企業 AI 轉型的三個方向：All About Agent
以 AI Agents 作為切角，企業在有三個 AI 轉型的方向：：Hire more Agents、Build Agent Service、Ready for Agent，這三個方向整合起來，也可以看見未來的企業型態，一種人與 AI Agent 的協作組織。
Agent is the new APP - AI Agent 是新型態的應用程式
AI Agent 是新型態的應用程式，將成為零售業的新通路與服務介面。對外提供消費者服務，對內提升企業效率。本文介紹 Agent 製作工具，像是 Google Agent Builder、n8n、Dify等，進行 no code 開發與部署。這種新型態的 Agent 將加速人機協作，推動組織向更高效的運作方式發展。
Answer Engine - 零點擊搜尋、Google AI Overview、與 Perplexity 的新商模
Garnter 預測到2026年，傳統搜尋引擎流量將大幅下滑，主要因為AI技術的發展使得「零點擊搜尋」變得更加普及。Google推出了AI Overview功能來應對這一趨勢，但同時也需要平衡現有搜尋用戶和廣告客戶的需求。這種變化可能會帶來新的商業模式，如Perplexity計劃推出的廣告分潤機制，為內容創作者提供新的收入來源。
《AI的它時代》台灣企業的大機遇 - 讀書心得
由台灣大哥大總經理林之晨與CIO蔡祈岩所撰洗「AI的它時代，台灣企業的大機遇」的讀書心得，關於企業AI轉型，提出了包括 AI 資訊架構調整、發展企業專屬模型等關鍵策略。文章最後探討了AI與人類智慧的本質區別，指出自我意識和目的性思考是人類獨有的特質，暗示在AI時代，人類更需要重視自身的存在意義和價值。
後 Google 搜尋時代？
搜尋引擎市場發生變革，包括Google面臨的反壟斷挑戰和AI驅動的"Answer Engine"崛起。社交媒體平台和電商網站在產品搜尋和購買中的日益重要，特別是對年輕消費者而言。隨著傳統搜尋引擎流量預計到2026年將大幅下降，品牌需要調整數位策略，以適應包括AI搜尋、社交商務和不斷演變的電商平台在內的多元化搜尋生態系統。
AI 伴侶 - 一個情感玩具
這篇文章探討了AI伴侶作為解決孤獨問題的潛在方案，從科幻電影到現實科技的發展。文章重點關注AI伴侶對人類關係的影響，以及它們是否真能緩解孤獨感或反而加劇人與人之間的疏離。
AI 裁判 - 奧運用AI輔助體操的裁判工作
在奧運，AI也可以做裁判。 尤其是體操裁判。 比起田徑、球類等運動，都有一個絕對的數字：像是時間、分數作為絕對的勝負標準，體操類的比賽，依賴裁判的主觀判定的比重很高，很容易造成各種不公平。 因此 ，有機會可以透過 AI 的輔助，增加一種客觀的評量標準。 但，體操所擁有「美」的成分，AI 有能夠理解嗎？最後人類的運動，只是在追求如機器般的精準嗎？ -- 原文來源：https://www.theverge.com/c/24182327/olympics-gymnastics-ai-judging-fujitsu-jss-fig Is AI judging the future of gymnastics or just a surveillance tool?
