AI啟動的美麗新世界帶給我們什麼樣的未來

企管三甲 林沅禎

這場演講讓我對未來的科技發展有了更深刻的體悟。AI不再只是輔助工具，而是即將徹底改變世界的關鍵力量。未來十年，5G/6G、低軌道通訊衛星、大數據、人工智慧（AI）、物聯網（IoT）、區塊鏈、量子電腦等技術將持續發展，為各行各業帶來無限商機的同時，也可能對就業市場帶來巨大衝擊。我不禁思考，在AI時代，我們該如何提升競爭力，確保自己不會被淘汰？

演講中介紹了許多實用的AI工具，例如 Notion AI能快速整理資訊、生成 文案，提升行銷企劃或內容創作的效率；剪映讓影片剪輯變得更加直覺，即使是新手也能輕鬆製作社群短片；ChatGPT 作為最受矚目的語言AI，不僅能撰寫文案、客服回應，還能規劃行銷策略；而 Runway則是影像創作的利器，降低動畫與視覺設計的技術門檻。這些工具讓我深刻體會到，AI已經融入我們的日常工作，未來將扮演更重要的角色。然而，AI的發展不僅帶來便利，也引發了值得深思的問題。

AI可能創造新的職業，如AI工程師、資料分析師、智慧供應鏈管理等，但同時也可能取代部分傳統工作。我開始思考，未來的就業市場將如何變化？我們應該如何適應這場變革？在這樣的趨勢下，學習並善用AI是關鍵。與其擔心被取代，不如掌握AI工具，提高自身的工作效率。例如，行銷人員可以運用Notion AI 快速整理企劃內容，使用剪映製作吸引人的影片，甚至透過 ChatGPT 優化文案，提升品牌影響力。未來，能靈活運用AI、分析數據，並結合創新思維的人，將成為市場上最具競爭力的人才。

此外，這場演講也讓我反思 AI的道德與社會影響。當我們過度依賴AI， 是否會削弱獨立思考的能力？若AI在決策過程中出現偏見，是否會導致不公平的結果？這些都是我們在迎接AI時代時，必須審慎思考的議題。AI的發展已是不可逆的趨勢，關鍵在於我們如何善用它，而不是被它掌控。總結來說，這場演講讓我對AI的應用與未來發展有了更全面的理解，也促使我重新思考自己的職涯規劃。AI時代既是挑戰，也是機會，唯有不斷學習、適應變化，才能在這場科技革命中站穩腳步，擁有更大的發展空間。

企管三甲 李沂臻

講師在一開始說：”Al will not replace you ; a person who's using Al will replace you.”曾經有聽過，而今天又再讓我思考一番，原本都會怕未來求職或是有工作後被AI取代、被裁員，但其實AI本身不會直接讓你失業，但如果你不學習如何利用AI，提高效率或創造價值，可能會被更懂AI的人取代。我覺得比起全用手動的員工，會使用AI協助自己完成工作的員工關鍵是：效率更高也能創造更多價值。

此次演講的重點我覺得是人工智慧的偏見及偏差，像是西方法律規定不能使用AI來篩選履歷，因為它會依照過往的規律去執行演算法，可能造成有潛力的人被淘汰或是社會刻板印象加強，這是我從未聽說過的，原來人工智慧也會有歧視偏見。Claude 的核心技術與精神就很重要，減少人為干預來讓AI自己學習怎樣才是好的回 應，而不是完全依賴人類的標註。降低偏見影響讓AI自己根據「憲法」原則來判斷內容， 而不是完全依靠人類決定對錯。提升安全性使AI會自動過濾有害、不道德或違規的內容，降低風險。這樣的AI訓練方式就像是「讓 AI先學習法律與道德，再用強化學習讓它能自主做出更符合倫理的判斷」，最終的目標是讓AI更安全、更可靠、更少偏見。我也理解到會要這樣是因為資料的偏見會影響演算法再進而影響商業，最後造成真實世界的偏見。

講師最後說：「我們終究不會被人工智慧取代的原因是我們會社交。」AI 不能取代人類， 因為我們的價值來自於「人際關係」 講師給我們的最後這張簡報象徵了人類的核心優勢「社會資本」我們不只是個體，而是社群的一部分。我認為這次使我收穫最大的是：人類的價值不只是技能或知識，而是來自於我們與他人的連結、合作與情感共鳴。儘管 AI 能夠幫助我們提高效率，它無法真正取代人類的情感、歸屬感、合作能力與價值觀。這也是為什麼懂得與他人建立關係、合 作與信任的人，仍然具有不可替代的優勢。

企管三甲 劉維庭

這堂課讓我對機器學習的問題界定方式有更深入的理解，也讓我更清楚不同 學習方式適用的情境。機器學習的發展讓電腦不再只是單純按照人類給的指令運 作，而是能從數據中學習，進而作出更智慧的決策。這次學到的四種學習方式— —監督式學習、非監督式學習、半監督式學習與增強式學習—各有適用的場景， 每種方式都有其優勢與挑戰。

監督式學習就像老師帶學生，告訴機器「這是對的，那是錯的」，機器透過 大量的標註數據來學習規則，適用於分類與回歸問題。這種方法很直觀，結果通 常也比較準確，但收集與標註數據的成本很高，如果沒有大量標註過的數據，學 習效果會受影響。相較之下，非監督式學習則比較像是讓機器自己去探索，找出數據中的隱藏模式，而不是人類事先定義好答案。這種方法可以幫助我們在沒有標籤的數據中找到規律，例如市場上的客群分類、詐欺偵測等應用，但由於機器要自己找關聯性，準確度可能不如監督式學習。

半監督式學習則是折衷的方式，部分數據有標註，部分沒有，讓機器在有限 的標註數據輔助下，利用非監督式學習找出更多隱藏的模式，這種方式適合應用 在醫學影像分析，因為標註醫學影像的成本很高，但機器仍可以透過少量標註數 據來推斷其餘未標註數據的特徵。增強式學習（Reinforcement Learning）的概念則比較特別，它不像前面三種學習方式那樣依賴現成數據，而是透過不斷 嘗試與環境互動來學習，機器會根據結果得到獎勵或懲罰，進而學習如何做出更好的決策。這種技術目前在遊戲AI、自動駕駛、機器人學習等領域有廣泛應用， 最著名的例子就是AlphaGo，它透過增強式學習成功打敗了世界頂尖圍棋選手。

這堂課讓我體會到機器學習的威力，也讓我開始思考這些技術未來可能帶來 的改變。雖然機器學習在許多領域發展迅速，應用廣泛，但它仍有許多挑戰，像 是數據品質、模型過擬合、解釋性問題等等，這些都是研究者需要持續克服的課 題。未來若有機會，我也想更進一步了解機器學習的實作方式，並嘗試應用在不 同的場景中，看看是否能解決一些實際問題。這堂課讓我對機器學習有了更全面 的理解，也激發了我想要深入研究這個領域的興趣，未來希望能夠進一步學習相 關的技術，並實際應用在專案當中。