凡事沒有捷徑
凡事沒有捷徑

該怎麼說呢,這兩年看到很多概念跟想法,大概是拜臉書運算法所賜,筆者看到都覺得驚悚。如果是學生那也就罷了,很多大學生的想法就跟筆者當年念書時一樣簡單可愛,但畢業多年甚至都工作幾年了還這樣,就不只是驚悚而已。

難題環環相扣

凡事沒有捷徑,年紀越大越發覺如此,很多從前想的捷徑跟快速解法,後遺症往往遠超過想像,甚至根本想像不到,因為沒有前例可循。 更應該說的是,慢慢發現每件事情都是一環扣一環,而且不是環狀排列,是立體裝置藝術般的相扣在一起,你會突然眼界打開,了解到你解開每一塊,就又多了另幾塊問題。

人類其實是在解決一個問題之後,研究接著產生的許多問題,然後依序解決下一個問題。至於解決前是不是知道會有更多問題?

大多時候是不知道的,但也只能走一步算一步,遠見多半來自於事後之明,成功很可能只是生存者偏誤,只是在整體來看是進步的。*

像是,要解決台灣的區域發展不均,怎樣做最快最有效率?就是國土重劃,政府機關依照功能跟地理區位打散到台灣各地。但要做到這點,必須要先有快捷的大眾運輸,以及迅速的資訊傳遞手段。在高鐵跟高速公路已經貫穿西半部,而且網路的發達已經可以解決大多數的溝通問題,時機已經成熟,之所以做不到的理由,已經不是政府的功能性,而是都市的發展需求。不然台北市的中央機關搬走,把公務員的宿舍先蓋好或是補助租金,哪有不行的道理?唯一慘的是台北市的經濟會瞬間掉三成。

城市發展從「供應鏈」著手,指標性大廠不能解決根本

或者是,你想解決高雄的工作機會不足,需要怎麼做?這就要回顧台灣發展,為何北部發展得快?其實是早年經濟起飛年代,工具機、模具等在北部、雙北到桃園中間有一大堆的中小代工廠地帶,電子業的一些支援廠跟供應商都在這。所以陳其邁為何之前積極的要開發北高雄的科技園區?還得跟在地的人去溝通跟利益交換,把土地問題解決?因為你不把整個供應鏈拉過來,只有指標性大廠,是沒有用的。

光是幾家科技大廠,能提供的是高學歷的工作機會,可是依照我們過去二十年的學歷分布,大多數人都進不去。你蓋了十家科技大廠,招募了3000個職缺,然後就沒了,周邊的食衣住行育樂能夠支撐的就業機會,沒想像中的多。 但如果整個供應鏈都在,不僅高學歷的,中小型工廠等只需要職校以上的職缺就會開出來。也就是一個金字塔型的結構,才能創造出數以萬計的工作。

唯有如此,大高雄地區數百萬人口,才會因為這數萬群聚的工作,把周邊生活所需的產業建立。有了這些就業人口,才能把周邊的教育、公共設施補足,當有了這些公共建設,之後才會有白領住宅跟商業區的存在。而要做到這,快捷的交通建設不可少,全部鋪設公路要大家開車是不切實際的,大眾運輸、產業道路等等,可以說缺一不可。

白領跟中產的人口夠多了,你才有足夠的文化資本,開設書店、咖啡廳等較高價的商店,並吸引到高消費的族群。有了這個正向循環,後面的文化產業才能開展,才有人會投資在文化人身上。有了這些文化人,並由這些人帶領整個都市的其他人,才有多餘的資本可以保障傳統文化,保留深具觀光跟歷史價值的物業,進而帶動文化層次更高更深的活動。若沒有這些,僅靠個人出錢出資,那頂多是愛好會的程度,或是透過減稅政策吸引來的產業。

意即,你不先有一些基礎建設,提供吸引力讓產業鏈進駐,後面那些是都不會有的。 但就算有了這些建設,你還是得要努力去招商,把機會找進來,因為台灣已經不是開發中國家,不可能依靠大量廉價勞力,以及出賣環境的代價,輕易的招進想要降低成本的國內外資本。

