编按：2023 年生成式 AI 即将引爆网路革命。不只 ChatGPT 走入大众眼帘，年初矽谷更有 3 只生成式 AI 独角兽诞生（Cresta, Stability, Jasper），从文本、程式码生成、图像生成再到语音合成，这些生成式 AI 具有一定程度的「创造力」，在创作上达到了「更快」、「更便宜」的成果，AI 距离超越人类内容创作者，就只差「更好」了。
Google 台湾前董事总经理、Appier 、iKala 董事简立峰在接受《TechOrange》 Podcast 节目〈全新一周〉专访时，白话解释「生成式 AI」，并表示学习使用 AI 工具，是未来所有工作者都必须具备的技能之一。
简立峰在节目中谈论：
- ChatGPT 与以往 AI 不同的是：它开始「讲人话」
- 台湾如何利用这股趋势并掌握住下一波机会
以下为节目专访逐字稿。
《全新一周》主持人戴季全（以下简称「戴」）
戴：各位听众朋友大家好，我是戴季全，欢迎来到 2023 年全新一周，我们今年有很大的事情 ，有好消息、有更多的坏消息。今年开春第一位邀请的特别来宾就是简立峰，立峰你好！
Google 台湾前董事总经理、Appier 、iKala 董事简立峰（以下简称「简」）
简：季全好，大家好。
戴：我想直接切入一个大重点，我们在去年年底开始有越来越多关於生成式 AI 的讨论，包含语音机器人，应该说语义机器人、文字输入的机器人，是不是可以请立峰——当然立峰包含语义分析、早期搜寻引擎的建置，立峰都参与得非常多——是不是可以从你的专业角度，介绍什麽是生成式 AI，ChatGPT 这个新的机器人，到底和传统语音机器人到底有哪些不一样，或者有哪些可以观察的地方？
简：跟大家报告一下我的背景，我是 30 几年前、1991 年台湾第一个做语言模型的本土博士，等待了 30 几年，出现大型语言模型像 ChatGPT，是一种语言的 machine learning（机器学习）。
过去 AlphaGo 到现在这段时间里，有一种说法是机器学习的能力呢，在电脑视觉能力是赢过人类的，所以你看可以做自驾车，也一直在探讨语言能力，它可以辨识文字、把声音变成文字，对於人类的互动理解，大多数假设是还没有那麽快。
还有一个假设，如果你有看李开复的书，我的好朋友他常提到，人类还有什麽能力是机器不容易取代的？我们都讲说是创造力，那创造跟创作有点不太一样，我们也假设创作能力，机器不是那麽容易，那创作就是文字、图画、音乐的创作这个部分，就是内容的生成。
AI 开始「讲人话」：未来人人都要学习 AI 工具，增强生存技能
简：媒体业也是内容的生成，我们平常工作里头写信也是内容的生成，可是这次生成式 AI，不管是 ChatGPT 与否，很惊讶地它效果超过原来预期，这个部份如果去解释 ChatGPT 的话，大概用一个字来形容：它开始「讲人话」，和其他的语言模型相比，如果你有留意昨天的 AI 大师，用他的说法是，他不觉得 ChatGPT 有技术上的重大突破，因为方法是来自原来的 transformer，当然大家可以讲说是当时 Google 团队做出来的 transformer，从那边延续过来，但它做一个非常好的整合，而且整合之後让一般人开始理解，电脑可以有阅读能力、回答能力，这件事情在学界、科技界，过去两三年应该已经知道可以到达这个 level 可是系统没做出来了，连做研究的人也没感受到那个威力，所以可以解释说，今年可能是生成式 AI 的重大应用年，我们可以从这里开始。
（编按：「AI 大师」指 Meta 首席 AI 科学家杨立昆（Yann LeCun））
戴：所以生成式 AI，它的英文是 generative AI 是说，从我的理解，立峰帮我看一下是否理解正确，就是说原本 AI 其实是分析大量资料，去找出 pattern、找出它的模式，增加它辨识的精确度，但生成式 AI 它可以去生成新的 content，包含文字、声音或图像，生成新的东西，我这样理解正确吗？
