WEBVTT
Kind: captions
Language: zh-Hant

00:00:00.160 --> 00:00:04.240
一億兩千五百萬參數、不連網，手機上就能秒接你彈的旋律——

00:00:04.560 --> 00:00:06.320
這算你的創作，還是作弊？

00:00:06.592 --> 00:00:10.432
MIT授權開源模型直接嗆Claude Opus 4.8！

00:00:10.832 --> 00:00:13.472
可是自我改進根本是行銷話術？？？

00:00:13.776 --> 00:00:17.536
今天第一則。一億兩千五百萬參數、每秒一百零八個音符——

00:00:17.696 --> 00:00:19.936
而且完全在一支 iPhone 上跑完，不連網。

00:00:20.176 --> 00:00:23.616
這是獨立開發者 simedw 在二零二六年八月二十號發的文章

00:00:23.856 --> 00:00:25.296
，他訓練了一個 transformer 模型，

00:00:25.456 --> 00:00:28.656
幫你的鋼琴演奏做自動補全。 你可能會問「等等等等——

00:00:28.896 --> 00:00:32.896
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？

00:00:33.296 --> 00:00:34.016
」——對。就是這個意思。

00:00:34.336 --> 00:00:36.736
概念跟寫程式那個 GitHub Copilot 一模一樣，

00:00:36.976 --> 00:00:39.776
差別在輸入不是程式碼、是你按下去的音符。

00:00:40.096 --> 00:00:44.016
 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？

00:00:44.336 --> 00:00:46.336
他一個人做到這個⋯⋯是天才嗎？」——

00:00:46.656 --> 00:00:49.776
他提到這是經過十四次實驗才走到目前這個階段。

00:00:49.776 --> 00:00:51.776
成果做成一個免費 App 叫 RollTab。

00:00:52.016 --> 00:00:54.336
十四次⋯⋯聽起來前面十三次都很慘。

00:00:54.736 --> 00:00:57.616
那他到底怎麼教模型看懂音樂？樂譜又不是文字。

00:00:57.936 --> 00:01:01.296
這就是最有料的部分。他用 MIDI 檔——記錄音高、時間、

00:01:01.296 --> 00:01:03.136
力度的樂譜格式，不是錄音檔。

00:01:03.376 --> 00:01:05.136
裝 miditok 跟 symusic 這兩個套件，

00:01:05.536 --> 00:01:08.096
然後從 miditok 匯入 REMI 跟 Tokenize

00:01:08.096 --> 00:01:10.016
rConfig、從 symusic 匯入 Score，

00:01:10.016 --> 00:01:10.496
設 config 等於 TokenizerConfig，

00:01:10.496 --> 00:01:14.336
裡面把 num_velocities 設成十六、

00:01:14.576 --> 00:01:16.496
use_chords 跟 use_programs 都打開，

00:01:16.736 --> 00:01:18.816
tokenizer 等於 REMI 包住 config，

00:01:19.056 --> 00:01:21.376
再讓 midi 等於 Score 讀進你的 MIDI 檔路徑

00:01:21.376 --> 00:01:23.296
、tokens 等於 tokenizer 處理 midi，

00:01:23.296 --> 00:01:25.456
還能把 tokens 丟回 tokenizer 轉回 MID

00:01:25.856 --> 00:01:26.156
I 驗證。

00:01:26.176 --> 00:01:29.536
所以具體來說就是——我把一堆鋼琴曲的 MIDI 丟進去，

00:01:29.696 --> 00:01:32.816
那句 num_velocities 十六就是把「按多用力」切

00:01:32.816 --> 00:01:35.776
成十六格，和絃跟樂器也各自標記，

00:01:35.936 --> 00:01:39.856
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？

00:01:40.096 --> 00:01:43.456
對，方向完全正確。而且他還訓練自己的詞彙表：

00:01:43.456 --> 00:01:45.341
建好 config 跟 tokenizer 之後，

00:01:45.486 --> 00:01:48.256
拿你自己收集的 MIDI 路徑清單呼叫 tokenizer.

