一億兩千五百萬參數、不連網，手機上就能秒接你彈的旋律——
這算你的創作，還是作弊？
MIT授權開源模型直接嗆Claude Opus 4.8！
可是自我改進根本是行銷話術？？？
今天第一則。一億兩千五百萬參數、每秒一百零八個音符——
而且完全在一支 iPhone 上跑完，不連網。
這是獨立開發者 simedw 在二零二六年八月二十號發的文章
，他訓練了一個 transformer 模型，
幫你的鋼琴演奏做自動補全。 你可能會問「等等等等——
自動補全鋼琴？？是我彈幾個音，它就接著幫我彈下去的意思嗎？
」——對。就是這個意思。
概念跟寫程式那個 GitHub Copilot 一模一樣，
差別在輸入不是程式碼、是你按下去的音符。
你可能會問「完全在手機上？？所以我在飛機上關機模式也能用？
他一個人做到這個⋯⋯是天才嗎？」——
他提到這是經過十四次實驗才走到目前這個階段。
成果做成一個免費 App 叫 RollTab。
十四次⋯⋯聽起來前面十三次都很慘。
那他到底怎麼教模型看懂音樂？樂譜又不是文字。
這就是最有料的部分。他用 MIDI 檔——記錄音高、時間、
力度的樂譜格式，不是錄音檔。
裝 miditok 跟 symusic 這兩個套件，
然後從 miditok 匯入 REMI 跟 Tokenize
rConfig、從 symusic 匯入 Score，
設 config 等於 TokenizerConfig，
裡面把 num_velocities 設成十六、
use_chords 跟 use_programs 都打開，
tokenizer 等於 REMI 包住 config，
再讓 midi 等於 Score 讀進你的 MIDI 檔路徑
、tokens 等於 tokenizer 處理 midi，
還能把 tokens 丟回 tokenizer 轉回 MID
I 驗證。
所以具體來說就是——我把一堆鋼琴曲的 MIDI 丟進去，
那句 num_velocities 十六就是把「按多用力」切
成十六格，和絃跟樂器也各自標記，
最後整首曲子被切成一串像單字一樣的東西，模型才讀得懂？
對，方向完全正確。而且他還訓練自己的詞彙表：
建好 config 跟 tokenizer 之後，
拿你自己收集的 MIDI 路徑清單呼叫 tokenizer.
train(vocab_size=30000,
files_paths=files_paths)，
再 tokenizer.save 存檔，
也可以 tokenizer.push_to_hub 丟到 H
ugging Face 分享。
那後面那個 DPO 呢？我只知道它是讓模型「往好的方向調」，
但好是誰說了算？
拿兩段接續給人聽，人指出哪一段比較順耳，
訓練就把模型往順耳那段的寫法推、另一段的機率壓下去。
實作很短：裝 trl 套件，
從 trl 匯入 DPOTrainer、
從 datasets 匯入 load_dataset，
接著呼叫 DPOTrainer，
model 指定 Qwen 二點五 的零點五 B 指令版這個
模型，
train_dataset 用 load_dataset 載
入 trl-lib 那份 ultrafeedback bin
arized 的訓練集，
然後 trainer 點 train。
懶得寫程式就終端機一行：先打 trl dpo，
model_name_or_path 指定 Qwen 二點五
的零點五 B 指令版這個模型，
dataset_name 指定 trl-lib 那份 ult
rafeedback binarized 資料集。
一行就能跑？那我家那張破顯卡會不會直接爆掉⋯⋯
會，不過這類情況常見的做法就是縮小每次餵進去的批次、
改用梯度累積，等於一次只餵少少幾筆進去、
