KeyFrame內部研究專用

用 AI 賺錢,90% 香港人都唔知!😱 一人公司時代來臨,教你 5 個方法用 AI 創造被動收入! 深度揭秘 2026 賺錢新玩法!💰🤖

ekcheungAI·4月1日週三·8 min中文

三句話摘要

兩位香港 YouTuber 分享五種用 AI 在 2026 年賺錢的具體方向,從內容創作到一人公司全面覆蓋。 AI 不是取代人類的工作,而是讓懂得駕馭它的人,以一人之力做出十人的產出——現在開始裝備自己,就是佔先機的關鍵。 內容生產門檻已極低:AI 影片、漫畫爽劇、圖文內容現在只需懂得調用工具即可產出,能做到的人仍是少數,先動手者佔先機。

重點整理

重點
  • 1

    內容生產門檻已極低:AI 影片、漫畫爽劇、圖文內容現在只需懂得調用工具即可產出,能做到的人仍是少數,先動手者佔先機。

  • 2

    無露臉頻道是低成本被動收入的可行路徑:Lo-fi 音樂頻道或科普解說頻道可做到百萬觀看,全程由 AI 生成腳本、配音、畫面,幾乎完全自動化。

  • 3

    AI 客服是香港本地明顯缺口:外國 AI Call Center 已普及,香港慢人一步,懂得整合電話 AI、WhatsApp Bot、預約系統的人,現在切入有商業空間。

  • 4

    未來僱用標準將從履歷轉向 AI 工作流展示:老闆會更傾向招聘能展示完整 Agent 架構的候選人,GitHub 與 AI Setup 將取代傳統簡歷成為核心競爭力。

實用技巧與重點

乾貨
  • 工具:ChatGPT、ElevenLabs(AI 聲音/音樂)、InVideo(AI 影片生成)
  • 平台:Fiverr、Upwork(接設計/影片外包單)、YouTube(頻道收益)、小紅書(AIGC 帳號矩陣)
  • Lo-fi 頻道案例:部分頻道已達 100k+ views,純靠音樂播放清單
  • AIGC 帳號養成:同時管理 10–20 個帳號,各自有獨立角色與風格,持續發文製造互動
  • 香港真實案例:餐廳 AI 電話預約系統,客人講完需求後直接完成訂位
  • 一人公司能力範圍:Design、Writing、Outreach、CRM、市場調查、Email,全部 AI 代理
  • 網站工具:提供「收入計算機」,根據每天可投入時間推算副業收益(影片中現場 demo)
  • 廣告費提及:$400 港元作為對比基準(暗示入門成本低)

結論

結論

AI 不是取代人類的工作,而是讓懂得駕馭它的人,以一人之力做出十人的產出——現在開始裝備自己,就是佔先機的關鍵。

完整解析

詳細

影片由香港創作者 EK 與 Leo 主持,開場直接點明主題:在 2026 年,香港大多數打工仔薪資扣除租金後所剩無幾,而 AI 已發展到足以讓普通人建立被動收入甚至一人公司的程度。兩人以親身測試為基礎,整理出五個具體方向給觀眾參考。

第一個方向是 AI 內容製作接單。現在 AI 可以生成高質量的圖像、Poster、商業廣告素材,甚至是動態漫畫與短劇,而大多數企業客戶仍不具備這類操作能力。懂得用 AI 一手包辦的人,可以在 Fiverr 或 Upwork 上接單,以更低成本更快速度交付作品。第二個方向是無露臉 YouTube 頻道,這是目前已被驗證的自動化收益模式。Lo-fi 音樂頻道、電影解說頻道、宇宙科普頻道等,內容全由 ChatGPT 撰稿、ElevenLabs 配音、InVideo 成片,創作者本人不需要出鏡,部分頻道已累積超過十萬觀看次數。

第三個方向針對香港本地商業缺口:AI 客服整合。外國的 AI Call Center 已相當成熟,但香港的部署速度明顯落後。影片提到香港已有餐廳導入 AI 電話預約系統,客人講完需求即自動完成訂位。懂得整合 WhatsApp Bot、AI 電話接聽、Google Calendar 與客服訓練流程的人,現在切入仍有市場空間。第四個方向是 AIGC 帳號矩陣,即同時經營十幾到二十個社交帳號,各自設定獨立人設與風格,持續發文並製造互動,這個模式在大陸小紅書上已非常普遍。不過兩人也坦承這條路成本高、週期長,包含時間成本在內並不便宜。

最後一個也是兩人最強調的方向是「一人公司」概念。隨著 AI Agent 技術成熟,一個人理論上可以駕馭原本需要十幾人分工完成的業務,包含設計、文案、外聯、CRM、市場調查等,24 小時無間斷且沒有情緒問題。兩人認為,未來老闆招聘的標準將從傳統履歷轉向候選人能否展示完整的 AI 工作流,GitHub 與 Agent Setup 將成為新時代的核心競爭力。影片結尾透過現場 demo 展示了一個 AI 生成的副業媒合網站,根據使用者的空餘時間與目標收入,推算出可嘗試的賺錢方法與預期回報。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。