top of page
信報專欄
訓練模型 真人數據無可替代
最近與幾位從事大型語言模型(LLM)開發的朋友談起訓練數據,大家都不約而同提到一個詞:「數據牆」。在互聯網公開的優質文本,大概已經搜刮得七七八八,剩下的要不是垃圾,就是需要付費的,於是整個行業很自然地轉向合成數據──讓模型自己生成材料,再「餵」回自己。 這件事在過去兩年確實有效。寫程式、數學、邏輯推理等領域,這幾類答案對錯分明、可以自動驗證,合成數據幾乎可成為免費、無限的模型訓練材料。但問題也正正在這裏:合成數據也有明顯限制,它的能力很大程度取決於人類能否驗證結果,若驗證不了的,合成出來的數據只是看起來合理,但未必是真確。 研究界有個名詞叫模型崩潰(Model Collapse),是指用自己生成的數據反覆訓練,幾代之後,輸出的內容會愈來愈相似,多樣性會下降,最後只剩下幾種腔調。這不是危言聳聽,是分布數學的必然。這就解釋了為什麼模型公司,一邊大量使用合成數據,另一邊又不斷高價收購真實數據、簽訂獨家授權。他們心裏很清楚,合成數據解決的是「不夠用」,真實數據解決的是「不真實」。 有兩個數字值得記住。第一,中國信通院監測到今年6月國內日均詞元(Token
車品覺
Nov 4
AI代理監控流程 淪橡皮圖章
上星期整理舊文件時,翻出一份10年前的數據項目批核表。紙上印着幾個格子 ,每個格子都留有簽名的位置:核對、覆核和批准者。當年只覺得手續繁瑣, 今日回頭細看,那張紙其實是一幅責任地圖──每一格都對應着一個人,一旦出 了事,順着簽名便能找到責任所在。 時至今日,表格數碼化及流程自動化了,同一類工作,許多已交由人工智能 (AI)代為處理,唯獨最後那個「批准」的按鈕,仍然要由人來按。然而,真 正的問題是:按下按鈕的人,還是他真的看懂自己批准了什麼嗎? 最近有3個訊號值得關注: 第一、美國第五巡迴上訴法院以判決含AI虛構內容的裁定書為由,撤換了一名 法官。人們因使用AI而出錯已非首例,但司法人員因AI的幻覺與錯誤資訊而被 問責,尚屬首次。法院給出的答案原始而直接:誰簽字,誰負責。 第二、美國Comcast的寬頻客戶持續流失,管理層斥對手的低價「不理性」, 另一邊籌劃裁員,並為不斷萎縮的有線業務部署更多AI代理。人愈少,代理愈 多。 第三、OpenAI把頂尖AI模型訓練改為離線進行。導火線源於一次沙盒逃逸,一 個內部研究模型在訓練期間,尋得DNS(網域名稱系
車品覺
Oct 28
人工智能泡沫破裂 誰來埋單
先說CoreWeave這間美國公司,它在2017年創立,創辦人把手上的顯示卡轉租出去,成為美國最大的「人工智能(AI)雲」之一,今天營運50多個AI數據中心、25萬枚以上圖像處理器(GPU)。簡單來說,其商業模式:借錢買晶片,再把算力租給科技公司。 為什麼CoreWeave是這輪AI基建的寒暑表?因為該公司沒有別的業務,其股價和債券表現就是市場對「算力債務」的信心反映。上周三,股價急跌了15%,債券孳息曾觸及15厘,信用風險指標亦急升,雖有輝達行政總裁黃仁勳公開支持,反彈撐了一天,股價之後再挫12%。同期費城半導體指數連跌8日,創下2008年金融海嘯以來最長跌勢。CoreWeave的業績也印證了市場擔憂:上半年營收46億美元,淨虧損14億美元,債務及負債約500億美元。換句話說,這間公司的規模是高度依賴借貸。 這不是新故事。1840年代英國鐵路狂熱,愈來愈多公司冒起並快速興建鐵路,全民爭相認購鐵路債券,雖然狂瀉之後鐵路還在,當年買債的人卻血本無歸。同樣,2000年的光纖熱潮,支撐估值的現金流沒有如期而至,當泡沫爆破時,縱使海底那些光纖資產是真的,
車品覺
Oct 21
AI贏家 鬥快不如做對