累積幾次再更新一次權重，記憶體撐得住、
效果跟一次餵一大批差不多。
喔——所以是把一大口拆成八小口慢慢吞，胃小的人也吃得完。
那社群反應好嗎？
兩極。Hacker News 上有人覺得效果不錯、
稱讚這點子；pil0u 說他接觸 AI 這麼多年，
還是被這個 App 驚艷到；noman-land 更狠，
說這是第一個真正有潛力產出優美旋律的 AI 音樂作品；
tom_vidal 則說自動補全這概念，
其實跟古典作曲家的訓練方式有相通之處。
那罵的呢？我猜一定有人氣炸。
bubblegumcrisis 強烈反感，
說這助長人們不願意真正學樂器；
ghm2199 覺得讓機器生成音符是剝奪即興演奏的樂趣；
rajivayyangar 質疑效果沒比簡單的馬可夫模型好多
少；tescreal 說這只是新奇小把戲，
而且很多人對 AI 進藝術本來就特別反感。我的立場很明確：
我覺得這篇的價值不在音樂，在於它把「一個人、十四次實驗、
端上手機」這條路整套公開，這是今年少見誠實的技術文。
那我直球問——AI 幫你把旋律接完，這還算你的創作嗎？
還是根本就是作弊？
要我說，這跟 IDE 幫你補完函式名沒兩樣。你決定要往哪走、
它幫你打字。真的作弊是你按兩個音就掛名作曲家——
那不是工具的問題，是你的問題。
那 rajivayyangar 說「沒比馬可夫模型好多少」，
是不是打臉整篇？
花這麼大力氣搞 transformer 有意義嗎？
我認為那句話有一半對、一半不重要。短接續確實聽起來像，
但真正差別在能在 iPhone 上即時跑到每秒一百零八個音符
還不失控——工程難度在那裡，不在炫技。
那這則跟我這種不彈琴的普通上班族，有關嗎？我要做什麼？
對你的一句話結論是——一個人、一支手機、十四次實驗，
就能把一個能即時創作的 AI 塞進口袋、還免費送出來，
這代表「AI 一定要連雲端」這件事正在鬆動，
你以後很多 app 會在斷網時照樣聰明。行動上：
一般人知道這個風向就好、什麼都不用做，
這則純粹是給你一個很酷的談資，
下次有人說 AI 一定要燒大機房，你可以講這個例子；
要更積極的兩種人——會彈琴或做音樂的，去玩玩看，
App 叫 RollTab、免費，彈四個音聽它接；
想學微調的工程師，
回去查一下 miditok 跟 trl 這兩個套件，
照他那段 DPOTrainer 的程式碼跑一次，
你就懂偏好訓練到底在幹嘛。
第二則。換個方向。
有個 Hacker News 使用者 simonw 講了一句
很嗆的話——「自我改進的說法具誤導性，那只是訓練流程、
不是推理時的自我迭代。」他在酸的，
就是今天要講的 Ornith-1.5 開源模型家族。
等等——先講一下這家族到底是什麼？我完全沒聽過欸！
三種規模：九十億參數的密集模型，
還有三百五十億跟三千九百七十億參數的 MoE 混合專家架構（
就像一間公司裡養了很多不同科的師傅，每次來一張單子，
只叫其中兩三個相關的師傅出來做，其他人在旁邊休息，
所以人很多但每次真正動工的很少，跑起來就省電又快）。
官方宣稱推理、agentic（意思是它不只回你一段話，
而是能自己一步一步動手，像助理自己去翻資料、自己打開工具、
做完一件事再接著做下一件）、寫程式的表現，
媲美 Claude Opus 4.8。而且——
全部 MIT 授權，商業用途不受限。
你可能會問「MIT 授權？？所以就是⋯⋯
我開公司拿去賣錢也沒人管？」——對。
就是這個意思。而且 FP8、GGUF、MLX、
NVFP4 量化格式（把原本又大又精細的模型檔案壓成比較粗略
的版本，就像把無損音樂壓成小一點的檔，
聽起來差不多但容量小很多，普通電腦才塞得下）全給，vLLM、
Ollama 這些推理框架（可以想成播放器，
模型檔案本身只是一堆資料，要有這種程式把它讀起來、