00:01:48.256 --> 00:01:50.256
train(vocab_size=30000,

00:01:50.256 --> 00:01:51.056
 files_paths=files_paths)，

00:01:51.056 --> 00:01:52.288
再 tokenizer.save 存檔，

00:01:52.864 --> 00:01:56.016
也可以 tokenizer.push_to_hub 丟到 H

00:01:56.576 --> 00:01:57.104
ugging Face 分享。

00:01:57.120 --> 00:02:01.136
那後面那個 DPO 呢？我只知道它是讓模型「往好的方向調」，

00:02:01.296 --> 00:02:02.576
但好是誰說了算？

00:02:02.976 --> 00:02:05.536
拿兩段接續給人聽，人指出哪一段比較順耳，

00:02:05.936 --> 00:02:09.776
訓練就把模型往順耳那段的寫法推、另一段的機率壓下去。

00:02:09.776 --> 00:02:11.456
實作很短：裝 trl 套件，

00:02:11.616 --> 00:02:14.576
從 trl 匯入 DPOTrainer、

00:02:14.576 --> 00:02:14.976
從 datasets 匯入 load_dataset，

00:02:15.296 --> 00:02:16.816
接著呼叫 DPOTrainer，

00:02:16.816 --> 00:02:20.736
model 指定 Qwen 二點五 的零點五 B 指令版這個

00:02:20.736 --> 00:02:22.096
模型，

00:02:22.096 --> 00:02:22.464
train_dataset 用 load_dataset 載

00:02:22.832 --> 00:02:24.616
入 trl-lib 那份 ultrafeedback bin

00:02:24.676 --> 00:02:25.216
arized 的訓練集，

00:02:25.536 --> 00:02:26.416
然後 trainer 點 train。

00:02:26.416 --> 00:02:31.696
懶得寫程式就終端機一行：先打 trl dpo，

00:02:31.776 --> 00:02:32.816
model_name_or_path 指定 Qwen 二點五

00:02:32.880 --> 00:02:34.576
 的零點五 B 指令版這個模型，

00:02:34.576 --> 00:02:36.976
dataset_name 指定 trl-lib 那份 ult

00:02:36.976 --> 00:02:38.496
rafeedback binarized 資料集。

00:02:38.496 --> 00:02:41.856
一行就能跑？那我家那張破顯卡會不會直接爆掉⋯⋯

00:02:42.336 --> 00:02:46.176
會，不過這類情況常見的做法就是縮小每次餵進去的批次、

00:02:46.416 --> 00:02:49.136
改用梯度累積，等於一次只餵少少幾筆進去、

00:02:49.296 --> 00:02:51.616
累積幾次再更新一次權重，記憶體撐得住、

00:02:51.616 --> 00:02:53.376
效果跟一次餵一大批差不多。

00:02:53.376 --> 00:02:58.496
喔——所以是把一大口拆成八小口慢慢吞，胃小的人也吃得完。

00:02:58.656 --> 00:02:59.616
那社群反應好嗎？

00:02:59.856 --> 00:03:02.096
兩極。Hacker News 上有人覺得效果不錯、

00:03:02.096 --> 00:03:05.136
稱讚這點子；pil0u 說他接觸 AI 這麼多年，

00:03:05.136 --> 00:03:07.696
還是被這個 App 驚艷到；noman-land 更狠，

00:03:07.856 --> 00:03:11.136
說這是第一個真正有潛力產出優美旋律的 AI 音樂作品；

00:03:11.456 --> 00:03:13.376
tom_vidal 則說自動補全這概念，

00:03:13.376 --> 00:03:15.856
其實跟古典作曲家的訓練方式有相通之處。

00:03:16.096 --> 00:03:17.936
那罵的呢？我猜一定有人氣炸。

00:03:18.336 --> 00:03:19.856
bubblegumcrisis 強烈反感，

00:03:19.856 --> 00:03:22.096
說這助長人們不願意真正學樂器；

00:03:22.104 --> 00:03:26.416
ghm2199 覺得讓機器生成音符是剝奪即興演奏的樂趣；

00:03:26.416 --> 00:03:30.016
rajivayyangar 質疑效果沒比簡單的馬可夫模型好多

00:03:30.016 --> 00:03:32.576
少；tescreal 說這只是新奇小把戲，

00:03:32.656 --> 00:03:36.576
而且很多人對 AI 進藝術本來就特別反感。我的立場很明確：

00:03:36.816 --> 00:03:40.336
我覺得這篇的價值不在音樂，在於它把「一個人、十四次實驗、

00:03:40.336 --> 00:03:44.176
端上手機」這條路整套公開，這是今年少見誠實的技術文。

00:03:44.736 --> 00:03:48.976
那我直球問——AI 幫你把旋律接完，這還算你的創作嗎？

00:03:48.976 --> 00:03:50.176
還是根本就是作弊？

00:03:50.176 --> 00:03:54.336
要我說，這跟 IDE 幫你補完函式名沒兩樣。你決定要往哪走、

00:03:54.336 --> 00:03:57.696
它幫你打字。真的作弊是你按兩個音就掛名作曲家——

00:03:57.856 --> 00:04:01.616
那不是工具的問題，是你的問題。

00:04:01.616 --> 00:04:03.376
那 rajivayyangar 說「沒比馬可夫模型好多少」，

00:04:03.376 --> 00:04:04.416
是不是打臉整篇？

00:04:04.576 --> 00:04:06.736
花這麼大力氣搞 transformer 有意義嗎？

00:04:06.976 --> 00:04:11.296
我認為那句話有一半對、一半不重要。短接續確實聽起來像，

00:04:11.536 --> 00:04:15.776
但真正差別在能在 iPhone 上即時跑到每秒一百零八個音符

00:04:15.856 --> 00:04:18.976
還不失控——工程難度在那裡，不在炫技。

00:04:19.136 --> 00:04:23.032
那這則跟我這種不彈琴的普通上班族，有關嗎？我要做什麼？

00:04:23.352 --> 00:04:26.792
對你的一句話結論是——一個人、一支手機、十四次實驗，

00:04:27.032 --> 00:04:30.472
就能把一個能即時創作的 AI 塞進口袋、還免費送出來，

00:04:30.792 --> 00:04:33.432
這代表「AI 一定要連雲端」這件事正在鬆動，

00:04:33.752 --> 00:04:36.632
你以後很多 app 會在斷網時照樣聰明。行動上：

00:04:36.872 --> 00:04:38.872
一般人知道這個風向就好、什麼都不用做，

00:04:39.112 --> 00:04:40.872
這則純粹是給你一個很酷的談資，

00:04:41.112 --> 00:04:43.992
下次有人說 AI 一定要燒大機房，你可以講這個例子；

00:04:44.312 --> 00:04:47.352
要更積極的兩種人——會彈琴或做音樂的，去玩玩看，

00:04:47.512 --> 00:04:50.072
App 叫 RollTab、免費，彈四個音聽它接；

00:04:50.312 --> 00:04:51.512
想學微調的工程師，

00:04:51.672 --> 00:04:54.072
回去查一下 miditok 跟 trl 這兩個套件，

00:04:54.312 --> 00:04:56.632
照他那段 DPOTrainer 的程式碼跑一次，

00:04:56.792 --> 00:04:58.712
你就懂偏好訓練到底在幹嘛。

00:04:58.776 --> 00:05:00.376
第二則。換個方向。

00:05:00.696 --> 00:05:03.336
有個 Hacker News 使用者 simonw 講了一句

00:05:03.336 --> 00:05:07.816
很嗆的話——「自我改進的說法具誤導性，那只是訓練流程、

00:05:07.896 --> 00:05:10.776
不是推理時的自我迭代。」他在酸的，

00:05:10.856 --> 00:05:13.816
就是今天要講的 Ornith-1.5 開源模型家族。

00:05:14.136 --> 00:05:17.016
等等——先講一下這家族到底是什麼？我完全沒聽過欸！

00:05:17.416 --> 00:05:20.056
三種規模：九十億參數的密集模型，

00:05:20.216 --> 00:05:24.536
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（

00:05:24.776 --> 00:05:28.616
就像一間公司裡養了很多不同科的師傅，每次來一張單子，

00:05:28.776 --> 00:05:32.536
只叫其中兩三個相關的師傅出來做，其他人在旁邊休息，

00:05:32.696 --> 00:05:36.696
所以人很多但每次真正動工的很少，跑起來就省電又快）。

00:05:37.176 --> 00:05:41.016
官方宣稱推理、agentic（意思是它不只回你一段話，

00:05:41.176 --> 00:05:45.496
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、

00:05:45.656 --> 00:05:48.696
做完一件事再接著做下一件）、寫程式的表現，

00:05:48.856 --> 00:05:51.576
媲美 Claude Opus 4.8。而且——

00:05:51.736 --> 00:05:54.376
全部 MIT 授權，商業用途不受限。

00:05:54.856 --> 00:05:57.496
 你可能會問「MIT 授權？？所以就是⋯⋯

00:05:57.736 --> 00:06:00.136
我開公司拿去賣錢也沒人管？」——對。

00:06:00.296 --> 00:06:03.416
就是這個意思。而且 FP8、GGUF、MLX、

00:06:03.416 --> 00:06:09.896
NVFP4 量化格式（把原本又大又精細的模型檔案壓成比較粗略

00:06:09.896 --> 00:06:12.776
的版本，就像把無損音樂壓成小一點的檔，

00:06:13.016 --> 00:06:18.216
聽起來差不多但容量小很多，普通電腦才塞得下）全給，vLLM、

00:06:18.456 --> 00:06:21.096
Ollama 這些推理框架（可以想成播放器，

00:06:21.336 --> 00:06:24.776
模型檔案本身只是一堆資料，要有這種程式把它讀起來、

00:06:24.936 --> 00:06:27.176
讓你能打字問問題）也火速接上了。

00:06:27.656 --> 00:06:32.216
 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

