近期台大法學院附近的人工智慧講座與工作坊大爆發，昨天才聽完一場法律人與人工智慧在法學研究上的應用，今天中午在路上又看到學院裡的國際會議廳是公視與NHK 合辦的活動，討論人工智慧在公廣上的應用。
昨天的講座內容很精彩，但是社群上比較多人敲碗的應該是今天這場，由台大社會系舉辦，邀請 Isabel 來分享：「AI 時代：文組生該何去何從？」。
簽到時看了一下報名表，現場來聽的最多是社會系所的學生，再來是政治系，法律背景的好像只有我一個。以下是自己依照筆記整理的講座紀錄。
比起介紹 AI 技術的細節，我覺得 Isabel 更聚焦於三點： 1. AI 在目前的產業應用究竟長什麼樣子，2. 這樣的產業應用對就業市場造成了什麼影響，以及 3. 在這樣的情形下，文組生（或者是所有會受到衝擊的人）要如何面對。以下的紀錄，也會以這三個部分加以鋪陳。
前言：人工智慧發展的元素：資料、算力、電力、權重
若以煉丹來比喻人工智慧的開發，資料就像是煉丹的藥材，依照丹方（演算法設定的權重）送入算力構成的丹爐煉製，而煉製的過程中，電力供應就如同柴火一般。因為資料是煉丹的基礎，所以資料的好壞決定了人工智慧模型與產品的好壞。提升資料的品質，是文組學生可以貢獻的其中一個地方
資料以外，電力也很重要。台灣人工智慧學校（AIA）在成立的第一年，就花了5000萬投資66片GPU 來儲備算力，但到了 2020 年這些 GPU 就需要淘汰與更新。其中有四片原先要捐給高雄大學吳俊興教授，但吳教授只接受一片，因為如果四片同時使用的話，實驗室所在的建築會直接跳電。但也正是那一片GPU，後來協助開發了繁體中文的大型語言模型TAIDE 。
1. 產業應用：不均質的導入程度
AIA 成立的其中一個目標，是要克服台灣的人工智慧在研發與產業應用的斷層。經過6年，目前培訓了超過1萬名學員。將員工與主管送來培訓的前20大企業中除了廣達與台積電等科技公司，還有許多醫院集團。然而從媒體調查的不同抽樣就可以發現，人工智慧應用的導入程度是不均質的，而且前段班與後段班的落差非常大。
矽谷的科技公司近年來的裁員，與人工智慧造成的流程與組織轉型有關，而這也是一開始最容易受到衝擊的產業特徵：1. 相關知識與資訊的滲透率高。2. 工作的數位化程度高。
2. 對於就業的衝擊
人工智慧發展至今，對於單一特定的任務已經可以駕輕就熟。生成式人工智慧的出現更已經開始取代許多工作。不會被人工智慧取代的工作，往往是 1. 涉及不同專業間的協調與整合者 2. 需要做利益的判斷者 3. 負責簽名的人。以往簽名的人往往是為人類的成果背書，現在除了人類之外，也會開始為人工智慧的結果背書。
當然，也有一些工作是原先被認為會被取代，但後來卻沒有發生的。例如雜誌模特兒（沒有人想看生成的孔劉）或者是放射科醫生（原先以為是單一特定，但後來發現需要做大量的專業判斷），這些不會被取代的人，甚至有可能會享受到市場擴大的紅利。
人工智慧對於就業的衝擊就如同產業目前導入的情形一樣，也是不均質的。對於不同的任務、不同年齡的從業者，甚至是不同地區的就業衝擊都不同。然而一個重要的結論是：低的果實會被人工智慧摘走。初階的工作成果會被外包給人工智慧進行。
3. 如何因應？
也因此，兩件事變得十分重要，其一是培養自己對於該領域內的專業知識，其二是培養與人工智慧的協作能力。這就是 Isabel 提出的公式：領域能力 N x X AI 增能倍數 = 人工智慧時代下的能力。Isabel 也以自身利用AI 算圖的經驗說明，很多時候精準的 prompt 背後，是專業領域的知識累積。
人工智慧帶來的也不只是挑戰。首先，不會寫程式的麻瓜第一次可以借助人工智慧的幫助，叫機器來協助自動化任務的執行。再來，人工智慧的出現也降低了很多語言的門檻，開拓了許多機會。
但是要把握這些機會，有幾個關鍵。
第一個關鍵是學習問問題。在與人工智慧的溝通中，問對問題、問好問題的人可以節省很多的時間。第二個關鍵是具有系統性與邏輯性的思維。邏輯是協作的基礎，系統則是能夠統合人機協作時的不同小任務，並將其用於達成更大目標的能力。第三個關鍵則是學習協作與自學，在協作上，除了與人工智慧協作之外，與人協作也一樣重要。自學則是要因應人工智慧的快速變遷，要能夠自己培養這些能力。
除了上述，Isabel 也提出了兩個具體的建議，其一是要做實習的話趕快去找，因為這些讓人累積經驗的初階工作可能會不復存在。其二是在求職時，最好找有意識到這些衝擊的職場環境，這樣才能一起進步。
在演講的最後，Isabel 也提到，人文科系的學生除了使用人工智慧外，也可以反過來在研發人工智慧時導入價值，但是要如何在不同情境中決定「普世價值」，以及讓開發人員能在技術上達到就是問題。要做的事情可能包含收集資料，建立協作的工作模式，更重要的是要讓技術人員可以跟不同領域的人對話，因為人對於不知道的事情是不會去考慮的。
