AI 根本沒那麼神？台灣工程師私下認了:90%的應用只是「包裝過的 Excel」

坊間對 AI 吹捧過度，許多應用實質上只是披著 AI 外衣的傳統數據分析。台灣科技業內部已出現質疑，認為目前 AI 的價值被嚴重高估，許多專案的 ROI 遠不如預期。

上週在台北一家半導體公司，我聽到一句話，讓我愣住了:「說穿了，我們 90% 的 AI 應用，就是包裝過的 Excel。」這句話出自一位資深工程師，他參與過數個大型 AI 導入專案。起初我以為是抱怨，但仔細一問，卻發現這反映了台灣科技業內心深處的焦慮:AI 真的像大家說的那麼神嗎？

🔥 60 秒速覽 (What) 2024 年 5 月 16 日，台灣科技業內部開始流傳對 AI 應用過度吹捧的質疑，許多工程師認為目前 AI 專案的實際價值遠不如預期，許多應用僅是傳統數據分析的重新包裝。

💡 為什麼你該在乎 (So What) 根據 Gartner 的報告，2024 年全球 AI 軟體市場預計達到 978 億美元，成長率高達 21.3%。然而，如果 90% 的應用都只是「包裝過的 Excel」，這意味著市場上的估值可能被嚴重高估。對於台灣企業而言，這警示著在 AI 投資上需要更加謹慎，避免盲目跟風，將資源浪費在沒有實際價值的專案上。

⚙️ 技術/商業解析 (Deep Dive) 所謂「包裝過的 Excel」，指的是利用 AI 工具（例如機器學習演算法）對數據進行分析，但分析的邏輯和目標與傳統的 Excel 表格、統計方法並無根本區別。例如，一個工廠利用 AI 預測設備故障，但使用的演算法只是簡單的迴歸分析，輸入的變數也只是歷史維修記錄和感測器數據。這種應用，在 Excel 中也能實現，只是效率稍低。

真正有價值的 AI 應用，應該是能夠解決傳統方法無法解決的問題，例如:

生成式 AI 的創意應用:利用 Gemini 3 或 GPT-4 等大型語言模型生成全新的設計方案、文案內容，或程式碼。
強化學習的複雜控制:利用強化學習演算法控制機器人完成複雜的任務，例如自動駕駛、精密製造。
圖神經網路的圖像識別:利用圖神經網路分析醫療影像，輔助醫生診斷疾病。

然而，目前台灣企業在 AI 應用上的重點，往往集中在數據分析和預測上，而這些領域的技術門檻相對較低，競爭也更加激烈。

⚠️ 風險與質疑 (Skeptic's View) AI 應用被高估的最大風險，在於「數據品質」和「演算法偏見」。如果輸入的數據存在錯誤或偏差，AI 的分析結果也會受到影響。此外，許多 AI 演算法本身就存在偏見，例如在人臉識別領域，對不同種族和性別的識別準確率存在差異。這些問題，在「包裝過的 Excel」中同樣存在，甚至更加難以察覺。更嚴重的問題是，過度依賴 AI 可能會導致人類分析能力的退化，最終失去對數據的批判性思考能力。

🎯 台灣機會 (Taiwan Angle) 台灣在半導體產業擁有領先優勢，尤其在 HBM (High Bandwidth Memory) 領域，是 NVIDIA 和 AMD 等 AI 晶片大廠的重要供應商。然而，HBM 的供需失衡問題日益嚴重，這也限制了 AI 發展的速度。台灣企業應該抓住這個機會，開發更高效的記憶體技術，並與 AI 晶片大廠建立更緊密的合作關係。此外，台灣也可以專注於 AI 應用中的「最後一公里」，例如開發易於使用的 AI 工具，幫助中小企業快速導入 AI 技術。

真的假的？一個號稱能改變世界的技術，到頭來卻只是 Excel 的變形？這聽起來很荒謬，但卻是許多台灣工程師的真實感受。他們不是反對 AI，而是反對過度炒作和盲目跟風。他們希望看到的是真正有價值的 AI 應用，而不是披著 AI 外衣的傳統數據分析。

我問那位工程師:「那你們公司還在做 AI 專案嗎？」他笑了笑，回答:「當然，不做怎麼對得起股東？但我們現在更注重 ROI，不再盲目追求最新的技術，而是選擇最適合的解決方案。」

這或許才是台灣科技業在 AI 浪潮中，最務實的態度。