00:06:32.216 --> 00:06:36.056
套流程都不用人插手，出題、練習、批改、進步全部自己來，

00:06:36.296 --> 00:06:39.576
像一個學生自己買參考書、自己出考卷、自己訂正，

00:06:39.576 --> 00:06:43.256
家長完全不用管）呢？聽起來很科幻⋯⋯

00:06:43.416 --> 00:06:47.736
是說 AI 自己教自己？」——流程是：模型自己提出新任務，

00:06:47.896 --> 00:06:52.056
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，

00:06:52.136 --> 00:06:55.976
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，

00:06:56.136 --> 00:06:59.016
像蓋房子前先搭的那層鷹架，蓋好就拆掉），

00:06:59.416 --> 00:07:02.776
再用強化學習（做對了就給糖、做錯了就沒糖，

00:07:02.776 --> 00:07:06.536
反覆練幾百萬次之後它自己摸出哪種做法會拿到糖，

00:07:06.776 --> 00:07:09.976
像訓練狗學動作那樣）跑出解答、從解答裡學。

00:07:10.296 --> 00:07:12.616
等於不斷幫自己造新的訓練經驗，

00:07:12.696 --> 00:07:16.616
把前代 Ornith-1.0 的自我鷹架策略擴成完整迴圈。

00:07:16.936 --> 00:07:21.576
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，

00:07:21.816 --> 00:07:25.016
然後自己寫十遍、挑寫得最好的那遍當教材餵回去？

00:07:25.096 --> 00:07:29.896
方向對。更精準說，強化學習（做對就給糖、做錯就沒糖，

00:07:30.056 --> 00:07:35.416
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

00:07:35.416 --> 00:07:39.976
打一個分數，分數高的做法以後就多做，分數低的就少做，

00:07:40.216 --> 00:07:43.576
像遊戲裡每過一關跳出來的得分）評分，

00:07:43.656 --> 00:07:48.616
不是「挑最好那遍」這麼直覺，但精神就是自己造題自己練。

00:07:48.776 --> 00:07:51.816
那我這種普通工程師，實際怎麼跑起來？很難嗎？

00:07:52.136 --> 00:07:54.901
最懶的一行：在終端機打 ollama run，

00:07:54.993 --> 00:07:57.816
後面接 ornith 一點五 的九十億參數版本。

00:07:58.136 --> 00:08:00.456
想用 llama.cpp 就執行 llama-server，

00:08:00.456 --> 00:08:02.296
指定 Hugging Face 上 ornith ai 帳號

00:08:02.296 --> 00:08:06.496
底下、Ornith 一點五 九十億參數的 GGUF 版本，

00:08:06.676 --> 00:08:07.736
連接埠設八千。

00:08:07.976 --> 00:08:10.456
Python 端用 Transformers 的 AutoP

00:08:10.696 --> 00:08:13.800
rocessor 跟 AutoModelForMultimodalLM，

00:08:14.504 --> 00:08:17.656
from_pretrained 指到 ornith ai 帳

00:08:17.816 --> 00:08:21.256
號底下的 Ornith 一點五 九十億參數版本，

00:08:21.496 --> 00:08:23.176
device_map 設 auto。

00:08:23.336 --> 00:08:25.736
那如果我要架成服務給整個團隊用呢？

00:08:26.136 --> 00:08:29.176
用 vllm serve 起 ornith ai 帳號底下的

00:08:29.176 --> 00:08:31.389
 Ornith 一點五 九十億參數模型，

00:08:31.576 --> 00:08:35.256
參數加上 max-model-len 設二十六萬兩千一百四十

00:08:35.256 --> 00:08:35.576
四、

00:08:35.896 --> 00:08:38.936
gpu-memory-utilization 設零點九零、

00:08:39.336 --> 00:08:41.296
enable-prefix-caching（把每次對話開頭那

00:08:41.296 --> 00:08:44.736
段一模一樣的內容算過一次就先存起來，

00:08:44.976 --> 00:08:47.936
下次再遇到同樣開頭就直接拿來用，不用重算，

00:08:48.176 --> 00:08:50.976
像便利商店先把常賣的關東煮煮好放著）、

00:08:51.376 --> 00:08:53.296
enable-auto-tool-choice、

00:08:53.296 --> 00:08:55.856
tool-call-parser 選 qwen3_xml、

00:08:55.856 --> 00:08:56.496
reasoning-parser 選 qwen3，

00:08:59.376 --> 00:09:01.056
再加 trust-remote-code。

00:09:01.456 --> 00:09:03.616
或者用 SGLang 啟動 launch_server，

00:09:04.176 --> 00:09:06.896
model-path 指到 ornith ai 帳號底下的 

00:09:06.896 --> 00:09:08.816
Ornith 一點五 九十億參數版本，

00:09:08.816 --> 00:09:11.776
context-length 設二十六萬兩千一百四十四，

00:09:12.096 --> 00:09:14.096
mem-fraction-static 設零點八五。

00:09:14.416 --> 00:09:17.456
架好之後用 OpenAI 的 SDK 打本機位址、

00:09:17.616 --> 00:09:19.296
連接埠八千的 v1 路徑，

00:09:19.536 --> 00:09:21.216
api_key 填 EMPTY 就好，

00:09:21.536 --> 00:09:23.536
取樣參數 temperature 設零點六、

00:09:23.696 --> 00:09:25.296
top_p 設零點九五。

00:09:25.456 --> 00:09:29.216
這麼順⋯⋯前代 397B 那隻也一樣跑法嗎？

00:09:29.536 --> 00:09:33.216
前代範例是用 vllm serve 起 deepreinfo

00:09:33.216 --> 00:09:37.776
rce ai 帳號底下的 Ornith 一點零 三千九百七十

00:09:37.856 --> 00:09:38.736
億參數版本，

00:09:38.896 --> 00:09:41.856
再加 tensor-parallel-size 設八（意思是

00:09:41.936 --> 00:09:46.256
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，

00:09:46.576 --> 00:09:50.896
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），