简：可以这样讲，两个概念：那模型叫 GAN，方法是怎麽去训练它？好像有个老师问它一个问题，它给一个答案，这是好、这是不好。所以生成式 AI 一方面产生内容，但有一段新的学习是在教它这是好、这是不好，让它给出越来越像这老师要的东西、方法。
可是它的应用面是内容的产生，两个不同面向，内容产生以 ChatGPT 来讲它可以写信、写程式，类似的比如说 Midjourney 它可以画画；音乐、作曲……这些都变成是一种生成式的内容。
老实说生活里这类应用太多了，只是我们没有想到，如果电脑可以做到这个阶段，大量的应用就可以产生，像有一家公司叫 BuzzFeed，它是媒体代理商很出名的一家，它现在就讲说资遣了 10% 的编辑，可是 30% 的内容改用 AI 做。以後大家都要学 AI 工具，加强你的生存技能。
戴：可以和 AI 合作的编辑比 100% 纯种编辑更有竞争力。
简：最主要它产出速度太快，它可以做翻译，还可以做摘要。
戴：我有几个思考点可以跟立峰讨论看看，第一个最直接，假设像我们这种内容工作者、编辑为主轴的工作核心要素，它会变成说，其实我看生成式 AI 发展趋势，有两个大家比较不常提到的，一个是说它如果有越多人类老师在教，它才学得好。
生成式 AI 的编辑，它只负责想像跟创造，可是其实对或错还是由人的感受来去判别，讲话得不得体或正不正确，或是能不能够产生有意义或有价值的一些内容。
简：你可以说 AI 进步会比我们快，从现在开始它会更快，比我们个别都快，因为它是所有使用者来教育它，它可以不断地学，而我们每一个人学习都是从个体的角度。
这有点像 AlphaGo 跟人类的围棋高手，现在 AlphaGo 已经是老师，这些高手用它来学，比以前棋艺进步很多，所以对个体来讲我进步了，但 AlphaGo 更厉害了。
戴：我看到有一些在生成式 AI 前面、丢数据之前，甚至会有另外一组 AI 去做审查的动作，当然严格可以变言论审查，但有时候是审查种族歧视的字眼、侮辱性或太过於暴力、不实的东西，有点像我们脑部运作，例如很多人会发现怎麽有些朋友喝醉了之後英文特别好？其实不是英文变好，大脑怕自己英文讲不好，这个抑制作用被关掉了，所以他就变得敢讲；是敢讲、不是英文变好。
简：应该是这样讲，人类有个前额叶，所以我们对於任何东西的反应并非单一反应，其实是多元的反应，但前额叶决定最终输出。
例如喝醉酒丧失意志时，这个控制力就变差，可能冒出你原本没想像会有的反应，包括说不定本来潜意识英语就蛮好，但以为自己英文不好就被压抑掉。
现在 AI 模型也都是这样，一层叠一层、一个模型接一个模型，所以 ChatGPT 绝对不是一个单一模型，它是好多服务整合在一起，所以它对任何一个服务都可以用自动分类去决定说，这是好或不好的回答，也可以自我审查，这样它就可以控制。
讲成俗话的说法是养小鬼，每个人都可以养成一个生成式 AI，可是要看这种大模型它愿不愿意让你养，因为养一个也很贵，大型企业可以跟 OpenAI 要一个客制化的模型、其他人没办法，你只能跟他要一个一般式模型；一般式模型你就改不了。
戴：我看到矽谷有几个现象，一个现象是说，根据估计，去年光矽谷跟生成式 AI 相关的新创大概就有 500 家，甚至还有一个统计说，去年一年，投资生成式 AI 的投资额就已经超过去年 5 年整个矽谷 VC 的投资了。
简：不用太多人就可以新创了，几个厉害的机器学习或 AI 学者、工程师就可以创业，所以它的加速会容易很多，但困难的地方在於有一点进入到……这可以拉回跟台湾有关，生成式 AI 第一个获利的就是台积电，因为你需要大量训练，之後如果晶片速度越快、成本越低，另外你需要大量伺服器，又跟台湾有关。
可是这些新创，创业很容易但很烧钱，这些是需要钱的，反而是这次的发展，资源不是放在人才而是基础建设成本，这件事情最後真正能玩的企业绝对没几家，这些新创最终会被并购掉。
第三波网路革命来袭！台湾要把握机会，找一些应用领域来训练数据
戴：这个过程，至少在我的事业历程里看到两波：第一波是 1996~2000 网路泡沫，里面有很多的新创。第二波大概是 2006、2007 年，就是第一支 iPhone 出来的时候，mobile internet（行动网路）立峰也有同样的感受吗？ 这个是网路第三波趋势？
