Fortune /Grok整理：
進入2026年，企業界對人工智慧（AI）的最大新年決心是實現投資報酬率（ROI），歷經三年實驗與大量支出後，在AI泡沫疑慮升溫之際，高層主管正面臨更大壓力，必須證明AI投資能帶來實質回報。

Gartner預測2026年AI應用軟體支出將激增至近2700億美元，過去一年企業每位員工平均花費590至1400美元於AI工具，但多數試點尚未產生價值，甚至有報告指95% AI試點零回報。CFO注重成本控制，CTO追求創新，內部統整挑戰浮現。
預期2026年大多數企業在AI應用方面仍難以廣泛實現ROI。

黃仁勳接受訪談指出，電腦將徹底轉型，從由人類來進行編程，轉為在人類給予其大量監督與指示下，電腦會自行編程。人們依然需要指揮電腦去學習什麼內容，同時人們使用電腦的方式也會改變。未來電腦將能處理比今日約大10億倍規模的問題，以智慧電網來說，仍存在著太多浪費的議題，但AI可以找出如何部署剛好足夠的能源，不會過度供應能源。同時，企業生產力還可以大幅提升，供應鏈管理也可能更加輕鬆，設計電腦也會容易得多。

黃仁勳也說，如果每個想得到的問題都變得更有希望解決，或許人們會想出更多問題待解決，那麼工作機會將不會變少，更可能會演變成人類比過往任何時候都還要忙碌，全球所有工作可能都會改變。而所有那些以前因為成本太高而無法嘗試的實驗，現在都可以去試，或者AI會幫忙實驗。(經濟日報)

在網路上看到程式設計師

用vibe coding工作經驗

他原以為可以提高效率20%

實際上卻是工作時間增加20%

1. 用AI可以不寫程式

卻要花更多時間看懂AI寫的程式工程師都有的經驗，看別人寫的程式倒不如自己寫還比較快

2. 花更多的時間debug

3. 下的提示詞越接近程式語言

所產生的AI程式才會比較精確

所以不是不用懂寫程式

而是換成人類語言寫

這樣的效率其實更低

把一個簡潔的數學式子

換成人類語言就知道

反而更冗長讓人一頭霧水

有興趣的人可以把底下變異數公式用人類語言講一遍

最後他建議把整個程式

細分成很多小段落讓AI去跑

才比較節省時間

其實這樣等於是Excel巨集

一個寫程式助手而已

而非能完全替代程式設計師

AI的問題在於

可以替代人類90%的工作

卻無法完全自主完成

就是最後的一哩路最難，

即馬斯克所講的長尾效應

AI公司老闆畫的大餅都太快了

不會那麼早達成

我們是投資人馬上要面對

AI 股太貴

OpenAI下半年現金即將燒光

今年GDP一路往下

chatgpt:

黃仁勳最近訪談提到現代教育環境使年輕人犬儒化，其意義為何?