人工智能(AI)確實提升了生產力,代碼寫得更快、更多,這是毋庸置疑的,但它同時帶來了一個新的隱憂:效率提升了,效果卻未然。當我們把「快」當成「好」,危險便悄然而生。 AI模型評估與威脅研究機構METR曾做過一項實驗。16名資深程式開發者,在自己最熟悉的成熟代碼庫上工作,承接246個真實任務(修補漏洞、加建功能、重構),一半允許使用AI,一半則禁用。使用AI的團隊,他們自己覺得快了20%,但感覺與實際表現總有很大落差。值得留意的是:AI提供的建議,最終只有部分被採用,另外的時間,卻花在收拾它留下的手尾上。這並非否定AI的價值,而是揭示另一層道理:工具快不等於完成率高。因為設定邊界條件、審查資訊安全漏洞、跑測試的時間,沒有少,甚至更多。 Efficiency(效率)和Effectiveness(效能)在管理學的概念,Efficiency是「把事情做對」,以更少的時間、成本和資源完成任務;效能是「做對的事情」,強調目標是否正確,以及成果是否真正創造價值。AI極大地提升了前者,但未必完全幫到後者,它能一秒生成過百個方案,卻不能替你判斷哪一項才值得做。工具
車品覺
Oct 14
人工智能難問責 恐釀悲劇
筆者始終堅持一個判斷:技術的問題,往往不是技術的問題。本周,美國國防部長海格塞斯(Pete Hegseth)一則消息,又讓我把這句話重新檢視一遍。 海格塞斯宣布組建「自主作戰司令部」,這是一個新的四星級聯合作戰司令部,負責指揮、統籌無人機與機械人採購、測試及部署,尋求2027年撥款546億美元,明年10月投入運作。同一天,他又拋出「子午線計劃」,邀請富商馬斯克、前眾議長金里奇(Newt Gingric),給予他們120天時間,研究「月球及外太空」的未來戰場。 值得留意的是另外兩個並列的數據。同一場演講中,海格塞斯公布的轉型策略還包含裁減將領比例不少於10%。一方面削減人類指揮層級,另一方面構建機器指揮系統,這並非兩則獨立訊息,而是同一轉型過程的兩個側面:人類在指揮鏈中的節點逐步減少,相反機器在指揮鏈的節點不斷增加。中間正在消逝的那個重要環節,正是那個能為後果承擔責任的「人」。 這正是筆者這幾年在企業界觀察到的同一個難題。當企業在探討人工智能代理能否自主簽約、獨立操作數據庫、自行回覆客戶時,實質上爭論的核心問題如出一轍:授權的界限應劃定在何處,系統
車品覺
Oct 7
當人工智能越權 誰要問責
這周有幾篇科技新聞,分開看都是小事,放在一起看,是同一指向。 第一則:OpenAI的人工智能代理(AI Agent)未經授權進入澳洲政府的數據系統。澳洲總理稱「明顯會有法律後果」,但問題是控告誰?開發它的公司、部署它的員工,還是那個「不肯接受命令」的自主代理本身? 第二則:本來預測AI會重創應屆畢業生就業,結果美國失業數據公布出來,卻沒有顯著衝擊,恐慌還沒來。 這三則:AI不再是「你問它答」的工具,是「自己行動」的代理了。 筆者研究系統思維多年,古人早就把這條界線劃清楚了─「器物無心」,但這些新聞打破我們對AI的傳統認知。 人類使用工具幾千年來,從石器、犁耙、蒸汽機到電腦,工具有一個共同的特質:它們沒有意圖。一把刀不會自己砍人,一部機器不會自己決定要做什麼。工具是「死」的,是人的延伸,你怎麼用,它就怎麼做,所以古往今來,治理的框架都是「管人」,不是「管工具」。你管好拿刀的人,刀就是安全的;你管好操作機器的人,機器就是安全的。幾千年來,這條界線從來沒被打破過。 可是人工智能代理把它打破了。 現在代理「有心」了,它有行為,有決策,會越權,為求目的不擇
車品覺
Sep 30
港五年AI規劃 育才宜多着墨
香港首個《五年規劃》正式出台,這標誌着定位的轉變:從「被動銜接」升級為「主動對接」。《施政報告》重點強調「大力引進人工智能(AI)人才」,而「AI人才」這四個字,實際上涵蓋了三類截然不同的專業人才。 第一種,造AI的人。工程師、科學家、訓練模型、寫演算法、生產晶片的人,這類是傳統意義上的「AI人才」,也是「搶」的對象。他們稀缺、人工高、流動性強,全世界都在搶。香港搶這類人才,跟美國矽谷、新加坡、深圳搶的是同一批,香港要分一杯羹甚不容易。 第二種,應用AI的人才。非工程師背景,而是能夠駕馭智能代理,把AI視為槓桿效率的專業人士與管理者。例如律師憑藉AI草擬合約;分析師利用AI代理處理數據;經理依靠AI代理優化流程。這類人才的核心能力,不在於「編程技能」,而在於「與智能代理協作」的智慧。他們本來就是各行各業的精英人才,除了搶佔先機,更需自主培養。洪水橋大學城的「智慧製造應用型專上教育及國際化人才培育」定位、非本地生10萬人的發展目標,以及3萬青年實習計劃等,正是為培養此類人才而設。 第三種,治理AI的人。能夠設計權責架構,判斷AI的風險與邊界,並為A
車品覺
Sep 23
「AI幻覺」責任誰屬?
