愈有生產力相當於愈沒生產力
近況的改變
首先，讓我簡單 review 幾個最近的新聞：
- ithome：GitHub Copilot將於6月改採用量計費制，依Token消耗量收費
- zeabur 推出新版本，把資料庫檢視、AI MCP 改為付費功能
- OpenAI 把 Sora 關了
從成本的考量，這些決策都是合理的做法， AI 服務剛推出的時候都是吃到飽的模式，但我們使用 AI 有別於我們到吃到飽餐廳吃飯，我們永遠不會「吃飽」，我們一直會有新想法希望 AI 實作，想要 AI 聽我講幾句話簡短的句子就推理出我的意圖，可是免費使用的人問的問題也要消耗電力和算力，付費使用 AI 模型人又遠比免費使用的人數還要少，吃到飽並沒有合理的把成本分攤出來，大公司基於看好這個產業的發展和願景才被投資這麼多錢加速推進，但什麼時候會停止投資呢？等到其中一家 AI 巨頭虧損倒閉的時候吧。從這些事件，我想未來把所有事情都交給 AI 對我們來說，必須開始付出更昂貴的成本，所以，開源本地語言模型的時代來了。
是這樣，但不是這樣的，本地模型你大概會怪你自己為什麼沒錢買顯卡、嫌他笨、嫌他沒辦法串雲端平台幫你操作超出你能力的操作，最終你還是得付錢給那些大公司，但不是直接買 AI 聊天的功能，而是一整套整合服務。如果你不用 zeabur ，那你可以想像 Google Cloud、CloudFlare 上面原本被藏在複雜的圖形話選單裡面需要點點按按的事都交給 AI 了。也許圖形介面只會被設計得愈來愈服雜，就為了逼你買進階開發者服務，直接用自然語言驅動。
今後我們很有效率的用 SDD 規格驅動開發串接各大雲端平台，連怎麼點點按按都並不是很在乎，反正他動了，我們依賴個大平台的 AI agent ，我們會不會以後連怎麼好好部署一個服務都不會？我們可能不會在中端機 docker run 、不會 pnpm dev ，不知道怎麼編譯一支 C++ 的程式，所有東西都上雲了，各大雲端關鍵技術被這些科技公司的 AI agent 掌握著，平台的功能和 AI 服務高度擬和，某個突然少了 AI 協作功能的平台對我們來說可能幾乎就同於殘廢。於是每個月幾塊美金，短暫的得到生產力的上升，代價是你連 https 、網站路由怎麼運作的都不知道，反正只要會寫規格書，然後說出「部署它」，一切就會開始運作。
我的微積分老師告訴我未來公司面試的模式可能會改為使用盡可能少的 AI token 來完成某項任務，或許這在不久的未來當語言模型只會跟你說在雲端平台上的解法的時候，跳脫預設的框架用簡單的程式，例如只用阿帕契部署網站、自簽 https 來部署網站會是非常稀有的技能？畢竟這樣的部署方式可遷移，又不依賴雲端平台的收費，但有沒有可維護性就不好說了，畢竟你的後輩只會下 prompt 。AI 高度整合進部署流程還是讓我感到很害怕，畢竟我的命脈就完全被該平台的 AI 服務綁住而沒有可遷移性，我想 Goolge cloud 之類的平台上面的 AI 助理才不會用 ssh 操作你的主機幫你把原本部署在上面的放到本地用容器執行。
愈有生產力＝>愈沒生產力
如果是在有限時間要完成的任務，我更常直接呼叫 AI 幫忙，因為我知道只靠我自己「太慢了」，近期最明顯的例子是我的微積分作業。我們每週都要考試，但我的讀書進度總是落後老師兩個禮拜的版本，這樣的落後通常不影響我聽課後面的課程，因為我有在上課，勉強還算有概念，只是讓我從頭開始解題我會沒辦法寫對。要考試了嘛，我肯定是直接去刷考古題和作業，卡住的時候我自然沒有時間在那邊慢慢想，通常我容許自己的思考時間（耐心）平均是 1~2 分鐘，想不出來我就會直接把題目丟給 AI ，然後 AI 給我答案，我記住它，抄寫一遍並驗算。