一、黃仁勳的核心意思通常指向這幾個現象（尤其在頂尖學校與科技圈常被提到）：

1.過度強調「避免失敗」

教育體系把「犯錯」等同於「能力不足」，成績、排名、履歷被放到第一位

*學生學會的是：不要冒險、不要犯錯，但創新與創業，本質就是高失敗率。

2.把學習變成投資報酬率計算

學什麼先問「值不值得」、「薪水高不高」，很少問「我真正想解決什麼問題」

*久而久之，學生會對「使命感、熱情、理想」產生懷疑，認為那只是騙人的口號。

3.過早理解「世界的不公平」

現代年輕人很早就知道：

資源分配不均

成功有運氣成分

努力不一定有回報

*理解這些事本身沒錯，但如果教育沒有同時教「即便如此仍值得嘗試」，就容易滑向犬儒。

二、黃仁勳真正想說的是什麼？

他其實是在對年輕人「喊話」而不是責備

他的隱含訊息是：

世界確實不完美、甚至不公平，
但如果你因此選擇冷漠與保守，
那你永遠做不出真正困難、但重要的事。

這也符合他一貫的價值觀：

鼓勵承受痛苦與不確定性

認為「困難」是成長的必要條件

相信長期投入與使命感勝過短期算計

三、一句話總結

「現代教育使年輕人犬儒化」的意思是：

教育與社會過度強調安全、效率與回報，
卻不足以培養年輕人面對不確定性時仍願意相信、承擔與冒險，
於是他們變得聰明但保守，清醒卻不敢夢想。

#與投資議題比較無關，看完訪談覺得不錯分享出來。

這是一篇空話

看完了之後不曉得要做什麼

黃仁勳根據自身經驗提出他的觀點，並未提出如何實踐的建議。

對於如何實踐chatgpt另外有給參考建議。

對於投資巴菲特也是提出其看法想法，並不教導如何做投資。

OpenAI全球事務長勒漢19日透露，預定今年下半年發表一款AI裝置。據爆料，OpenAI目標9月推出AI音訊耳機，第一年出貨量預計達4,000萬至5,000萬台，由鴻海代工。(經濟日報)

不看好

OpenAI可能認為ChatGPT用來聊天才去做一副耳機

其實主要用在查詢

查詢結果仍需顯示在畫面上

所以最適合的平台是手機或電腦

摘自YouTube

這期影片是對著名 AI 懷疑論者 Gary Marcus 與《大空頭》原型人物 Steve Eisman 關於「AI 泡沫」對談的深度解讀。核心觀點認為：當前 AI 產業正處於一場巨大的金融泡沫之中，雖然投入極為龐大，但實際回報極低，且技術本身存在根本性缺陷。

1. 「狼性時刻」與泡沫現況

威力狼的比喻：影片開頭用經典動畫《威力狼》（Wile E. Coyote）來比喻當前 AI 泡沫。就像那隻狼衝出懸崖，只要不往下看就不會墜落；同樣，在金融泡沫中，只要投資者不正視基本面，泡沫就能繼續維持。但現在，是時候「往下看」了。

AGI 承諾落空：Sam Altman 曾預言 AGI（通用人工智慧）將在 2025 年到來，但 ChatGPT 並未出現預期的「質的飛躍」，僅僅是版本的小幅更新，打破了人們對技術無限線性成長的幻想。

2. 「萬億磅巨嬰」謬誤與 WeWork 危機

線性外推的錯誤：Gary Marcus 提出「萬億磅巨嬰」理論。不能因為嬰兒第一個月長得很快，就畫一條直線預測他上大學時會重達一萬億磅。現在的 AI 投資正犯下同樣錯誤，忽略了物理規律與邊際效益遞減。

OpenAI vs WeWork：Gary Marcus 認為 OpenAI 的處境極像 WeWork：估值飛上天、虧損無底洞、缺乏真正的護城河。雖然影片作者認為 OpenAI 的技術比 WeWork 的「二房東」模式更有價值，但在燒錢速度與商業模式的可持續性上，兩者有極相似的風險。

3. 技術本質：吃了興奮劑的自動填空

缺乏理解力：AI 並不理解真實世界，它只是在進行機率計算（類似完形填空）。影片舉例配音演員 Harry 被 AI 誤判為英國人的案例，說明 AI 只是拼湊統計機率，而非真正查證事實。

缺乏「世界模型」：AI 經常犯下常識性錯誤（例如特斯拉召喚功能撞上昂貴的私人飛機）。這是因為 AI 沒有「世界模型」，不知道飛機是實體的、昂貴的、易損壞的。若沒有針對性的訓練資料，遇到新事物就會不知所措。

4. 糟糕的投入產出比（ROI）與創投的算盤

極低的工作替代率：華盛頓郵報調查顯示，只有 2.5% 的人類工作能被 AI 完全取代。大多數情況下，AI 產出的是需要人類二次修改的「工作垃圾」或「程式碼屎山」。

投入像核彈，產出像指甲剪：投入了萬億級資金，卻只產生極微小的實用價值，怎麼算都划不來。

創投的真實動機：既然回報這麼低，為何熱錢還持續湧入？因為創投主要靠管理費（資金規模的 2%）賺錢。只要把故事（蛋糕）做大，即使項目最終失敗，創投每年仍能穩定收取巨額管理費。因此他們有強烈動機維持「無限成長」的敘事。

