AI 會怎麼改變你的工作？Google AI Essentials 帶你看懂 AI 與工作的未來

「AI 會不會取代我？」這大概是這幾年最常被問的職場問題。我修完 Google AI Essentials 之後，發現這門課給的答案很務實：與其擔心被取代，不如先弄懂 AI 是什麼、能做什麼、不能做什麼，然後讓它幫你把待辦清單變短。

這門課由 Google 的 AI 團隊親自授課，完全不需要技術背景，全程自定進度。這篇文章整理課程第一個模組「Introduction to AI」的核心觀念，加上我自己的理解，讓你在一篇文章的時間內掌握 AI 與工作的關係。

AI 是什麼：幫你完成「認知任務」的程式

課程給 AI 下的定義很乾淨：人工智慧是能完成通常與人類智慧相關的認知任務的電腦程式。所謂認知任務，就是思考、理解、學習、記憶這類心智活動。人類的認知能力有限，一次能處理的資訊就那麼多；AI 的價值在於延伸這個上限，幫我們更快做決定、更快解決問題。

課程用了一個我很喜歡的比喻：面對職場上的 AI 浪潮，就像開車上路。你不需要會造車，但懂交通規則會讓你開得更穩、更快到目的地，也更能避開路上的坑。這門課教的就是 AI 世界的交通規則。

機器學習：AI 的聰明是教出來的

很多人以為 AI 是自學成才，其實不然。多數 AI 工具背後是機器學習（Machine Learning）：AI 底下的一個分支，專門開發能分析資料、做出判斷或預測的程式。訓練的起點是訓練集（training set），也就是一批拿來教 AI 的資料。

課程舉的例子是食品廠的蘋果分類：想讓 AI 認出熟蘋果，就先餵它數千張熟蘋果與生蘋果的照片，它從中學會熟蘋果的特徵，之後就能辨認訓練集裡沒出現過的蘋果。但這裡藏著一個關鍵風險：訓練資料有偏，AI 就會歪。

如果訓練照片只有某幾種紅蘋果，AI 遇到不同大小、形狀、顏色的熟蘋果就會判斷失準，好蘋果被誤判丟掉，公司白白虧錢。

機器學習有三種常見的訓練方式：

• 監督式學習：用有標籤的資料訓練，例如把郵件標成「垃圾」與「非垃圾」，適合有明確目標輸出的任務。
• 非監督式學習：用無標籤的資料找模式，例如從一堆未分類郵件中自動歸納主題，適合探索性的任務。
• 強化學習：靠嘗試錯誤加上獎勵機制學習，對話式 AI 工具常用這招，從使用者回饋中持續改進回應。

生成式 AI：用自然語言就能上工

這波 AI 浪潮的主角是生成式 AI：能產生文字、圖片等新內容的 AI。它最大的突破在於你可以用自然語言與它互動，也就是平常說話、寫字的方式，不用學任何程式語言。運作流程簡化來說只有三步：

課程中大量使用的對話式 AI 工具（例如 Gemini，或你熟悉的 ChatGPT、Claude）就是生成式 AI 的一種：收文字請求、回文字回應，可以陪你腦力激盪、回答問題、起草郵件。對工作的好處主要有三個：更有效率（重複任務交給它）、更個人化（依你的需求調整互動）、更好的決策（快速分析大量資料找出洞見）。

AI 的能與不能

AI 能生成內容、快速分析資訊、細緻地回答問題。但課程用了同樣多的篇幅講它的限制，這部分反而是職場上最值錢的知識：

• 它不會自己學：AI 需要人持續更新訓練，也有知識截止日，訓練日期之後的世界它不知道。
• 它會繼承偏誤：訓練資料的缺陷會反映甚至放大在輸出裡，造成不公平的結果。
• 它會產生幻覺：幻覺（hallucination）指 AI 輸出不真實的內容。課程的例子是銷售分析：AI 看到某產品銷量下滑就建議下架，卻沒考慮季節性因素，照做就會做出錯誤決策。

擴增、自動化，與人在迴圈

課程把 AI 幫工作的方式分成兩種。AI 擴增（augmentation）是用 AI 讓工作更容易做、品質更好，例如寫文件時請 AI 先開個架構；AI 自動化（automation）是讓 AI 在沒有人為操作下完成任務，例如自動把進來的客服信件按優先級分類。兩者的拿捏沒有標準答案，但原則是「以人為本」。

落實的方法叫人在迴圈（human-in-the-loop）：結合機器與人類智慧來訓練、使用、驗證與改進 AI。課程的例子是保險公司：AI 先根據客戶來信起草回覆，客服人員審核修改後才寄出，開發團隊再依人員的回饋更新模型。AI 出初稿、人做把關、回饋再回到系統，這個迴圈就是負責任使用 AI 的樣子。

整門課的地圖：五個模組

本文整理的是第一個模組的觀念基礎。完整課程共五個模組，循序漸進：

我修這門課時最大的收穫，不是學會哪個工具，而是建立了一套看待 AI 的秩序感：先懂原理，再認清極限，最後把人放回迴圈的中心。有了這套地圖，之後再學任何新工具都不會迷路。