編按：2023 年生成式 AI 即將引爆網路革命。不只 ChatGPT 走入大眾眼簾，年初矽谷更有 3 隻生成式 AI 獨角獸誕生（Cresta, Stability, Jasper），從文本、程式碼生成、圖像生成再到語音合成，這些生成式 AI 具有一定程度的「創造力」，在創作上達到了「更快」、「更便宜」的成果，AI 距離超越人類內容創作者，就只差「更好」了。
Google 台灣前董事總經理、Appier 、iKala 董事簡立峰在接受《TechOrange》 Podcast 節目〈全新一週〉專訪時，白話解釋「生成式 AI」，並表示學習使用 AI 工具，是未來所有工作者都必須具備的技能之一。
簡立峰在節目中談論：
- ChatGPT 與以往 AI 不同的是：它開始「講人話」
- 台灣如何利用這股趨勢並掌握住下一波機會
以下為節目專訪逐字稿。
《全新一週》主持人戴季全（以下簡稱「戴」）
戴：各位聽眾朋友大家好，我是戴季全，歡迎來到 2023 年全新一週，我們今年有很大的事情 ，有好消息、有更多的壞消息。今年開春第一位邀請的特別來賓就是簡立峰，立峰你好！
Google 台灣前董事總經理、Appier 、iKala 董事簡立峰（以下簡稱「簡」）
簡：季全好，大家好。
戴：我想直接切入一個大重點，我們在去年年底開始有越來越多關於生成式 AI 的討論，包含語音機器人，應該說語義機器人、文字輸入的機器人，是不是可以請立峰——當然立峰包含語義分析、早期搜尋引擎的建置，立峰都參與得非常多——是不是可以從你的專業角度，介紹什麼是生成式 AI，ChatGPT 這個新的機器人，到底和傳統語音機器人到底有哪些不一樣，或者有哪些可以觀察的地方？
簡：跟大家報告一下我的背景，我是 30 幾年前、1991 年台灣第一個做語言模型的本土博士，等待了 30 幾年，出現大型語言模型像 ChatGPT，是一種語言的 machine learning（機器學習）。
過去 AlphaGo 到現在這段時間裡，有一種說法是機器學習的能力呢，在電腦視覺能力是贏過人類的，所以你看可以做自駕車，也一直在探討語言能力，它可以辨識文字、把聲音變成文字，對於人類的互動理解，大多數假設是還沒有那麼快。
還有一個假設，如果你有看李開復的書，我的好朋友他常提到，人類還有什麼能力是機器不容易取代的？我們都講說是創造力，那創造跟創作有點不太一樣，我們也假設創作能力，機器不是那麼容易，那創作就是文字、圖畫、音樂的創作這個部分，就是內容的生成。
AI 開始「講人話」：未來人人都要學習 AI 工具，增強生存技能
簡：媒體業也是內容的生成，我們平常工作裡頭寫信也是內容的生成，可是這次生成式 AI，不管是 ChatGPT 與否，很驚訝地它效果超過原來預期，這個部份如果去解釋 ChatGPT 的話，大概用一個字來形容：它開始「講人話」，和其他的語言模型相比，如果你有留意昨天的 AI 大師，用他的說法是，他不覺得 ChatGPT 有技術上的重大突破，因為方法是來自原來的 transformer，當然大家可以講說是當時 Google 團隊做出來的 transformer，從那邊延續過來，但它做一個非常好的整合，而且整合之後讓一般人開始理解，電腦可以有閱讀能力、回答能力，這件事情在學界、科技界，過去兩三年應該已經知道可以到達這個 level 可是系統沒做出來了，連做研究的人也沒感受到那個威力，所以可以解釋說，今年可能是生成式 AI 的重大應用年，我們可以從這裡開始。
（編按：「AI 大師」指 Meta 首席 AI 科學家楊立昆（Yann LeCun），他不但是卷積神經網絡領域的奠基者，同時也是圖靈獎得主與貝爾實驗室學者）
戴：所以生成式 AI，它的英文是 generative AI 是說，從我的理解，立峰幫我看一下是否理解正確，就是說原本 AI 其實是分析大量資料，去找出 pattern、找出它的模式，增加它辨識的精確度，但生成式 AI 它可以去生成新的 content，包含文字、聲音或圖像，生成新的東西，我這樣理解正確嗎？
