影片介紹
應專注於構建現在可以實現的應用
AI 技術堆疊（AI stack）的理解如下圖，最下面是半導體技術，接著雲端層、基礎模型層
吳恩達認為：對於台灣的許多企業而言，最好的機會是專注於構建現在可以實現的應用
而AI 代理工作流程則是能夠讓應用更加聰明的關鍵
代理式 AI 系統如何運作
- 反思模式（Reflection Design Pattern）
首先先讓AI 撰寫程式碼，接著讓它檢視自己剛剛撰寫的程式碼，進行批評並提出改進建議。同樣的步驟反覆多次
- 多代理模式（Multi-Agent Pattern）
一個代理生成程式碼，而另一個代理則專門負責批評前者的成果，兩者互動後產生更好的結果
- 功能調用（Function calling）
調用 API 進行網路搜索、執行程式碼、或從日曆中提取數據 - 計劃（Planning）
請AI先計劃一系列動作，來完成複雜的任務
越來越多的團隊在實施不止一個單一的代理，而是建立多個 AI 代理的協作系統。
「管理者思維」的設計模式
類似於管理者僱用多名員工來完成不同的任務。例如，你可以設計三到四個 AI 代理，分別負責程式碼撰寫、行銷設計或其他專業領域的工作，然後讓它們彼此協作。
當前 AI 領域的其他五個重要趨勢
半導體領域的發展對應用層很重要
從 AI 模型訓練到部署的時間大幅縮短。以前從數據收集、模型訓練到部署可能需要 6 到 12 個月，而現在透過語言模型的提示工程（Prompt Engineering），許多原本需要半年開發的原型，只需 10 天就能完成。
文本處理革命已經發生，而影像處理革命即將發生
由於傳輸數據的成本和技術瓶頸大幅降低，而數據處理成本（特別是 AI 處理）仍然昂貴，企業開始傾向於將數據分散到不同的地方，根據需要傳輸和處理數據。
非結構化數據的工程化管理。過去，企業主要處理結構化數據，例如表格和數字。然而，隨著 AI 現在更擅長理解文本、圖像和音訊，企業需要更多地關注如何整理這些非結構化數據，為 AI 系統的應用做好準備。
執行AI創新的關鍵步驟
- 高層管理者 AI 簡報：讓企業領導者了解 AI 的運作原理，幫助識別商業機會。
- 工作任務分解：將工作拆解成任務，分析哪些適合 AI 自動化，進而揭示潛在機會。
- 激發新模式：AI 不僅能降低成本，更可能創造新的商業模式和增值機會。
- 自建與購買抉擇：由於許多解決方案尚不存在，企業通常選擇自行開發或投資新創公司。