00:09:51.216 --> 00:09:53.216
取樣建議 temperature 設零點六、

00:09:53.376 --> 00:09:57.136
top_p 設零點九五、top_k 設二十。我的立場：

00:09:57.216 --> 00:10:00.096
這種一行指令就能本機跑、又 MIT 授權的，

00:10:00.336 --> 00:10:02.336
我覺得比任何 benchmark 數字都值錢。

00:10:02.576 --> 00:10:06.096
但社群真的買單嗎？我不太信官方自己講的話欸⋯⋯

00:10:06.496 --> 00:10:08.576
正反都有。但反面很兇——

00:10:09.216 --> 00:10:13.376
kennywinker 質疑團隊在強化學習（讓模型自己一直練

00:10:13.536 --> 00:10:17.776
、做對給糖做錯不給，

00:10:17.776 --> 00:10:20.656
慢慢練出本事的那套訓練方式）訓練過程的透明度。

00:10:20.896 --> 00:10:22.496
那我直接問尖銳的——

00:10:22.576 --> 00:10:25.696
他們是不是根本只是拿 Qwen 或 Gemma 基底去針對 

00:10:25.836 --> 00:10:28.256
benchmark 優化，然後包裝成「自我改進」？

00:10:28.736 --> 00:10:31.376
社群先前對 Ornith 一點零 就有這個質疑，

00:10:31.376 --> 00:10:33.456
到了 一點五 也還沒散掉。要我說，

00:10:33.936 --> 00:10:37.776
我站 simonw 那邊——「自我改進」這詞行銷成分太重，

00:10:37.936 --> 00:10:42.336
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，

00:10:42.496 --> 00:10:45.616
包裝歸包裝，權重真的丟出來給你 MIT 隨便用，

00:10:45.616 --> 00:10:48.416
這誠意勝過九成只發論文的團隊。

00:10:48.656 --> 00:10:49.616
那第二個問題——

00:10:49.616 --> 00:10:52.656
開源都追到宣稱媲美 Claude Opus 4.8 了，

00:10:52.896 --> 00:10:56.176
那些一年繳幾萬塊訂閱費的公司，是不是被當盤子？

00:10:56.496 --> 00:10:58.496
我認為還不到。宣稱歸宣稱，

00:10:58.656 --> 00:11:02.176
v3ss0n 那個長對話工具呼叫幻覺就是致命傷——

00:11:02.496 --> 00:11:06.576
真正的 agentic工作流最吃的就是穩定度。我的判斷是：

00:11:06.736 --> 00:11:11.696
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。

00:11:12.016 --> 00:11:14.896
那這則跟我這種不寫 code 的普通上班族，有關嗎？

00:11:15.056 --> 00:11:16.016
我要做什麼？

00:11:16.016 --> 00:11:17.376
對你的一句話結論是——

00:11:17.616 --> 00:11:20.336
以後公司內部那種要吃機密資料的 AI 助理，

00:11:20.496 --> 00:11:23.616
可以完全跑在自家電腦裡、不用把資料傳出去，

00:11:23.856 --> 00:11:27.376
這代表「怕外洩所以不能用 AI」這個藉口正在消失，

00:11:27.536 --> 00:11:31.776
你們公司導入 AI 的速度會變快。行動上：一般上班族，

00:11:31.856 --> 00:11:35.056
知道這個風向就好、什麼都不用做，順便幫你擋一件事——

00:11:35.296 --> 00:11:38.124
別看到開源就衝去買高階顯卡跑本機模型，

00:11:38.233 --> 00:11:42.629
社群實測長對話還會出包，省下你一筆硬體錢。

00:11:42.882 --> 00:11:46.336
要更積極的有兩種——如果你是工程師，去玩玩看，

00:11:46.576 --> 00:11:48.096
在終端機打 ollama run，

00:11:48.176 --> 00:11:50.656
後面接 ornith 一點五 的九十億參數版本，

00:11:50.896 --> 00:11:54.256
十分鐘就知道值不值；如果你在法務、醫療、

00:11:54.256 --> 00:11:57.696
金融這種資料不能外流的產業當 PM，回去查一下，

00:11:57.856 --> 00:12:00.896
問你們技術部門有沒有評估過本機開源模型這條路。

00:12:01.216 --> 00:12:04.496
第三則。想像一下這個畫面——你打開 ChatGPT，

00:12:04.656 --> 00:12:07.536
貼上那套你已經用到滾瓜爛熟的剪片指令，

00:12:07.776 --> 00:12:10.496
結果出來的東西又有點怪，你又要手動修。

00:12:10.856 --> 00:12:12.456
在 2026 年八月十九號，

00:12:12.736 --> 00:12:15.696
The Rundown 這個專門教人用 AI 工具的教學網站

00:12:15.936 --> 00:12:18.816
，就丟出一篇教學，叫 Loop Method、迴圈法。

00:12:19.216 --> 00:12:22.016
 你可能會問「等等——我天天都在這個畫面裡耶！！

00:12:22.256 --> 00:12:25.536
所以它是要解決「同一套 prompt 每次結果都不一樣」這件

00:12:25.536 --> 00:12:28.416
事？」——對，就是專治那種你重複在跑、

00:12:28.416 --> 00:12:32.816
但品質一直不穩的流程——寫作、剪輯、產圖這種固定套路。

00:12:33.376 --> 00:12:35.776
核心做法是叫 ChatGPT 自己組一個 sub-agent

00:12:36.256 --> 00:12:37.776
 panel，子代理小組，

00:12:38.016 --> 00:12:40.896
用對抗式審查（就是不讓它自己稱讚自己，

00:12:41.056 --> 00:12:44.336
而是要它扮成專門挑毛病的人，一條一條把哪裡爛、

00:12:44.416 --> 00:12:47.216
哪裡不合格講出來，像同事故意刁難你，

00:12:47.456 --> 00:12:49.936
逼你把破綻攤開）跑三輪迴圈。

00:12:50.496 --> 00:12:54.896
 你可能會問「「子代理小組」「對抗式審查」（也就是叫它站在挑

00:12:54.896 --> 00:12:57.936
刺的立場，專門找出這份東西最不能過關的地方，

00:12:58.096 --> 00:13:00.896
而不是順著你說好棒）⋯⋯這兩個詞都好玄。

00:13:00.896 --> 00:13:03.496
可以講具體一點嗎？」——具體到可以照抄。

00:13:03.856 --> 00:13:06.699
那段啟動指令裡明講要三個角色：

00:13:06.750 --> 00:13:08.736
第一個角色叫做成果或品質審查員，

00:13:09.056 --> 00:13:11.136
也就是 outcome 或 quality 那個 revie

00:13:11.376 --> 00:13:15.536
wer，專門看成果品質；第二個角色是流程與提示詞審查員，

00:13:15.776 --> 00:13:17.936
英文寫 workflow 和 prompt 的 review

00:13:17.936 --> 00:13:20.416
er，看你流程跟提示詞本身寫得爛不爛；

00:13:20.496 --> 00:13:22.976
還有一個有相關領域知識的 reviewer。

00:13:23.376 --> 00:13:25.536
三個人各自從不同角度來找碴。

00:13:25.856 --> 00:13:29.936
喔——所以不是叫它「再改好一點」，是叫它分飾三角、

00:13:29.936 --> 00:13:33.456
故意刁難自己？就像你交稿之前先找主管、找編輯、

00:13:33.656 --> 00:13:35.736
再找一個懂這行的老鳥各罵一輪？

00:13:36.056 --> 00:13:40.616
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、

