對世界來說，2023 年是生成式 AI（generative AI）元年，但對陳縕儂來說，2023 年是自己長期耕耘、但在過去被認為相對冷門的專業，終於能夠應用、落地的一年。

陳縕儂在 2016 年從美國返台任教時僅有 29 歲，是當時台大資工系最年輕的副教授。當初選擇在自然語言處理、語言理解、對話系統等領域鑽研，是因為自己小時候看了《漢聲小百科》描繪的未來，比如用聲控就能開關燈、視訊或自動駕駛等，「我希望自己的生活可以這麼便利，所以希望能開發出這樣的技術。」

如今，各種 AI 應用已散落在人類的生活，但許多人還是不太清楚其中差別。陳縕儂解釋，AI（artificial intelligence）就是人工智慧，只要是用機器來模擬人類的智慧行為，都能稱作 AI。比如說人臉辨識，看到一個人臉，可以辨識出它的身分；車牌辨識，看到一串數字，可以知道它是哪輛車的車牌；語音辨識則是可以從影像或聲音，直接轉成逐字稿，這些 AI 都屬於「辨識型AI」（discriminative AI）。

過去比較多 AI 都是如上所述，是在模擬人類被動接收資訊、理解的行為。而生成式 AI 之所以讓人驚艷，是因為它有主動生成資訊的能力，就像是人類可以畫圖、唱歌、寫詩等，「生成一定比理解更難，就像是看懂一個好的小說，跟自己寫出一個很好的小說，難度差非常多。」

至於機器學習、深度學習、專家系統、自然語言處理等，則是機器模擬人類智慧的方式。以專家系統來說，它是透過訂很多 SOP 或條件，讓機器知道，「當對方問 A 的時候，就要回答 B」，以此訓練機器。但這樣的缺點就是，如果沒預設到某個情況，回答就會失效。

所以在實務上，漸漸演變成從機器或資料裡學習，像自然語言處理，就是「餵」語言資料給機器，這也是為什麼 ChatGPT 在 2022 年底推出，就讓多數人覺得好上手的原因。因為它更接近人類的真實互動，只要跟它進行有效對話，它就有機會完成你的指令。

數據轉型不等同 AI 轉型，你的公司屬於哪一種？

這樣的特性，讓許多企業搶著導入 AI，或者說，被趨勢推著走，不得不開始轉型。

然而，陳縕儂表示，並不是所有公司都一定要導入生成式 AI。

她解釋，導入 AI 跟數位轉型，是有不同層次的差異。數位轉型只是把所有資料數位化，比方說，一家餐廳數位化之前，只能透過發票知道自己賣過什麼東西，數位化後，就可以把所有交易蒐集起來，知道某個人在某個時間點買了什麼，甚至知道他在哪個分店、年齡、性別等資料，「把所有資料數位化儲存起來，就能進一步獲得一些 business insight（商業洞察）。」

舉例來說，如果餐廳能好好整理、分析這些資料，就能進一步規畫行銷活動，針對賣不好的品項做促銷，或是發展新客群等，「這些資訊能幫助公司做未來的規畫，但如果你什麼都沒有存下來，就只能憑空想像。」

簡單來說，數位轉型只是第一步，下一步則是看企業能不能基於這些資料，進一步產生服務或應用，為公司加值，這才是所謂的 AI 轉型。

陳縕儂表示，公司通常要有前面的基礎建設，才能進一步為公司創造更多營收，或是減少成本，「領導者該評估的是，你把公司定位在哪裡？你投入的成本，跟之後得到的效益，是不是值得投資？」

她強調，每間公司的需求差異都非常大，比方說某家醫院過去可能用非常多人力在做資料彙整或病例標註，那這時候導入 AI 可能就能省下非常多錢；但如果某家醫院這方面的需求很低，就算把標註的工作自動化，也無法帶來額外營收或節省成本，那不做其實也沒關係。