简：用第三波也可以，我们在几个月前也假设那个第三波叫元宇宙，我那时候就坚持它不是，但这次我会讲说是，但这个波动是不是能够到人人都可以去做这件事情？应该不是。因为网路泡沫时，任何人都可以架网站，mobile internet 门槛也算低，学一下写 App 就可以。
而这次门槛其实是高的，我们看到 ChatGPT，想像说我们有一个就可以做很多事，问题是你没有那东西，那个东西训练一次要一千万美金，训练失败一千万美金就不见了。
更重要的是找不到人类地球等级的数据量，这个数据平常就要蒐集，蒐集的过程恐怕几亿美金不见，而且现在人家愿不愿意让你蒐集还是个问题，因为 copyright（版权）。
所以大家都只能在巨人的肩膀上做事情，可以探讨说某些国家考虑要不要当那个巨人，用国家级的力量去推动，那大企业肯定就这几家，但是在巨人肩膀上堆积木，它还可以创造前两波应用的可能性，但这些可能性要有一个前提：就是这些大巨人愿意开放部分的东西给你加值， 这个概念不是 call（呼叫）API，因为如果你 call API 去呼叫它，你的资料喂给它，是它的脑在进步，它不会给你客制化。
你希望是它分一个小脑给你，那个小脑你自己去加值它，大量喂你自己拥有的资料给它，这个发展模式就看哪家公司愿意这样做，有点像是我把现在 ChatGPT 当作客制化模型，每一家企业我给你一个，可是这每一个，从现在 170 个 billion 参数可能要 17 个 billion 参数，每一个可能都要 1000 台机器以上才能运作起来，那就又是大企业才能玩、中小企业没办法。
戴：这个很有意思。从第一波 1996 年开始，当然前面还有 PC 发展，那个时候第一波 IBM 做了一个决策，就是把 CPU 跟作业系统外包，所以就创造了微软、Intel 这两家，两者又组成 Wintel 架构 386、486、586 处理器。讲到那波我在大学，我就是一天到晚跑光华商场玩电脑。
简：因为台湾也就那个时候可以组电脑，所以才有电脑公司的开启，可是我们电脑里 CPU、OS 不是我们的。
戴：第二波那时商业发展很有意思 Google 并购了 Android 这家公司，但它并没有把它当作是一个商品，它把它 open source（开源）掉，所以现在反而变成全世界最多消费性运算单位 ，也就是智慧型手机，几乎没有微软的作业系统，大部分都是 Android 类。
简：包括 Chrome 也一样，Chrome 也是开源，才那麽快可以超越 IE。
戴：所以第三波的 AI，当我们往回看第一、二波的经验，其实我自己判断，很有可能跟立峰你刚刚讲的一样，不只是开放 API 而已，它会开放一些不同的，因为它跟大脑突触运作有关 ，有些处理视觉、听觉、语言，有些处理跟大脑小脑的沟通；不同的世界、处理的任务不同时，脑部的电脑断层会亮的地方不一样……
简：所以这是为什麽我们真正叫它「电脑」，它原来叫 computer，但我们台湾把它翻译为电脑：electronical brain，这是第一次它真的变「大脑」，而这个大脑可以去买合适你的那个脑。
我估计如果你刚刚讲第三波创造性，必然就是说，最强的它还是维持封闭的脑，透过 API 给你用；第二三四五名的可能会采取开源，像这波的科技发展为什麽那麽快？跟 Google BERT 模型 open source 有很大的关系，训练好之後连大学生、中学生都可以下载小的参数模型，就可以做好多事情。
我估计它还是两条路：一条是 iPhone 走的封闭式路，一条是 Android 走的开放式路，那我们可以拭目以待，有很多（公司）选择开放、更强的公司选择封闭。
戴：这个就是商业策略跟发展策略上面的差异。
简：那如果要做应用，现在就要把握机会，要学会有一点叫 hybrid mode（混合模式）：怎麽去应用已经有 API 可以 call 的模型，你可以运用多模型，不要绑在一个模型上，因为绑在一个模型它策略会改变，可能太贵、你也改不动它，可是在这个多模型里头，你还要再加上自己的 open source 找得到的模型，来训练自己的东西，慢慢就变成说，我们脑有好多 ，大脑小脑延脑，我们自己去兜，兜那个脑。