讓你能打字問問題）也火速接上了。
你可能會問「那它主打的「端到端自我改進」（意思是從頭到尾整
套流程都不用人插手，出題、練習、批改、進步全部自己來，
像一個學生自己買參考書、自己出考卷、自己訂正，
家長完全不用管）呢？聽起來很科幻⋯⋯
是說 AI 自己教自己？」——流程是：模型自己提出新任務，
自己產生對應的任務鷹架（就是先幫這題搭好一個解題架子，
寫清楚第一步要做什麼、第二步要做什麼、答案長什麼樣才算對，
像蓋房子前先搭的那層鷹架，蓋好就拆掉），
再用強化學習（做對了就給糖、做錯了就沒糖，
反覆練幾百萬次之後它自己摸出哪種做法會拿到糖，
像訓練狗學動作那樣）跑出解答、從解答裡學。
等於不斷幫自己造新的訓練經驗，
把前代 Ornith-1.0 的自我鷹架策略擴成完整迴圈。
喔——所以具體像是，它自己出一份考卷、自己搭好答題的步驟表，
然後自己寫十遍、挑寫得最好的那遍當教材餵回去？
方向對。更精準說，強化學習（做對就給糖、做錯就沒糖，
一直反覆練到它自己抓到訣竅）是靠獎勵訊號（就是每寫完一次會被
打一個分數，分數高的做法以後就多做，分數低的就少做，
像遊戲裡每過一關跳出來的得分）評分，
不是「挑最好那遍」這麼直覺，但精神就是自己造題自己練。
那我這種普通工程師，實際怎麼跑起來？很難嗎？
最懶的一行：在終端機打 ollama run，
後面接 ornith 一點五 的九十億參數版本。
想用 llama.cpp 就執行 llama-server，
指定 Hugging Face 上 ornith ai 帳號
底下、Ornith 一點五 九十億參數的 GGUF 版本，
連接埠設八千。
Python 端用 Transformers 的 AutoP
rocessor 跟 AutoModelForMultimodalLM，
from_pretrained 指到 ornith ai 帳
號底下的 Ornith 一點五 九十億參數版本，
device_map 設 auto。
那如果我要架成服務給整個團隊用呢？
用 vllm serve 起 ornith ai 帳號底下的
Ornith 一點五 九十億參數模型，
參數加上 max-model-len 設二十六萬兩千一百四十
四、
gpu-memory-utilization 設零點九零、
enable-prefix-caching（把每次對話開頭那
段一模一樣的內容算過一次就先存起來，
下次再遇到同樣開頭就直接拿來用，不用重算，
像便利商店先把常賣的關東煮煮好放著）、
enable-auto-tool-choice、
tool-call-parser 選 qwen3_xml、
reasoning-parser 選 qwen3，
再加 trust-remote-code。
或者用 SGLang 啟動 launch_server，
model-path 指到 ornith ai 帳號底下的
Ornith 一點五 九十億參數版本，
context-length 設二十六萬兩千一百四十四，
mem-fraction-static 設零點八五。
架好之後用 OpenAI 的 SDK 打本機位址、
連接埠八千的 v1 路徑，
api_key 填 EMPTY 就好，
取樣參數 temperature 設零點六、
top_p 設零點九五。
這麼順⋯⋯前代 397B 那隻也一樣跑法嗎？
前代範例是用 vllm serve 起 deepreinfo
rce ai 帳號底下的 Ornith 一點零 三千九百七十
億參數版本，
再加 tensor-parallel-size 設八（意思是
這個模型太大一張顯示卡裝不下，就把它切成八份分給八張卡，
八張卡同時算再把結果拼回來，像一份大工程分給八個人一起做），
取樣建議 temperature 設零點六、
