關於 邊際成本 題目 ，我們在網路上蒐集到這些相關的討論、資訊與評價

#島讀回顧 #人工智慧

今年島讀網站被搜尋最多次的關鍵字是「人工智慧」（AI）。

人工智慧近年的發展迅速，許多領域都能看到其應用。

島讀今年一篇《機器學習 — 知識工作者的未來》，以「文字產生器」GPT-3 討論人工智慧，獲得不少會員迴響。

---

寫論文很痛苦。有些人痛苦到整份照抄別人的論文。現在出現一線曙光，美國 OpenAI 公布機器學習模型 GPT-3（Generative Pretrained Transformer），堪稱是「萬用」的文字產生器。最近 GPT-3 開始封測，推出 API，更在矽谷引發轟動。目前已知有人用 GPT-3 寫程式、請牛頓解釋地心引力、回答醫學問題、摘要文章，甚至寫詩。

先說 OpenAI。OpenAI 是一個非營利組織，贊助者包括 PayPal 創辦人 Peter Thiel、Elon Musk 與 Salesforce 創辦人 Marc Benioff 等。其使命是確保通用人工智慧（Artificial General Intelligence）將用於服務人類，而非迫害人類。

GPT-3 則是其開發的語言生成模型，第三代的「文字產生器」（島讀去年討論過第二代）。使用者輸入一段文字，它就會生出下一個字，再繼續生出下一個字，不斷重複下去，直到人類喊停或是達到約 1,000 個英文字為止。例如我輸入：「天下分久必合，合久必 ___」，GPT-3 大概會預測下一個字是「分」。

如果我沒喊停，也沒有設定明確的任務，GPT-3 就會繼續生成下一個字，寫出一段故事或一篇文章。

或許你會問：「世界上文字千萬種，GPT-3 怎麼知道要寫論文或小說呢？」

這就是 GPT-3 驚人的地方：它是通用模型。只要使用者稍許提示，它就會自動調整輸出內容類型，不需要使用者另外精調（fine tune）。就像一個真的有用的 Siri，不管你丟什麼任務，只要是文字，它都接得下來。

例如有人簡短的提示（prompt） GPT-3「用 19 世紀作家 Jerome k. Jerome 的語氣寫一篇關於 Twitter 的文章」，GPT-3 就生出相當完整的作品。

只要是需要文字的任務，不論是回覆 email、寫新聞稿、翻譯外文、「翻譯」法律術語、編吉他和弦，甚至是寫程式，GPT-3 都能做得還不錯。一篇網路文章《GPT-3 可能是比特幣以來最重要的創新》更是格外轟動，因為讀者讀完才發現整篇都是 GPT-3 寫的。

相較於 GPT-2，GPT-3 效能是「暴力式」的飛越性成長。換言之，GPT-3 的基本架構與 GPT-2 幾乎一樣，只是參數由 15 億增加到 1,750 億（117 倍），但效果隨之大幅成長。這讓矽谷圈精神為之一振，因為代表機器學習仍可以透過擴大規模來成長。

雖說使用成本也等比增加 — 訓練一次 GPT-3 需要 460 萬美金 — 但能用錢解決的都是小問題。目前已知人類大腦的突觸約 1 百萬億個（100 trillion），是 GPT-3 的 1 萬倍。許多人不免幻想如果再來兩次升級 100 倍（共一萬倍），是不是就能逼近人類大腦了？

有成本就需要收入。OpenAI 現在提供 API，就是為將來商業化營運作準備。其他雲服務商如微軟、AWS、Google 也都開始提供機器學習「模型即服務」（Model as a Service, MaaS）。這大致可分三種應用：

● 垂直情境，簡單但量大的工作：如辨識異常、偵測錯字、回覆 email、回答客服基本問題等。這有點類似聘僱國中生實習，但聘雇的是無限個實習生。
● 垂直情境內，困難但狹隘的工作：以 AlphaGo 為代表。它打敗所有人，但只會下圍棋。
● 不限情境，多樣性比正確性重要的工作：以 GPT-3 為代表，如虛擬秘書、虛擬陪伴（《雲端情人》）、發想劇本、草擬程式碼、撰寫科技分析電子報（咦）等。

MaaS 固定成本高，因此會傾向集中於大型平台，特別是擁有資料的企業，如 Google。邊際成本現在也很高，但應該會逐漸降低，因此有利於擁有最多客戶（用量）的企業，如 AWS、微軟。

目前 GPT-3 率先大步起跑，將引發其他企業加大投資。其他企業需要差異化，因此會開發封閉的模型；GPT-3 則會是開放或開源的形式。同時，週邊的企業也需要開發工具，形成生態圈。例如目前運算的延遲嚴重，因此雲端的速度必須跟上。有更多相容的 app 提供更精準的提示，才能發揮 GPT-3 的價值。
⠀
想知道文章對 GPT-3 的原理、隱憂的討論，歡迎試用島讀的 1 元訂閱方案：https://bit.ly/3myOL0D

