|
各位朋友好：
住在台北城南，說實話雖然不知道為什麼上週五需要放颱風假，也依原訂行程開了幾個視訊會議，但的確感覺心情比較放鬆。所以才有機會著手整理藏在電腦硬碟中的各樣資料。
在這個時刻整理資料，比一年前容易太多。跟 Claude 說清楚我想做的事情、完成後的期待，只要幾個指令、確認授權，電腦就一路把事情做完。但也必須承認，在指揮 Claude 動手之前，我還是得打開好幾個自己印象模糊的資料夾，確認裡面究竟是什麼內容。
有些時間必須花，原因很簡單，我還是希望能全面掌握自己電腦的狀況，尤其是資料的分類與管理。而這一點，對企業更是重要。
有次請教一位在 AI 圈頗具盛名的朋友，要如何解決某家企業導入 AI 的錯誤觀念，朋友立即回應：「他們是不是說自己已經有數十年的資料，只要全部丟給 AI 就可以訓練出厲害的模型？」接著兩人相視，搖頭苦笑。
「Garbage In, Garbage Out」這句在資訊科學領域流傳恐怕超過半世紀的老話說的，其實是最基本的道理：輸入的品質，決定輸出的品質。AI 技術一代比一代聰明，但這個底層邏輯，似乎至今仍沒有改變。
但通常企業要在真正開始導入之後，才發現「整理出 AI Ready 的資料」，遠比想像中困難。資料格式不統一、欄位定義各部門不同、關鍵欄位長期缺漏……這些平常被忽略的細節，一旦要交給 AI 判斷、決策，就無所遁形。
資料的價值，從來不是數量的比拚，而是「能不能在對的時間，被對的人找到、使用、信任」。
本周電子報正是從不同角度，回應這個老問題。像是當大家都熱烈投入發展具身智能（Physical AI）的此刻，實際上稀缺的並非模型能力，而是無法從網路取得、只存在於工廠等封閉場域的實體操作數據，這才是關鍵資產，可能也是精於製造業的台灣的機會。而全球重機具巨頭 Caterpillar 的案例則說明，資料的價值不在於數量多寡，而在於能否跨部門重複流動、被 AI 靈活調用的「資料流動性」。而產業 AI 化的成效說到底，也就是能不能把技術轉換成看得見的價值。
技術演進的速度，永遠比整理地基快。但地基沒打穩，蓋得再快，恐怕也撐不了太久。這週或許可以一起來想想，我們手上的資料，離「AI Ready」還有多少距離。
颱風已過，希望沒有造成太多傷害，也祝各位一切平安。
人工智慧科技基金會執行長 溫怡玲
|