00:13:40.656 --> 00:13:44.576
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——

00:13:44.816 --> 00:13:48.016
prompt、腳本、檢查表或流程——再重跑一次，

00:13:48.336 --> 00:13:50.736
最後對照你事先訂好的完成定義，

00:13:51.056 --> 00:13:53.696
英文叫 definition of done（就是動手前先把

00:13:53.696 --> 00:13:56.696
「做到什麼程度才算做完」寫成幾條白紙黑字，

00:13:57.011 --> 00:14:00.931
像講好片子要在三分鐘內、開頭不能有雜音、字幕不能出錯，

00:14:01.096 --> 00:14:04.376
最後拿這幾條一條一條打勾），來做檢查。

00:14:04.376 --> 00:14:07.656
「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，

00:14:07.776 --> 00:14:10.016
然後就再也回不去原本那版了！

00:14:10.256 --> 00:14:12.656
所以指令裡還有一句要你保留舊版本，

00:14:12.896 --> 00:14:14.816
英文寫 preserve earlier 的 version

00:14:15.056 --> 00:14:16.416
s，而且第三輪之後就停，

00:14:16.656 --> 00:14:18.496
英文寫 stop after loop three，

00:14:18.656 --> 00:14:22.416
跑滿三輪就停、不準無限跑。前面還有兩個模板要先填：

00:14:22.736 --> 00:14:25.376
第一個是簡報格式，包含流程 Workflow、

00:14:25.376 --> 00:14:26.736
測試輸入 Test input、

00:14:26.736 --> 00:14:29.536
目前結果 Current result、我注意到的問題，

00:14:29.536 --> 00:14:31.256
英文是 problems I noticed，

00:14:31.256 --> 00:14:32.856
還有要保留的檔案或指令，

00:14:33.136 --> 00:14:35.216
英文是 files or instructions to p

00:14:35.696 --> 00:14:37.696
reserve；第二個是三輪審查迴圈的模板，

00:14:37.936 --> 00:14:39.376
英文寫 three review loops；

00:14:39.616 --> 00:14:42.096
第三個是目標模板，先寫目標 Goal，

00:14:42.336 --> 00:14:44.576
再加三條完成定義 definition of done，

00:14:44.816 --> 00:14:48.736
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，

