陳家宏、戴禮 (originally published in Liberty Times, March 10, 2024; https://talk.ltn.com.tw/article/paper/1634792)
在這波台灣的求職旺季，許多人開始擔心先進人工智慧技術將會對工作產生衝擊。資策會產業情報研究所最近的一項研究發現，在十八～卅五歲年輕人中，有五十％的人擔心生成式人工智慧將會影響他們的工作機會。
在二○二二年 ChatGPT 發布之前，擔心會失業的族群主要集中在藍領工人身上。現在，隨著這些可以生成人類語言、程式碼和圖像的大型語言模型（LLM）的成功應用，最受威脅的群組似乎轉變為白領的工作，例如作家、程式設計師和藝術家。
顯然，人工智慧將徹底改變工作環境。但是大家應該擔心被大型語言模型（LLM）取代嗎？
工作與任務
要回答這個問題，我們需要了解到，工作是由許多任務組成的，無論是藍領或白領，對於大多數工作來說，人工智慧距離完成所有的任務還有很長的路要走。
某些重複性任務確實可以單靠人工智慧自動化完成，但有些任務需要透過人類搭配人工智慧，而還有一部分的任務則只能單獨由人類完成。
這聽起來可能相當不錯。尤其是作家和程式設計師，有可能將繁瑣、無聊和重複的任務外包給人工智慧，享受人工智慧所提升的生產力，讓自己承擔更具創造性的任務，這個結果的確會讓白領的工作產出更多、更有創意。
但這也是一把雙面刃。許多人將失去工作——不是因為人工智慧本身，而是因為人工智慧所提高的生產力。企業可以透過更精簡的人力完成相同的工作，以提高其獲利能力。
那麼，為什麼生成式人工智慧（以目前的大型語言模型（LLM） 的形式為例，例如程式設計師在使用的 ChatGPT 或 GitHub Copilot）不會完全取代人類呢？
為了得到答案，我們需要了解一般智能、洞察力和自我意識。
一般智能與洞察力
了解任務在「知識與行動之連續光譜」的位置對我們理解智能將會有很大的幫助。基本上，當資料被組織起來時，它就變成了資訊，如果對人類有意義，它就變成了知識。當思想可以轉為行動時，知識就轉變成了一般智能，就像可以利用知識執行複雜任務的能力一樣，可以寫報告、摘要或是程式。我們所謂的一般智能，可以視為是利用知識來行動，這個臨界點，也就是可用性開始大幅提昇的起始點。
人工智慧可以完成任務，但人工智慧並不明白自己在做什麼。而這個不明白就是軟體大師林納斯．托瓦斯（Linus Torvalds）批評某些程式碼為「垃圾」時所暗示的意思。林納斯．托瓦斯曾說過，如果程式設計師只是單純地複製程式碼功能卻不理解「為什麼這些程式碼要做他們所做的事情」，那這些程式碼往往是垃圾。
緊接著一般智能之後，我們要探討的是智慧與洞察力，這是專家級的能力，專家透過它們來尋找機會並為人類創造價值。
這方面的案例是史蒂夫．賈伯斯（Steve Jobs）對觸控螢幕手機需求的深刻洞察，於是，他將簡單的舊式手機轉變為包含各種設備於一機的電腦。人工智慧無法做到這一點。
這種洞察力來之不易，需要一萬小時的學習、實踐和技能培養才能實現。我們通常將洞察力想像成是專家的工藝，並將其看成是時間、努力和練習所轉換出來的成果。
這或許就是為什麼 DALL-E3 生成的達文西風格藝術作品只能得到大家廿秒鐘的關注，但卻無法像真正的達文西作品一樣被人們視為珍寶。
只有像專業工匠一樣為獲得洞察力，付出努力並實現其洞察的人，才能創造出對人類有價值又受人重視的作品。
自我意識
儘管生成式人工智慧在創建文字、程式碼或圖像的一般智能層面上取得了令人矚目的進步，但它仍然只是一種複雜的統計模型。人們告訴它要做某件事，它就會去做，但最終仍然要對它做出的成果進行評估。
生成式人工智慧沒有自我意識。人工智慧無法自主、有意識地、有目的地行動。也許有一天，當人工智慧成為AGI（通用人工智慧）時，這種情況才會發生。
但我們還沒有到那一步，而且還不確定是否LLM 真的會引導我們到達那裡。
目前，人工智慧大型語言模型像是可以生成文字或程式碼的「智能」模型，但它們的效能取決於所訓練的資料集。本質上，它們是會產生迴歸於平均水準的程式碼或語言的統計模型。換句話說，它們被設計為只能產出平均品質的結果。
儘管生成式人工智慧產出的文字和程式碼對於非專業人士來說似乎很出色，但對於真正的專家來說，結果充其量只是平庸的水準，而在最壞的情況下，則效率低落且充滿錯誤。
對於求職者或一般專業人士來說，這裡的啟示有兩個面向。首先是你應該了解人工智慧工具以及它們可以如何提高你的工作績效。第二則是找出找出需要人類洞察力的技能，並加以發展。
這樣做將有助於準備迎接即將到來的AI未來，未來的你不但具有競爭力，還能脫穎而出。
