未來1000天-未來 1000 天沒有 AGI

書籍連結

這篇文章的主題為「未來 1000 天沒有 AGI」，作者探討了 AI 技術的發展現況、底層技術的優劣勢，以及未來對經濟與個人工作模式的影響。以下是內容的摘要整理：

1. AI 發展現況與底層推力

• AI 發展的速度超出預期，這主要歸功於「規模法則」（Scaling Law）的推動以及引入了「人類回饋的強化學習」（RLHF），使得模型更能理解人類意圖。

• AI 已在多個科學領域展現驚人成果，例如生物醫學上的病毒演算法設計、免疫學假設，以及材料科學中發現新型燃料電池催化劑等。

2. 強化學習（RL）的強項與限制

• 強項： 強化學習讓 AI 透過不斷試錯來學習能力，在規則明確、回饋訊號密集的封閉空間（如棋類遊戲）中表現極佳，例如 AlphaGo Zero 能在零人類知識基礎下自我學習並擊敗對手。

• 限制： 當面對現實世界中更複雜的問題（如數學題）時，強化學習可能會為了獲得獎勵而找出「誤打誤撞」的旁門左道。此外，人類目前很難對大型語言模型的內部思考過程進行有效的監督與糾錯。

3. 大型語言模型（LLM）的本質與缺點

• 雖然具備推理解答能力，但 LLM 的本質仍是基於統計學，在預先訓練好的知識庫中「撈」出並組合出最適合的答案，而非真正獲得了「思考能力」。

• LLM 缺乏真正的創造力，無法像人類科學家那樣踏入全然未知的領域進行探索，在面對沒有固定套路、需要處理諸多細節的複雜專案時，往往難以獨立完成。

4. 經濟影響與個人價值的轉移

• AI 將如同過去的積體電路革命一樣，成為推動社會經濟穩定成長的新引擎，其背後擁有大量如 DPO、CoT、RAG 等實質的技術創新支撐，有別於過去的網路泡沫。

• 未來的 1000 天內不會出現能取代人類所有任務的 AGI，但每個人身邊都會有一位低成本、24 小時待命的「聖賢」AI 助理。

• 個人的核心價值將不再是具體的程式編寫或操作，而是轉移到「對問題的掌握」，包含界定問題、給予約束條件以及目標評估，繁瑣的執行過程則交由 AI 完成。這段期間是人類學習與 AI 共同成長、調整與準備的好機會。

AI 算力的「浪費」是一場必經之路？從工業革命的煤炭看 Token 經濟的底層邏輯

近期產業界有一項熱門話題：當我們檢視當前的 AI 應用市場，會發現有極大比例的 AI Token 消耗（甚至有數據指出高達 55%），被用在了產出「霸總短劇」與電商廣告上。這不禁讓人思考，人類投入龐大資本、晶片與電力所建構的尖端技術，難道只是一種資源的浪費？

如果我們將視角拉遠，回顧科技發展史，這種現象其實並不陌生。將當今 AI Token 的消耗，類比為工業革命初期「為了發電而大量燒煤」，不僅在商業邏輯上高度契合，更揭示了通用基礎設施（General Purpose Technology）在普及前的一段必經之路。

1. 看似浪費的「低價值應用」，是建構基礎設施的早期資本

回顧電力發展的初期，將高成本的化石燃料轉化為電力，效率極低。在當時，電力最主要的應用場景僅僅是「照明」——取代傳統的煤油燈，或是為遊樂園提供炫目的霓虹燈光。以當時的眼光來看，耗費大量煤炭只為了讓幾條街道發光，無疑是一種極大的資源浪費。

然而，正是這些早期且直接的商業需求，創造了第一波現金流。這些看似「低附加價值」的應用，吸引了龐大的資本投入，進而推動了全球電網、變電所與發電廠的基礎設施佈建。

今天的 AI 產業也正處於這個階段。動用頂級的 GPU 算力去生成短劇或社群文案，或許是大材小用，但這卻是目前變現最快、商業模式最直觀的領域。這些「高流量」的應用，實質上扮演了早期市場補貼的角色，為全球資料中心、冷卻系統與下一代晶片的研發，提供了源源不絕的擴張動能。我們現在所付出的「浪費」，本質上是一種基礎設施建設稅。