00:14:48.736 --> 00:14:50.736
英文寫 confirm the goal and check

00:14:50.896 --> 00:14:51.216
s with me，

00:14:51.456 --> 00:14:53.056
然後 before starting loop one。

00:14:53.296 --> 00:14:56.896
所以流程是——先跟它交代清楚現況跟已知問題，

00:14:56.896 --> 00:15:01.056
再訂好「改到什麼樣才算過」，它還要先跟你確認才準動手？

00:15:01.416 --> 00:15:05.176
對。確認完你再回一句，說目標跟完成定義都核准了，

00:15:05.376 --> 00:15:06.576
英文是 the goal and definition of

00:15:06.576 --> 00:15:09.816
 done are approved（意思是那幾條「做成什麼

00:15:09.856 --> 00:15:13.536
樣才算做完」的標準你點頭了，之後大家都照這幾條驗收，

00:15:13.776 --> 00:15:16.576
不能再臨時改口），接著再說開始第一輪，

00:15:16.896 --> 00:15:19.376
英文是 begin loop one，它才開始跑，

00:15:19.376 --> 00:15:22.376
而且每輪都要回報：小組發現什麼、改了什麼、

00:15:22.496 --> 00:15:25.696
有什麼證據顯示這個改動有效、還有什麼沒解決。

00:15:25.696 --> 00:15:29.056
中間如果發現是你指令寫得模糊，有第五個模板，

00:15:29.336 --> 00:15:32.456
格式是先說上一次的結果暴露了這個模糊之處，

00:15:32.736 --> 00:15:34.896
英文是 the last result exposed th

00:15:34.896 --> 00:15:36.656
is ambiguity，加上模糊那句，

00:15:37.056 --> 00:15:39.696
然後說請更新流程讓它的意思變成，

00:15:39.696 --> 00:15:41.856
英文是 update the workflow so it 

00:15:41.856 --> 00:15:44.096
means，再加上你要的精確要求，

00:15:44.296 --> 00:15:46.536
叫它下一輪套用並在輸出裡驗證。

00:15:46.736 --> 00:15:48.496
那三輪跑完呢？就結束了？

00:15:48.656 --> 00:15:51.776
還有第五步，換一個新輸入測穩定度，

00:15:52.096 --> 00:15:55.936
指令的意思是請把更新過的某某流程用在第二個輸入上，

00:15:56.176 --> 00:15:58.496
英文寫 use the updated 某某 workflo

00:15:58.656 --> 00:15:59.776
w，然後 on second input，

00:16:00.256 --> 00:16:04.096
保留審查過的指令跟完成定義，結果另存、不要蓋掉第一份，

00:16:04.416 --> 00:16:08.176
然後回報三件事——每項檢查有沒有過、哪些還要你人工看、

00:16:08.416 --> 00:16:11.496
哪些人工判斷應該變成腳本、規則或檢查項。

00:16:11.816 --> 00:16:15.896
最後那句超關鍵欸！！等於是逼它把你腦袋裡的隱性標準，

00:16:16.056 --> 00:16:17.336
變成寫下來的規則？

00:16:17.576 --> 00:16:19.336
對。The Rundown 自己說，

00:16:19.416 --> 00:16:23.336
他們就是拿這套來改善自己的影片剪輯和圖片產生技能，

00:16:23.656 --> 00:16:26.136
而且認為任何重複性的工作流程都適用。

00:16:26.376 --> 00:16:29.256
聽起來一片叫好⋯⋯但我有點不信耶，

00:16:29.416 --> 00:16:32.296
這不就是「叫 AI 再檢查一次」換個帥名字嗎？

00:16:32.536 --> 00:16:34.896
你這句幾乎就是反對方會講的話。

00:16:35.016 --> 00:16:37.976
那我直接問尖銳的——這種「提示詞技巧」文章，

00:16:38.136 --> 00:16:42.296
是不是根本就是內容農場在收割焦慮？教學網站賣會員，

00:16:42.456 --> 00:16:43.896
當然要一直生新名詞啊！

00:16:44.136 --> 00:16:48.136
我覺得要分開看。名詞是行銷、流程是真的。要我說，

00:16:48.296 --> 00:16:50.376
這篇有價值的地方不是「Loop」這個字，

00:16:50.616 --> 00:16:55.096
是它把「只改最小必要部分」「保留舊版」「跑三輪就停」「先訂完

00:16:55.096 --> 00:16:57.016
成定義」寫死成可照抄的指令——

00:16:57.416 --> 00:17:01.576
這幾條是真的能擋掉你亂改一通的護欄。至於名字叫什麼，

00:17:01.576 --> 00:17:02.376
我完全不在乎。

00:17:02.616 --> 00:17:06.216
那再一題——如果 AI 自己找碴、自己修、自己驗收，

00:17:06.376 --> 00:17:09.496
那那個「懂這行的老鳥」不就被自己取代了？

00:17:09.816 --> 00:17:11.256
以後還需要人來把關嗎？

00:17:11.496 --> 00:17:15.176
我的看法很明確：不但需要，而且人的價值往上移了。

00:17:15.576 --> 00:17:19.176
我自己的體會是——迭代品質取決於你問的問題品質。

00:17:19.416 --> 00:17:23.256
這套流程裡最不可外包的兩件事，一是你訂的完成定義，

00:17:23.256 --> 00:17:25.296
也就是 definition of done 那一段（就是你

00:17:25.336 --> 00:17:28.936
自己寫下來的那幾條驗收標準，像交出去前一定要看得懂、

00:17:29.096 --> 00:17:32.776
一定要照時間、一定不能有錯字，這幾條只有你能決定），

00:17:32.936 --> 00:17:37.656
二是最後那句「哪些人工判斷該變成規則」。AI 能罵自己，

00:17:37.896 --> 00:17:40.536
但它不知道你的標準在哪。標準寫不出來的人，

00:17:40.536 --> 00:17:42.536
用這套一樣是垃圾進垃圾出。

00:17:42.776 --> 00:17:46.456
那這則跟我這種完全不寫 code 的普通上班族，有關嗎？

00:17:46.696 --> 00:17:47.416
我該做什麼？

00:17:47.656 --> 00:17:51.496
對你的一句話結論是——你手上任何一件「每個月都要重做、

00:17:51.576 --> 00:17:53.656
每次品質都看運氣」的例行工作，

00:17:53.896 --> 00:17:56.776
都可以先叫 AI 用三個不同角色把它罵一輪、

00:17:56.936 --> 00:18:01.576
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，

00:18:01.576 --> 00:18:05.096
去玩玩看，挑你最煩的那個重複任務，把目標 Goal，

00:18:05.096 --> 00:18:07.816
再加三條完成定義 definition of done 先寫

00:18:07.816 --> 00:18:08.136
出來、

00:18:08.136 --> 00:18:11.896
貼給 ChatGPT（那三條就是「做成什麼樣才算做完」的白話

00:18:11.896 --> 00:18:15.896
標準，像這份月報要有數字、要有結論、主管三十秒能看完），

00:18:16.136 --> 00:18:19.016
光是被逼著寫出「怎樣才算做完」就已經賺到；

00:18:19.336 --> 00:18:23.496
要更積極的有兩種——常做重複產出的行銷、小編、設計，

00:18:23.496 --> 00:18:26.936
回去把那段三個 reviewer 的完整指令抄下來存成自己的

00:18:26.936 --> 00:18:31.656
模板，下次直接套；帶團隊的主管，往上一級、帶進公司提案，

00:18:31.816 --> 00:18:36.376
把最後那句「哪些人工判斷該變成規則」當成內部 SOP 的起點

00:18:36.616 --> 00:18:38.616
，這才是真正留得下來的東西。

00:18:38.824 --> 00:18:43.784
第四則。換個方向，來講一個聽起來很反直覺的：AI 越好用，

00:18:44.024 --> 00:18:46.824
你直接把 AI 的答案貼給別人，反而越沒禮貌。

00:18:47.384 --> 00:18:49.944
幾天前有個網站，名字叫做「別貼 AI」，

00:18:50.264 --> 00:18:52.104
英文寫成 Don't Paste the AI，

00:18:52.464 --> 00:18:55.584
它在科技論壇 Hacker News 上拿到 717 個

00:18:55.584 --> 00:18:59.344
讚，另外有 355 則留言。 你可能會問「等等等等——

00:18:59.624 --> 00:19:02.184
貼 AI 答案是沒禮貌？？我以為那叫效率耶！

00:19:02.424 --> 00:19:06.504
我幫你查好了不是很體貼嗎？」——網站的核心論點是：對方問你，

00:19:06.584 --> 00:19:07.864
是想要「你的想法」，

00:19:08.104 --> 00:19:11.064
不是一段任何人四秒內自己就能問到的制式回答。

00:19:11.544 --> 00:19:15.224
你只是當 AI 跟對方之間的傳聲筒，這段對話就沒意義了。

00:19:15.384 --> 00:19:16.824
唔⋯⋯這句有點刺到我。

00:19:17.064 --> 00:19:20.264
那實際上到底要怎麼做？總不能叫我不準用 AI 吧？

00:19:20.424 --> 00:19:23.064
不是禁用，是加工。步驟很具體：

00:19:23.304 --> 00:19:25.624
先讓 ChatGPT 或 Claude 生草稿，

00:19:25.944 --> 00:19:29.464
然後你自己讀過，只擷取真正回答問題的那一句核心，

00:19:29.784 --> 00:19:33.944
其餘贅字全刪，補充意見控制在三句話以內再回覆對方。

00:19:34.184 --> 00:19:35.144
所以具體來說——

00:19:35.304 --> 00:19:38.664
假設同事在 Slack 問我「這個 API 為什麼會逾時」，

00:19:38.824 --> 00:19:40.504
我丟給 Claude 拿到八百字，

00:19:40.664 --> 00:19:42.904
我只留「因為連線池滿了」那一句，

00:19:43.064 --> 00:19:46.984
再加我自己三句「我們上禮拜也踩過、我建議先調參數」這樣？

00:19:46.984 --> 00:19:50.824
對，就是這個意思。而且如果 AI 那段真的很有價值、

00:19:50.904 --> 00:19:53.944
你想引用，網站給的範本措辭是直接講：

00:19:53.944 --> 00:19:56.904
「我詢問了 Claude，這段很有道理」——標明出處、

00:19:56.904 --> 00:19:58.584
順便說明你為什麼認同。

00:19:58.864 --> 00:20:02.944
那如果我讀完真的沒意見呢？我不能每次都硬擠三句吧！！

00:20:03.144 --> 00:20:05.784
那就直接用英文回一句 No strong opinion h

00:20:05.944 --> 00:20:08.424
ere，意思是我對這件事沒有特別的意見，

00:20:08.424 --> 00:20:12.024
網站認為這是有效而且真誠的回答。另外還有實戰招：

00:20:12.344 --> 00:20:13.224
有人在 DM、

00:20:13.384 --> 00:20:15.384
Slack 或 PR review 貼整段 AI 原文，

00:20:15.384 --> 00:20:18.624
你直接把 dontpastetheai.com 這個連結複製

00:20:18.624 --> 00:20:20.104
傳給他，不用多解釋。

00:20:20.184 --> 00:20:23.224
哈哈哈這超被動攻擊——不過我喜歡！！

00:20:23.224 --> 00:20:24.104
還分版本。

00:20:24.344 --> 00:20:27.688
對同事這種正式場合分享標準版 dontpastetheai.

