回首工業革命，蒸汽火車首次亮相時，一些馬車伕還不以為意，堅信傳統的運輸方式才是王道，隨著鐵路的普及，這些馬車伕最終還是被時代淘汰。然而，百年奢侈品牌愛馬仕（Hermès）雖然是馬具起家，但隨著交通革新，他們明白馬具終將成為夕陽產業，於是轉型做皮革製品，品牌發展至今仍是有聲有色。

一、AI 1.0 vs. AI 2.0，你的需求是哪個？

企業在思考是否需要使用生成式 AI（generative AI）前，不妨想想過去的技術革命。當有更好用又方便的東西，人們自然會選擇較輕鬆的生活方式，只有抓住時機、創造新商業價值的人能夠存活。

長期提供客戶 AI 解決方案的華碩雲端暨台智雲總經理吳漢章表示，過去是一個模型解決一個問題，但這一波 AI，是一個模型可以解決多個問題。

這樣的區別，其實就是提供 AI 2.0 平台與應用的創新工場董事長李開復所說的 AI 1.0 與 AI 2.0。AI 1.0 指的是單一或特定任務的處理，例如圖像辨識、語言翻譯，模型訓練需要人工逐一標記（label），如果要多一個功能，就得花很多力氣訓練，過程繁瑣又耗成本。

AI 2.0 則是有大語言模型（LLM，large language model）的加持，可以用非監督式學習（unsupervised learning），讓 AI 從未標記的數據中自動找出有用資訊的技術。就大量資料去學習、預測，只要一個模型就可以處理多種任務，如 ChatGPT。

「經理人一定要抓到這一波 AI，」吳漢章認為，進入 AI 2.0 以後，AI 的本質跟 1.0 相比，無論是能力，還是商業化程度，都更容易上手。

不過，前提是要區別兩者的不同，才能真正幫助商業決策。例如醫療產業，要對肺部進行判斷，如果用 AI 1.0 做影像判讀，可能需要 50～60 個 AI 模型，但 2.0 只要一個。也就是說，同樣問題如果用 1.0 來做，就會喪失機會。

「當 AI 比自己想像的更厲害，就有了急迫感，好像自己不做，競爭對手就會做，」但吳漢章強調，經理人至少要能分辨別人口中談論的技術是哪個層次，才能判斷工具跟資源從何而來。

二、一定要自己訓練模型嗎？技術取得的 3 種模式

以現在當紅的生成式 AI 來說，可用技術取得方式跟應用策略 2 種維度，來選擇適合的自己方案。技術取得的模式有 3 種：地端自建（on-premises ）、買現成的（pre-trained models）、雲端訓練（cloud-based training）。

第一種模式，就是公司內部使用自己的數據和資源，自建在本地的伺服器，從頭開始訓練一個 AI 模型，換言之，就是自己買硬體設備，例如 GPU（圖形處理器），用自家資料進行訓練。可以完全客製化模型以符合特定需求，適用有較雄厚資本的大型企業。因為依賴內部 IT 人員技術，還要更新與維護，其架設跟營運成本也要考量。

買現成的就是購買已經由第三方訓練好的 AI 模型，可以直接使用或經過微調後使用。例如 OpenAI 的 GPT-4 API、 Anthropic 的 Claude，適合需要快速運用 AI 解決方案，但沒有足夠資源或時間訓練的企業。

第三則是利用雲服務提供商的算力（執行計算任務、數據的效率）和平台進行 AI 模型訓練，這種方式既可以從頭訓練模型，也可以微調現有模型。例如 Google Cloud 的 Vertex AI、亞馬遜雲端服務（AWS）的 SageMake、IBM 等科技巨頭都有提供，適合需要靈活的算力資源，但沒有預算投資大量硬體的企業。

