Google人資副總~Big Data分析面試應用，在校成績多無用|數位時代 BusinessNext

Google應是全世界看過最多「數據資料」的公司，若是將這些巨量資料(Big Data)運用在領導(leadership)和管理(management)領域呢？Google人資資深副總博克(Laszlo Bock)接受《紐約時報》訪問表示，巨量資料影響層面越來越廣，不過要運用在領導層面還是相當困難的，部分挑戰來自於：多數情況下領導是由直覺驅動，而且糟糕的是許多人認為自己的領導能力很不錯，事實上只有少數人擁有好的領導能力。

數年前Google進行一項研究，想知道Google是否特別擅長挖掘優秀人才；在上萬次面試中，請面試官為求職者評分，然後再觀察每個人的工作表現，發現這兩者之間的關連性「零相關」，而且還是「隨機」結果，其中只有一位面試官預測準確，原因是他只面試了一個人，這是非常專業的領域，而這位面試官正是全球在這個領域當中最厲害的專家。

此外，還發現了「腦力激盪」其實只是浪費時間，例如：一架飛機可以塞入幾顆高爾夫球？紐約曼哈頓有多少間加油站？除了浪費時間之外，這些問題無法預測任何事情，只是讓面試官覺得自己很聰明而已。

相較之下，行為面試（Behavioral interview）通常是比較有用的，例如詢問求職者：如何解決困難問題？當求職者分享個人經驗，面試官再繼續探究其作法，可以得到兩種資訊，一是該求職者和真實世界的互動情況，再者，更有意義的就是可得知求職者認為什麼事情是「困難」的。

另外還從中發現，對領導者來說，最重要的是讓部屬知道進行任何決策都是「一致」且「公平」的，部屬做起事來也比較自由，原因正是他們瞭解要依循的準則為何，只要在準則之下，就可以做自己想做的事。

Google每年會進行兩次的經理人評量，稱為向上回饋(upward feedback)調查，只要是有主管的員工，都要參加這項評量，詢問12～18項不同因素，再將結果和主管分享，進而追蹤是否改善；結果是：過去三年Google因此大幅提升了主管素質。

如果向某位主管闡述對他並不是那麼好的調查結果，可能會落入以下對話，「我覺得我做得比這個結果好」、「可是這是你的感覺，事實上這是大家回報的結果」。其實不用說那麼多，對大多數人來說，只要讓他們知道「資訊」為何，然後進行修正即可；巨量資料其中一項應用層面即是帶來「事實」，讓人們明白所做的決策並不完美，接下來就會調整自己的行為。

若是將巨量資料運用在Google員工身上呢？目前觀察到的是：在校成績(GPA分數)在面試過程中是毫無參考價值的，除非是剛畢業的社會新鮮人，因為沒有其它可以參考的指標，才會稍微參考在校成績；過去Google面試過程一定會問在校成績，現在也不這麼做了，因為這並不能預測任何事情。有趣的是，隨著這樣的決定，目前14%的Google員工並未上過大學。有的Google團隊中，甚至有14%的成員都沒有上過大學。

特別是在Google工作2～3年的員工，其工作表現和大學表現就完全無關，因為兩者所需的技能是完全不同的；事實上，經過工作洗禮，也成為了完全不同的人。另外的原因是，博克認為大學的學術環境是非常人為的環境，人們經過精細訓練之後可以取得成功，但也習慣在這樣的環境下成功，而Laszlo Bock在大學遇到挫折的原因，就是因為教授總是在等待學生們回答特定答案，但更有趣的應該是解決沒有特定答案的問題。

註：畫線部分為原翻譯錯誤部分，已做出修正

出自NYTimes、BusinessInsider

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。