---

更多人工智慧內容：
[Podcast] 從邊緣挑戰雲上的人工智慧｜特別來賓耐能智慧創辦人劉峻誠（公開）
https://apple.co/2WrmCgC
臉部辨識 — 30 億張照片的資料庫｜執法機關熱烈採用｜三條路線（會員限定）
https://bit.ly/3p791an
蛋白質的 50 年難題｜AlphaFold 遙遙領先｜諾貝爾獎在望（會員限定）
https://bit.ly/2LSzIBt

去年的七月份讀了MIT 贈送的書 “The business of Platforms"， 因為今年出了中文版 “平台策略”，所以揪公司裡面的主管們一起讀起來。其中一位同事讀完之後，覺得很不錯，但認為以平台策略來說，他要介紹我這一本 “Competing in the age of AI" 搭配閱讀。

如果說“平台策略”一書是從現在市場上已知案例中，分析平台生意模式的種類和當中的盲點，那 “Competing in the age of AI” 就是像是告訴你，整個生態和遊戲規則朝著平台模式轉變時，組織該如何調整自己的體質，對於分工的思考，還有對於AI 的期待。之所以講AI 的書籍會跟平台有關，也是因為AI 要真的落實在行業中，也必須是用平台的商業模式才有可能規模化。

兩本書都有講到平台的種類和可能的盲點，例如基本的網路效應 （network effect)，叢集（Clustering），跑單 （disintermediation，就是媒合買賣雙方後他們直接聯繫不再需要中間的平台了） 或是多歸屬 （multi-homing ，例如一間餐廳同時使用 Food Panda 和 Uber eats)，等等。我喜歡這本新書不只是因為他很務實地分析公司的組織規劃以及IT 系統如何搭配，更是回到一個基本的問題： “公司”，這種近代歷史才有的組織形態，為什麼會存在。而在AI 世代中，公司要如何質變才能持續地帶出預期的價值？

簡單來說，公司的存在除了讓資本運用更有效之外，理論上因著結合許多人分工合作的力量，可以創造出運營模式 （Operating model) 而帶出三個優勢：
（1）Scale 規模
（2）Scope 範疇
（3）Learning 集體學習

在工業革命世代可以看出公司大量生產帶來的經濟規模，以及公司可以觸及的範圍 （想像製造業面對許多不同種類的供應商），並且因著持續運營學習而不斷優化，進而提高競爭的門檻。但是在資訊世代，即使許多行業還是有實體的產品或是服務，其中所產出的資訊也是重要的一環。在資訊化的產業中，複製資訊的邊際成本趨近於領，資訊也讓跨產業變得容易 （谷歌是搜尋引擎還是最大廣告商？），同時AI 當中的機器學習能力更是前所未見的強大，因此要如何體現 scale/scope/learning 的優勢，就需要不同的思維。

書中說到公司組織內部就可以開始用定義 API 的方式，讓團隊之間資訊交換更透明有效率，不想過往Silo的分工方式。同時，真的能夠實現的AI 目前還是屬於 “弱 AI" (weak AI)，就是從數據中看出行為模式和極有效做簡單分類與判斷的。而電影中那些超強的虛擬助理，或是能夠真正創作的AI, 屬於 Strong AI，可能還有一段時間是在有限的情境當中使用。書中最後提到 "AI 生產線” 的比喻，真正發揮資訊邊際成本趨近於零的強大威力！

所以人在組織當中的價值是什麼？可以思考邊際成本趨於零的時候，公司的服務或產品到底是如何創造和擷取價值的。可以跨界思考現有的東西會如何與其他領域產生關連。更重要的是，如何定義需要機器學什麼，如何使用AI去嘗試得到新的洞見。

擁抱學習AI才能思考它如何成為你的工具。機器要提供 “正確”的答案不太難，但這個“正確答案”是否有價值，是看那個訂題目的人是否知道怎麼定義問題。

前一本書 "The Business of Platforms" 的中文版："平台策略：在數位競爭、創新與影響力掛帥的時代勝出"
https://www.books.com.tw/products/0010850360

書評：https://dushuyizhi.net/the-business-of-platforms-平台生意學/

全文與書中示意圖在部落格中👇
https://dushuyizhi.net/competing-in-the-age-of-ai-%e4%ba%ba%e5%b7%a5%e6%99%ba%e6%85%a7%e4%b8%96%e4%bb%a3%e7%9a%84%e5%8b%9d%e5%87%ba%e4%b9%8b%e9%81%93/

#Platform #AI #Businessmodel #OperatingModel. #人工智慧 #平台策略