top_p 設零點九五、top_k 設二十。我的立場：
這種一行指令就能本機跑、又 MIT 授權的，
我覺得比任何 benchmark 數字都值錢。
但社群真的買單嗎？我不太信官方自己講的話欸⋯⋯
正反都有。但反面很兇——
kennywinker 質疑團隊在強化學習（讓模型自己一直練
、做對給糖做錯不給，
慢慢練出本事的那套訓練方式）訓練過程的透明度。
那我直接問尖銳的——
他們是不是根本只是拿 Qwen 或 Gemma 基底去針對
benchmark 優化，然後包裝成「自我改進」？
社群先前對 Ornith 一點零 就有這個質疑，
到了 一點五 也還沒散掉。要我說，
我站 simonw 那邊——「自我改進」這詞行銷成分太重，
它是訓練流程，不是模型上線後還會自己變聰明。但我也認為，
包裝歸包裝，權重真的丟出來給你 MIT 隨便用，
這誠意勝過九成只發論文的團隊。
那第二個問題——
開源都追到宣稱媲美 Claude Opus 4.8 了，
那些一年繳幾萬塊訂閱費的公司，是不是被當盤子？
我認為還不到。宣稱歸宣稱，
v3ss0n 那個長對話工具呼叫幻覺就是致命傷——
真正的 agentic工作流最吃的就是穩定度。我的判斷是：
開源負責把價格天花板打下來，閉源負責可靠度，短期內兩邊都活。
那這則跟我這種不寫 code 的普通上班族，有關嗎？
我要做什麼？
對你的一句話結論是——
以後公司內部那種要吃機密資料的 AI 助理，
可以完全跑在自家電腦裡、不用把資料傳出去，
這代表「怕外洩所以不能用 AI」這個藉口正在消失，
你們公司導入 AI 的速度會變快。行動上：一般上班族，
知道這個風向就好、什麼都不用做，順便幫你擋一件事——
別看到開源就衝去買高階顯卡跑本機模型，
社群實測長對話還會出包，省下你一筆硬體錢。
要更積極的有兩種——如果你是工程師，去玩玩看，
在終端機打 ollama run，
後面接 ornith 一點五 的九十億參數版本，
十分鐘就知道值不值；如果你在法務、醫療、
金融這種資料不能外流的產業當 PM，回去查一下，
問你們技術部門有沒有評估過本機開源模型這條路。
第三則。想像一下這個畫面——你打開 ChatGPT，
貼上那套你已經用到滾瓜爛熟的剪片指令，
結果出來的東西又有點怪，你又要手動修。
在 2026 年八月十九號，
The Rundown 這個專門教人用 AI 工具的教學網站
，就丟出一篇教學，叫 Loop Method、迴圈法。
你可能會問「等等——我天天都在這個畫面裡耶！！
所以它是要解決「同一套 prompt 每次結果都不一樣」這件
事？」——對，就是專治那種你重複在跑、
但品質一直不穩的流程——寫作、剪輯、產圖這種固定套路。
核心做法是叫 ChatGPT 自己組一個 sub-agent
panel，子代理小組，
用對抗式審查（就是不讓它自己稱讚自己，
而是要它扮成專門挑毛病的人，一條一條把哪裡爛、
哪裡不合格講出來，像同事故意刁難你，
逼你把破綻攤開）跑三輪迴圈。
你可能會問「「子代理小組」「對抗式審查」（也就是叫它站在挑
刺的立場，專門找出這份東西最不能過關的地方，
而不是順著你說好棒）⋯⋯這兩個詞都好玄。
可以講具體一點嗎？」——具體到可以照抄。
那段啟動指令裡明講要三個角色：
第一個角色叫做成果或品質審查員，
也就是 outcome 或 quality 那個 revie
wer，專門看成果品質；第二個角色是流程與提示詞審查員，
英文寫 workflow 和 prompt 的 review
er，看你流程跟提示詞本身寫得爛不爛；
還有一個有相關領域知識的 reviewer。
三個人各自從不同角度來找碴。
喔——所以不是叫它「再改好一點」，是叫它分飾三角、
故意刁難自己？就像你交稿之前先找主管、找編輯、