00:20:27.960 --> 00:20:29.624
com；對熟到能開玩笑的人，

00:20:29.624 --> 00:20:34.664
有比較嗆的版本 dontpastetheai.com/ang

00:20:34.664 --> 00:20:36.064
ry/，網站上點複製按鈕就自動把當前網址複製起來。

00:20:36.064 --> 00:20:40.464
那留言區有人跳出來嗆嗎？我不信 355 則全部一面倒。

00:20:40.464 --> 00:20:43.584
沒有一面倒。正面的像 mscbuck 說，

00:20:43.584 --> 00:20:46.144
貼 AI 原文是把理解的負擔轉嫁給別人；

00:20:46.755 --> 00:20:49.224
ipython 說這會侵蝕人跟人之間的信任；

00:20:49.624 --> 00:20:52.584
AbsurdCensor 更直接，受夠同事複製貼上，

00:20:52.584 --> 00:20:54.984
想把這篇當公司內部 AI 使用準則。

00:20:55.504 --> 00:20:57.184
原 po disillusioned 的論點是，

00:20:57.454 --> 00:20:59.214
別人付錢是要你的專業與見解。

00:20:59.544 --> 00:21:00.424
那反方咧？

00:21:00.424 --> 00:21:02.664
Tenoke 質疑一味反 AI 的立場，

00:21:02.664 --> 00:21:06.144
認為問題不在工具本身、而在你有沒有附加價值，

00:21:06.424 --> 00:21:07.864
完全不用 AI 也一樣愚蠢。

00:21:08.344 --> 00:21:10.584
kerkeslager 則點出有些人走極端——

00:21:10.744 --> 00:21:13.144
只要發現對方用過 AI 就直接失去尊重，

00:21:13.144 --> 00:21:16.864
這種一刀切被其他人質疑是不是反應過度。我的判斷：

00:21:16.904 --> 00:21:20.264
這篇真正的重點不是反 AI，是反「零加工轉貼」。

00:21:20.264 --> 00:21:21.384
那我問個尖銳的——

00:21:21.384 --> 00:21:24.344
那些抓到別人用 AI 就直接看不起對方的人，

00:21:24.344 --> 00:21:26.344
是不是根本就是在耍優越感？

00:21:26.504 --> 00:21:28.424
我覺得是。而且很快就會反噬——

00:21:28.424 --> 00:21:31.144
再過一兩年幾乎所有人都會用 AI 起草，

00:21:31.384 --> 00:21:33.464
你憑「有沒有 AI 味」判斷一個人，

00:21:33.624 --> 00:21:37.828
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，

00:21:37.926 --> 00:21:38.744
不是用工具。

00:21:39.144 --> 00:21:42.504
再一個——如果我老闆就是那種整天貼 AI 原文的人，

00:21:42.824 --> 00:21:46.744
我真的敢把那個嗆版連結丟給他嗎？這不是職場自殺嗎？

00:21:46.744 --> 00:21:50.984
老實講，我不建議對老闆用嗆版，那是給熟人的。要我說，

00:21:50.984 --> 00:21:54.984
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——

00:21:55.384 --> 00:21:58.344
他收到你的三句話結論、跟收到別人八百字 AI 文，

00:21:58.584 --> 00:22:02.024
體感差距他自己會有感。用示範贏，不用說教贏。

00:22:02.104 --> 00:22:05.464
那這則跟我這種普通上班族有關嗎？我要做什麼？

00:22:05.864 --> 00:22:07.144
對你的一句話結論是——

00:22:07.144 --> 00:22:09.984
以後職場上真正稀缺的不是「查得到答案」，

00:22:10.264 --> 00:22:14.344
是「你讀完之後那三句自己的話」，貼原文的人會越來越廉價。

00:22:14.344 --> 00:22:17.344
行動上：一般人就今天起改一個小習慣，

00:22:17.384 --> 00:22:21.864
回訊息前把 AI 草稿砍到只剩一句核心加三句自己的意見，

00:22:21.864 --> 00:22:24.224
沒意見就誠實講一句英文 No strong opinion 

00:22:24.224 --> 00:22:25.904
here，也就是我沒有特別的意見，

00:22:25.904 --> 00:22:28.944
這一招就幫你省下被同事默默扣分的風險；

00:22:29.384 --> 00:22:32.984
如果你是主管或帶團隊的，往上一級、帶進公司提案，

00:22:33.224 --> 00:22:36.530
把 dontpastetheai.com 這頁直接貼進團隊守

00:22:36.530 --> 00:22:40.757
則當內部 AI 使用共識；如果你是接案或做顧問的，最該警惕，

00:22:40.757 --> 00:22:45.784
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。

00:22:45.864 --> 00:22:48.024
第五則。換個方向，問你一個問題——

00:22:48.104 --> 00:22:50.664
如果你公司的 AI 亂編一個數字、害客戶賠錢，

00:22:50.744 --> 00:22:53.224
你猜保險會不會賠？答案多半是不賠，

00:22:53.544 --> 00:22:56.984
所以現在冒出一種新東西叫「AI 保險」。 你可能會問「蛤？？

00:22:57.064 --> 00:23:00.344
不賠喔！！我還以為公司都有買那種什麼商業險、網路險，

00:23:00.344 --> 00:23:02.224
這種算意外吧？」——問題就在這。

00:23:02.824 --> 00:23:04.424
Gartner 分析師 Lauren Kornutick 原

00:23:04.424 --> 00:23:07.504
話是：「許多企業現有的保單裡都有 AI 排除條款」——

00:23:07.864 --> 00:23:11.144
白紙黑字把 AI 風險排掉，這是風險管理上的一大缺口。

00:23:11.704 --> 00:23:12.584
 你可能會問「等等⋯⋯

00:23:12.744 --> 00:23:14.984
所以是保險公司早就先寫好「這塊我不管」？

00:23:14.984 --> 00:23:17.904
那這種新的 AI 保單，到底保什麼？」——保五塊：

00:23:18.184 --> 00:23:21.784
AI 幻覺——就是它一本正經編造錯誤資訊——造成的財務損失；

00:23:22.184 --> 00:23:25.304
演算法歧視（就是電腦在幫忙篩人的時候自己養成偏心，

00:23:25.464 --> 00:23:26.984
比方說同樣條件的兩份履歷，

00:23:26.984 --> 00:23:29.544
它固定把某個性別或某個地區的人往後排，

00:23:29.864 --> 00:23:33.624
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，

