← 筆記總表
‹ 全部集數
EP16285 分鐘

AI 從動口走向動手

陳陳縕儂來賓 · 台大教授
產業與 AI都適用

▶ 到 YouTube 看

YouTube 標題：EP162 | 2025 科技AI工作大趨勢 Feat. 台大陳縕儂教授

陳縕儂教授談 AI agent、機器人與創作工作的變化，也聊台灣訓練自己的模型，缺的是資料和人才，而不是錢。

重點

  • 做對話研究時，AI 還很冷門陳縕儂 2011 年開始念博士時，AI 不主流，連 Siri 都還沒有，美國做人機對話的學校大約在五個研究團隊以內。畢業隔年 AlphaGo 讓大家有感，語言互動則要到 2017、18 年後才蓬勃，2023 年 ChatGPT 出來，產品面才爆炸。
  • agent 是會動手做事的語言模型陳縕儂把語言模型比成只出一張嘴，agent 則會串 API 去訂餐，或打電話問時段、時間不行就換一天再回報。授權就像對秘書，給了行事曆權限，agent 就能自己挑時段。現階段最大的卡點則是後端沒有 API，像只收電話預約的餐廳，agent 就做不了。
  • 機器人有了腦子，產品化還慢陳縕儂認為語言模型補上了機器人過去缺的腦子，研究會有進展，但家裡未必需要，就像智慧冰箱技術成熟了也沒人特地換。掃地機器人是少數普及的例子，比較可能先從工廠、公司這類固定場域開始。
  • 公司要看變現，台灣的機會在應用陳縕儂說 OpenAI、Anthropic 這類公司不一定賺錢，關鍵是怎麼把模型變成產品和收入。台灣的機會不在最核心的模型，而在把 AI 放進金融、醫療、法律等產業，需要懂 AI 也懂該領域的人一起做。
  • 創作與基層工作先被衝擊影像生成讓只做代工的人先受影響，陳縕儂認為分布會更兩極；主持人問到能挑出好作品的鑑別力，陳縕儂同意那是更高一階的能力。主持人之間有悲觀的看法，也有人認為產能變高、需求會變多；另外提到初階職缺變少，資深者退休後會有斷層。
  • 台灣做模型，資料比錢重要陳縕儂說台灣原生資料量比中國少很多，實驗室的做法是拿 Meta 開源的 LLaMA，再用台灣資料接著訓練。人才則是另一關，頂尖人才在國外薪水高；陳縕儂自己是因為喜歡台灣的生活，薪水低也回來了。

