歲月的容顏 YingChu Chen

當各種AI工具迅速發展的情況下，大家也開始製作自己常用的工具，更進一步公開分享給大家使用，例如 Jimmy Su 就分享自製的 沉浸式翻譯工具 ，滿足一般人平時上網閱讀外文頁面的需求；進一步像是 Justin Lee  開發的 ccxray ，讓Claude Code的使用者可以監看Claude Code與Anthropic API之間的互動，使 AI Token 的消耗變成視覺化的儀表板。 為什麼做這個工具 AI 幫助許多一般網路使用者做出適合自己使用的工具，我自己也曾 分享自己的經驗 ，現在做出一個應用程式的門檻已經降低許多，AI不會讓程式設計工作消失，反而讓更多人投入這樣的工作，從這個角度看應該是好事。 我自己也用AI打造一些工作上會使用的工具，包括後來做的這個「 AI-Doc-Translator 」，這是獨立自我日常工作使用的工具的其中一個功能，做成一支桌面程式。 由於每天都會接觸到外文論文、期刊，很多PDF檔下載後，只會放在儲存空間裡，或是丟到電子書應用程式裡，但什麼時候再打開？打開還要再閱讀外文的摘要、從頭理解？這些都會消耗掉耐心，於是我讓AI先幫我摘要重點，讓我大致了解檔案內容、記錄後，再做關聯成為自己的知識庫。 這個工具主要的功能是翻譯、摘要，它不是通篇翻譯，也不是改寫作者的內容，只做摘要，長期累積起來的文件會相當可觀，就可以做成知識庫應用。人們通常在下載文件時，自己已經先篩選過資料了，也不是隨便下載，所以使用者自己就是守門員。 為什麼不用 Notebook LM 就好 當然也有很多人習慣把檔案抓下來後丟進各種AI工具，Notebook LM、各種AI Chatbot或是翻譯軟體，但我自己在使用後的心得是，因為資料量太多，Notebook LM的效能會很差，而各種AI Chatbot 在對話結束後，使用者要再找回對話記錄可能還要花時間找尋。那為什麼不平時就開始做知識庫呢？所以在翻譯、摘要的過程中，也是在建立自己的知識庫，存在某個資料夾，可以再利用各種工具來搭建。 我自己是使用 Obsidian 配合 Claudian Plugin 一起使用。在閱讀由LLM產出的摘要時，我一定會遇到無法理解的內容，就可以再使用Claudian進一步「討論」內容，或請它解釋。於是文件就不是只有文件，而是可互動性的內容，也不會只在電腦裡積灰塵。 製作「AI...

在經歷一些浪潮後，開始看到歷史不斷重複，只是每次更換不同的工具或名字。 記得自己學習 Microsoft Office 的時候，很多人排斥辦公室軟體，認為沒必要特別去學。那時候的Office在市場上還有競爭對手，選擇不只一種。但慢慢地，「會用 Office」變成找工作的加分項，許多公司願意花錢讓員工上課、請講師來開班。等到我大學畢業，會用 Word、Excel與Power Point 已是基本職能要求。 網際網路也是一樣。先不談基礎的域名與IP資源分配，在應用上，網路發展初期會架設網站是專業，是可以收費的能力。後來出現架站工具、有現成的模板服務、內容管理工具，慢慢降低架站的門檻。現在，一個使用者只要懂得使用 AI，幾分鐘就能生出一個網站，還可以快速切換版型和配色。 疫情之後，許多公司急著招募「會用 AI」的員工，但因為沒有清楚的標準，招進來的人良莠不齊，之後又陸續裁員。這個過程，跟當年搶招「會用電腦」的員工，幾乎如出一轍。 我自己也在摸索 AI 工具，做一些每天都會使用的應用程式，但我不會說自己是開發者。我也很清楚，有些人對 AI 的認識，還停留在聊天機器人的階段。進一步，可能會用用排程功能，但要做出自己的應用，感覺還是有一段距離。即使工具已經很努力在降低門檻，面對一個空白的輸入框，很多人還是不知道要從哪裡開始。 這讓我想到一件事：每一次新工具出現，都會有一門生意是幫人跨過那道門檻。教人用 Office 是生意，教人架站是生意，出版相關書籍是生意。不是每個人都需要成為專家，但每個人都需要有人扶一把。 最近常聽到有人說，AI 時代最後比的是品味、是判斷力，但品味是「用」出來的，判斷力是撞牆幾次之後長出來的，都是累積下來的經驗。回頭看那些被工具的浪潮淹沒的人，多是因為太晚決定要不要踏進去，多數人只需要工具夠用，夠用來解決自己的問題、完成自己的工作就好。 那 AI 這一波呢？ 工具每天都在更新，資訊不對稱的差距愈來愈小。當「會用 AI」也變成基本能力之後，真正稀缺的東西會是什麼？ 人類真正需要的，又是什麼？