我很難明確的說出這樣的解題模式本質上到底跟翻到書末讀詳解有不一樣（不過我現在讀的 textbook 只有奇數題答案，也沒有詳解就是了），因為基礎的數學作業很標準化，作業在做的也只是建立我對某類算式該怎麼處理的反射記憶。不過有一點很不一樣的是當看到不懂的 AI 詳解，我再追問 AI ，除了數學式又有文字說明，好像比傳統有詳解的數學作業本還要方便不是嗎？就算有詳解我也要觀察運算式去理解它，我現在用提問的方式和 AI 要答案，我有在思考提問的感覺，可是如果根本沒問到問題的核心，AI 還是可以從我給的數學式子「推理」我意圖，甚至是重新覆述一次定理的定義矇混過關，反正我作為學習者，對這種答案在大方向上也很足夠，我會感到滿意，因為這可以馬上解決我現在的問題。
同時 AI 也不會抱怨我太煩，應數系同學間的討論風氣我自己覺得沒有很好，大家上課通常不會問問題（我想某種程度也是害怕拖慢老師趕課的進度），大家好像都不太愛說話，其中又有很多人其實很不樂意回答其他人的問題，覺得這是在浪費他寶貴的時間，在這邊久了我變得也很不願意隨意和同學閒聊。
我對此有一種陰謀論式的解釋：會不會是老師覺得我們都會用 AI 解題、輔助學習所有效率上升所以應該講得更快、留更多回家作業嗎？這種感覺還可以應用在人們對於速度的基準線，以往需要花三天做完的事，因為大家都用 AI 做所以我們對這件事完成時間的認知是 3 小時內，但如果我花了三天從頭理解，那我是不是挺沒效率的？當預期付出的時間愈短，使用 AI 的優勢就愈高。
很喜歡親愛的宵夜 Podcast 朱宥勳和謝宜安的論點，如果在五分鐘內和 AI 比賽寫 500 字他們那樣的文學工作者產出的品質可能會輸給 AI ，但是如果 24 小時他們就有機會寫的更好。
對於已經從事某個領域的專業者來說， AI 在工作上可能不對他們構成影響，他們有口碑、有經驗，但是大量粗製濫造的 AI 製品即將讓長尾效應的多樣化消失了，我們的需求也沒有多到補足這些供給。最終資源流回主流大頭，新加入有潛力的新手起步可能比 AI 還差所以難以被發現，在講求數量和注意力的社群媒體生態系中沒有任何優勢，我們不信任剛入門的新人，AI 就能比他們好，但忽略了他們以後比 AI 強大這件事，於是斷層就出現了，長江後浪不再推前浪。
很有趣的是，我觀察到文學圈和資訊圈有截然不同的思考邏輯和願景，文學圈想要精煉出最好的經驗加上敘事手法的傳達，AI 做的永遠會比專業文字工作者差很多，因為語言模型本質上是一個推測怎麼樣回答機率比較高的機器，AI 創作出來的東西會趨近於常態分佈，他們不要這種東西；而資訊圈追求的是程式能動、解決問題，如果不考慮後續的可維護性，邏輯正確的程式碼就能應付需求，如果又有個老闆在後面追著進度，或是我處在小團隊只要 MVP 拿去創投 ，那用 AI 快速交件何樂而不為呢？那麼我做程式開發的意義又是什麼？
親愛的宵夜朱宥勳講出 AI 運作的機制使得回答內容會接近中間值這件事，解答了我對 AI 愛列點和奇怪的語法是怎麼出現直白的想像。很多網路爆文確實是長這個樣子。我們在網路上的活動產生的文字量應該隨便就超越過去那些名家的經典了，畢竟你看毛哥 EM 資訊密技這個 blog 的統計，他就聲稱文字量已經有 2.6 本《史記》。
推薦觀看
最後希望你可以和我有一些共享的影音體驗，真心推，或許會讓你有更多的想法。