人工智慧正在形塑人類未來的方式，不只是讓聊天機器人變得更會回答問題，而是讓建模、開發、教育訓練與企業導入 AI 的成本一起下降。這場 AI 大師論壇裡，我最有感的是吳恩達把人工智慧拆成監督式學習、生成式 AI、應用層與風險治理幾個層次來看，而不是只把焦點放在單一熱門工具。
論壇影片可以看這支 YouTube：AI大師論壇：人工智慧如何形塑人類未來。本文圖片來自永齡基金會 YouTube 影片畫面。
吳恩達在 AI 大師論壇分享了哪些重點？
吳恩達在 AI 大師論壇的重點，是生成式 AI 正在改變 AI 應用的開發方式。企業與開發者會更容易把人工智慧放進長尾場景。
吳恩達（Andrew Ng）是人工智慧與機器學習領域的重要學者，也是 Coursera 共同創辦人與 DeepLearning.AI 創辦人。這場論壇的主軸不是單純介紹 ChatGPT，而是討論人工智慧如何從研究、建模、教育訓練走到真實產業應用。
我把整場分享整理成三條線：
| 主題 | 吳恩達的觀點 | 我聽完後的理解 |
|---|---|---|
| AI 技術演進 | 監督式學習仍是重要基礎，生成式 AI 正快速成長 | AI 不是一夕之間轉向生成，而是前面十幾年的資料、模型與算力累積 |
| AI 應用機會 | 應用程式層仍有大量新機會 | 真正的價值會發生在懂場景、懂流程的人手上 |
| AI 風險 | 偏見、錯誤資訊與工作自動化都需要處理 | 風險存在，但不代表停止使用，而是要設計責任邊界 |
現在 AI 應用的狀況是什麼？
現在 AI 應用仍以監督式學習為大宗，但生成式 AI 正在快速擴張。人工智慧市場會同時存在判斷型模型與生成型模型。
吳恩達在論壇中先提到兩個重要概念：監督式學習與生成式 AI。監督式學習需要 label，也就是人先提供正確答案，模型再學習輸入與輸出之間的關係。從 2015 年起，許多 AI 應用都屬於監督式學習，例如分類、預測、辨識。
生成式 AI 則是另一種典型。ChatGPT 這類大型語言模型會不斷預測下一個字，藉此產生很長的文字回應。這個能力讓 AI 從「判斷某件事」擴大到「產生內容、草稿、程式碼與工作流程建議」。
為什麼 GPU 讓大模型時代出現？
GPU 讓模型能處理更大的資料量與更複雜的神經網路。2010 到 2020 年的算力成長，是生成式 AI 能爆發的重要條件。
從 2010 到 2020 年，AI 進入 GPU 加速的大模型時代。GPU 的平行運算能力讓模型可以學習更多資料，也讓深度學習模型有機會在圖像、語音與文字任務上取得更好的效果。
我會把這段理解成：生成式 AI 的成功不是只靠一個漂亮的介面，而是建立在資料、模型架構、算力與工程部署的長期累積上。當算力成本下降、模型能力提高，AI 應用才開始從少數專案走向大量場景。
生成式 AI 如何改變建模過程？
生成式 AI 把部分建模流程從收集標籤與訓練模型，改成設計 prompt 與快速部署。AI 應用的門檻因此下降。
以前做監督式學習，常見流程是「拿到 label 資料 -> 建模 -> 部署」。資料準備與標註成本很高，模型訓練也需要專業團隊。
生成式 AI 讓某些任務變成「指定 prompt -> 部署」。這不是說模型訓練不重要，而是很多應用不一定要從零開始客製化建模。吳恩達提到，過去很多 AI 應用可能需要 6 個月打造，現在有機會縮短到幾天內完成第一版。
我覺得這是開發者很值得注意的轉變。未來懂產品、懂流程、懂使用者問題的人，可以更快把 AI 能力包進應用程式，不必每次都從資料標註開始。
企業為什麼需要讓員工學生成式 AI？
企業讓員工學生成式 AI，是因為 AI 能力會進入日常工作，而不只留在研發部門。教育訓練會影響企業能不能找出真正可落地的 AI 場景。
