跳至主要內容

風雨欲來

風雨前的天空
收衣服時拍的

晚上近六點時的天空
晚上近六點時的天空

下雨了。

隨選歷史閱讀:
Powered by Stuff-a-Blog
Tags:

留言

此網誌的熱門文章

我用Claude Code建立一支動畫團隊

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...

AI 提高產出,但誰得到好處?

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...

法制追不上AI:缺乏台灣AI基本法子法,公務員使用生成式AI的五大風險

昨晚看新聞,現任台北市長拋出一個政策宣示:未來公務員將配給自動化的AI工具,讓台北市政更「前進」。台北市資訊局也已快速推出 CiviClaw,目標是 2027 年讓每位公務員都能無門檻使用 AI。 這樣的政策方向讓我感到憂心。長期觀測各國個資保護規範的我清楚知道:台灣的個人資料保護主管機關至今仍是「籌備處」,尚未正式運作;《個人資料保護法》的修法呼聲雖久,AI相關條款卻付之闕如;《人工智慧基本法》已於今年1月施行,但高風險AI認定標準的子法至今仍是空白。 有網路、有 IoT 不等於智慧城市,有 AI 當然也不等於智慧城市,應該重視制度能否承接工具帶來的責任。 歐盟已明確禁止業者使用 AI 推測員工或學生的心理狀態;美國聯邦政府要求採購 LLM 時廠商必須提交模型卡與資料卡;韓國 AI 基本法的子法早已配套生效。這些都是台灣政府在推動配給公務員 AI 之前,必須正視的制度差距。 以下我與大家分享長期觀測的內容,由AI協助整理資料: 歐盟:從禁令到揭露義務的多層規制體系 歐盟的AI治理框架是由多部法律疊加起來的立體架構,最底層是2018年施行的 GDPR,處理的是個人資料如何被蒐集、儲存、使用的基礎規則,再來疊是2024年生效的《人工智慧法》(EU AI Act,下稱 AI 法),建立不同風險等級分類管理AI系統,從禁止使用到高強度監管、再到一般透明度義務,形成不同層次。最新的一層則是仍在立法程序中、但主要架構已確立的 Digital Omnibus ,試圖修補 AI 法與 GDPR 之間的規範衝突。 AI 法第50條是最直接影響生成式AI服務的條款,自2026年8月2日起全面適用。根據這條規定,凡是讓使用者與AI系統互動的業者,必須主動告知對方「正在與 AI 互動」,而不能讓人誤以為面對的是真人。AI生成的文字、影像、音訊等內容,還必須以機器可讀的格式加上標記,使平台與監管機關得以溯源辨識。與此同時,AI法第14條要求高風險AI系統必須設計成「可由自然人有效監控」的形式,確保機器的決策不會在缺乏人工審核的情況下直接作用於當事人。 AI法所稱的「高風險 AI 」,涵蓋的場景比一般想像的廣。依該法附件三列舉,生物辨識系統、關鍵基礎設施管理、教育與職業篩選、就業與人員管理、信貸與社會福利申請審核、執法、移民邊境管制,以及司法審判輔助,都在高風險範疇之內。這些場景的業者必須進...