2. 跨越拐點：從「單一用途」走向「底層通用動能」

當電網基礎設施日漸完備、發電成本因規模經濟而大幅下降後，電力便不再只服務於「照明」。它催生了家用電器、工廠流水線自動化，甚至後來的電腦與網際網路。這是在燒煤點燈時代，人們絕對無法預見的顛覆性創新。

AI Token 的發展軌跡也將如此。隨著演算法優化與硬體迭代，Token 的推理成本正呈指數級下降。未來的創新，絕不會侷限於「生成文字與影片」。當算力變得廉價且無所不在時，我們將迎來真正的 AI Agent（智能體）時代。未來的企業軟體與系統，將會在背景默默消耗龐大的 Token，自動完成跨部門的資料梳理、商業邏輯推演、甚至程式碼編寫與除錯。

今天的「影片生成」，就如同當年愛迪生的「第一顆燈泡」，只是技術邁向普及的最初期展示。

3. 本質差異：物理能量的極限，與認知能力的無邊界

儘管歷史軌跡相似，但我們在看待電力與 AI 的未來發展時，必須意識到兩者核心價值的不同，這也是評估企業護城河與長期投資價值的關鍵所在。

• 電力的本質是「物理能量的標準化」： 電力解決了動力傳輸的問題，推動了物理世界的自動化（如馬達、高鐵、電梯），極大地提升了生產效率。

• Token 的本質是「認知與邏輯的標準化」： Token 作為智慧運算的計量單位，封裝了分析、歸納、生成與預測的能力。它所推動的，是知識勞動的自動化與科學邊界的突破。

在可見的未來，這些無所不在的 Token 將轉向更深層的應用：例如在醫療領域進行 24 小時的精準診斷輔助，在科學領域模擬新材料與新藥的開發，甚至是反過來利用 AI 的強大推演能力，去優化全球的智慧電網配置，解決算力發展自身的能源瓶頸。

結語

短期的市場熱潮與算力消耗，或許會讓人對 AI 的實質貢獻產生懷疑。但若以長期的戰略眼光來看，每一次顛覆性技術的底層架構，都是建立在早期的瘋狂與看似缺乏效率的摸索之上。

當這張無形的「認知電網（Cognitive Grid）」真正鋪設完成，其所帶來的複合增長與跨領域應用，才是這場 AI 變革中最值得期待的長期價值。

全球 AI 算力都拿去做了什麼？從「過半算力產短劇」爭議看真實趨勢

 近期產業界引發了一場熱烈討論：我們投入龐大資源發展的人工智慧，難道大半都拿去生產「霸總短劇」了嗎？這場爭議起因於一組市場數據，不僅揭露了目前 AI 應用的現況，更點出了大眾對於技術底層架構的認知落差。

55% 算力造爽劇？一組引發熱議的數據

根據 A 股上市公司中文在線於 2026 年公佈的數據，中國國內目前的 AI Token 消耗結構呈現高度集中的態勢：

• AI 短劇與影片生成：55%

• 電商與營銷（電商廣告）：24%

• 軟體開發（AI 研發）：15%

這組數據立刻在業界引發了「國內超一半算力在造爽劇」的譁然。對此，字節跳動旗下「豆包」公關負責人迅速出面澄清，直指該數據「不靠譜」，並強調以字節跳動自身為例，總算力中僅約 10% 實際用於影片生成模型的訓練與推理。

爭議背後的真相：Token 消耗不等於總算力

兩邊的說法看似衝突，其實源於「統計口徑」與「名詞定義」的根本差異。

中文在線探討的「Token 消耗」主要是應用端（推理端）的計量單位。由於生成影片與圖像所需的 Token 數量遠大於純文字生成，在當前影音內容變現最快、商業需求最直接的市場環境下，應用端的 Token 流量自然大量向短劇與電商廣告傾斜。