轉變的開始 我在2023年開始使用 AI 工具協助處理工作後，逐漸把心思轉向可以使用 AI 開發的應用。最直接的是建置一個整合多國政府開放資料庫的研究平台，目的預測全球科技發展趨勢，同時我也開發一個半自動化工作流程，讓例行性的法遵工作由AI自己執行。 這樣的經驗讓我看見一個現象：從電腦、通訊、網路到人工智慧，每一波科技進步都在做同一件事—降低資訊門檻，讓人無法利用資訊不對稱剝削他人。 因為完全沒有工程師的相關背景，我在2025年底到現在開發的平台，其實一直讓我有許多挫折，可能是硬體資源不足，也有可能是軟體資源不足，還有自2023年就被引發的焦慮與挫折，非常需要與「真實的人」交流，而很感謝有一個「AI取暖會」的社群活動可以讓工程師與非工程師的人可以實際面對面交流。 孤獨與挫折 這一年多來，我也經歷很多挫折。沒有工程師背景，我在開發過程中遇到硬體資源、軟體資源的瓶頸，還有從2024年就開始累積的焦慮。最難的是一個人做決定時的無力感—我需要的不是更多教學或是引發焦慮的文章，而是有人說「我也遇過這個問題」。 直到我發現「AI取暖會」。 技術社群的力量 第一次參與時，主辦人 Jeremy Lu 分享他的個人經驗與工作方法。我學到把單一 Agent 拆成5、6個 Agents，避免不同領域知識交叉污染。第2次聚會， 一位工程師 分享怎麼用 AI 與 Figma 與客戶一起製作網站，讓 AI 成為工作坊的一員，這些是真正的實務。 這場分享也讓我想起去年在鴻海科技展看到的案例：他們開發可以在診間與醫生共用的生成式 AI平臺（用於乳癌患者諮詢用），患者與醫生間多一個提供意見的第三方角色。這才是 AI 應該被使用的一種方式。 我的分享與未完的對話 參與2次後，我決定主動分享 自己的經驗 。站上台前我很害怕，畢竟我離開網路治理社群已經有一段時間，很久沒公開分享自己的經驗，而昨天的分享定位只有實務經驗，沒有複雜的技術或是實務展示。 現場工程師問我的問題很有意思：不是「你怎麼做到的」，而是「責任歸屬是誰」、「使用資料的規定與限制是什麼」。這說明了一件事：技術問題的背後涵蓋公司治理問題。 但我也意識到有些重要的東西沒有回答完整，特別是安全性。 沒完的答案：安全 前幾天發生的 Axios供應鏈安全事件 讓我很憂慮。我的平台串接開放政府資料，但我看不出來哪個API裡有什麼後門。AI 會執行使用者...

歐洲資料保護委員會（EDPB）在2026年2月發布的刪除權調查報告，給我一個很難忽視的數字：他們聯合調查了將近8,000家企業，回應率不足一成。 這個數字不只是個資法遵落差的指標，它更像是一個訊號：當監管機關開始大規模橫向調查，沒有回應不代表豁免，代表的是還沒輪到你。 更讓我在意的，是這場調查背後的制度性涵義。EDPB首次明確將備份系統納入刪除義務範圍，這意味著企業不能再把「刪除」當成一個資料庫指令的問題，而必須把它理解成一個系統架構問題。這一步看起來是資料保護法的問題，但它實際上開始觸碰AI系統設計的核心：一個以個人資料訓練的模型，要怎麼「刪除」某一筆資料的影響？ 這正是我想在這篇文章討論的事：三個原本分開運作的監管領域——競爭法、資料保護、人工智慧監管——在近年間，已經開始彼此滲透，形成臺灣中小企業難以用過去的法遵邏輯應對的複合壓力。 競爭法：從行為合謀到架構審查 全球反壟斷執法在過去一年發生了一個根本性的轉變，而它的影響遠比多數企業意識到的更廣。 過去的競爭法問題大多有一個清楚的前提：企業之間是否彼此溝通、達成協議。現在這個前提正在鬆動。美國加州的反壟斷法在2026年1月修訂後，正式將「競爭對手共同使用同一定價演算法」納入審查範圍，即使業者之間沒有任何直接溝通，只要共享了同一套系統的輸出結果，就可能被認定為形成協同定價的制度環境。 這個轉變的理論基礎來自稍早的RealPage租金案：多家房東將非公開的即時租金資訊提交給同一平臺，平臺以演算法生成建議租金。法院的判斷是，不需要租東彼此達成共識，這個「共同使用同一個資訊中介」的架構本身，已經可能構成協同定價的條件。 紐約州對Instacart演算法定價機制的調查，和歐盟對Google AI內容抓取的反壟斷調查，都在同一個方向上進一步延伸。歐盟這個案子格外值得注意：Google被指控在未取得授權的情況下，以爬取網路出版商內容的方式訓練AI模型並生成搜尋摘要。這是競爭法第一次正面觸及AI訓練資料取得的合法性問題——從反壟斷法的角度，不是從著作權法。 對臺灣企業的直接影響在這裡：如果你的公司使用第三方定價工具、需求預測平臺或市場分析服務，你需要知道這些服務是否同時服務你的競爭對手，以及這些系統是如何處理競爭敏感資訊的。這不再是IT部門的採購決策，而是一個具有競爭法風險的經營選擇。 歐盟《數位市場法》（DMA）和英國《數位...