吳恩達提到，企業應該賦能員工學習 Generative AI。這句話我很認同，因為生成式 AI 的應用不會只由少數 AI 工程師想出來。很多好題目反而會來自每天處理業務、客服、製造、行政與開發流程的人。
企業如果只把 AI 當成外包專案，通常很難知道哪些流程真的卡住。員工如果具備基本 AI 概念，就比較能分辨哪些問題適合用 prompt、哪些問題需要資料整理、哪些問題仍然要回到系統整合與權限設計。
生成式 AI 的應用數量會怎麼變化？
生成式 AI 的應用數量會快速增加，但不是每個應用都能長期留下來。真正能留下的 AI 產品，需要解決持續存在的工作問題。
吳恩達認為，雖然現在監督式學習模型仍是多數應用，但生成式 AI 的應用會快速增加。生成式 AI 要追上發展已久的監督式 AI 產值還有一段距離，不過成長速度很明顯。
論壇中也提到 Lensa 這類把照片變成太空人風格的 App。這種應用很容易引起短期風潮，但如果功能太單一，熱度也可能很快下降。大多數能長期被使用的軟體，都要經過時間考驗；生成式 AI 產品也一樣。
為什麼台灣 AI 還沒有被更廣泛採用？
台灣 AI 採用速度受限於建模門檻、資料準備、場景拆解與工具易用性。生成式 AI 與 low-code 工具可能降低長尾產業的導入成本。
吳恩達在論壇裡用披薩工廠的例子，說明未來客製化建模可能更像是配置一個流程，而不是每次都重新訓練模型。過去要做 AI，常常需要大量標註資料；未來某些任務可能只需要清楚描述需求、準備少量範例、設計 prompt 與評估輸出。
他也提到，廣告、搜尋這類高價值業務自然吸引很多工程師投入；但餐廳、農業、工業流程等較長尾的小型生意，對大型科技公司來說投入誘因沒那麼高。這反而是台灣開發者與產業夥伴的機會，因為熟悉現場的人更知道問題在哪。
AI stack 中最值得注意的是哪一層？
AI stack 裡的基礎架構與開發工具已經很競爭，但應用程式層仍有大量空間。AI 要真正改變產業，需要更多懂場景的合作夥伴。
吳恩達提到，AI 基礎架構與開發者工具市場已經有一些贏家，也獲得很多關注。不過他認為 AI 未來的發展重點之一會在 App 應用程式，而且這一層高度需要合作夥伴。
我會把 AI stack 拆成這樣理解：
| 層級 | 代表內容 | 導入時要問的問題 |
|---|---|---|
| 基礎架構 | GPU、雲端、模型訓練與推論平台 | 公司是否真的需要自己管理模型與算力？ |
| 開發工具 | prompt 工具、向量資料庫、AI framework、部署工具 | 工具是否能和既有資料與系統接上？ |
| 應用程式 | 產業流程、內部工具、客服、文件、預測與決策輔助 | 這個 AI 應用是否真的改變工作結果？ |
如果人工智慧會像水電一樣成為基礎設施，那真正的差異會出現在「誰能把基礎能力接到具體流程」。只會展示模型能力還不夠，能把 AI 放進日常工作的人才更關鍵。
AI 的危機有哪些？
AI 的危機包含偏見、錯誤資訊、工作自動化與社會變化速度加快。這些風險需要治理與人類判斷，而不是只靠模型自行修正。
論壇中提到幾個常見 AI 風險：
- 偏見、歧視與不正確資訊：模型可能繼承資料中的偏差，也可能生成看似合理但不正確的內容。
- 職業被自動化取代：部分任務會被 AI 接手，但要取代所有人類工作還需要很長時間。
- 資訊變化速度更快：國際化與資訊流動會變得更快，在瘟疫、氣候改變等突發狀況中，AI 可能扮演關鍵角色。
我比較傾向把 AI 風險看成設計問題。企業不能只問「AI 能不能做」，也要問「AI 做錯時誰負責、如何停止、如何驗證、如何回復」。這些問題會決定人工智慧是變成工具，還是變成新的混亂來源。
新創如何使用生成式 AI？
新創使用生成式 AI 的關鍵，是用更短時間驗證高價值場景。生成式 AI 可以降低開發初版產品的成本，但商業價值仍取決於場景理解。