戴：也就是说其实是不同的 pair（配对），譬如说我们作为企业主，每个人角色不一样，有些可能是消费者、有些可能是 B2B，是可以在这样的趋势里去组合出……像立峰说的养小鬼，或者说养一个虚拟的、看不见的助理，或是一个帮你判断或思考的 AI，用户的分析、行为的分析，甚至生成内容做客服、做 Content 等等。
这个对台湾来说，台湾有哪些机会是可以留意的？
简：比较困难的问题来到软体应用面里头，我们在云端化的速度过去两年有加快的现象，但还不够快。另外一个我们在应用创造里头，数据的累积不管是 B2B、B2C 也都不够快，虽然有进步，但全球来讲规模都不够大。
这种情形下 AI 应用是我们一个新的机会，但这个新机会里头，我们旧的底子不好，没有太多的数据可以来训练——假设今天要养小鬼，你也要有东西给它、要有食物喂它啊，这个食物都还没准备好，别的地方马上就变大鬼了，我们还在小鬼阶段，这是先天不足的地方。
可是後生可畏、可以再追的原因就是说，它这个 legacy（既有做法）突破了，它又是重来一次，重来一次就是说这波养小鬼的，它擅长的东西是 AI machine learning（AI 机器学习），那不是在十年前、二十年前，可能擅长是电子商务、数位行销的时代，它又是另外一批专业的人，所以概念上来讲，大家的立足点，虽然我们先天还不够好，但重跑一次不见得会比较差，这是一个条件。
另外一个就是，成功的企业会越来越少、越集中在几个大的，我们本来是属於在 AI 的中小型，反而跟越来越多的国家地位是公平的：这个逻辑是说，成就成大企业的公司根本不会太多，接下来还是中小型的 AI 企业，这种情形下，台湾恐怕不用再去追求大型的 AI 企业，因为那个数量级不是我们能玩的。
这个概念就很像说，我们的手机自己做，做到後来为什麽没办法拥有世界级的手机？HTC 曾经那麽好过，为什麽没有办法？ 是因为如果你把手机生产当成本是不够的，你要做行销当成本才是关键。行销费用最後比生产贵非常多，台湾就跟不上了。跟不上之後我们在做手机，本来有好多都可以做，到後来我们手机就变成一个不是大型的产业。
逻辑上一样的概念，这次的军武竞赛里，大型 AI 只会越来越大，因为它的科技证明一件事情、ChatGPT 证明一件事情：训练资料量大就是有用。我们现在人类可以喂给那个脑的数据量还不够，所以你现在垃圾丢进去都有用。
那这种情形下，有一点是说，它会形成 Apple 这种等级的，还是你去拿联发科的公版自己加个壳就当手机，也可以，看我们要定位在哪，但是在应用上就要慎选应用。
选应用场景里头我们有使用者可以互动，短期间累积比较多的使用者互动 ，就有东西养小鬼，这个互动多的应用领域里头，也许我们现在还可以追，因为序幕才刚刚开始。
戴：我懂，也就是说其实我们不用一直去看国外怎麽做，然後想要去做一样的事情，反而是说我们有个新的机会，去看说如果我们有哪些金山、银山、live data（即时数据），因为我们数位转型虽然有加速但还不够快，数据蒐集的质或量都还不够好，反而事先盘点、先看我们的痛点，或甚至我们的甜蜜点，我们先看这两个点，在数据上面自己有相对优势的数据。
把这些应用先设定好之後，去尽快地把这些数位转型、数据蒐集、AI 的生成，趁这波浪潮，大家都在同样起跑点的时候，去找出局部相对优势，这样就有可能除了原本的伺服器、晶片制造之外，可以再多一些中小型的生成式 AI 服务或应用。
简：我举例来讲，假设今天 OpenAI 愿意开放一个开源版本出来，虽然这个脑比较小一点，这时台湾就要把握机会，找一些应用领域来训练数据，举例来讲，政府服务的 1966 把它过去有累积的建档、那些 QA 希望它有建档，问题就出在这里，如果它没有建档，那我们就是浪费十年。
如果它有建档，机会来了，因为学理上告诉我们，你把现在所谓的变形金刚 transformer 式的——ChatGPT 就是一个变形金刚——这种模型转换到一个新模型，它资料量不用多、它学得很快，但还是要有一定的资料量，在这种情形下，比如说要几十万句几百万句的互动 ，大概是这种概念，我们就要去寻找说，我们现在哪里拿得到？