再找一個懂這行的老鳥各罵一輪？
對，就是這個意思。而且每一輪的動作是被鎖死的：先檢視現況、
找出目前最大的那個失敗點、然後只改動最小必要的那一塊——
prompt、腳本、檢查表或流程——再重跑一次，
最後對照你事先訂好的完成定義，
英文叫 definition of done（就是動手前先把
「做到什麼程度才算做完」寫成幾條白紙黑字，
像講好片子要在三分鐘內、開頭不能有雜音、字幕不能出錯，
最後拿這幾條一條一條打勾），來做檢查。
「只改最小必要的一塊」這句我很有感⋯⋯因為我通常是整段重寫，
然後就再也回不去原本那版了！
所以指令裡還有一句要你保留舊版本，
英文寫 preserve earlier 的 version
s，而且第三輪之後就停，
英文寫 stop after loop three，
跑滿三輪就停、不準無限跑。前面還有兩個模板要先填：
第一個是簡報格式，包含流程 Workflow、
測試輸入 Test input、
目前結果 Current result、我注意到的問題，
英文是 problems I noticed，
還有要保留的檔案或指令，
英文是 files or instructions to p
reserve；第二個是三輪審查迴圈的模板，
英文寫 three review loops；
第三個是目標模板，先寫目標 Goal，
再加三條完成定義 definition of done，
最後一句是請它在開始第一輪前先跟你確認目標跟檢查項，
英文寫 confirm the goal and check
s with me，
然後 before starting loop one。
所以流程是——先跟它交代清楚現況跟已知問題，
再訂好「改到什麼樣才算過」，它還要先跟你確認才準動手？
對。確認完你再回一句，說目標跟完成定義都核准了，
英文是 the goal and definition of
done are approved（意思是那幾條「做成什麼
樣才算做完」的標準你點頭了，之後大家都照這幾條驗收，
不能再臨時改口），接著再說開始第一輪，
英文是 begin loop one，它才開始跑，
而且每輪都要回報：小組發現什麼、改了什麼、
有什麼證據顯示這個改動有效、還有什麼沒解決。
中間如果發現是你指令寫得模糊，有第五個模板，
格式是先說上一次的結果暴露了這個模糊之處，
英文是 the last result exposed th
is ambiguity，加上模糊那句，
然後說請更新流程讓它的意思變成，
英文是 update the workflow so it
means，再加上你要的精確要求，
叫它下一輪套用並在輸出裡驗證。
那三輪跑完呢？就結束了？
還有第五步，換一個新輸入測穩定度，
指令的意思是請把更新過的某某流程用在第二個輸入上，
英文寫 use the updated 某某 workflo
w，然後 on second input，
保留審查過的指令跟完成定義，結果另存、不要蓋掉第一份，
然後回報三件事——每項檢查有沒有過、哪些還要你人工看、
哪些人工判斷應該變成腳本、規則或檢查項。
最後那句超關鍵欸！！等於是逼它把你腦袋裡的隱性標準，
變成寫下來的規則？
對。The Rundown 自己說，
他們就是拿這套來改善自己的影片剪輯和圖片產生技能，
而且認為任何重複性的工作流程都適用。
聽起來一片叫好⋯⋯但我有點不信耶，
這不就是「叫 AI 再檢查一次」換個帥名字嗎？
你這句幾乎就是反對方會講的話。
那我直接問尖銳的——這種「提示詞技巧」文章，
是不是根本就是內容農場在收割焦慮？教學網站賣會員，
當然要一直生新名詞啊！
我覺得要分開看。名詞是行銷、流程是真的。要我說，
這篇有價值的地方不是「Loop」這個字，