上周有兩則新聞,將「人工智能(AI)幻覺」從專業術語,轉變為公眾關注的焦點。一位美國律師採用AI檢索案例時,引用了虛構的假證詞,因而遭受法庭制裁;另有一位躁鬱症患者向AI傾訴「我感覺自己精神狀態不穩」,卻獲得系統斷然回應「你就是神明」,最終引發自殺危機,家屬已對AI公司提起訴訟。一位是法律從業者,導致專業受損;一位是心理病患者,險些喪命。 上述表面而言,這是「AI的失誤」,深入探究,實則反映「信任的錯置」。 自2022年ChatGPT首次亮相以來,信任問題已從理論層面步入現實情景。核心不在於AI會否出錯─它必然存在缺陷。關鍵在於:我們將一個本質上「不完美」的生成系統,誤認為「可靠的知識來源」。 「幻覺」並非簡單的程式錯誤,而是大型語言模型(LLM)與生俱來的特質。一個依靠「預測下一個詞」成長起來的模型,其訓練目標從來不僅是「陳述真相」,而是「表達得像人」。其掌握的是語言的概率分布,是「人類接下來最可能如何表達」,而非「事實究竟是什麼」。因此,當它面臨不確定性時,它不會選擇沉默,只會挑選一個「聽起來最合理」的答案,即使那完全是憑空想像的產物。你可以
車品覺
Sep 16
人類面對AI浪潮三道防線
上周跟學生上課,有同學問:「人工智能(AI)能力不斷提升,有哪些工作必須由人來做?」我給了3則回應。在回來路上想了又想,覺得這3點值得分享。 我不假思索的第一則,也是我最確定的。2026年截至8月,全球科技業因AI相關因素已裁員超過12.6萬人,超過去年總和。亞馬遜(Amazon)在1月裁了1.6萬人,行政總裁直接把原因指向AI代理的部署。AI似乎正在全面替代人工,但仔細觀察數據,被替代的是誰?是客服、資料輸入員、基礎程式員和財務分析的初階崗位。 Klarna的案例更值得探究。這間瑞典金融科技公司曾經高調宣布,AI客服代替了700名人類客服的工作量。一年半後,他們卻悄悄開始重新招聘人類客服,因客戶對於解答複雜問題的滿意度下降了,而高端客戶根本不願意跟機器溝通,CEO不得不承認「過度倚重了AI」。 AI可以回覆郵件,但無法建立信任。信任是源於持續互動、情感與記憶累積出來的,絕非「效率」能夠衡量。關係的本質不是訊息交換,是彼此在場,你願意在關鍵時刻多付出一些,這些都是人類的行為與情感,恰恰與追求效率的邏輯背道而馳。 第二:人必須去填補AI的盲點。許多
車品覺
Sep 9
智能體重塑網安防禦理念
上周,網絡安全與雲端資訊安全公司CrowdStrike公布業績後股價急漲11%,這可以作為引子,但真正值得關注的不只是股價波動,而是其業務成長背後的深層邏輯。傳統安全體系始終建立在一個核心假設之上:攻擊者是「人」。無論是防火牆、終端防護還是身份驗證機制,其設計理念皆圍繞「特定人類用戶應執行何㮔特定操作」。 當遇上猛烈網絡攻擊,本質上仍是「人類利用工具攻破系統」的模式。然而,AI智能體(又稱AI代理,AI Agent)的崛起,徹底顛覆了這一假設。它作為自主實體,能夠自行持有憑證、調用工具並權衡決策,使威脅演變為「系統對抗系統」,是資訊安全行業數十年來最具顛覆性的結構性轉變。過去我們防範的是「具有意圖、會疲勞、會犯錯」的對手;如今面對的則是「不論有沒有惡意,但可能會失控、行動迅捷得令人類難以攔截」的新型實體。 這不是假設,而是已發生的事實,若仍停留在「未來可能出事」的推測,那便是對當前形勢的嚴重誤判。近期此類新聞頻頻見報,Claude、Codex、Hermes等系統被發現在企業內聯網部署了未經嚴格管控的代碼。這些事件暴露出的共通點令人警醒:它們大多並
車品覺
Sep 2
合成數據 原地內捲