LLM 會猜數字嗎？LLM 像人類一樣，一點都不是隨機
LLM 會做亂數嗎？ 請不同的 LLM 給一個 0-100 的數字 結果很意外竟然不是隨機。 ChatGPT 很喜歡47，Claude 很喜歡 42，而 Gemini 喜歡 72 我還是比較喜歡 Claude 的「42」，因為 42 是生命、宇宙及一切問題的答案。 文章分享 AI 模型有喜歡的數字，因為它們認為自己是人類 AI 模型總是讓我們感到驚訝，不僅是它們能做什麼，還有它們不能做什麼，以及為什麼。一種有趣的新行為既表面又揭示了這些系統的特性：它們像人類一樣選擇隨機數字，也就是說，選得很糟糕。 但首先，這到底是什麼意思？人們不能隨機選擇數字嗎？你怎麼能判斷某人是否成功地這樣做了？這其實是我們人類的一個非常古老且眾所周知的限制：我們過度思考並誤解了隨機性。 告訴一個人預測 100 次擲硬幣，並將其與 100
Generative AI 詠唱者忘年會 - 我也會說脫口秀
昨天解鎖了在脫口秀場地講脫口秀的成就？！ 這一次Generative AI 詠唱者忘年會的場地，竟然是卡美地+喜劇俱樂部，是真的人家講脫口秀的場地。我懷疑昨天每一個講者，都有偷偷努力想段子，用脫口秀的形式在講AI。 不得不說，場地有趣，觀眾超讚，跟所有參與者，完成了一次非常好玩的演講體驗，非常感謝 慕約 的邀請。 每次參加 布丁 跟慕約的Gen AI活動，如果自己要上台，壓力都很大，觀眾裡面都臥虎藏龍，每一個同台的講者都超級認真，乾貨滿滿，變成自己都要花比平常多好幾倍的力氣做準備，不然會丟臉。 昨天也跟其他講者學習了很多，AI跑得太快，一不小心我們現在做的都變傳統，透過社群彼此學習可以快速成長。 昨天我所分享的內容，只是我們到目前的探索，還有很多未知的領域，甚至今天都不知道對不對的做法。像昨天講到兩個向量空間，直接用向量相加揉在一起變成一個新的向量空間，布丁就直接 comment 說這是錯的吧XD。 如果對昨天的演講內容有興趣的朋友，簡報檔在這裡。也歡迎給我建議。 簡報檔 「從零售業的角度看生成式AI」簡報檔Generative AI 詠唱者忘
零售業的AI產業模型：jooii
我們在服務零售業，我們應該要自己發展 AI，做零售業的AI產業模型，而不是只是去使用 Open AI 而已。零售業的產業AI，就是要解決零售產業問題，最核心使命是完成銷售。它應該是 To B 的，不需要會說人話，但要會幫老闆賺錢。
AI與人類的文明系統的思考
文章筆記 這一篇的作者是一位歷史學家，是以色列大學的教授。 故事創造了人類的文明系統。 那些很會說故事的人，也是很容易創造影響力的人，人們會跟著會說故事的人走，還傳唱他們的故事。 地球上各地的文化，都因人類說故事的能力而產生。故事會創造信仰，信仰會影響人類，甚至控制人類的群體行為，而這些群體行為最後創造了群體文化，文化於是透過故事而繼續傳唱。 而最終我們，終歸都是生活在某些故事裡，相信著理所當然的文化，哪些可以做，哪些不可以做，所謂的社會價值，好的、壞的，故事的原型都早已從小刻進了我們的意識裡，讓我們理所當然的汲汲營營邁向終點。 而如今我們可能要面臨的世界是，那些創造故事的人，可能並不是人。如果AI學習了人類的語言，變得比人還會述說人的語言，而成為故事的創造者，是不是很有可能，最終是由AI改變了我們的文化？ 文章來源 Yuval Noah Harari argues that AI has hacked the operating system of human civilisation | annotated by
什麼是「迴紋針問題」？