如果有長期讀這個Blog文章的人，應該覺得我很久沒寫文章。在2024年結束時，我寫了 當時的使用心得 。想不到隔了一年，尤其是Google在 2025年第四季推出一系列應用工具後，我從10月到目前為止，使用更多的應用，自己練習用AI工具開發工作上需要的工具，以往概念裡的東西，可能需要藉由工程師才能實現，但現在透過這些AI工具，我也可以自己在與聊天機器人的互動中，一步步，緩慢的實現概念中想完成的事物，目前都是最小可行階段，但對我來說已經是很大的一步。 這段時間也讀了幾本書、聽了一些研討會，從前輩與長官們的分享中，逐漸感受到未來年輕世代可能面臨的壓力與不確定感。同時，在目前 AI 所引導的發展趨勢中，也可以觀察到高度仰賴菁英人力來加速技術進展的現象，這樣的發展路徑在提升效率的同時，也逐漸浮現弱勢族群在參與與受益上的潛在落差風險。 AI 工具逐漸取代部分 Entry-level 的工作內容 我曾經分享過在 2023年初 的一個交辦事項，我必須在短時間內聽12場研討會錄音並做成摘要，那時我還沒開始用ChatGPT，應用過往參與網路治理論壇、線上會議的經驗，一邊聽錄音一邊摘要與翻譯。交辦是有時限的，遇到有嚴重口音的討論時，我必須花至少4天才能翻譯與摘要好一場討論，沒有口音的討論，大概半天到1天就可以完成。中間試過抓字幕檔、轉出字幕檔再用Google Translate去翻譯，一直到出現ChatGPT，就算與現在比起來更容易產生幻覺，但完全提升工作效率。 在沒有ChatGPT前，都要靠自己去完成這些工作，於是在那段期間裡，我等於在密集的補充各種競爭法的相關知識、過往案例、為什麼主管機關會這麼決定、執法人員的考量是什麼，這些完全顛覆我過去在網路治理或是倡議開放資料的經驗。 在日常工作中，可能會注意在摘要的結果與知識，而過程中的這些工作可能都被稱為Entry-level的工作，由實習生、新進人員做的聽會議錄音、整理會議記錄，現在都可以被AI工具取代，有些人使用Google Notebook LM整理會議記錄，再搭配一些資訊就可以產生內容豐富的文章，有些可能還會再加上其他的研究報告、資料去增加更多的內容，或是利用ChatGPT/Claude/Google Gemini等對話介面做出各種成果，或利用Canvas、Napskin....

前言 這篇文章想和大家分享我對台灣 AI 政策的一些觀察。未來我還會整理其他國家的案例做比較。不過先提醒大家：這篇的資訊量不算太低，文章提及一些日常生活中不常接觸的政府計畫名稱、大筆預算金額與目標數字，乍看之下會讓人覺得很抽象。 對我來說，這些數字背後傳達的訊號很清楚──台灣政府確實願意投入大量資源在 AI 的產業發展與人才培訓。問題是，這些投資如何真正走到民眾與企業身邊？如何讓公司知道「資源在哪裡」、讓人才看見「機會在哪裡」？這條「最後一哩路」會決定政策成效，也才是和你我最相關的地方。 為了解台灣就業市場的實際需求，我偶爾會瀏覽人力銀行網站。有次看到某家公司在招聘條件中特別要求面試者在面試時分享「自己使用過哪些 AI 工具，以及如何使用」。這讓我注意到：AI 已經被視為職場的基本能力。 在日常生活中，AI 已廣泛應用於工作與個人任務。雖然部分單位仍不鼓勵員工使用，但只要有清楚的界限與正確的態度，AI 工具能有效減少重複性工作，把精力留給更有價值的任務。想像在學校寫報告，老師要求必須說明 AI 工具是怎麼幫上忙的；或在公司加班時，主管要求用 AI 快速整理資料。這些情境都不再是未來，而是現在。 我撰寫這篇文章的原因有二。首先，是因為參加 Anthropic 的 AI Fluency for Students 課程，課程內提到的 4D 概念對學生、新鮮人乃至現在於職場受到 AI 衝擊的世代都很有幫助。如果我是面試官，我會希望求職者能理解並應用這些觀念。其次，是我長期關注各國 AI 政策，想藉此分享觀察成果。這些分析大多是透過 AI 工具分析政府公開資料而得，也讓我更相信 AI 是研究工作人員的得力助手。  以技術與產業發展為核心的台灣AI政策 台灣的 AI 政策並不算落後。除了大家熟知的 DIGI+，政府陸續推動了「臺灣 AI 行動計畫」（2018–2021）以及「臺灣 AI 行動計畫 2.0」（2023–2026）。政策重點主要在產業發展與人才培育。 從預算來看，2025 年度 AI 行動計畫 2.0 編列經費最多的前三個部會為：經濟部、國科會與數位發展部；2026 年（115 年度）未核定的預算書顯示，數發部、經濟部與國科會仍是主要資源分配單位。大部分經費用於應用與普及，例如開發 AI 便利工具、藥物開發驗證平台等。 產業發展 台灣經濟結構仍以製造業為主...