比如说银行客服的量可能是够的，可是它当时有没有建档？我要的是一个测试可以训练，这个动作反而是该准备的，每一家企业都该去准备，因为看起来，来的时候也很快它就到了。
戴：我原本真的很窄化地以为生成式 AI 冲击的是比较偏 Content，可是我听你这样讲起来，它生成的概念——对，你在摇头，因为我们是 Podacst，听众看不到你摇头——generative AI 它又没有说它只有生成 Content，因为你看，我们原本 AI 假设放在医疗里面，过去在讲 MedTech…
对，过去 AI 只是说，比如可以提升 X 光片诊断的精确度，它只是辨识这张 X 光片可能是肺癌第零期，它可以看出很多、告诉你一些 facts（事实），生成式 AI 有个潜在的可能性，我要跟立峰很慎重确认一下，它不是只能做 X 光片的判断，不是只能分析……
简：可以跟你聊病情啊、互动。
戴：对，第一个它可以互动，第二个它甚至可以给一些可能的 solution，它可以给疗法耶。
生成式 AI 不只是影响「内容生成」，而是「对话」领域
简：对，虽然说现阶段它有很多问题，等一下有空可以聊它的缺点在哪里、它的限制在哪里，但至少是这样，生成的概念，我刚刚说「讲人话」，那人讲话在干嘛 ？哇，多了，医生讲话在回答病人、法官可以判案，这都是讲人话啊，所以 AI 在影响的是，我们叫做「对话」 dialogue 领域，不是 content generation（内容生成）而已，是「dialogue」。
戴：这一则以喜一则以忧，喜的是，不是只有我们这个行业要担心；每个行业都有它的机会，甚至连商业策略、治疗的策略、方案等等。
简：大家想像中可以用到那里 但是大家最後会很挫折是，为什麽 ChatGPT 这麽强，为什麽我的公司没办法用？原因就是你的特定用途，每一字每一句互动都希望回到你的应用。
今天 ChatGPT 就是一个维基百科，可是一个有学问的小孩子不会拿它来做什麽事，因为它回答有点无聊，你真的要他开个门、关个门，它不能开又不能关。
所以这个大脑用到每个应用之间有一个过程，新创要做的就是这个过程，不要再去玩那个大脑，全世界只有少数几家来做就可以，但是你要把这个大脑，有能力把它分离出来，用到你的应用里头，成功训练出来，那就很厉害。所以我觉得现在云端服务公司，开始应该要往这里做，帮人家训练脑。
戴：我真的觉得在网路业是很幸福又很兴奋的事情。立峰你刚刚讲「讲人话」，比如下命令就是一种人话。
像现在 ChatGPT 把这个大脑，不要说它分出来，应该说它另外长、给了一些突触让你另外长，某些东西训练够成熟可以到下指令，即便是开关门，像我们几乎每天或常常会碰到的状况是，我们会按门铃说是谁？99% 的人都会说是我，不会讲名字，所以听的那个人其实是在辨识这个声音：是我妈妈、女儿，还是谁？
这事情如果之後由 AI 来做，它就变成声纹钥匙，这就是生成式 AI 要去下指令，不只是辨识是或否，然後来决定开或关。
简：是，但这又是我们在看 AlphaGo 很聪明，就以为它什麽都会的逻辑一样。
生成式 AI 在每个应用里头又需要重新训练好多东西，而且它牵涉到外部装置，所以它是一个物联网整合，开跟关也没想像中那麽顺利，因为每个装置长得不一样，这都是漫长的过程。
可是大方向来讲，科技技术方面它有可能做得到，光这件事情投资就起来了，所以今年有没有什麽好消息？有，就是生成式 AI 应用年，所以很多新创现在又活下来。
去年可能元宇宙喊一喊没了、Web3 还有点走下坡，还不太确认虽然还有机会，生成式 AI 那些创投又有钱可以搬了，因为对人类说人话，那就让创投可以说故事；创投跟你说故事，银行的钱就可以搬出来，对於全世界的投资方向来讲就有一点眉目。
（本集内容的图片与音讯都由编辑与 AI 协作完成，首图来源：dream.ai）
以上为专访部分逐字稿，想要知道更多精采内容吗？收听并关注〈全新一周〉：第三波网路革命来了：2023 将是生成式 AI 爆发年！｜S2 EP61 Ft.简立峰