是它把「只改最小必要部分」「保留舊版」「跑三輪就停」「先訂完
成定義」寫死成可照抄的指令——
這幾條是真的能擋掉你亂改一通的護欄。至於名字叫什麼，
我完全不在乎。
那再一題——如果 AI 自己找碴、自己修、自己驗收，
那那個「懂這行的老鳥」不就被自己取代了？
以後還需要人來把關嗎？
我的看法很明確：不但需要，而且人的價值往上移了。
我自己的體會是——迭代品質取決於你問的問題品質。
這套流程裡最不可外包的兩件事，一是你訂的完成定義，
也就是 definition of done 那一段（就是你
自己寫下來的那幾條驗收標準，像交出去前一定要看得懂、
一定要照時間、一定不能有錯字，這幾條只有你能決定），
二是最後那句「哪些人工判斷該變成規則」。AI 能罵自己，
但它不知道你的標準在哪。標準寫不出來的人，
用這套一樣是垃圾進垃圾出。
那這則跟我這種完全不寫 code 的普通上班族，有關嗎？
我該做什麼？
對你的一句話結論是——你手上任何一件「每個月都要重做、
每次品質都看運氣」的例行工作，
都可以先叫 AI 用三個不同角色把它罵一輪、
再只改最小的那一塊，而不是整份砍掉重練。行動上：一般上班族，
去玩玩看，挑你最煩的那個重複任務，把目標 Goal，
再加三條完成定義 definition of done 先寫
出來、
貼給 ChatGPT（那三條就是「做成什麼樣才算做完」的白話
標準，像這份月報要有數字、要有結論、主管三十秒能看完），
光是被逼著寫出「怎樣才算做完」就已經賺到；
要更積極的有兩種——常做重複產出的行銷、小編、設計，
回去把那段三個 reviewer 的完整指令抄下來存成自己的
模板，下次直接套；帶團隊的主管，往上一級、帶進公司提案，
把最後那句「哪些人工判斷該變成規則」當成內部 SOP 的起點
，這才是真正留得下來的東西。
第四則。換個方向，來講一個聽起來很反直覺的：AI 越好用，
你直接把 AI 的答案貼給別人，反而越沒禮貌。
幾天前有個網站，名字叫做「別貼 AI」，
英文寫成 Don't Paste the AI，
它在科技論壇 Hacker News 上拿到 717 個
讚，另外有 355 則留言。 你可能會問「等等等等——
貼 AI 答案是沒禮貌？？我以為那叫效率耶！
我幫你查好了不是很體貼嗎？」——網站的核心論點是：對方問你，
是想要「你的想法」，
不是一段任何人四秒內自己就能問到的制式回答。
你只是當 AI 跟對方之間的傳聲筒，這段對話就沒意義了。
唔⋯⋯這句有點刺到我。
那實際上到底要怎麼做？總不能叫我不準用 AI 吧？
不是禁用，是加工。步驟很具體：
先讓 ChatGPT 或 Claude 生草稿，
然後你自己讀過，只擷取真正回答問題的那一句核心，
其餘贅字全刪，補充意見控制在三句話以內再回覆對方。
所以具體來說——
假設同事在 Slack 問我「這個 API 為什麼會逾時」，
我丟給 Claude 拿到八百字，
我只留「因為連線池滿了」那一句，
再加我自己三句「我們上禮拜也踩過、我建議先調參數」這樣？
對，就是這個意思。而且如果 AI 那段真的很有價值、
你想引用，網站給的範本措辭是直接講：
「我詢問了 Claude，這段很有道理」——標明出處、
順便說明你為什麼認同。
那如果我讀完真的沒意見呢？我不能每次都硬擠三句吧！！
那就直接用英文回一句 No strong opinion h
ere，意思是我對這件事沒有特別的意見，
網站認為這是有效而且真誠的回答。另外還有實戰招：
有人在 DM、
Slack 或 PR review 貼整段 AI 原文，
你直接把 dontpastetheai.com 這個連結複製
傳給他，不用多解釋。
哈哈哈這超被動攻擊——不過我喜歡！！
還分版本。
對同事這種正式場合分享標準版 dontpastetheai.