在實際運用上，企業最需要解決的問題，是如何減少 AI 幻覺（hallucination），也就是避免 AI 無中生有、亂給答案（參見 P.125 圖表）。檢索增強生成（RAG，retrieval-augmented generation） 在近半年是最廣受歡迎的方法，它的原理是利用檢索（retrieval）和生成（generation）來提高 AI 的準確性，可以不用透過引用權威資料訓練 AI，就能提高生成品質。

RAG 的出現，讓 AI 又更好用了。吳漢章指出，現在 RAG 有很高的比例是結合提示工程（prompt engineering），設計提示詞以優化生成的結果。

三、提升生產力只是第一步，用「新4P」架構體現企業價值

吳漢章建議，企業在思考 AI 的使用場景時，可以從「新 4P」著手，從員工（people）、業務流程（process）、產品（product）到企業戰略定位（position），漸進式的導入 AI。

要做到這 4 個 P，愈往後走，要打通的關節愈多，需要滿足的條件也有所差別。吳漢章表示，幾乎所有企業都能想到把 AI 用在員工或客戶（people）身上，用來做知識管理或知識服務。

以營造業為例，過去公司內部存有大量文件，像是施工標準與規範、標案文件等，尤其是標案結束後文件就會封存，公司沒有多花時間整理，未來如果要用，就難以查找，也無法發揮留存文件的價值。如果能讓人更容易找到過去的知識，形成新的想法與提案，就能真正做到知識管理。

「每個人每天都在跟文件搏鬥，你能找到對的文件，本身就是件有價值的事，更何況它還幫你做一點處理，例如翻譯或摘要。」吳漢章認為，讓 AI 讀懂非結構化的資料（沒有固定格式或結構的資料，例如文字、圖片、音訊），是很重要的應用，也不需要花太多時間整理。

隨著 AI 2.0 的發展，AI 讓大家既想得到又用得到，但吳漢章表示，這也帶來潛在問題：「員工對企業的競爭力其實是間接的，企業的競爭力要從流程做起。」企業主或是經理人在思考 AI 對公司的商業價值時，一定要想到後面 3 個 P，因為第一個 people 是提升人的價值，還未體現在企業價值。

這也帶出了流程（process）的重要性，流程導入的門檻要求較人員使用來得更高。處理第一層人員（people）問題，通常用現成的模型就能辦到，但到第二層流程，「絕大多數會牽扯到企業是否要建立自己的模型、有沒有算力工具、有沒有對的人來做事情，不同 vendor（供應商）提供的工具難易度，也會影響進入門檻。」

舉例來說，企業可以用結構化的資料（有明確格式的資料，通常以表格呈現，如地址、姓名、電話等）進行銷售預測、客戶推薦，過去這部分可能會透過大數據做，但現在的 AI 可以做得更好、更廣。

另一方面，也可以把 AI 融入既有的研發流程，比方說，化學或製藥產業就可以用生成式 AI 預測精確的蛋白質結構。吳漢章比擬，過去「尋找配方」的工作流程，要花大量的時間用顯微鏡、電腦測量，現在從生成的序列就可以抓準。

第三層次是產品（product），企業要思考自家產品中，能夠應用 AI 的機會在哪，例如 AI PC（具備 AI 功能的電腦）、AI 手機等。吳漢章認為，會有愈來愈多人在自家商品中尋求能夠使用 AI 的面向。但相對地，要投入的研發跟嘗試成本也較高。

最後一個定位（position），指的是企業要理解在未來的 AI 發展裡，自己在市場、產業鏈、地緣政治等的的角色定位和影響為何；要如何利用 AI 技術來提升競爭力，就像近來傳出晶片設計大廠博通（Broadcom）在與 OpenAI 商議合作開發 AI 晶片，找到下一個發展賽道。

吳漢章提醒，面對生成式 AI 帶來的技術革新，企業要把競爭力放回自身營運跟產品上，「員工只管自己的工作有沒有更輕鬆，但經理人要關注的是企業價值、顧客經營，這才是企業長跑的競爭力。」