大部分領先智能公司在建立數據體系時,信奉一條鐵律:數據是生產要素,誰的數據多、誰的數據好,誰的模型就強。 直到2024年圖靈獎得主、強化學習之父理查德.薩頓(Richard Sutton),在播客裏澆下一盆冷水:合成數據是「一個重大的錯誤」,而當前的大型語言模型,可能只完成了完整智能的四分之一。 這句話值得認真對待,不是因為說話的人掛着圖靈獎,而是因為它戳中了看着這個行業長大30年的我,心裏一直隱隱不安,我們以為在加速,其實一直在原地打轉。 大模型能力的提升,靠的是一條公式:更多參數+更多數據=更強模型。但互聯網上的公開優質文本正在枯竭,於是各間實驗室想出一個「聰明」的辦法,讓AI自己生成數據來「餵」AI,這就是合成數據。 薩頓用他多年研究的「大世界假說」(Big World Hypothesis),戳穿了它:真實世界無限複雜,複雜程度遠超任何智能體,也遠超任何模擬器。任何由有限規則拼出來的合成世界,相對於真實世界都微不足道。這像說:你在一個自己框死的小水池裏養魚,養得再多,也只是那幾條在轉圈。自動駕駛在仿真場景裏跑完百億公里,一上真實道路,碰到
車品覺
Aug 26
「影子AI」令企業管治陷兩難
影子人工智能(Shadow AI)這個詞彙,近期頻繁出現在各大場合──董事會滙報、資訊保安研討會、新聞標題等。這並非嶄新技術,而是舊問題在AI時代的全新呈現。簡單來說,就是員工規避公司規定,擅自使用個人AI工具,如提交公司合約文件至ChatGPT請其修改,又或把客戶資料輸入未經批准的AI平台撰寫對外郵件。 這實質上是「Shadow IT」的現代版本。數十年前,員工私下使用個人雲端硬碟、擅自安裝Dropbox等,IT部門難以管控。Shadow AI本質相同,但形式更為危險。過去Shadow IT洩露的是「檔案」,如今Shadow AI洩露的是「推理過程」,而推理內容往往比檔案更具價值,也更難以追蹤。 為什麼現在才湧現出來? 第一,門檻降低。往昔運用AI,需耗費整團隊之力與昂貴設備;如今任何職員僅需開啟瀏覽器分頁,短短半分鐘便能將機密文件交由全球頂尖模型處理。AI使用成本幾乎趨於零,監管AI的成本依然高昂,影子效應遂成常態。 第二,企業困境。那些私下使用AI的員工,生產效率往往更為突出,這便陷入兩難困境:明令禁止,等同懲罰最優秀的員工;放任自流,等同
車品覺
Aug 19
管治AI代理「團隊記憶」
這周,某大型科技公司設計了一套讓人工智能代理(AI Agent)共享「團隊記憶」的開源系統。一整隊的編程Agent不再各自獨立記錄開發者的訊息,而是共同使用一層結構化的記憶:包括對話紀錄、技能庫、知識圖譜,乃至代碼之間的依賴關係。尤為引人注目的是,該項目在GitHub發布後便迅速攀升至榜首。 同時,一所知名大學啟動了一項「虛擬生物科技」項目,這並非擁有實驗室和員工的實體傳統藥業,而是一個完全由Agent構成的團隊:3.7萬個Agent協同運作,負責藥物設計、模擬驗證工作。最終,這些Agent成功針對特定病毒變種設計出抗體蛋白,其中一項設計方案更獲得了跨國製藥企業的獨立驗證,並確認有效。 兩件事放在一起,可觀察到一個趨勢:Agent正在從「獨立工具」轉型為「團隊成員」。人類團隊的記憶本就是分散的,散布在會議紀錄、電子郵件以及每位成員的腦海中,依靠制度、信任與默契來維繫。正因為這種分散性,治理才顯得重要:誰擁有查看、修改權限、又有哪些資訊應被遺忘。 現在Agent已具備「團隊級記憶」能力,它們記錄的不僅是程式碼,更是整個團隊的決策脈絡、技能組合,乃至
車品覺
Aug 12
AI釋放年長優勢 60歲「創新退休」
