出來的訊息也會很薄弱，有鑑於生成式AI的特性是創造各種可能，所以顧問的鑽研方向，應該是朝一個專業議題，盡量去深掘、細切，讓自身對這個議題有多樣的見解，假設是「問題分析與解決」這樣的基礎專業，就期望能細化為各種不同產業、規模或區域...等條件下的不同論述，更期望能在解決方法上有與前人不同之見解。所以顧問未來應該朝單一議題的深化專業方向發展。
- 梳理數據資產
接下來的建議，是針對顧問公司的組織層級來提的，未來的AI應用眼光不要只放在生成式AI，判斷式AI應用更是顧問主要顧客的需求，當下顧問公司有很多智財，好一點的公司有建構統一知識庫，次之的就零散存於組織中，而就算有知識庫，也鮮有對這些資料進行分類與對其進行「數據價值與變量」定義，建議顧問公司，先就有「明確價值產出」的訊息。
例如：一個成功的輔導經驗，或專案執行紀錄；進行歸類，區分這些價值產出分屬於那些領域、產出哪些價值型態，再進一步區分這些訊息中有哪些影響價值產出的「變量」，例如採用了某些技術或克服了哪些問題，如此，這些有價值的訊息就成為被「標記」的資料，可以提供進一步的AI應用，因應未來趨勢，顧問公司應該將自身的知識智財轉化成適合AI應用的型態。
- 創造訊息促用模式
Google台灣前總經理簡立峰在2023生成式AI衝擊工作坊的演說上發表過一段論述『能力和數據固然是策略性資源，但網路巨頭沒告訴你，真正重要的策略性資源叫「使用」。使用才是真正的進入障礙。被大量使用的服務，能更好地了解用戶需求，從用戶反饋中微調』，當下很多生成式AI以免費使用的型態對大眾開放，正是因為其需要透過使用來增加AI的創造能力。
所以，未來顧問公司的重要業務之一，可以思考如何協助既有顧客的資訊，未來如何能被「使用」，這個使用觀點不只是促進人的使用，也可以是系統性的社會性機制，例如：設計一種誘因與反饋之行為模式，再利用機械進行行動紀錄，檢視誘因的被使用狀況，就如同將一段訊息投入社會進行社會實驗。顧問公司做為產業與市場的中間人，是最佳的訊息促用模式設計者。
面對AI時代，知識工作者或企業無須擔心會被取代，反而這是放大自身價值的契機，當然，前提是自身能創造有價值的知識，而非只是知識搬運者；了解AI的底層技術邏輯，知曉未來知識如何透過這些技術來擴散，做出相對應的適應性作為，就能確保在未來的競爭優勢。
閱讀全文:https://mymkc.com/article/content/25077