最近的 2026/27 年度財政預算案提出撥款 5000 萬元進行全民 AI 培訓。這項政策在網上上引發了不少批評。很多人認為現時不少外國頂尖的 AI 工具在香港都無法直接使用。在這種環境下談何發展 AI 呢。這個觀點十分直觀。但我們若果深入思考一層。正正因為香港的 AI 發展受到地域限制。我們才更需要投入大量的資源去推動教育和實踐。
我們總不能在整個世界邁向 AI 世代的關鍵時刻選擇停步。發展受到限制不代表要放棄。相反這意味著大眾需要更高的技術認知來尋找合適的替代方案。理解 AI 的底層原理和局限性。是我們跨越這些技術障礙的唯一方法。
大眾需要具備基本的 AI 素養。這就像九十年代普及電腦教育一樣。當年也不是每個人都能擁有最頂級的電腦設備。但學習電腦思維是社會發展不可或缺的一環。投資於人才是任何技術變革中最穩健的策略。
AI 不是只有聊天機器人
很多人對 AI 的認知仍然停留在生成式對話和聊天機器人。這其實是一個很大的誤區。到底我們應該發展什麼 AI 呢。首先 AI 絕對不是只有大型語言模型。傳統的機器學習在很多核心產業中都有著舉足輕重的地位。
例如在香港引以為傲的金融服務業中。機器學習模型可以用來進行高頻交易分析和評估信貸風險。在物流業中演算法可以用來優化龐大的運輸路線和倉儲管理。這些技術通常依賴企業內部的歷史數據。並不需要依賴外國的公共雲端 AI 服務。香港絕對有條件和能力在這些領域進行深化發展。
即使我們把目光放回大型語言模型。它的商業用途也遠遠不止於寫文章和生成圖片。很多後勤的數據整理和非結構化數據分析工作。其實都可以透過特定的語言模型來自動化。這需要從業員擁有足夠的視野去發掘合適的應用場景。如果大眾不去主動學習。這些龐大的潛在生產力提升就會白白流失。
開源與本地部署的潛力
既然部分主流的國外大型語言模型服務在香港受到限制。我們就應該把焦點轉向蓬勃發展的開源領域。開源社群目前的發展速度十分驚人。很多免費甚至可以在本地電腦直接運行的模型已經具備極高的實用價值和邏輯推理能力。
例如 Meta 推出的 Llama 系列或者是 Google 開源的 Gemma 模型。這些都是目前非常優秀的開源替代方案。要去學習和應用這些大型語言模型。方法和途徑其實還有很多。企業和開發者可以將這些開源模型部署在本地伺服器或私有雲上。
這不僅完美解決了地域限制的問題。更帶來了企業最看重的數據安全優勢。對於處理敏感客戶資料的金融或醫療機構來說。將業務資料傳送到國外的公共雲端伺服器往往存在嚴格的合規風險。本地部署開源 LLM 正好解決了這個長久以來的痛點。這方面的市場需求其實是十分之大。
企業 AI 應用的現狀與瓶頸
我們再來客觀看看目前企業應用 AI 的真實情況。現在很多具備規模的跨國大企業。都已經開始向內部員工提供企業級的 AI 助手。例如微軟的 Copilot 或者是 Google Workspace 內置的智能功能。這些工具確實讓員工在日常工作中接觸到了先進的機器學習技術。
但是以目前的實際觀察來看。大部分企業使用 AI 的方式仍然停留在非常表面的操作層次。很多員工只是把 AI 當作升級版的搜尋引擎。用來幫忙寫寫電郵或者做一下簡單的翻譯。對於編程人員來說。AI 輔助寫程式的工具確實顯著提升了開發效率。但這本質上仍屬於個人層面的生產力優化。
真正能夠把 AI 深度整合到日常營運工作流程中。並且利用 AI 來改善和加快商業流程的企業。以我的經驗來說是少之又少。要實現這種根本性的業務升級。需要的不僅僅是購買昂貴的軟件授權。而是需要管理層和前線員工都具備深度的系統性思維。
重構工作流程的實踐案例：以零售與行政為例
要利用 AI 改善流程。團隊需要懂得拆解現有的工作步驟。找出可以被模型自動化和智能化的部分。我們可以看一個日常的企業行政例子。一間大型零售公司的客戶服務部每天要處理數以千計的電郵查詢。
如果只是單純給員工一個 ChatGPT 帳號去草擬回覆。整體的效率提升是非常有限的。真正深度的流程整合，是利用 LLM 自動讀取和分類所有傳入的查詢電郵。把簡單的物流進度問題自動串接資料庫並生成回覆。然後把複雜的產品投訴精準分配給專責部門。
這種系統層面的深度整合。需要業務分析師對 AI 模型的分類能力和容錯率有深刻的理解。這正正呼應了全民 AI 培訓的核心價值。當管理層懂得評估 AI 的能力。當前線員工懂得如何精確地與技術團隊溝通需求。企業的整體數碼轉型才能真正迎來突破。大家對於如何做用 AI 其實還需要很多指導。因此有系統的教育投入是絕對不能節省的。
個人與企業如何踏出 AI 轉型的第一步
對於普通市民和非技術人員來說。踏出學習 AI 的第一步其實不需要很高的技術門檻。網上有大量免費的教學資源可以學習基礎的 Prompt Engineering。這有助於建立與機器溝通的邏輯思維。即使面對部分工具的限制。我們依然可以透過試用各類開源替代品來保持對新科技的觸覺。
對於企業管理者和中小企老闆。首要任務是重新盤點公司內部的重複性文書工作。評估哪些資料處理環節可以引入開源的自動化流程。建議不要一開始就盲目追求建立龐大且昂貴的全能 AI 系統。
企業應該從小處著手進行概念驗證。例如先使用相對輕量的模型來協助提取合約中的關鍵條款。或者自動化整理每週的銷售數據報告。這當中有時候總會遇到困難。但透過不斷的測試和修正。團隊的技術能力就會在實踐中逐步建立起來。
總結來說。把資源投入到 AI 教育和基礎培訓。不單不是一種浪費。而且是在限制中尋求突破的大有可為之舉。