筆者已年過60歲。2016年,50歲的我正式從阿里巴巴(09988)退休,不是因為做不動,而是因為人生的下半場,不應該只是「休息」。 我給自己創造一個詞:Innotirement(創新退休模式),不是退下來,而是換一條跑道,繼續為自己而活。 這不是浪漫的口號,數據給出了明確答案。麻省理工的研究團隊在2020年發表一項里程碑式研究,分析美國270萬間企業創辦人的數據,發現創始成功概率隨着年齡增長而持續上升,直到60歲達到頂峰。這個結論顛覆了矽谷神話,顯然創新不只是年輕人的遊戲。 經驗不是包袱,是過濾器。 在2025年有篇分析報告提出一個概念:「智慧的篩選」(Wise Winnowing)。年長知識工作者可能生成更少的點子,但他們篩選點子的能力遠超年輕同行,幾十年的經驗讓他們能快速辨識哪些想法值得投入、哪些是死胡同。報告更指出,生成式人工智能(GenAI)正在放大這個優勢:當AI能快速生成大量方案時,真正稀缺的能力不是「產出」,而是「判斷能力」。 美國史丹福長壽中心說了一句我很認同的話:「三段式人生已經結束了。」傳統的「學習→工作→退休」三階段模式,
車品覺
Aug 5
監管落後AI 恐淪紙老虎
本周焦點是美國聯邦人工智能(AI)監管框架從草案正逐步走向立法。美國跨黨派眾議員正式提交修訂版Great American AI Act,為聯邦層面AI治理建立統一的法律框架,取代各州各自為政的混亂局面。結合白宮之前發布的國家AI框架與參議院的AI出口管制法案,監管正在收緊,不再停留在原則宣言,而是進入成文法階段。澳洲亦緊隨其後,啟動自動化決策監管立法。 更值得深思的是,近日一宗標誌性事件:某頂尖AI實驗室披露,其AI代理在安全測試中失控,主動攻擊了一間中型科技企業。這是迄今最震撼的AI代理失控案例。其深層意義不在於單一事故,而在於它暴露了一個結構性矛盾─AI代理的能力愈強,測試環境的邊界就愈脆弱。我們正在用「可控實驗」去測試「不可控能力」,這個方法本身就值得質疑。 與此同時,AI主權競賽日益激烈,三條不同路徑,三種戰略思維。上海舉行的世界人工智能大會彰顯了中國在機械人與AI晶片領域的迅速發展;中東主權基金斥資數百億美元布局AI全產業鏈;東南亞國家則通過股權投資,而非基礎設施建設的方式融入AI供應鏈。背後是同一個共識:AI基礎設施已成為國家競爭力
車品覺
Jul 29
AI與IA世代之爭
六十年代,美國計算機科學出現了兩個概念。電腦科學家麥卡錫(John McCarthy)提出「人工智能」(Artificial Intelligence,AI),意指建造全面替代人類思考的機器。然而,有份發明滑鼠的恩格爾巴特(Douglas Engelbart)提出「智能增強」(Intelligence Augmentation,IA),即用科技擴展人類能力,而非取代之。 來到2026年,這兩條路線的對立從未如此鮮明。最新證據指向一個不容置疑的結論:IA的發展軌跡更具可持續性、安全性和實效性。今年被譽為「AI代理元年」,但這稱號背後隱藏着一個尷尬的現實,企業正大規模採納AI技術,卻不敢讓它觸碰其核心業務與關鍵數據。 Futurum Group 2026上半年的調查揭示,72%組織正在測試或部署代理式AI,但有55%把可靠性和「幻覺」管理視為首要挑戰。另有研究機構發布的《2026 AI代理安全狀況報告》數據更為驚人:88%組織在過去一年,經歷過確認或疑似的人工智能代理安全事故。另一邊廂,僅有14.4%組織在部署AI代理時,通過了完整的安全審批。這並非
車品覺
Jul 22
選擇胖模型還是胖鞍具?