簡：可以這樣講，兩個概念：那模型叫 GAN，方法是怎麼去訓練它？好像有個老師問它一個問題，它給一個答案，這是好、這是不好。所以生成式 AI 一方面產生內容，但有一段新的學習是在教它這是好、這是不好，讓它給出越來越像這老師要的東西、方法。
可是它的應用面是內容的產生，兩個不同面向，內容產生以 ChatGPT 來講它可以寫信、寫程式，類似的比如說 Midjourney 它可以畫畫；音樂、作曲……這些都變成是一種生成式的內容。
老實說生活裡這類應用太多了，只是我們沒有想到，如果電腦可以做到這個階段，大量的應用就可以產生，像有一家公司叫 BuzzFeed，它是媒體代理商很出名的一家，它現在就講說資遣了 10% 的編輯，可是 30% 的內容改用 AI 做。以後大家都要學 AI 工具，加強你的生存技能。
戴：可以和 AI 合作的編輯比 100% 純種編輯更有競爭力。
簡：最主要它產出速度太快，它可以做翻譯，還可以做摘要。
戴：我有幾個思考點可以跟立峰討論看看，第一個最直接，假設像我們這種內容工作者、編輯為主軸的工作核心要素，它會變成說，其實我看生成式 AI 發展趨勢，有兩個大家比較不常提到的，一個是說它如果有越多人類老師在教，它才學得好。
生成式 AI 的編輯，它只負責想像跟創造，可是其實對或錯還是由人的感受來去判別，講話得不得體或正不正確，或是能不能夠產生有意義或有價值的一些內容。
簡：你可以說 AI 進步會比我們快，從現在開始它會更快，比我們個別都快，因為它是所有使用者來教育它，它可以不斷地學，而我們每一個人學習都是從個體的角度。
這有點像 AlphaGo 跟人類的圍棋高手，現在 AlphaGo 已經是老師，這些高手用它來學，比以前棋藝進步很多，所以對個體來講我進步了，但 AlphaGo 更厲害了。
戴：我看到有一些在生成式 AI 前面、丟數據之前，甚至會有另外一組 AI 去做審查的動作，當然嚴格可以變言論審查，但有時候是審查種族歧視的字眼、侮辱性或太過於暴力、不實的東西，有點像我們腦部運作，例如很多人會發現怎麼有些朋友喝醉了之後英文特別好？其實不是英文變好，大腦怕自己英文講不好，這個抑制作用被關掉了，所以他就變得敢講；是敢講、不是英文變好。
簡：應該是這樣講，人類有個前額葉，所以我們對於任何東西的反應並非單一反應，其實是多元的反應，但前額葉決定最終輸出。
例如喝醉酒喪失意志時，這個控制力就變差，可能冒出你原本沒想像會有的反應，包括說不定本來潛意識英語就蠻好，但以為自己英文不好就被壓抑掉。
現在 AI 模型也都是這樣，一層疊一層、一個模型接一個模型，所以 ChatGPT 絕對不是一個單一模型，它是好多服務整合在一起，所以它對任何一個服務都可以用自動分類去決定說，這是好或不好的回答，也可以自我審查，這樣它就可以控制。
講成俗話的說法是養小鬼，每個人都可以養成一個生成式 AI，可是要看這種大模型它願不願意讓你養，因為養一個也很貴，大型企業可以跟 OpenAI 要一個客製化的模型、其他人沒辦法，你只能跟他要一個一般式模型；一般式模型你就改不了。
戴：我看到矽谷有幾個現象，一個現象是說，根據估計，去年光矽谷跟生成式 AI 相關的新創大概就有 500 家，甚至還有一個統計說，去年一年，投資生成式 AI 的投資額就已經超過去年 5 年整個矽谷 VC 的投資了。
簡：不用太多人就可以新創了，幾個厲害的機器學習或 AI 學者、工程師就可以創業，所以它的加速會容易很多，但困難的地方在於有一點進入到……這可以拉回跟台灣有關，生成式 AI 第一個獲利的就是台積電，因為你需要大量訓練，之後如果晶片速度越快、成本越低，另外你需要大量伺服器，又跟台灣有關。
可是這些新創，創業很容易但很燒錢，這些是需要錢的，反而是這次的發展，資源不是放在人才而是基礎建設成本，這件事情最後真正能玩的企業絕對沒幾家，這些新創最終會被併購掉。
第三波網路革命來襲！台灣要把握機會，找一些應用領域來訓練數據
戴：這個過程，至少在我的事業歷程裡看到兩波：第一波是 1996~2000 網路泡沫，裡面有很多的新創。第二波大概是 2006、2007 年，就是第一支 iPhone 出來的時候，mobile internet（行動網路）立峰也有同樣的感受嗎？ 這個是網路第三波趨勢？
