KeyFrame內部研究專用

薔栗膠|AI時代的殘酷真相?!老闆靠AI裁掉90%員工 收入竟還翻倍?!比你更聽話,不抱怨還24小時工作?!打造全自動辦公室,手動的人類將徹底被歷史淘汰!Feat.股股學院

薔栗膠·7月4日週六·49 min中文

三句話摘要

AI時代職場與創業的機遇——如何透過建立AI助手系統,實現人力倍增與收入翻倍。 AI時代的致勝關鍵不在掌握工具,而在能否設計出好流程、建立自己的AI系統、用AI去管理AI——這將決定你是被取代還是實現指數級成長。 AI的真正價值在於放大而非消滅——不應以取代員工為目標,而是讓每位員工駕馭多個AI助手。一個員工配3個AI,在產能上相當於擁有18個員工,這樣既留住人才也提升輸出。

重點整理

重點
  • 1

    AI的真正價值在於放大而非消滅——不應以取代員工為目標,而是讓每位員工駕馭多個AI助手。一個員工配3個AI,在產能上相當於擁有18個員工,這樣既留住人才也提升輸出。

  • 2

    分層Agent系統是關鍵——以視頻剪輯為例,20小時素材不能直接丟給AI,應由主Agent分割成20段,派20個子Agent並行處理,最後由主Agent檢查彙總。好的流程設計決定AI效能,沒有邊界的優化反而導致自動退步。

  • 3

    職業機會大於失業威脅——平面設計、前端工程容易被AI輔助,但從業者省下的時間可以做更高價值工作(如服務更多客戶或開創副業),是升級而非淘汰。

  • 4

    思維與系統設計優於工具學習——不應學習「提示工程」,而應建立屬於自己的AI助手系統,讓AI之間用Markdown母語溝通。市面上多數課程教工具易過時,真正稀缺的是企業實戰級思維訓練。

實用技巧與重點

乾貨
  • 具體數據與成果:
  • 公司規模:30人 → 3人,年收入翻倍
  • 網站開發成本:從100% → 40%
  • AI月費:基礎約20美元,高級約40美元
  • 生產力倍增公式:6人員工 × 3個AI助手/人 = 18人產能
  • 實際案例成果:
  • 食品業朋友:自建簡報與庫存系統,省時省錢同時承接更多新案
  • 美髮師副業:全自動化剪輯頻道,月增1-2萬元收入
  • 企劃師升遷:提案效率大幅提升,晉升為政府AI顧問
  • 最易被輔助的工作類型:
  • 平面設計、UI設計
  • 前端工程開發
  • 視頻剪輯(毛片選段、刪除停頓)
  • 企劃文案撰寫與整理
  • 簡報製作、網站開發
  • 相對安全的職業類型:
  • 需要高度創意與IP的工作(如導演、金牌設計師)
  • 需要人際信任與溝通的崗位(部分客服、高層決策)
  • 涉及人性判斷的工作
  • AI應用的5個階級:
  • Level 1:將AI當聊天工具,諮詢想法
  • Level 2:用AI工具製作影片、圖片、簡報
  • Level 3:用AI開發網站或程式
  • Level 4:讓AI管理工作流程與多個系統
  • Level 5:多個AI團隊彼此協作,像人一樣運作
  • AI賺錢的5種模式:
  • 代工型:幫人做廣告、設計、網頁
  • 教育型:做企業顧問或線上課程
  • 社群型:用AI經營多個社群頻道,靠流量與業配變現
  • 訂閱型:提供獨家產業分析報告
  • 獨家內容型:創造專屬數據與分析