com；對熟到能開玩笑的人，
有比較嗆的版本 dontpastetheai.com/ang
ry/，網站上點複製按鈕就自動把當前網址複製起來。
那留言區有人跳出來嗆嗎？我不信 355 則全部一面倒。
沒有一面倒。正面的像 mscbuck 說，
貼 AI 原文是把理解的負擔轉嫁給別人；
ipython 說這會侵蝕人跟人之間的信任；
AbsurdCensor 更直接，受夠同事複製貼上，
想把這篇當公司內部 AI 使用準則。
原 po disillusioned 的論點是，
別人付錢是要你的專業與見解。
那反方咧？
Tenoke 質疑一味反 AI 的立場，
認為問題不在工具本身、而在你有沒有附加價值，
完全不用 AI 也一樣愚蠢。
kerkeslager 則點出有些人走極端——
只要發現對方用過 AI 就直接失去尊重，
這種一刀切被其他人質疑是不是反應過度。我的判斷：
這篇真正的重點不是反 AI，是反「零加工轉貼」。
那我問個尖銳的——
那些抓到別人用 AI 就直接看不起對方的人，
是不是根本就是在耍優越感？
我覺得是。而且很快就會反噬——
再過一兩年幾乎所有人都會用 AI 起草，
你憑「有沒有 AI 味」判斷一個人，
只會讓你自己變成那個誤判一堆好同事的人。該罵的是沒讀就轉貼，
不是用工具。
再一個——如果我老闆就是那種整天貼 AI 原文的人，
我真的敢把那個嗆版連結丟給他嗎？這不是職場自殺嗎？
老實講，我不建議對老闆用嗆版，那是給熟人的。要我說，
對上級最有效的做法不是提醒他，是你自己每次都做加工版——
他收到你的三句話結論、跟收到別人八百字 AI 文，
體感差距他自己會有感。用示範贏，不用說教贏。
那這則跟我這種普通上班族有關嗎？我要做什麼？
對你的一句話結論是——
以後職場上真正稀缺的不是「查得到答案」，
是「你讀完之後那三句自己的話」，貼原文的人會越來越廉價。
行動上：一般人就今天起改一個小習慣，
回訊息前把 AI 草稿砍到只剩一句核心加三句自己的意見，
沒意見就誠實講一句英文 No strong opinion
here，也就是我沒有特別的意見，
這一招就幫你省下被同事默默扣分的風險；
如果你是主管或帶團隊的，往上一級、帶進公司提案，
把 dontpastetheai.com 這頁直接貼進團隊守
則當內部 AI 使用共識；如果你是接案或做顧問的，最該警惕，
客戶付錢買的是你的見解，被抓到整段轉貼一次，信任就回不來了。
第五則。換個方向，問你一個問題——
如果你公司的 AI 亂編一個數字、害客戶賠錢，
你猜保險會不會賠？答案多半是不賠，
所以現在冒出一種新東西叫「AI 保險」。 你可能會問「蛤？？
不賠喔！！我還以為公司都有買那種什麼商業險、網路險，
這種算意外吧？」——問題就在這。
Gartner 分析師 Lauren Kornutick 原
話是：「許多企業現有的保單裡都有 AI 排除條款」——
白紙黑字把 AI 風險排掉，這是風險管理上的一大缺口。
你可能會問「等等⋯⋯
所以是保險公司早就先寫好「這塊我不管」？
那這種新的 AI 保單，到底保什麼？」——保五塊：
AI 幻覺——就是它一本正經編造錯誤資訊——造成的財務損失；
演算法歧視（就是電腦在幫忙篩人的時候自己養成偏心，
比方說同樣條件的兩份履歷，
它固定把某個性別或某個地區的人往後排，
