自生成式 AI（Generative AI）於 2022 年 11 月正式與大眾相見以來，在短時間內改變人們在教育和多種工作場域的行為模式，從萬事問 Google 的關鍵字檢索，到現在能用符合人類日常溝通的對話方法，來與生成式 AI 進行互動，過往需要人類花費大量時間才能理解的文本，乃至構思複雜情境的思維架構，如今生成式 AI 都能在掐指之間提供快速的協助，使用者也能根據自身需求，透過適當的提示設計(Prompt Engineering) 引導生成式 AI 往期待的方向成長，使其有能力更準確地回應我們的問題。然而，凡是有操作過生成式 AI 的使用者，都不免遇過其答非所問，即使是提出有確切答案的命題，往往仍會出現不著邊際、胡亂瞎扯的話術式回應。
生成式 AI 的迅速發展為人們帶來了無限想像，期待只要給予大量資料訓練模型，就能在多領域應用中協助決策與解決問題。此大型語言模型（Large Language Models, LLMs）造就出一位堪比愛因斯坦等級的大師，有著高智商(IQ)，憑藉著強大的記憶力、分析力、創造力，能夠歸納推理(Inductive Reasoning)，舉一反三，甚至移花接木，產出異想不到的創意。然而，為何聰明如此，儘管回答問題時展現了邏輯清晰的脈絡，但實質上卻顯得空泛且重複性高?
過度的期待往往讓人們忽略了一個原則 —「聰明」跟「資訊」是兩件事。古人的智慧『千金難買早知道』、『秀才不出門，難知天下事』，清楚地告訴我們，再聰明的人，也不可能無所不知，無所不能。沒有對當下情況的了解，缺乏適時的情報，生成式 AI回答時就只能空洞的論述而無法產出反映現況的洞察，進而協助人們做出正確的決策。
ai透過大型語言模型訓練展現強大的創造力與推理能力。（圖片由recraft.ai生成）
生成式 AI 萬能，但缺乏數據則萬萬不能
以目前的技術，當你向 Chat GPT 展示了一個人倒臥地上，雙手抱著心臟痛苦的畫面，並詢問發生了什麼事，ChatGPT 能根據過往它所訓練的資料，判斷這個人可能是心臟病發作。生成式 AI 主要透過歸納推理來運作，藉由龐大的運算力與巨量數據的學習，由特定範例進行歸納概率化以生成新內容。它擁有有如人類般辨識與回覆問題的能力，針對一般事物的摘要、論述或判斷是可以提供一定智能水平的滿意度，但也伴隨著不確定性。當要下關鍵決策（Mission-Critical Decisions）時，則往往因為缺乏當下的資訊，無法提供精準可靠的執行計畫，因此對這類的 AI 應用，生成式 AI雖能夠提出參考建議或想法，但終究因沒有具體行動方案，無法作為人們最後的決策依據。
（相關報導：
ASML財報暴雷嚇壞市場！財務長這段話有貓膩 分析師：AI需求恐是假象
｜
更多文章
）
以即時數據賦能，成為具有決斷力的 Actionable AI
如果希望生成式 AI 能從目前被動論述的角色轉化成有行動力的 Actionable AI，則需要取得當下的資料，包括背景、相關專業資訊以及即時周遭訊息。這些資料不是用來訓練或再訓練(refine) 模型的，而是用來回應現狀、限縮範圍、引導推理。雖然近來學界、業界提出不少架構，我們以「擷取增強生成」（Retrieval-Augmented Generation，RAG）架構為代表，使其能夠連結外部數據源如向量資料庫(vector database)、知識圖譜(knowledge graph)、搜尋引擎(search engine)等，提供即時數據擷取，當檢索到具體且相關的資訊時，AI會使用這些資訊來做出更精確且符合上下文的決策，將其應用到當下情境中以得出結論，此時AI的回覆會變得具體並具有行動力。