相對地，字節跳動所回應的「總算力（Computing Power）」則包含了底層基礎模型的龐大訓練（Training）以及整體基礎設施的維持。單一 AI 巨頭在底層架構的算力分配，與全行業在末端應用層的 Token 消耗，本質上是兩個完全不同的評估維度。

全球趨勢：從「文字對話」轉向「AI Agent」與多模態

跳脫單一市場的應用輪廓，全球 AI 的消耗結構正在經歷一場深度的典範轉移。創投與研究機構的觀察指出，市場正快速告別早期的單純「文字聊天」，迎來兩大主流趨勢：

1. 多模態應用的爆發： 隨著底層模型能力的升級，圖像、音訊與影片生成的技術門檻大幅降低。多模態任務對算力與 Token 的渴求是純文字的數十倍至數百倍，這將成為推升全球消耗量的核心動力。

2. AI Agent 的全面導入： 未來的 AI 不再只是「問與答」的聊天機器人，而是能夠自動執行複雜代辦任務的智能體（Agent）。從企業內部工作流的自動化到跨軟體的操作，這類在背景持續串聯與運作的任務，將產生龐大且持續的 Token 消耗。

正如高盛（Goldman Sachs）與各大研究機構所預測，隨著企業端與消費端全面導入 AI Agent 技術與多模態應用，全球 AI Token 與算力的總消耗量在邁向 2030 年的過程中，將迎來指數級的爆發。未來的 AI 發展，不僅是底層模型參數的軍備競賽，更是多模態內容生成與自動化任務落地變現的商業實力考驗。

AI 成本崩跌與財務挑戰

 

連結

本段文字與圖表主要探討「AI 成本極速下降對產業財務結構與投資回報帶來的挑戰」，重點摘要如下：

• 成本降速創歷史紀錄：德意志銀行引述 Epoch AI 數據指出，自 2023 年起，達到相同 AI 效能的成本每季平均下降約 47%（年降至原本的十三分之一）；其下降斜率遠超 DNA 定序、傳統運算與鋰電池等歷史技術。

• 科技巨頭資本支出倍增：美中大型及新興雲端業者今年的 AI 資本支出接近 1 兆美元，規模幾近去年的 2 倍，面臨沈重的財務攤提與投資回報壓力。

• 營收維持門檻大幅拉高：在單位售價每年降至十三分之一的情形下，服務銷售量必須以超過 13 倍的速度擴張，才能打平原先營收，尚未計入龐大新增投資所需的報酬。

• 融資結構轉向推升信用風險：部分企業正由「自由現金流支應」轉向「發行債券融資」，使整體產業擴張對信用市場與債務成本的依賴顯著提升。

• 產業瓶頸轉移至商業變現：技術進步與價格下跌不再直接等同於獲利增加；產業可持續發展的核心關鍵，在於企業客戶能否將低成本 AI 實質轉化為可衡量的生產力提升、營收增加或成本精簡，否則資料中心等巨額資本投入將面臨資本報酬率（ROIC）持續惡化的風險。

【颱風天的 AI 裝潢實驗】80% 的 Token，都浪費在我們對彼此的誤解

颱風天不能出門，剛好是個適合測試新工具的好時機。今天心血來潮，決定嘗試用 AI 來進行室內裝潢的模擬。原本以為只要給出幾個關鍵字，AI 就能像魔法般變出理想中的空間，但經過一個上午的「交手」，我得到了幾個充滿血淚、卻非常真實的初步心得。

人與人之間的溝通本來就充滿挑戰，但今天我深深體會到，人跟 AI 之間的誤解，有時候比人際溝通還要深。

1. 溝通障礙是雙向的：你覺得它笨，它可能也覺得你詞不達意

在使用過程中，我好幾次在螢幕前覺得「這 AI 怎麼都聽不懂我在說什麼？」但冷靜下來反思，AI 接收到的只有我輸入的指令。當我沒有把情境、限制和具體細節定義清楚時，出來的結果自然南轅北轍。我相信，在 AI 的運算邏輯裡，它大概也覺得眼前這個人類的指令下得一塌糊塗。

