這一波生成式 AI 熱潮中，台灣雖以半導體優勢搏得全球巨大關注，但 AI 的發展不僅止於技術層面，更需要結合實際場景與商業模式。再好的AI技術，若沒有找到適合的應用場景，就無法產生真正的商業價值。廣達技術長張嘉淵舉例，台灣現在有點像克雷莫納（Cremona）的造琴廠，雖然很會製造小提琴，但從未誕生過世界第一的提琴家。

張嘉淵認為，能讓 MidJourney 繪出高品質圖片的仍舊是人，未來類似工具會越來越多，但是 AI 生態圈中不是只有造工具而已，更要透過 AI 賦能，提升各行業的競爭能力。他以世界知名的小提琴製作中心－克雷莫納為例，這裡擁有好的樹木、技法、油漆可以製造出頂尖的提琴，但尚未誕生過世界第一的提琴家。許多好的樂手會到這裡尋找好的提琴，而好樂手、音樂家、詞曲創作者共同譜出好的樂曲，這就像是科技與人文的匯聚：造琴者要懂琴、拉琴人也要懂琴，但拉琴的人不一定要會造琴。

想做出更獨特的 AI，一定要考慮環境的限制

他提到，這波AI所使用的神經網路模型至今並沒有太大改變，但並非只有人類有神經系統，許多生物都有神經系統，但為何牠們的神經系統在解決問題後，並沒有被數位化？於是，有人開始思考是否利用低功耗（low power）的系統，就能完成人類做的事情，但這牽涉到人類對於生物的理解。

「螞蟻跟螞蟻之間的交談是不是另外一種語言（language）？」張嘉淵提醒，Large Language Model 的 Language 不該被限制在某個地方，例如，螞蟻間的對談如果也是一種語言的話，那麼細胞與細胞間呢？了解這些生物的運作，是否在生成式 AI 的用法也會有所不同？如何應用新的神經網絡、新語言、新數據進行訓練，才是全新課題。人類要「學會問出聰明的問題，不要讓現在的 AI 變成想像力的限制，應該成為推著你往外跑的動力」。

「如果你想做出更獨特的 AI，一定要把環境的限制考慮進去。」他提醒，例如能不能用小的資料群做出更好、更精準的應用，都是需要克服的問題。AI 需要投入很高的成本，如果將成本納入考量的話，就會有不同的設計角度。「因為問題有價值，才能夠有價格，當價格大於成本，才會有盈餘。」張嘉淵說，作為一個電腦製造商，當然樂於看到各式不同的應用，但是，如果要產生社會影響力，則必須要從不同的思維檢視擁有的資料、設計與流程。

生成式 AI 正夯，是不是大家都要轉行？

在這股 AI 熱潮下，有越來越多的學生開始思考究竟該繼續研究感興趣的學科，或是要轉而投入其他領域？張嘉淵舉例，有位科學家說他用甲蟲的神經網路做了一個模型，並發現在自動移動方面的成效比現在人類造出來的車子更好，能看更多的東西，「這是不是創新？」他認為，不是只有人類需要被模仿，其實自然界有許多東西存在。當我們未來的資料可能都是 AI 生成，而真實世界原始的資料將會愈發稀少，知識工作者或一般工作者可能會越來越少，那麼下一代的學術研究者應該扮演什麼角色？

又或者，當 AI 被大量使用在不同設計上時，面對一次生成出的上百個結果，工程師並不是在做設計，而是在做選擇。這時候，確認與驗證的能力也就變得更顯重要，而這些都是未來需要探討的環節。