自 ChatGPT 在 2022 年底掀起 GenAI 熱潮，至今每月仍有各式新技術與工具不斷出現，產業對於對於數位化與新技術既關心又害怕，擔心稍微錯過某些技術，就會失去競爭力。面對各式新技術，企業該如何因應，並從中找到企業的競爭優勢？

「三流的公司做產品、二流的公司做品牌、一流的公司變標準。」台北科技大學管理學院院長范書愷日前在「AI EXPO 2024 Taiwan」上，以這句業界常見流行語做為演講開場並直言， AI 技術日新月異，但比起追趕各類技術演進，歐美國家反而更關注於標準的掌握。此外，在人工智慧時代，個人工作職能的提升與勞動力管理又有哪些轉變？都是他在技術之餘，亟欲與聽眾分享的重點。

范書愷指出，即使 OpenAI 的總價值衡量不斷成長，但在美國企業眼中，對於 Copilot 的商業應用仍集中於顧客服務上，且多數企業在應用上仍裹足不前，甚至無法將顧客服務嵌入至組織的工作流程中，使其成為核心組件。約 75% 的受訪者表示曾嘗試使用相關工具，但僅有 9% 的人表示他們已經深入至組織內部。

使用生成式 AI 前，先認清自己的商業角色

他認為，AI 可概分為 Taker、Shaper、Maker 三類，不論美國、歐洲甚至台灣，都要深思該站在什麼角度。所謂的 Taker 就是基礎模型的訂戶，主要透過 API 和訂閱服務使用。例如不動產業者可以開發出屬於自己的機器人，協助回覆相關事物。而 Shaper 則是成為可用資源的整合者，例如企業透過將生成式人工智慧工具連接到 CRM系統、財務系統與客戶行為歷史，創建虛擬助理提供個人化幫助；而Maker 則是投入大量資源建造自己的 LLM。

范書愷說，Maker 的角色對台灣而言是重中之重，極為困難，但並不代表不能做好。例如我們從做品牌、產品到銷售過程中，LLM 如何能幫助人類發展新的藥？或是開發出又節能又透光的太陽能板，當中有許多技術正在突破，也希望可以借用 AI 的力量，幫助人類解決相關的困難。但在這之前，得先認清自己的商業角色。

在工作中學習，資料科學家、工程師必備職能大不同

而工作的職能又該如何升級呢？范書愷直言，現在學校畢業後要直接對接工作十分困難，建議不同職能需要進行的職內訓練方法也不同。例如，他認為，資料科學必須提升的技能包含提示工程，也就是如何施咒提出解法；以及 in-context learning，也就是當語言模型在閱讀資料時，如何提煉出需要的新知識。還有十分重要的偏見檢測（bias detection），以及生成式 AI 幻覺（Hallucination）等問題，必須要設下安全護欄。其他如 RAG & fine-tuning 也都是當前必備職能，而遷移學習與強化學習則是後續訓練出自己的語言模型時，極為重要的硬功夫。

而在團隊中負責拉水管的資料工程師，主要的工作包括資料整理與倉儲、資料管道建置，使其維持良好的資料品質，其他需要提升的職能包含多模式處理與向量 DBMS。

范書愷認為，目前 LLM 最大的兩個障礙分別是，沒有辦法輕量打包，以及無法推到手機等裝置中，這意味著沒有辦法推動商業利益。而另一件讓他擔心的事則是，民眾並沒有跟上這股浪潮。他指出，根據調查，目前美國失業人口約 650 萬人，但 2024 年卻有高達 900萬個職缺，這代表職能與職缺無法匹配，也就是就業人口並未擁有對應的能力。甚至，美國 44 %的工人技能將在未來 5 年被破壞；並有十分之六的工作需要重新訓練。因此，他認為，學校應該創造場域，讓學生與老師可以讓職能接軌，慢慢建立新的循環。