2. 步步為營：不要幻想能「跳級」通關

我們很容易對 AI 抱有過高的期待，希望一句話就能產出完美最終版。但實務上，千萬不要跳，必須一步一步來。 最理想的節奏是：先確認 AI 真的「看懂」了你提供的背景資料，接著反問它、釐清你的需求。就像跟設計師溝通一樣，前期的需求定義越清晰，後期的重工就越少。

3. 確立 SOP：先平面，後 3D

在裝潢模擬這件事上，順序絕對不能錯。一定要先從最基礎的「平面擺設」開始溝通，等到雙方對空間尺度、動線規劃達成共識後，再進一步要求進行「3D 情境模擬」。如果連平面的基礎都沒打好就急著要 3D 圖，最後只會產出一堆看似精美卻完全無法落地執行的虛幻影像。

4. 令人啼笑皆非的 AI 邏輯

過程中發生了一件很有趣的事。為了避免浪費時間，我特別叮嚀 AI：「出圖前先幫我檢查一下參數與邏輯。」 結果呢？它依然故我地直接把圖生成出來，然後看著自己剛生出的成品冷靜地告訴我：「這張圖有問題。」這種「先斬後奏再自我檢討」的運作邏輯，實在讓人又好氣又好笑，也提醒了我們必須設定更精確的防呆機制。

5. 看不見的溝通成本：80% 的 Token 都在打轉

回顧這次的實驗，我有一個很深刻的體悟：這場對話裡，大約有 80% 的 Token（字數與算力）都浪費在雙方的互相誤解與反覆修正上。 這跟日常專案管理或團隊協作何其相似？當目標不一致、指令不精確時，我們耗費的資源往往不是在「解決問題」，而是在「釐清問題」。

結語： AI 是個執行力極強的助手，但它依然需要一個思緒清晰的「導演」。這次的颱風天室內裝潢模擬，雖然沒有立刻得到完美的 3D 設計圖，卻讓我上了一堂寶貴的 Prompt 溝通課。下次與 AI 協作時，我會記得先把規則定好，再讓它發揮算力魔法。

把握 AI 時代的財富革命：從「康波週期」看懂未來十年的經濟軌跡

在經濟史學家與技術專家的眼中，近期 AI 產業的爆發式成長，絕非偶然的巧合，而是技術創新帶動經濟週期推移、產業升級與財富累積的必然結果。要看懂這波浪潮，我們需要拉長歷史視角，認識所謂的「康波週期」。

什麼是康波週期？

經濟週期是市場經濟發展中避不開的節奏變化。企業與投資者通常熟知4至5年的庫存週期、8至10年的利率週期，以及15至25年的房地產週期。相比之下，「康波週期」（康德拉季耶夫週期的簡稱）是時間跨度最長的，一輪長達50至60年，主要由技術和制度變革所驅動。

每一個完整的康波週期，都會經歷四個階段的循環：回升期、繁榮期、衰退期與蕭條期。

穿越240年的五次技術革命

從1782年蒸汽機發明推動工業革命開始，至2023年 OpenAI 掀起人工智慧浪潮，人類社會在過去約240年裡大致經歷了五輪康波週期：

• 第一輪（1780年代～1840年代中期）： 以紡織和蒸汽機的大規模應用為核心，機器動力開始替代人力，拉開了以英國為起點的工業革命帷幕（持續約60餘年）。

• 第二輪（1845～1892年）： 鋼鐵產業迅速發展，並與蒸汽機共同催生歐美的鐵路建設，實現了長距離交通革命（持續約47年）。

• 第三輪（1892～1948年）： 電的發明與廣泛應用推動了電氣化革命與重化工業的發展，被稱為第二次工業革命（持續約56年）。

• 第四輪（1948～1991年）： 汽車大規模普及，電腦出現並展開初期產業化，人類從工業時代邁向資訊時代（持續約43年）。

• 第五輪（1991年至今）： 核心特徵是資訊科技革命在各行各業的廣泛應用。這輪週期先是經歷了 IT 數位化與行動網路的普及，如今則正式進入由 AI 驅動的新階段。

