很久沒有分享最近練習 AI 的狀態,主要原因是我花一段時間思考,如何把自己電腦裡的文件,以非研究人員也可以理解的方式,讓人知道這些議題在說什麼,例如讓人理解「歐盟對智慧眼鏡有哪些管制?為什麼要這麼管制?如何才不違法?」這些多是由官方部門公布的新聞稿,但都很「難以理解」,我自己也要消化過才能再重新轉譯,讓客戶知道。我的電腦裡也有非常多相關議題的內容,卻都在電腦裡無法再次利用,是一件非常可惜的事。 要如何讓人在生活中建立相關的意識?於是我想到了「動畫」。動畫是最輕鬆入門,也最沒有壓力的閱讀方式,放在網路上也能讓有興趣的人隨時瀏覽、找到相關資料。 做動畫與使用人工智慧工具的經驗 在我還在五年制專科學校就讀時,我曾利用簡單的高階語言 Visual Basic 與美工軟體製作動畫;當 Flash 問世後,我開始理解一些製作動畫的基本觀念,蒐集網路上大家分享出來的專案,學習裡面的程式碼與概念,但受限於當時的網路頻寬,Flash 動畫簡直就是阻礙客戶進入網站的災難。在當時,我也意識到,科技會愈來愈進步,一直鑽研動畫可能不是長久之計,於是沒有再繼續鑽研。 在距離最後一次做動畫超過 20 年後,人工智慧(AI)問世了,我用 AI 開發: 2 個不同目的、功能但可獨立寫研究報告的程式 1 個營養分析及記錄個人血糖的BOT 1 支食品安全追蹤(因為矛盾的使用者流程與責任歸屬的議題沒有繼續開發) 我把日常工作交給我的程式,也會與「代理人」討論方向、內容。如果有長期關注這個Blog,讀過先前的文章,大概會知道我從 ChatGPT 轉到 Claude Code 的歷程。 目前,我主要使用 Claude Code 作為主要工具,利用 GPT 與 Claude 的不同模型互相協作,並以 Gemini的視覺(用在營養分析BOT)為輔,來製作我需要的工具。 思考另一種傳達內容的方式 上面這些工具產出的都是文字,畢竟生成式 AI 最擅長的就是文字。但在這個快速閱讀、摘要的時代,人類反而更容易記住圖像、畫面,這也是之前資訊圖表(Infographic)十分熱門的原因。 我平時也有觀察這個部落格(Blog)的流量,這裡的主題離日常生活比較遠,也不容易理解,所以我一直在想怎麼用不同的方式呈現。家人和我偶爾會看中國的 AI 短影音,讓我開始思考:能不能用 AI 把既有的內容轉成影片? 因為工作的經驗,我沒有考慮...
我收集了 2026 年 3 月至 9 月由 Anthropic 研究團隊公開發表的 5 篇文章,讓 Claude 重新翻譯並編輯,並修改為習慣的閱讀語氣,以利閱讀。 Anthropic 今年 3 月發表的報告顯示,美國整體失業率沒有上升,但 22 到 25 歲的年輕人每月順利進入 AI 高曝露職業的比例比 2022 年低約 14%。這是我讀完今年他們發布的 5 份經濟研究摘要後,最常想起的一句話:「AI 讓產出變多」與「誰能把產出變成自己的收穫」,是兩個得分開回答的問題。 AI 做得到,不代表已經在做 過去大部分研究或媒體在衡量 AI 對工作的影響時,常問「AI 理論上能做哪些任務」。問題在於,AI 做得到,不代表企業或個人真的已經拿來用。 在這次閱讀的文章中,研究團隊提出「觀察曝露度」(Observed Exposure)。這個指標結合 O*NET(美國職業資訊網路,Occupational Information Network)的任務清單、理論可行性評分與 Claude 的實際使用資料,並對「自動化」與「工作用途」給予較高權重。 排名最高的是電腦程式設計師(約 75%)與資料輸入人員(約 67%),客服代表也名列前茅;另有 30% 的勞工觀察到曝露度為零。AI 目前的實際使用與理論能力還有一段距離。 在公布的研究中,高曝露職業的從業者有幾個共同特徵:女性比例高 16 個百分點、平均薪資高 47%、學歷較高、年齡也偏長。受衝擊的是中高薪的知識工作者,和「AI 先淘汰低薪年輕勞工」的直覺相反。 衝擊有多大?研究用差異中差異法比對,發現 ChatGPT 發布前後,高曝露職業的失業率未見系統性上升。唯一較清楚的訊號在 22 到 25 歲:這個年齡進入高曝露職業的新工作起始率,約比 2022 年低 14%。研究團隊也註明,這個結果僅勉強達到統計顯著。 同一套 AI,成果為何不同 在針對使用者研究的報告中,使用 6 個月以上 Claude 的人,其對話成功率為 73.1%,新使用者為 66.7%,相差 6.4 個百分點。控制任務類型後,差距縮到約 3 個百分點;再加上模型、使用情境、國家等變數,差距維持在約 4 個百分點。 Anthropic 曾假設,資深使用者會更傾向於把工作整包交給 AI 自動完成。研究的資料指向相反的方向:資深使用者更常與 Claude 來回...