簡：用第三波也可以，我們在幾個月前也假設那個第三波叫元宇宙，我那時候就堅持它不是，但這次我會講說是，但這個波動是不是能夠到人人都可以去做這件事情？應該不是。因為網路泡沫時，任何人都可以架網站，mobile internet 門檻也算低，學一下寫 App 就可以。
而這次門檻其實是高的，我們看到 ChatGPT，想像說我們有一個就可以做很多事，問題是你沒有那東西，那個東西訓練一次要一千萬美金，訓練失敗一千萬美金就不見了。
更重要的是找不到人類地球等級的數據量，這個數據平常就要蒐集，蒐集的過程恐怕幾億美金不見，而且現在人家願不願意讓你蒐集還是個問題，因為 copyright（版權）。
所以大家都只能在巨人的肩膀上做事情，可以探討說某些國家考慮要不要當那個巨人，用國家級的力量去推動，那大企業肯定就這幾家，但是在巨人肩膀上堆積木，它還可以創造前兩波應用的可能性，但這些可能性要有一個前提：就是這些大巨人願意開放部分的東西給你加值， 這個概念不是 call（呼叫）API，因為如果你 call API 去呼叫它，你的資料餵給它，是它的腦在進步，它不會給你客製化。
你希望是它分一個小腦給你，那個小腦你自己去加值它，大量餵你自己擁有的資料給它，這個發展模式就看哪家公司願意這樣做，有點像是我把現在 ChatGPT 當作客製化模型，每一家企業我給你一個，可是這每一個，從現在 170 個 billion 參數可能要 17 個 billion 參數，每一個可能都要 1000 台機器以上才能運作起來，那就又是大企業才能玩、中小企業沒辦法。
戴：這個很有意思。從第一波 1996 年開始，當然前面還有 PC 發展，那個時候第一波 IBM 做了一個決策，就是把 CPU 跟作業系統外包，所以就創造了微軟、Intel 這兩家，兩者又組成 Wintel 架構 386、486、586 處理器。講到那波我在大學，我就是一天到晚跑光華商場玩電腦。
簡：因為台灣也就那個時候可以組電腦，所以才有電腦公司的開啟，可是我們電腦裡 CPU、OS 不是我們的。
戴：第二波那時商業發展很有意思 Google 併購了 Android 這家公司，但它並沒有把它當作是一個商品，它把它 open source（開源）掉，所以現在反而變成全世界最多消費性運算單位 ，也就是智慧型手機，幾乎沒有微軟的作業系統，大部分都是 Android 類。
簡：包括 Chrome 也一樣，Chrome 也是開源，才那麼快可以超越 IE。
戴：所以第三波的 AI，當我們往回看第一、二波的經驗，其實我自己判斷，很有可能跟立峰你剛剛講的一樣，不只是開放 API 而已，它會開放一些不同的，因為它跟大腦突觸運作有關 ，有些處理視覺、聽覺、語言，有些處理跟大腦小腦的溝通；不同的世界、處理的任務不同時，腦部的電腦斷層會亮的地方不一樣……
簡：所以這是為什麼我們真正叫它「電腦」，它原來叫 computer，但我們台灣把它翻譯為電腦：electronical brain，這是第一次它真的變「大腦」，而這個大腦可以去買合適你的那個腦。
我估計如果你剛剛講第三波創造性，必然就是說，最強的它還是維持封閉的腦，透過 API 給你用；第二三四五名的可能會採取開源，像這波的科技發展為什麼那麼快？跟 Google BERT 模型 open source 有很大的關係，訓練好之後連大學生、中學生都可以下載小的參數模型，就可以做好多事情。
我估計它還是兩條路：一條是 iPhone 走的封閉式路，一條是 Android 走的開放式路，那我們可以拭目以待，有很多（公司）選擇開放、更強的公司選擇封閉。
戴：這個就是商業策略跟發展策略上面的差異。
簡：那如果要做應用，現在就要把握機會，要學會有一點叫 hybrid mode（混合模式）：怎麼去應用已經有 API 可以 call 的模型，你可以運用多模型，不要綁在一個模型上，因為綁在一個模型它策略會改變，可能太貴、你也改不動它，可是在這個多模型裡頭，你還要再加上自己的 open source 找得到的模型，來訓練自己的東西，慢慢就變成說，我們腦有好多 ，大腦小腦延腦，我們自己去兜，兜那個腦。