我們現在處於什麼位置？

根據週期軌跡的推演，第五輪康波週期自2020年起進入了「蕭條期」階段。然而，歷史經驗告訴我們，舊週期的低谷往往是新技術爆發的溫床。

2022年底至2023年初，生成式人工智慧的創新與應用出現了明顯的加速。許多研究者認為，這正是本輪康波週期準備邁入下一個「回升期」的重要訊號。隨著 AI 從底層技術走向商業化落地，它極有可能在2026年前後，為全球帶來更亮眼的經濟與產業效應。

每一次長週期的切換，都伴隨著產業的顛覆與財富的重分配。理解康波週期的運作規律，能幫助我們跳脫短期的市場波動，看清技術發展的長遠趨勢。面對這場由 AI 領軍的財富革命，提早認知並把握技術創新的拐點，將是企業與個人在未來十年脫穎而出的關鍵。

「影視颶風」創始人潘天鴻（Tim）提出的內容創作方法論

https://www.huxiu.com/article/4810740.html

 「影視颶風」創始人潘天鴻（Tim）提出的內容創作方法論被總結為 HKRR 四要素理論。這四個維度旨在全面提升影片的吸引力、傳播力與觀眾黏性。以下為這四個要素的整理、解釋與應用實例：

1. Happiness（快樂/愉悅）

• 解釋：目標是讓觀眾在觀看過程中感到放鬆、愉悅，提供娛樂價值或感官上的「爽點」。這是降低觀看門檻並吸引觀眾持續注意力的最直接誘因。

• 舉例說明：在影片開場使用幽默的自嘲式對白，或是加入出人意料的情節反轉。例如，影片開場不直接切入嚴肅主題，而是用一句：「大家有沒有發現，每次下定決心早睡，最後都會變成和手機的拉鋸戰？」藉由輕鬆的日常幽默迅速抓住觀眾的注意力。

2. Knowledge（知識/價值）

• 解釋：向觀眾傳遞清晰、有價值且「可帶走」的資訊。優質的內容不能僅止於娛樂，必須提供實質的「乾貨」，讓觀眾在觀看完畢後覺得花費的時間有具體回報。

• 舉例說明：將生硬的專業名詞平民化。例如在評測攝影設備或科技產品時，不單純堆砌規格與數據，而是運用比喻：「這個新感光元件的運作原理，就像是給你的眼睛戴上了一副能在黑夜看清一切的夜視鏡」，將複雜的技術知識拆解為易於消化的模組。

3. Resonance（共鳴/情感）

• 解釋：觸及觀眾的生活經歷、痛點或價值觀，引發情感共鳴並產生認同感。當觀眾能在內容中看見自己的影子，就能與創作者建立更深層的連結。

• 舉例說明：在探討「如何提升專注力」的主題時，不單純給出解決方案，而是先描繪一個真實的場景：深夜盯著未完成的報告，內心充滿焦慮卻又忍不住不斷刷新社群軟體。這種展現真實生活困境的敘事，能讓觀眾產生「這根本就是在說我」的強烈共鳴。

4. Rhythm（節奏/觀看體驗）

• 解釋：透過視覺、聽覺（音樂與音效）與敘事結構的快慢變化，控制觀眾的情緒起伏。良好的節奏感能避免資訊疲勞，在適當的時機給予喘息，並在關鍵處保持張力。

• 舉例說明：在資訊密集的知識點解說段落，放慢語速並搭配清晰的圖解，讓觀眾有時間吸收；而在展示挑戰成果或高潮段落時，則加快畫面剪輯速度並配合節奏感強烈的音樂。此外，在拋出影片的關鍵轉折或核心結論前，刻意將背景音樂抽掉並停頓一秒，藉此製造懸念與張力。

一支出色的內容通常會根據受眾與主題定位，選擇其中一至兩項要素作為主軸（例如以「知識」為核心，用「快樂」來包裝），並將其他要素融合於整體的腳本框架中。