或是同樣收入的人來借錢，某些人就是被多算利息、直接被拒絕，
而且它天天這樣做，沒人發現），像招募或放貸偏袒特定族群；
用受著作權保護的資料訓練或生成惹來的侵權求償；還有保固式的，
模型效能沒達標就退你授權費。
才四個啊？第五個呢？
第五個最誇張——
AI 代理人（不是那種你問一句它答一句的助理，
而是你交代一個任務，它自己會一步一步去做完，像是自己去下單、
自己去改設定、自己去操作機器手臂，中間不用你按確認），
就是能自己執行任務的程式，操作失誤造成大規模實體財產損失。
Gartner 還預測到 2030 年，
保險公司會把「嚴格的 AI 風險控管」列為承保的必要條件。
哇⋯⋯那保險公司自己願意賣嗎？
我怎麼覺得他們才是最怕的那一個。
你直覺很準。AIG、Great American、
WR Berkley 這些大公司甚至在尋求監管許可，
想把 AI 責任完全排除在企業保單外。
所以是兩邊互推？？那有沒有人看好啊。
有。實際案例也有——
ElevenLabs 買了首創的 AI 代理人責任保單，
涵蓋幻覺、未授權操作、資料隱私。
那對我這種普通上班族，保險這兩個字聽起來就很遠耶⋯⋯
有什麼是我現在就能做的嗎？
有，而且很實用：你自己的保單就能用 AI 健檢。
第一步先把姓名、身分證字號、保單號碼全部遮掉再上傳，
避免個資外洩。
喔——就是拿麥克筆塗掉那幾欄再拍照上傳，
不是整份原封不動丟進去，對吧？
對。第二步貼上保單內容，輸入：「把這份保單整理成表格：險種、
保障內容、保額、繳費年期、每年保費，
用臺灣保險術語的白話解釋每一項。」第三步再問：
「以臺灣常見的保障規劃原則，我的醫療實支實付、失能、意外、
壽險保額有哪些明顯缺口或重複投保？」
所以等於是叫 AI 先幫我把那本天書排成一張表，
再幫我抓哪裡買重複、哪裡根本沒保？
精準。第四步是請 AI 擬問題清單，
像「我的實支實付雜費額度多少？有沒有副本理賠？
癌症險是初次罹癌給付還是療程型？」帶著這張清單去問業務員。
我的結論：AI 保險現在還在早期，
但「用 AI 看懂合約」這件事今天就能用。
那我尖銳一點問——保險公司想把 AI 責任整包排除，
這是不是擺明推卸責任、坑企業？
我覺得不算坑，但很不負責任。
他們自己也坦承根本不知道這類風險的成本該怎麼估算——
不知道就標高一點保費，而不是整塊剪掉。我站在企業這邊。
那第二個——AI 出包最後保險賠一賠就沒事，
會不會反而讓公司更敢亂用 AI 這種工具呢？
我認為會，而且這是真風險。
所以我覺得 Gartner 那個 2030 年的預測是對的方
向：要拿保單，先證明你有嚴格的風控，
不然保險就變成亂搞的許可證。
那這則跟我這種不碰保險業的普通上班族，到底有關嗎？
我要做什麼？
對你的一句話結論是——
AI 出包這件事現在連保險公司都不敢賠，
代表責任最後還是落在用它的人身上，
你在公司拿 AI 生出來的東西直接送出去，出事沒人幫你擋。
行動上：一般上班族這週花十分鐘，
把自己保單遮掉個資丟給 AI 跑那兩段 prompt，
順手幫你抓出白繳的重複保費，這是最實際的收穫；
如果你是公司裡負責採購或簽 AI 工具合約的人，
要更積極一級、回去查一下，
公司現有保單有沒有那條 AI 排除條款；
如果你是 HR 或做放貸、審核的，
回去問清楚你們用的 AI 工具出了歧視爭議，責任算誰的。