數據和生成式ai藉由擷取增強生成將能夠從目前的被動論述轉化成有行動力的 Actionable AI。（作者提供）
RAG 架構會幫助 AI 從外部數據生態中擷取當前場景相關的數據，做出行動方案，比如這位心臟病病患的附近是否有設有 AED（Automated External/electronic Defibrillator 自動體外心臟去顫器）、是否有警衛或救護車在附近。當這些即時、多元的資訊被整合進來後，AI 就不僅僅是告訴你這個人可能心臟病發作，而是會引導你找到最近的AED，或者告訴你附近有誰能幫忙，包括如何聯繫救護車等，能基於具體的、即時的數據給出可執行的建議，讓使用者能夠在危急時刻做出正確的行動。 從這個意義上說，生成式 AI 是運用歸納推理來創造和概念化，而 RAG 則在檢索過程中，以化繁為簡的方式層層找出特定資訊來完善整體效果，用具體的最新資訊來建立生成過程，以改進和支援 AI 的輸出。這可以說歸納推理(Inductive Reasoning)與演繹推理( Deductive Reasoning)完美結合所發展出真正的智能。
ai未來將能夠用於智慧醫療。（圖片由recraft.ai生成）
另一個例子，目前的生成式 AI 能根據過往的旅遊數據，如消費者瀏覽偏好、歷史旅遊紀錄等，來推薦下一個旅遊目的地、住宿和活動，然而，牽涉旅遊選擇的背後因素五花八門，如果能導入RAG架構，系統便能即時檢索並整合多種與旅遊相關的即時資訊，假設消費者打算安排接下來的聖誕假期，卻不知道可以去哪個城市，RAG 能綜合檢索最新的機票價格，了解哪個城市的航班正在特價；從天氣預報判斷哪個城市適合戶外活動還是室內參觀；該城市哪一家五星級飯店正在進行限時促銷、當地即將舉辦的演唱會票券剩餘情形，以及匯率變動情況，建議消費者在匯率有利時兌換貨幣或調整行程以節省成本，RAG 能將這些方方面面的即時資訊融入推薦系統中，提供消費者更靈活、個性化、考慮周全的旅遊建議。
擷取增強生成（RAG）將進一步顛覆既有的推廣行銷模式。（圖片由recraft.ai生成）
Actionable AI 的前提 — 數據民主化
生成式 AI的不斷精進，使得人們在工作或學習中，無論其技術背景如何，都能輕鬆透過雲端AI 服務使用事先訓練好的模型。「AI for Everyone」是令人期待的願景，只是AI模型再強大，當缺乏即時、可用、有用的資訊時，它就像空有高智商卻無法做出有效決策的大師。隨著物聯網快速發展，龐大且無所不在的數據正不斷的產生，掌握數據，才是有效運用 AI 的關鍵。然而，數據資產、數據隱私與個資保護等議題讓許多數據擁有者不願分享數據，這為數據獲取帶來了層層的障礙。同時，儘管能夠取得數據，如何有時效地準備可用數據仍是實務上的難題，一個又一個的數據孤島缺乏串聯，源源不絕的活數據也讓使用者在清理和整合上遇到極大挑戰。這種封閉的數據環境阻礙了數據的廣泛應用，限制了生成式 AI 的潛能發揮與決策能力。
要讓 AI 從抽象推理轉變成「具行動力的AI」（Actionable AI）並解決實際問題，我們積極推動數據民主化（Data democratization）。這需要建立一個開放、跨領域、跨平台的數據共享生態，讓即時、無所不在的數據變得隨手可得、隨時可用。使用數據應該像使用電腦一樣簡單方便。當多元且高品質的數據能被有效提取、共享和分析，AI 才能根據最新、最相關的資訊，提出真正可行的解決方案。
總結來說，實現具行動力的AI不僅依賴技術創新，更在於數據治理與共享模式的革新。數據民主化賦予了企業和個人靈活使用和應用數據的能力，讓數據成為人人可用的寶貴資源，更成為推動AI賦能未來的關鍵。這不僅能改變個別產業，還促進 AI 在各行各業的深度應用，更推動整體數據生態的進步。