結論

結論

AI時代的致勝關鍵不在掌握工具,而在能否設計出好流程、建立自己的AI系統、用AI去管理AI——這將決定你是被取代還是實現指數級成長。

完整解析

詳細

這場訪談由自媒體主持人翔翔與AI應用專家丁妮(谷八學院創辦人)進行,核心探討AI時代個人與企業的生存策略。丁妮以自身經驗切入,披露她如何在經營危機中透過AI轉型:原本30人的公司遭遇經營困難,在套用自家開發的AI相關產品後,逐步將人力精簡至3人,同時年收入翻倍。這個看似悖論的成果,其實反映了AI的真正價值——不是消滅人力,而是指數級放大每個人的產能。

在具體操作層面,丁妮詳細闡述了她所建立的分層AI助手系統。她首先為自己建立了一個「複製體」(小丁妮),處理行政事務,後來進一步演進成一整個AI團隊結構。以視頻剪輯為例,當面對20小時的毛片時,AI無法一次性處理(容量限制),正確做法是:讓主Agent(小強強)先將素材切分為20段,再派遣20個子Agent(小小強強)並行處理每一段——提取關鍵片段、刪除停頓、規格化等,最後子Agent們的成果彙總給主Agent進行品質檢查。整個流程完全自動化,人類的角色從執行者變為流程設計師與決策者。她特別強調,流程設計的精細度決定了AI的最終品質——如果邊界設定得當,AI可以自動優化進步;反之則會自動退步。

對於職業前景的展望,丁妮認為AI時代會同時出現就業潮、創業潮與部分失業潮,但前兩股力量更強。小型企業與新創反而擁有優勢,因為他們可以以AI為核心快速調整組織結構,輕資產運營反而容易擊敗傳統大企業。大企業難以根本改革(如將工程師轉為專案經理、大幅縮編)既是組織僵化的表現,也是新創的機會。她預測,未來廣告公司、行銷公司、自媒體領域都會出現大量AI優先的小型創業者,甚至「最紅的漫畫不再是人畫的,而是AI生成的網漫」。

對於最容易被AI輔助的職業,丁妮列舉了平面設計與前端工程。然而她提出了顛覆性的建議:不應該害怕被取代,反而應該擁抱機會。以前端工程師為例,如果原本每天花12小時開發,用AI後只需4小時,省下的8小時不是閒置,而是可以用來服務100個客戶(建立可複製的網頁產品線)而非1個,這是職業升級而非淘汰。她進一步以金鐘獎導演為例說明:這位導演不懂程式不懂網頁,但懂得運用AI輔助他的核心專業(鏡頭、構圖、敘事),結果產出品質遠超懂AI但缺乏創意背景的人——專業+AI工具的組合遠強於工具本身。

在實踐建議上,丁妮反對教導「提示工程」(如何寫指令),反而主張建立屬於自己的AI助手系統,讓這個助手去學會與其他AI溝通。AI之間用的是Markdown格式英文(她稱為「母語」),比人類用中文給指令更精準高效。她強調,市面上大多AI課程存在兩個問題:要麼只教工具(容易過時,因為AI日新月異),要麼過於進階(涉及複雜編程,一般人望而卻步)。她的課程差異在於從底層思維與企業實戰案例出發,幫助學員理解AI的本質(就像馴馬一樣——先建立思維框架,再自然學會工具),而非堆砌工具教學。

關於隱私與安全,丁妮坦誠指出AI詐騙的風險(如假GPT網站誘導輸入信用卡),以及雲端AI使用隱私的問題——敏感信息被上傳到供應商伺服器進行分析,有被用於訓練或被破解的潛在風險。她建議公眾人物考慮本地部署模型。同時也提到,AI在生活中有很多應用場景(如訂機票、點餐、甚至娛樂性的賭博輔助),但人類的判斷力與決策權仍不可替代。

在課程設計上,丁妮分享了幾個學員成功案例:美髮師通過AI建立全自動剪輯頻道月入增加1-2萬;食品加工業者自建簡報與庫存系統省下大筆成本同時接到新案;原企劃人員因工作效率大幅提升升遷為政府AI顧問。這些案例都共同指向一點:AI賦能是緊迫且實際的,不是未來科幻,而是當下機遇。

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。