微調現有模型或自建 GPT？前者便利，後者長期成本較低

以這次生成式 AI 浪潮為例，有滿多公司選擇鼓勵、訓練員工使用 ChatGPT，把它打造成貼身助理，幫忙處理一些行政作業。但有些產業就比較無法這麼使用，它必須「客製化」自己的 ChatGPT，「這也是為什麼微軟（Microsoft）營收漲那麼多的原因，因為它跟 OpenAI 的策略合作，讓它可以協助企業客製化自己的 GPT。」

陳縕儂形容，OpenAI 開發的 GPT 模型，就像是一顆大腦，但它沒有把這個大腦開放出來，其他公司只能透過微軟，把資料放進去、調出符合需求的模型，「你可以用這個大腦，但你不能擁有它。」換句話說，微軟的角色，就是居中協助企業調整模型，然後對使用這個雲端服務的企業客戶收費。

不過，另一方面，Facebook 母公司 Meta 也訓練一個類似 GPT-3 的模型，但把它開源（open source），讓任何需要的人可以自行使用。陳縕儂解釋，選擇自己訓練的企業，雖然必須要花比較大的精力去執行，但長期下來成本會比較低，因為不必租用雲端平台，只要買 GPU（圖形處理器）放在伺服器上即可。自己打造內部 GPT 的另一個好處是，企業可以確保自己的資料不會放上任何雲端。

一般來說，經濟較充裕的公司，通常會選擇 2 條路並行，因為微軟目前就能提供很好的解決方案，但長期來看，公司還是需要自己擁有這方面的能力。

組織 AI 團隊的難題：新舊成員難融合

不過，不管企業選擇哪一條路，前提都是要有工程團隊。陳縕儂指出，過去台灣的數位進程比較慢，但經過這波生成式 AI 浪潮，愈來愈多公司開始考慮要自建工程團隊或 AI 團隊。

她表示，過去大部分的公司在導入任何一種系統時，有時候會考慮外包，因為它認為這些東西是「一次性」的。但事實上，科技翻新的速度愈來愈快，系統導入其實並非一次性買斷的服務，而是「租借」服務，因為它會一直更新，內部必須要有人負責維護系統。

陳縕儂強調，如果公司原本就有工程團隊，多數人的做法可能是，先讓工程師轉做 AI 相關的東西，或是慢慢新增AI相關背景的成員。但這意味著，團隊裡會同時存在工程背景跟AI背景的人，新舊團隊勢必會有些磨合。

比方說，企業對 AI 需求強烈，但擁有相關技術的人才通常是剛畢業的學生，轉型過程中，工程團隊資深的人，必須聆聽甚至接受新人的建議，這對許多人來說相對困難。陳縕儂表示，許多公司想找在 AI 領域比較資深的人去領導團隊，希望讓有經驗的工程人員服氣，「但現在的困難是，在台灣這種人非常少。」

另一個結構問題是，照理說，企業應該要用比較好的薪水吸引 AI 人才，但 AI 人才通常是新鮮人，大部分公司又會很顧慮年資，覺得年資淺的人不應該領太高薪，「但現在各行各業，甚至海外都有這個需求，如果台灣的職缺沒辦法給夠有競爭力的薪水，人才就會外流。」

至於組織內的非工程人員，陳縕儂建議，每個人都應該要略懂 AI，知道怎麼問問題、把 AI 變成自己的工具。她以 Google 為例，Google 剛推出的時候，許多人都不知道怎麼下關鍵字，但現在大家都很會 Google，「你不懂 Google 怎麼做的沒關係，但你會用就好。」

她始終相信，未來的某一天，每一個人都會有一個像《鋼鐵人》裡的貼身助理賈維斯（Jarvis），幫你處理工作與生活的大小事。

台灣大學資訊工程系副教授 陳縕儂

台灣大學資訊工程碩士，卡內基美隆大學（Carnegie Mellon University）電腦科學院語言科技所博士，研究領域為語言理解、機器智慧、深度學習、自然語言處理等。