00:23:33.784 --> 00:23:37.784
而且它天天這樣做，沒人發現），像招募或放貸偏袒特定族群；

00:23:38.024 --> 00:23:42.584
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，

00:23:42.824 --> 00:23:44.584
模型效能沒達標就退你授權費。

00:23:44.824 --> 00:23:46.264
才四個啊？第五個呢？

00:23:46.424 --> 00:23:47.144
第五個最誇張——

00:23:47.224 --> 00:23:50.264
AI 代理人（不是那種你問一句它答一句的助理，

00:23:50.344 --> 00:23:53.864
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、

00:23:53.864 --> 00:23:56.984
自己去改設定、自己去操作機器手臂，中間不用你按確認），

00:23:56.984 --> 00:24:01.384
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。

00:24:01.384 --> 00:24:03.184
Gartner 還預測到 2030 年，

00:24:03.384 --> 00:24:06.877
保險公司會把「嚴格的 AI 風險控管」列為承保的必要條件。

00:24:06.984 --> 00:24:08.904
哇⋯⋯那保險公司自己願意賣嗎？

00:24:08.904 --> 00:24:10.984
我怎麼覺得他們才是最怕的那一個。

00:24:11.144 --> 00:24:13.064
你直覺很準。AIG、Great American、

00:24:13.224 --> 00:24:16.184
WR Berkley 這些大公司甚至在尋求監管許可，

00:24:16.344 --> 00:24:18.744
想把 AI 責任完全排除在企業保單外。

00:24:18.824 --> 00:24:21.464
所以是兩邊互推？？那有沒有人看好啊。

00:24:21.624 --> 00:24:22.824
有。實際案例也有——

00:24:23.064 --> 00:24:25.704
ElevenLabs 買了首創的 AI 代理人責任保單，

00:24:25.704 --> 00:24:28.544
涵蓋幻覺、未授權操作、資料隱私。

00:24:28.544 --> 00:24:31.944
那對我這種普通上班族，保險這兩個字聽起來就很遠耶⋯⋯

00:24:32.104 --> 00:24:33.784
有什麼是我現在就能做的嗎？

00:24:33.864 --> 00:24:37.064
有，而且很實用：你自己的保單就能用 AI 健檢。

00:24:37.384 --> 00:24:40.758
第一步先把姓名、身分證字號、保單號碼全部遮掉再上傳，

00:24:40.833 --> 00:24:41.804
避免個資外洩。

00:24:41.804 --> 00:24:44.544
喔——就是拿麥克筆塗掉那幾欄再拍照上傳，

00:24:44.584 --> 00:24:46.504
不是整份原封不動丟進去，對吧？

00:24:46.504 --> 00:24:51.424
對。第二步貼上保單內容，輸入：「把這份保單整理成表格：險種、

00:24:51.424 --> 00:24:53.864
保障內容、保額、繳費年期、每年保費，

00:24:54.104 --> 00:24:57.544
用臺灣保險術語的白話解釋每一項。」第三步再問：

00:24:57.784 --> 00:25:01.784
「以臺灣常見的保障規劃原則，我的醫療實支實付、失能、意外、

00:25:01.784 --> 00:25:04.264
壽險保額有哪些明顯缺口或重複投保？」

00:25:04.424 --> 00:25:07.384
所以等於是叫 AI 先幫我把那本天書排成一張表，

00:25:07.624 --> 00:25:09.944
再幫我抓哪裡買重複、哪裡根本沒保？

00:25:10.144 --> 00:25:12.464
精準。第四步是請 AI 擬問題清單，

00:25:12.664 --> 00:25:15.464
像「我的實支實付雜費額度多少？有沒有副本理賠？

00:25:15.464 --> 00:25:19.904
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。

00:25:20.184 --> 00:25:22.264
我的結論：AI 保險現在還在早期，

00:25:22.424 --> 00:25:24.744
但「用 AI 看懂合約」這件事今天就能用。

00:25:24.984 --> 00:25:28.904
那我尖銳一點問——保險公司想把 AI 責任整包排除，

00:25:28.984 --> 00:25:30.984
這是不是擺明推卸責任、坑企業？

00:25:31.144 --> 00:25:32.904
我覺得不算坑，但很不負責任。

00:25:33.064 --> 00:25:35.864
他們自己也坦承根本不知道這類風險的成本該怎麼估算——

00:25:35.864 --> 00:25:39.624
不知道就標高一點保費，而不是整塊剪掉。我站在企業這邊。

00:25:39.624 --> 00:25:42.766
那第二個——AI 出包最後保險賠一賠就沒事，

00:25:42.881 --> 00:25:45.464
會不會反而讓公司更敢亂用 AI 這種工具呢？

00:25:45.624 --> 00:25:47.464
我認為會，而且這是真風險。

00:25:47.744 --> 00:25:50.304
所以我覺得 Gartner 那個 2030 年的預測是對的方

00:25:50.344 --> 00:25:52.824
向：要拿保單，先證明你有嚴格的風控，

00:25:52.904 --> 00:25:54.504
不然保險就變成亂搞的許可證。

00:25:54.984 --> 00:25:57.944
那這則跟我這種不碰保險業的普通上班族，到底有關嗎？

00:25:58.024 --> 00:25:58.984
我要做什麼？

00:25:58.984 --> 00:26:00.024
對你的一句話結論是——

00:26:00.264 --> 00:26:02.877
AI 出包這件事現在連保險公司都不敢賠，

00:26:02.984 --> 00:26:05.384
代表責任最後還是落在用它的人身上，

00:26:05.384 --> 00:26:09.184
你在公司拿 AI 生出來的東西直接送出去，出事沒人幫你擋。

00:26:09.224 --> 00:26:11.562
行動上：一般上班族這週花十分鐘，

00:26:11.562 --> 00:26:14.076
把自己保單遮掉個資丟給 AI 跑那兩段 prompt，

00:26:14.115 --> 00:26:17.144
順手幫你抓出白繳的重複保費，這是最實際的收穫；

00:26:17.544 --> 00:26:20.424
如果你是公司裡負責採購或簽 AI 工具合約的人，

00:26:20.424 --> 00:26:22.224
要更積極一級、回去查一下，

00:26:22.224 --> 00:26:24.784
公司現有保單有沒有那條 AI 排除條款；

00:26:25.104 --> 00:26:26.944
如果你是 HR 或做放貸、審核的，

00:26:27.344 --> 00:26:31.184
回去問清楚你們用的 AI 工具出了歧視爭議，責任算誰的。