時間軸

01:08開場與來賓抹布宣布這是 2025 年第一集，請陳縕儂來聊 AI 趨勢；雪柔說生成式 AI 熱度降了但應用仍在進步，Iris 提到硬體供應鏈大漲，期待應用端有新東西。
04:38自我介紹與冷門年代陳縕儂是台大資訊工程學系老師，專長是人機對話。2011 年開始念博士時 AI 不主流，連 Siri 都還沒有，做互動的美國學校大約五個研究團隊以內。
08:26從視覺到 ChatGPTAI 先從車牌、人臉辨識貼近產品，陳縕儂畢業隔年 AlphaGo 驚動大家；語言互動晚到 2017、18 年後才蓬勃，2023 年 ChatGPT 之後產品面爆炸。至於學生拿這些工具寫作業，陳縕儂是鼓勵多用。
11:34推論能力與科學學界現在關注模型的推論能力，已能在奧林匹亞等難考試拿好成績。陳縕儂舉藥物研發為例，語言模型能幫科學家整理大量知識、一起討論；對話裡也提到它還只是工具，方向要科學家決定。
14:16AI agent 是什麼語言模型只出一張嘴，agent 會真的去做事，例如串 API 訂餐、排行程、打電話改時間再回報；主持人提到 Google 發表過打電話訂位的 Duplex，後來沒有下文。
18:49回饋與授權Iris 問 agent 怎麼協商時間、做錯了怎麼辦；回答用秘書來比喻：授權行事曆就能自己挑時段，想掌控的人則可以要求先列備案再選。
21:15偏好說不清楚使用者很難一開始就列出偏好，主持人比喻成問吃什麼只會回「隨便」；陳縕儂說讓 AI 先多想一點再回答，效果通常比較好。
25:09機器人缺的是腦子語言模型補上機器人過去缺的腦子，研究會進展，但產品化沒那麼快：智慧家電成熟了也沒人特地換，掃地機器人是少數普及的例子，會先從工廠、公司等場域開始。
29:29摺衣服機器人主持人聊各家 demo 都在摺衣服，看了大量影片學摺衣，能摺但不漂亮；成本上機器人買回家要一次花很多，語言模型則是網路訂閱就好。
32:37哪家公司有優勢陳縕儂說重點是怎麼把 AI 變成產品和收入，OpenAI、Anthropic 不一定賺錢，不可能每家都活下來；也聊微軟靠雲端帶 OpenAI 模型，Excel、Google Sheets 裡的 AI 仍要人下指令。
37:48Apple 與智慧眼鏡陳縕儂說自己是反指標，iPhone 難用卻人人在用，Apple 靠的是品牌。談到智慧眼鏡，陳縕儂建議找工作別押單一產品，核心技術換個產品還用得上。
42:17為什麼選人機對話陳縕儂說自己很懶，從小愛看講未來世界的《小百科》（1986 年出版），想要出一張嘴就讓東西做事，所以選了對話互動；主持人接著聊哆啦 A 夢那集畫漫畫的機器。
45:55台灣的機會在應用台灣的機會不在最核心的模型，而在把 AI 放進金融、醫療、法律等產業；既懂 AI 又懂領域的人要一起做，喜歡藝術的人也能找 AI 加藝術的工作。
49:03創作產業的衝擊影像生成讓代工畫圖的人先受衝擊；陳縕儂認為分布會更兩極，只剩有創意、有風格的人能留下，並以國道收費員為例，說該提早找更有競爭力的位置。
51:36鑑別力與悲觀派有主持人問選圖的鑑別力會不會更重要，陳縕儂說那是更高階的能力；另有主持人偏悲觀，認為多數人能力很難提升，也有人說產能變高、需求會變多，但仍會受衝擊。
55:35初階職缺的斷層聊天室與主持人提到初階職缺變少，資深者退休後會有斷層，律師業、工程師都有人遇到；陳縕儂認為工具也讓新人學得更快。
57:30難被取代的勞力工作要學的東西只會越來越多。有人建議想學一個能用比較久的，可以看需要大量動作的勞力工作，例如帶小孩；也有主持人認為看護、保母人力吃緊，公司反而有動機做機器人，還聊到包尿布遇到罕見狀況，機器人不知道怎麼處理。
1:01:35犯錯、責任與信任機器人一出錯就被放大檢視，但教訓能複製給所有機器；消防與自駕車出事時責任歸誰是難題，信任要靠半自動慢慢建立，年輕世代則已經習慣。
1:05:02agent 的瓶頸是 APIagent 最難的是後端要有 API 可以接，訂機票、訂房已有，只收電話預約的餐廳就做不了，除非 agent 改打電話；智慧家庭生態系不齊也讓人覺得不夠智慧；最後主持人開起老公會先被取代的玩笑。
1:09:57興趣與投資自己陳縕儂以前愛跳舞。被問投資方向，建議的是投資自己：知識進步太快，不必焦慮，知道大致趨勢、有點 sense 就很好；至於金錢上的投資，自己說沒什麼概念。
1:11:43網友問：代工與市場有網友問台灣以代工為主、市場小，做應用會不會困難。陳縕儂說很多公司內部都能智慧化，各領域也會冒出軟體小公司，但很難長到美國 big tech 那麼大。
1:13:41DeepSeek 與資料有人提到 DeepSeek 訓練成本聽說只要幾百萬美元，問台灣能否訓練自己的模型；陳縕儂說重點不是錢而是資料，實驗室的做法是拿 Meta 開源的 LLaMA 再用台灣資料訓練。
1:16:05台灣公司與政府角色被問台灣科技公司是玩真的還玩假的，陳縕儂說他們要的是後面的應用與商業模式，不執著排行榜名次。政府適合出錢補助，不必自己下去做；台灣的錢應該夠，重點是資料與要做什麼。
1:19:26人才與薪水人才是大問題，頂尖人才在國外薪水高。陳縕儂說想做核心 AI 的學生，國外機會較多，偏產品的工作台灣也有。自己則是因為喜歡台灣的生活與食物，薪水低也回來了。
1:23:13收尾與口號主持人請陳縕儂一起喊節目傳統的口號「心靈體感財富自由萬歲」，祝現在做 AI 的人都賺到錢。

值得記的話

「它只是出一張嘴，它也並沒有真的去做」14:49

「AI agent 比較像是它理解你的需求之後，它可以真的去幫你做這個事情」15:21

「你做的這個技術它可以被用在不一定是眼鏡的情境」40:28

「大家不用焦慮，你就是自己按照自己的步調」1:11:13

「這個錢跟技術上面不是重點，而是資料上面其實才是主要的問題」1:14:27

名詞與人物

陳縕儂
本集來賓，台大資訊工程學系老師，專長是語言與對話，節目中自稱 Vivian
AI agent
理解需求後真的去訂餐、排行程的 AI，不只回答；陳縕儂用「出一張嘴」對比「動手做事」
推論能力
模型在難題（如奧林匹亞等級的考試）上的思考能力，是學界今年主要關注的方向之一
API 串接
agent 真的做事所需的接口；沒有 API 的服務，像只收電話預約的餐廳，agent 就做不了
Duplex
Google 發表過的打電話訂位 AI，主持人說後來不知為何沒有下文
LLaMA
Meta 開源的語言模型；陳縕儂的實驗室拿它再用台灣資料訓練
第二階段預訓練
在開源模型上接著用台灣資料訓練，省下最一開始最花錢的那一段
DeepSeek
對話中提到的中國模型，聽說訓練成本只要幾百萬美元
心靈體感財富自由萬歲
節目傳統口號，片尾大家一起倒數後喊

延伸

  • 家事機器人與摺衣服機器人何時能進家庭，這集沒有定論，陳縕儂的判斷是要看使用習慣和成本。
  • 台灣怎麼吸引頂尖 AI 人才，這集沒有結論，主持人最後說這個「再觀察 2025 年」。