戴：也就是說其實是不同的 pair（配對），譬如說我們作為企業主，每個人角色不一樣，有些可能是消費者、有些可能是 B2B，是可以在這樣的趨勢裡去組合出……像立峰說的養小鬼，或者說養一個虛擬的、看不見的助理，或是一個幫你判斷或思考的 AI，用戶的分析、行為的分析，甚至生成內容做客服、做 Content 等等。
這個對台灣來說，台灣有哪些機會是可以留意的？
簡：比較困難的問題來到軟體應用面裡頭，我們在雲端化的速度過去兩年有加快的現象，但還不夠快。另外一個我們在應用創造裡頭，數據的累積不管是 B2B、B2C 也都不夠快，雖然有進步，但全球來講規模都不夠大。
這種情形下 AI 應用是我們一個新的機會，但這個新機會裡頭，我們舊的底子不好，沒有太多的數據可以來訓練——假設今天要養小鬼，你也要有東西給它、要有食物餵它啊，這個食物都還沒準備好，別的地方馬上就變大鬼了，我們還在小鬼階段，這是先天不足的地方。
可是後生可畏、可以再追的原因就是說，它這個 legacy（既有做法）突破了，它又是重來一次，重來一次就是說這波養小鬼的，它擅長的東西是 AI machine learning（AI 機器學習），那不是在十年前、二十年前，可能擅長是電子商務、數位行銷的時代，它又是另外一批專業的人，所以概念上來講，大家的立足點，雖然我們先天還不夠好，但重跑一次不見得會比較差，這是一個條件。
另外一個就是，成功的企業會越來越少、越集中在幾個大的，我們本來是屬於在 AI 的中小型，反而跟越來越多的國家地位是公平的：這個邏輯是說，成就成大企業的公司根本不會太多，接下來還是中小型的 AI 企業，這種情形下，台灣恐怕不用再去追求大型的 AI 企業，因為那個數量級不是我們能玩的。
這個概念就很像說，我們的手機自己做，做到後來為什麼沒辦法擁有世界級的手機？HTC 曾經那麼好過，為什麼沒有辦法？ 是因為如果你把手機生產當成本是不夠的，你要做行銷當成本才是關鍵。行銷費用最後比生產貴非常多，台灣就跟不上了。跟不上之後我們在做手機，本來有好多都可以做，到後來我們手機就變成一個不是大型的產業。
邏輯上一樣的概念，這次的軍武競賽裡，大型 AI 只會越來越大，因為它的科技證明一件事情、ChatGPT 證明一件事情：訓練資料量大就是有用。我們現在人類可以餵給那個腦的數據量還不夠，所以你現在垃圾丟進去都有用。
那這種情形下，有一點是說，它會形成 Apple 這種等級的，還是你去拿聯發科的公版自己加個殼就當手機，也可以，看我們要定位在哪，但是在應用上就要慎選應用。
選應用場景裡頭我們有使用者可以互動，短期間累積比較多的使用者互動 ，就有東西養小鬼，這個互動多的應用領域裡頭，也許我們現在還可以追，因為序幕才剛剛開始。
戴：我懂，也就是說其實我們不用一直去看國外怎麼做，然後想要去做一樣的事情，反而是說我們有個新的機會，去看說如果我們有哪些金山、銀山、live data（即時數據），因為我們數位轉型雖然有加速但還不夠快，數據蒐集的質或量都還不夠好，反而事先盤點、先看我們的痛點，或甚至我們的甜蜜點，我們先看這兩個點，在數據上面自己有相對優勢的數據。
把這些應用先設定好之後，去盡快地把這些數位轉型、數據蒐集、AI 的生成，趁這波浪潮，大家都在同樣起跑點的時候，去找出局部相對優勢，這樣就有可能除了原本的伺服器、晶片製造之外，可以再多一些中小型的生成式 AI 服務或應用。
簡：我舉例來講，假設今天 OpenAI 願意開放一個開源版本出來，雖然這個腦比較小一點，這時台灣就要把握機會，找一些應用領域來訓練數據，舉例來講，政府服務的 1966 把它過去有累積的建檔、那些 QA 希望它有建檔，問題就出在這裡，如果它沒有建檔，那我們就是浪費十年。
如果它有建檔，機會來了，因為學理上告訴我們，你把現在所謂的變形金剛 transformer 式的——ChatGPT 就是一個變形金剛——這種模型轉換到一個新模型，它資料量不用多、它學得很快，但還是要有一定的資料量，在這種情形下，比如說要幾十萬句幾百萬句的互動 ，大概是這種概念，我們就要去尋找說，我們現在哪裡拿得到？
