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

若將生成式人工智慧（GenAI）技術視為改變人與資訊互動的重要分水嶺，Physical AI（實體AI）則讓 AI 真正理解並介入真實世界：從機器人、自駕車到智慧製造，AI 正從「理解內容」走向「理解物理世界」，其中，自駕車被公認是 Physical AI 最具代表性的落地場域，也是目前最能驗證 AI 感知、推理與決策能力的應用，因為，不僅要控制車輛，還必須即時與人流、車流、道路設施及各類載具互動，需要極高的 AI 感知、推理與執行能力。

對深耕智慧移動多年的勤崴國際而言，Physical AI不只是 AI 技術演進，而是自駕車產業邁向下一個世代的重要轉折：從依賴規則控制（Rule-based）的自駕系統，逐步升級為具備感知、推理、學習與持續優化能力的智慧移動平台，讓全球自駕車產業競爭從單一技術比拚，走向資料、場域、生態系與 AI 能力的全面競賽。

Physical AI讓自駕車從「照規則開車」走向「理解世界」

過去，自駕車依靠高精地圖、光達（LiDAR）、攝影機等感測器，以及大量預先設定好的規則進行判斷，這種作法能處理相對固定的情境，但一旦遇到複雜且快速變化的交通環境，例如大量機車穿梭、行人突然穿越、不同國家的交通規則，系統很容易受到限制。

勤崴國際認為，Physical AI 的出現正改寫自駕車的發展模式：透過更強大的 GPU 算力，結合世界模型（World Model）、數位孿生（Digital Twin）與模擬器（Simulator），AI 能先在虛擬世界完成大量交通情境模擬，再將學習成果快速部署到真實道路，不僅大幅縮短訓練與驗證時間，也讓自駕系統持續學習與進化。

「在 Physical AI 賦能下，自駕車將從依照規則開車轉變成能理解環境、預測意圖，再做出最佳決策。」勤崴國際副總經理林映帆表示，例如當系統看到路邊有人揮手，不只是辨識動作，而是能推論對方有搭車需求；當機車快速切入車道，也能提前預測可能路徑，而非等事件發生後才反應。

這也意味著，自駕車的競爭已從「規則設計」走向「AI學習能力」的競爭：自駕車不僅是智慧移動的新載具，更是觀察 Physical AI 是否真正成熟的重要指標；換言之，Physical AI比拚的不是演算法，而是誰能持續累積真實場域、建立與完善資料庫，讓 AI 在每一次行駛中不斷學習、持續進化，形成下一波智慧移動競爭的關鍵。

七年累積三十個場域，勤崴國際打造台灣智慧移動新能量

相較於 Waymo、Tesla 的優勢來自數百萬輛車持續累積道路資料，勤崴國際的策略是透過不同場域的長期營運，建立屬於台灣的智慧移動資料庫。

自2019年投入自駕車商業化應用以來，勤崴國際不僅持續深耕高精地圖、自駕系統、車聯網及自駕運輸技術、於全台完成超過30個自駕場域部署，累積自駕行駛里程突破38萬公里、服務超過80萬人次，更逐步建立台灣少數具規模的智慧移動資料庫；為進一步加速自駕車產業價值鏈發展，勤崴國際也攜手車廠、路側設備，感測器、AI 平台、車聯網、客運與場域業者打造完整的自動駕駛生態系。

以台積電南科園區的自駕巴士服務為例，由於路線涵蓋園區內外道路，自駕車不僅要與物流車、叉車及一般車流共存，離開園區後更須面對台灣特有的高密度機車交通環境，對 AI 的感知與決策能力形成高度挑戰；截至今日，該服務已累積超過92,435人次搭乘、自駕行駛里程超過83,542公里，接駁率高達96.7%；此外，勤崴國際也於廠區內導入自駕接駁車與自駕載貨車，累積服務超過216,794人次，驗證自駕技術在智慧工廠場域的落地能力。

除了工業場域，勤崴也將自駕技術延伸至觀光應用，例如今（2026）年6月在南投埔里福興溫泉區推出「啡嚐咖心」觀光自駕車服務；林映帆指出，相較於工業場域重視效率，觀光應用更重視人車互動與乘車體驗，遊客只需一鍵即可啟動自駕接駁，系統除了安全辨識行人與周遭環境，也能透過語音互動提升搭乘安心感，證明自駕車不僅適用於產業應用，更可成為偏鄉觀光與高齡化社會的新一代公共運輸解決方案。

接下來，勤崴國際將憑藉著在南部科學園區、南投與新北市的落地運行經驗，攜手產業夥伴、針對未來對自駕公車有需求的城市，協助客運業者解決公車缺工等議題。

林映帆說：「我們的目標是提供自駕全方位解決方案。」在累積物流、廠區接駁、觀光、無塵室搬運等多元場域經驗後，勤崴逐步發展出「一個平台、多種載具、多種場域」策略：將共通技術平台模組化，再依不同客戶需求進行客製化調整，讓每新增一個場域，都成為下一個場域快速且安全部署的重要養分。

勤崴國際副總經理林映帆表示，將以「一個平台、多種載具、多種場域」策略，攜手自駕車產業鏈夥伴，協助AI自駕車等智慧移動落地應用，以及打造「國家隊」前進海外市場。

圖／數位時代

隨著Physical AI的成熟與落地，未來智慧移動的競爭，不再只是比誰擁有更大的模型，而是比誰能持續累積場域、建立完整資料庫，以及串聯完整生態系；在這個關鍵時刻，勤崴國際除因應不同場域客戶需求提供自駕車解方，也希望攜手更多產業夥伴，共同打造具有國際競爭力的智慧移動國家隊，讓台灣在全球自駕與 Physical AI 的新賽局中，占有一席關鍵位置。