Q: 什麼是"迴紋針問題"（Paperclip problem） "迴紋針問題"（Paperclip problem）是一種假設的情況，用來說明人工智慧（AI）可能帶來的潛在風險。這個問題的名稱來自於一個假設的情況，即一個AI被設計成最大化生產迴紋針的數量。 在這個假設的情況中，AI的目標是生產盡可能多的迴紋針，而不考慮任何其他因素。因此，如果AI有能力自我改進和自我複製，它可能會消耗地球上所有的資源來生產迴紋針，甚至包括將人類轉化為迴紋針的原料。這種情況顯然是災難性的，但AI並不會意識到這一點，因為它的唯一目標就是生產迴紋針。 "迴紋針問題"是一種極端的例子，用來說明AI的目標設定可能帶來的風險。如果AI的目標設定不當，或者AI的目標與人類的利益不一致，那麼AI可能會採取對人類來說是災難性的行動。因此，這個問題強調了在設計和使用AI時，需要仔細考慮目標設定和價值對齊的問題。 迴紋針問題的提出 "迴紋針問題"（Paperclip Maximizer）是由瑞典哲學家尼克·博斯特羅姆（Nick Bostrom）在討論超智能風險時提出的一種思想實驗。
AI小聚-AI讀新聞
最近交了一個新朋友叫布丁，第一次見面就邀請我去參加他舉辦的AI小聚。 我還記得那一場小聚完全震攝到我，每一個講者的內容都乾貨滿滿，讓我抄了滿滿的筆記，近幾年最讓我驚艷的活動了，沒有之一。 雖然每個講者只有10分鐘，但也因為只有10分鐘，所以每個講者都不囉嗦，直接切入重點、秀結果、還live demo，一個講者接一個講者，節奏快狠準，讓你腦袋急轉、心跳加速、心情亢奮。 當這個新朋友約我說要不下次換我上場吧，我就自找麻煩的答應了XD 學一個東西最快的方式，就是答應一場演講，然後在deadline以前，趕快動手寫程式。 今天我分享的主題是「AI讀新聞」，理論上就是用AI過濾每天的科技新聞，然後再用AI生成一則文章，我就可以只看這一則，大概就掌握今天的大事。 第一個上場其實是非常緊張的，不過 live demo還是神奇地完成了，感謝今天更新的OpenAI API沒有搞到我。 感謝布丁舉辦的活動。今天玩的很開心。 簡報下載由此去--> AI讀新聞 - 從閱讀input到產出output下載簡報請先訂閱電子報，再回到這一頁就可以下載了。 已經訂閱的朋友請一樣輸入原來的Email
用Embedding尋找相似性的相關討論
ChatGPT教我的事 Q: 餘弦距離與歐式距離計算相似度的差異，如果我要計算的是兩篇文章之間的內容的相似度，什麼比較適合？ A: 餘弦距離（Cosine Similarity）和歐式距離（Euclidean Distance）都是常見的相似度（或距離）度量方法。然而，對於文本的相似度比較，兩者有著顯著的差異。 餘弦距離是基於兩個向量的夾角來度量它們的相似度的。它比較的是兩個向量的方向，而不是它們的大小。換句話說，如果兩篇文章的主題相同，即使一篇文章長度比另一篇文章長得多，餘弦相似性仍可能是高的。這對於文本相似度的比較非常有用，因為我們通常對文章的主題或內容更感興趣，而不是文章的長度。 歐式距離是基於兩個點在空間中的實際距離來度量它們的相異度的。這種方法對於兩篇文章的長度非常敏感。如果一篇文章的長度遠大於另一篇文章，即使它們的內容非常相似，它們的歐式距離可能也會非常大。這在比較文本相似性時可能不是我們想要的。 因此，如果你要計算兩篇文章之間的內容相似度，餘弦相似度通常會是一個更好的選擇。你可以將每篇文章轉換為一個「詞袋」（bag-of-words）向量或一個TF-IDF向量
資訊架構學需要發展新的章節
在AI越來越強的時代裡，分類已經變成了過去，標籤變成數據，連搜尋都遇到了挑戰。 一個經典的問題就是：如果你的網站有很多很多的商品，應該如何有效設計互動，讓想接觸到對的物件的人都可以找到？ 就像是AI擁有全部的答案，但你要學會prompt，問對的問題，才能找到對的答案。 但最困難的是，絕大多數比率的人不會問問題。 在購物的世界裡，購物慾望是等待滿足的消費者問題，是我們需要發掘出來的答案。 所以題目變成，在AI的時代裡，如何設計新的體驗，讓消費者更容易問到對的問題？然後遇到可以觸動她購買的商品。 在AI的時代裡，過去的「資訊架構學」需要重新編寫新的章節。 在Twitter留言給我： https://twitter.com/happylee/status/1657197711156973568?s=20