論壇中提到 Bearing.ai 這家公司。這是吳恩達投資的航運預測 AI 軟體，新創能在很短時間建立特定產業的 AI 應用，正好說明生成式 AI 對開發速度的影響。
我看到這個案例時想到的是：AI 創業不一定要從最炫的模型開始，而是從一個產業裡夠痛、夠頻繁、夠有資料的問題開始。生成式 AI 能讓第一版產品更快出來，但要讓產品活下去，仍然要回到資料、流程、信任與使用者願不願意每天打開。
AI 如何形塑人類未來？
人工智慧會形塑人類未來，主要是改變知識工作、軟體開發、教育訓練與產業自動化的成本結構。人類角色會更偏向定義問題、設計流程與負責判斷。
這場 AI 大師論壇讓我最有感的一點，是吳恩達一直把 AI 放回「應用」來談。生成式 AI 很迷人，但如果沒有連到真實工作，熱潮就很容易像單一功能 App 一樣退去。
對開發者來說，未來機會不只是學會某個模型 API，而是學會判斷哪個問題值得做、資料在哪裡、流程要怎麼改、哪些地方要保留人工確認。對企業來說，AI 導入也不是買工具就結束，而是重新理解工作如何被拆解、交接、檢查與改善。
延伸閱讀
AI 大師論壇談到人工智慧演進、微軟的 AI 思考、AI Agents 與生成式 AI 職場應用，下面幾篇可以接著看。
常見問題
AI 大師論壇主要談什麼？
AI 大師論壇主要談人工智慧如何從監督式學習走向生成式 AI，以及這個轉變如何影響企業導入、開發者機會與未來工作。吳恩達特別強調，AI 的應用層仍有很大的發展空間。
監督式學習和生成式 AI 有什麼差別？
監督式學習通常需要標註資料，讓模型學會輸入與正確答案之間的關係。生成式 AI 則能根據 prompt 產生文字、圖片、程式碼或其他內容，讓某些應用不必從零開始訓練專屬模型。
生成式 AI 會讓企業更容易導入 AI 嗎？
生成式 AI 會降低部分 AI 應用的開發門檻，尤其是文件、客服、內部工具、程式開發與流程輔助。不過企業仍要處理資料品質、權限、安全、評估與人工覆核，不能只靠 prompt 解決所有問題。
AI 會取代人類工作嗎？
AI 會自動化部分任務，尤其是重複、規則清楚或可由模型輔助生成的工作。但 AI 不會立刻取代所有人類工作，人類仍需要負責目標設定、例外判斷、流程設計、品質把關與責任承擔。
台灣開發者在 AI 時代有什麼機會？
台灣開發者的機會在長尾產業應用，例如製造、農業、餐飲、內部營運與垂直領域工具。大型科技公司不一定會深入每個小場景，熟悉現場流程的人反而更容易找出可落地的 AI 題目。
AI 產品為什麼不能只靠一個熱門功能？
單一熱門功能可能帶來短期流量，但使用者會不會長期留下，取決於產品是否解決持續存在的問題。Lensa 這類案例提醒我，生成式 AI 產品仍需要回到使用頻率、工作價值與產品完整度。
參考資料
- YouTube, AI大師論壇：人工智慧如何形塑人類未來，存取日期：2026-08-28。
- 永齡基金會 YouTube, AI 大師論壇影片畫面來源，存取日期：2026-08-28。
- TechOrange, AI 大神吳恩達降臨──告訴你如何成為創新者，2023-09-26，存取日期：2026-08-28。
- TechOrange, 【ChatGPT 之父來台】Sam Altman、吳恩達重磅開講！談 AI 將如何顛覆世界，2023-09-25，存取日期：2026-08-28。
- Bearing.ai, Bearing.ai，存取日期：2026-08-28。
最後更新
本文最後更新於 2026-08-28。我在這次整理中保留 2023-09-25 的論壇心得與講者觀點，補上 GEO Answer Blocks、FAQ、參考資料、最後更新與站內延伸閱讀。
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-09-25