top of page
車品覺

車品覺

Admin
More actions

Profile

Join date: Apr 28, 2025

Posts (595)

Nov 10, 2026 ∙ 2 min
企業AI政策空白亟需填補
上星期與一位銀行界舊同事見面,他談及最近有同事被發現「偷用」人工智能(AI)撰寫會議紀錄,其主管揚言要作出紀律處分。我問他:「用AI寫會議紀錄,究竟錯在哪裏?」他愣了一愣,「……其實都無寫明唔准。」「無寫明唔准」這5個字,正是當下全球職場與AI之間關係的縮影。 正值上月北京法院為這個灰色地帶釋出了第一個答案:一名員工因使用AI製作簡報而遭解僱,法院最終裁定該公司違法解除勞動合同,須賠償約4.6萬元人民幣。法院指出,該公司既未明文禁止使用第三方AI工具,亦未曾提供專項培訓或指引,更無法證明員工上傳的內容屬於核心機密,或已造成實際損害,因此「用AI」並不構成嚴重違反規章制度。換言之,判詞的邏輯,與我朋友所理解的一樣,「無寫明唔准,就唔准罰。」這是首次有法庭白紙黑字地詮釋:使用AI並非過失,而是一種不同工作方式。裁決背後的道理並不複雜,員工借助工具提升效率,古今皆然;從算盤到Excel,從搜尋引擎到AI,工具的形態在不斷演變,「用工具做事」的正當性卻從未動搖。公司若要懲罰,理由只能是「做錯了事」,而非「用了某種工具」。 若把同期另一宗案件並置對照,這紙裁決的份量才會真正顯現。美國亞利桑...

0
0
Nov 3, 2026 ∙ 2 min
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)消耗約500萬億,接近去年12月...

6
0
Oct 28, 2026 ∙ 2 min
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(網域名稱系統)設定的縫隙,短暫接...

6
0
bottom of page