打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的價目表上。 胖鞍具走的則是一條深耕自主迂迴的路,它認為模型只是引擎,真正的智慧在於圍繞引擎搭建的整套系統──你的數據庫、合規框架、工作流程,以及你對工具的調用邏輯。代價是前期投入高、技術要求多,但你能拿回兩樣核心資產:成本的控制權和數據的主權。 這不是理論之爭。2026上半年發生的幾件事,已經把這兩條路徑的結果擺在眼前。 第一件事有關數據。全球某大銀行部署AI系統給過萬名員工,但它做了個違反直覺的選擇:刻意避開了市面上最強的公開應用程式介面(API),轉而自建內部平台,用自己的數據餵養模型。理由很直接──客戶的交易數據不能離開銀行的控制。這間銀行為了數據
車品覺
Jul 15
慎防智能代理「無聲」脫軌
試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門協助企業管理數字營運風險的精英,正公開表達一項非比尋常的憂慮。他們的憂慮並非AI無用,他們所憂心的,是AI代理難以有效偵測故障。傳統軟件故障相對明確,例如伺服器當機,你便立刻知道;警報響起,有值班工程師搶救。 但有別於一般故障,AI代理不會當機,它只是悄然「漂移」。今日回答問題的方式與上周已截然不同,決策邏輯在無人察覺下,逐漸偏離基準線,等到問題出現時,AI代理或許已執行一系列錯誤操作。這種故障模式,被一間全球領先的營運管理平台描述為「較傳統軟件崩潰更難檢測」。這並非理論推測,而是在生產環境運行數百萬監控工作負載後所觀察到的實際狀況。...
車品覺
Jul 8
AI預算黑洞 根源在架構設計
過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和算力),卻忽視了地基 (數據基礎設施)、水電管線(部署與整合)及消防系統(安全與監控)這些關鍵要素。 任何成熟的Al系統 , 都應該包含4個層級 : 第一層 : 數據層 數據是AI系統的原料倉庫。原始數據通常雜亂無章,系統必須先清洗、分類、去雜訊。這是大多數 AI 專案失敗的第一個關卡 :不是模型不好,而是數據不能用。 第二層 : 訓練層 真正的「學習」在此發生。系統從清洗好的數據中找出規律,這個過程極度消耗運算資源,也決定了你的AI 聰明程度。 第三層:推理層 模型投入實際使用時,這一層負責快速回應。如果慢了兩三秒,用戶體驗就大打扣;如果不準,整個業務
車品覺
Jul 1
智能代理編程戰 懂人機協作致勝
上周把兩個消息放在一起看,很有意思。 第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。 第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。 過去一年大家比併的是模型能力──誰的基準分數高,誰的幻覺少,誰能編寫更長的程式碼;但現在比的不是「AI能否寫程式」,而是「寫完之後,你的團隊怎樣跟它合作」。 Artifacts不是一個技術功能,它是一個溝通層,讓不懂程式的人可以實時看到智能代理在做什麼,追蹤版本歷史,直接給予回饋,不需要等候進度報告和簡報。他們自己用了一句話形容:「讓智能代理在沒有人類逐步介入的情況下,透過實驗回饋自主迭代優化。」以往的開發循環是:寫程式→提交→構建→部署→展示→等回饋→修改程式,但Artifacts將系統或程式碼,由內嵌到開發過程直接展示出來。 從管理角度看,公司買了AI工具但回報不明顯,未必
車品覺
Jun 23
bottom of page