5. 資源戰爭與未來的出路

巨頭的遊戲：AI 競爭已演變成資源大戰。相較於 OpenAI 需要不斷融資購買顯卡，Google 擁有自研晶片（TPU）、海量數據與現金流，更有可能在長跑中勝出。若 OpenAI 無法持續融資，可能迅速崩盤。

人才流失：核心人物 Ilya Sutskever 離開被視為危險信號，暗示內部人士可能已不再相信 AGI 即將實現。

技術出路（神經符號 AI）：Gary Marcus 認為純粹的大型語言模型（System 1，直覺系統）走不通，未來必須結合符號邏輯（System 2，理性思考）。AI 需要學會「慢下來思考」、具備邏輯推理與世界模型，那才是真正敲開 AGI 大門的時刻。

總結：影片認為我們正站在懸崖邊緣，AI 泡沫極大概率會破裂。但這並不代表 AI 技術本身毫無價值，而是市場必須把「科幻小說」與「商業財報」分開，回到真正能解決實際問題、具備邏輯與世界模型的技術路線上。

最近爆紅的Agent Skills

跟寫程式差不多

黃仁勳最大的謊言就是有AI之後就不用學寫程式。一樣要！

只是換成用人類語言寫，

一樣令人頭大

不會寫程式的人怎麼可能會用這種東西

Grok：

黃仁勳那句「AI 來了就不用寫程式」確實是行銷語言，現實是：

程式 → 用人類語言寫的更高階程式（只是語法從 Python 換成中文/英文自然語言）

不會寫程式的人，面對 Agent Skills 的門檻其實更高，因為他連「什麼是好的模組化拆分」「什麼是依賴關係」「怎麼 debug 為什麼沒觸發」這些概念都沒有，結果就是一直出包、一直重來，最後還是放棄。

之前agent

昨天才知Agent skills

今天又來個Clawdbot

AI真是日新月異

看了一下頗有難度

絕非不懂寫程式的一般人可及

諒不易普及，不久就不了了之

被新東西蓋過去

似乎跟AI繪圖的詠唱咒語一樣，一輩子沒接觸繪圖軟體、設計、攝影，要用口語畫出好的作品也有難度

Grok：

《華盛頓郵報》科技專欄作家 Geoffrey A. Fowler 在 2026 年 1 月底發表的測試報導。他把 10 年 Apple Watch / Apple Health 數據（約 2900 萬步、600 萬次心跳紀錄）丟給剛推出的 ChatGPT Health 功能，請它給心血管健康打 A-F 等級分。

結果 ChatGPT 直接給了 F，把他嚇到趕緊約醫生檢查。醫生看完數據後說他其實非常健康，心血管風險極低，根本不需要額外檢查，保險公司都不會要求做進一步檢驗。

更誇張的是，他重複問同一問題好幾次，分數居然在 F 到 B 之間大幅擺盪；ChatGPT 還會忘記他的性別、年齡等基本資訊（儘管數據都給了）。連對手 Anthropic 的 Claude 也只給了 C，一樣過度依賴 Apple Watch 估計的 VO2 max（最大攝氧量），卻沒好好提醒這項數據在穿戴裝置上的準確度本來就有限、容易受影響（例如沒正確佩戴、手腕動作、皮膚狀況、天氣等）。

醫學專家（像是 Eric Topol）直接批評：如果 AI 連這種基本評估都做不好、還亂給等級分，那根本不該提供這種「分數」功能，容易造成不必要的恐慌。

這件事凸顯幾個現階段 AI 健康應用的核心問題：

- 過度自信 + 幻覺：模型會用很肯定的語氣講出沒根據或錯的結論。
- 數據解讀偏誤：只看穿戴裝置的代理指標（VO2 max、心率變異等），卻忽略臨床血液檢查、血壓、膽固醇、家族史、實際生活型態等更重要的變數。
- 不穩定性：同樣輸入、不同次對話就給出差異極大的評價。
- 心理效應：健康的人看到 F 會被嚇到跑醫院，白白浪費醫療資源、增加焦慮；真正有問題的人反而可能因為「AI 說沒事」而掉以輕心。

目前 OpenAI 跟 Anthropic 都強調「這不是醫療診斷、僅供參考、請諮詢醫師」，但使用者看到紅字 F 還是會當真。