而這些資本怎麼進來?光開網路的招募是不可能做到的,這完全依靠人脈去拉。再講一次,台灣已經不是開發中國家,可以不顧一切發展,越高階的工作越需要信任,穩定的投資環境比甚麼都重要。人脈可不是只看一個人,而是很多人的努力,勸各位不要看成功學的書太多,尤其那種告訴你業務一卡皮箱去國外,拚個半死搶單的故事,那多半都有沒講的細節,甚麼誠意感動天幾乎都騙人的。

任何產業都需從頭積累

經濟發展如此,其他的難道不是?國防產業尤其嚴重,外表的金屬冶金、焊接技術,現代還有奈米材料等不僅需要經驗累積,越來越需要基礎科學知識的高學歷人才。這絕不可能你投了一百億,明年就有一百億的成果出來,更多時候像是投到水裡,只能學個經驗。逆向複製更是笑話,對科技沒概念的人,電動打太多的人,都以為這是古時候,拿到一把火繩槍,拆解一下交給鐵匠,至少可以做出像點樣子的東西。現代科技的年代,需要的前置技術太多太雜,做得出樣子的意思,大概就是閱兵可以看,實戰被人剃光頭的程度。

那你要發展國防相關的產業,自己研發顯然跟不上其他國家的速度,聯合研發或是技術轉移顯然較為可行。那麼,你怎麼說服人家跟你合作?這更不可能是靠業務去講的,不投入大量的時間跟金錢,與先進國家打通政軍關係,得到徹底的信任之前,根本就連談都沒得談。

你談好了,人家也不見得會把技術給你,因為你可能完全沒有可以用的人,不管是研發工程師還是生產線勞工,都得要去重新訓練。這些訓練出來的專業技術人力,「你覺得會完全聽你的還是別人的」?不要以為這開玩笑,軍武產業的機會比想像的要少,萬一台灣因為某些因素,這個不做那個生產線關掉,你要這些已經有技術的人留在台灣,還是乾脆接受老朋友招聘,出國賺美金?

這變成你在台灣的相關產業鏈不建立,一切都甭談。而建立產業鏈的前題,又得是許多中小工廠的管理者可以信任,避免過程中洩漏製程的參數。而要讓這些人可以保密,你顯然要提供的金額就會比成本要高很多很多,做到了這幾步,建立一個完整的工業區,後面的住商發展才會有。

其他還有,農產品怎麼輸出到日本、外交怎樣跟人打關係、民生用品怎樣打進國外市場等等。

想走「捷徑」就是把成本轉嫁他人

每一個故事,去跟專家與多年經驗的人請教,你會發現頭很痛。因為沒有一個相同,但也有許多相同之處。 不同之處在於,每一個產業都有他的技術跟管理的技巧,而且文化背景與習慣都不同,以為可以照本宣科鐵定腦子有洞。 相同之處,總是在人與人的相處,建立在信任跟友誼之上,當然這個友誼指的是陽光的還是天天上酒店的那種,也是因人因地而異。

反正,沒有一個有捷徑,你想要建立起長久有效,可以帶動城市發展,讓這個城市變成真正的城市,而不是一個只是有百貨跟商店街的城中區,那麼該走的路就是得走,該付出的成本就是得付。過去台灣因為開發中國家吃到的紅利,隨著國力上升後已經慢慢沒得吃了,而且這些紅利嚴格說跟國際政治有很大的關係。

想走捷徑的意思,其實翻譯起來就是「怎樣把成本轉嫁他人」。

開發中國家,大多是把成本轉嫁給下層民眾,破壞環境轉嫁給下一代,二三十年後花費更高的成本清理跟重建。而在轉型的過程中,最大的困難在於,我們的民眾已經習慣了轉嫁成本給他人,只要不是自己負擔,一切都沒有差。

更大的困境,在於培養出一批是在溫室中成長的中產文化人,他們對於產業有莫名的敵意,只想跳過中間的過程,直接培育出具有水準的新一代國民。但這就好比你在工業污染地帶蓋溫室,溫室內看來有多大自然,但額外成本超級高。

結果呢?就是要政府出錢,好像政府的錢是可以無限出的。政府出不起,就說要把資本家抄家,不抄就罵你是財團走狗。

總之,不是成本別人去擔,就是叫別人出錢付帳的意思。

自古以來,這種人通常叫做土匪。

本文由eoiss授權轉載自Medium

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