比如說銀行客服的量可能是夠的，可是它當時有沒有建檔？我要的是一個測試可以訓練，這個動作反而是該準備的，每一家企業都該去準備，因為看起來，來的時候也很快它就到了。
戴：我原本真的很窄化地以為生成式 AI 衝擊的是比較偏 Content，可是我聽你這樣講起來，它生成的概念——對，你在搖頭，因為我們是 Podacst，聽眾看不到你搖頭——generative AI 它又沒有說它只有生成 Content，因為你看，我們原本 AI 假設放在醫療裡面，過去在講 MedTech…
對，過去 AI 只是說，比如可以提升 X 光片診斷的精確度，它只是辨識這張 X 光片可能是肺癌第零期，它可以看出很多、告訴你一些 facts（事實），生成式 AI 有個潛在的可能性，我要跟立峰很慎重確認一下，它不是只能做 X 光片的判斷，不是只能分析……
簡：可以跟你聊病情啊、互動。
戴：對，第一個它可以互動，第二個它甚至可以給一些可能的 solution，它可以給療法耶。
生成式 AI 不只是影響「內容生成」，而是「對話」領域
簡：對，雖然說現階段它有很多問題，等一下有空可以聊它的缺點在哪裡、它的限制在哪裡，但至少是這樣，生成的概念，我剛剛說「講人話」，那人講話在幹嘛 ？哇，多了，醫生講話在回答病人、法官可以判案，這都是講人話啊，所以 AI 在影響的是，我們叫做「對話」 dialogue 領域，不是 content generation（內容生成）而已，是「dialogue」。
戴：這一則以喜一則以憂，喜的是，不是只有我們這個行業要擔心；每個行業都有它的機會，甚至連商業策略、治療的策略、方案等等。
簡：大家想像中可以用到那裡 但是大家最後會很挫折是，為什麼 ChatGPT 這麼強，為什麼我的公司沒辦法用？原因就是你的特定用途，每一字每一句互動都希望回到你的應用。
今天 ChatGPT 就是一個維基百科，可是一個有學問的小孩子不會拿它來做什麼事，因為它回答有點無聊，你真的要他開個門、關個門，它不能開又不能關。
所以這個大腦用到每個應用之間有一個過程，新創要做的就是這個過程，不要再去玩那個大腦，全世界只有少數幾家來做就可以，但是你要把這個大腦，有能力把它分離出來，用到你的應用裡頭，成功訓練出來，那就很厲害。所以我覺得現在雲端服務公司，開始應該要往這裡做，幫人家訓練腦。
戴：我真的覺得在網路業是很幸福又很興奮的事情。立峰你剛剛講「講人話」，比如下命令就是一種人話。
像現在 ChatGPT 把這個大腦，不要說它分出來，應該說它另外長、給了一些突觸讓你另外長，某些東西訓練夠成熟可以到下指令，即便是開關門，像我們幾乎每天或常常會碰到的狀況是，我們會按門鈴說是誰？99% 的人都會說是我，不會講名字，所以聽的那個人其實是在辨識這個聲音：是我媽媽、女兒，還是誰？
這事情如果之後由 AI 來做，它就變成聲紋鑰匙，這就是生成式 AI 要去下指令，不只是辨識是或否，然後來決定開或關。
簡：是，但這又是我們在看 AlphaGo 很聰明，就以為它什麼都會的邏輯一樣。
生成式 AI 在每個應用裡頭又需要重新訓練好多東西，而且它牽涉到外部裝置，所以它是一個物聯網整合，開跟關也沒想像中那麼順利，因為每個裝置長得不一樣，這都是漫長的過程。
可是大方向來講，科技技術方面它有可能做得到，光這件事情投資就起來了，所以今年有沒有什麼好消息？有，就是生成式 AI 應用年，所以很多新創現在又活下來。
去年可能元宇宙喊一喊沒了、Web3 還有點走下坡，還不太確認雖然還有機會，生成式 AI 那些創投又有錢可以搬了，因為對人類說人話，那就讓創投可以說故事；創投跟你說故事，銀行的錢就可以搬出來，對於全世界的投資方向來講就有一點眉目。
（本集內容的圖片與音訊都由編輯與 AI 協作完成，首圖來源：dream.ai）
以上為專訪部分逐字稿，想要知道更多精采內容嗎？收聽並關注〈全新一週〉：第三波網路革命來了：2023 將是生成式 AI 爆發年！｜S2 EP61 Ft.簡立峰
