◆ 　林一平／AI算力的迷思

◆ 　李清志／電視空間地位的式微

◆ 　廖達琪／地方縣市政府應組全國聯盟

◆ 　王正方／生於憂患 死於垃圾堆？

◆ 　趙坤茂／巨利之所在，大弊亦隨之！

林一平／AI 算力的迷思

2026-08-21 00:00 　聯合報／ 林一平（作者為前科技部代理部長）

厄普頓．辛克萊（Upton Sinclair）。林一平／繪

在台灣科技業討論 AI 的浪潮裡，最常聽到的迷思是缺乏算力。許多學校及新創公司進行研究計畫時，異口同聲地將瓶頸歸咎於缺乏繪圖晶片與雲端資源，認為這是阻礙技術落地的核心原因。有鑑於此，緯創資通董事長林憲銘決定免費釋出強大算力，供有需求的研究計畫申請。這本該是一場皆大歡喜的美事，但審核過程卻揭露了更深層的結構性問題。

當算力被慷慨釋出之後，部分申請案卻禁不起實際檢驗，因為它們根本缺乏經過清洗與結構化的大量資料。數據不夠乾淨，再強大的算力也只是空轉的引擎，轟隆作響卻無處施力。這讓人重新省思，AI 導入真正的瓶頸不只是硬體，更包括資料的品質與組織的準備度。算力就像是一把極其鋒利的刀刃，但如果木材本身沒有磨平修整，再銳利的工具也雕琢不出精美的作品。

不過更耐人尋味的插曲，發生在推動系統升級與模型架構討論的會議上。有團隊提出，他們正在開發的七十億參數模型，效果未必會輸給規模大數倍的超大型語言模型。乍聽之下像是務實的技術判斷，細究之後卻透出潛意識裡的心理防線。在特定垂直領域如金融，輕量級模型因其推論成本低、部署容易，確實是更務實的商業選擇。

但排除這些因素後，優化超大規模的模型，遠比調校中小型模型困難得多，需要更精緻的工程能力、更嚴謹的資料治理，以及更高的容錯門檻。這就像把一位習慣操控螺旋槳飛機的機師，直接放進先進噴射機的駕駛艙，他自然會心生猶豫，甚至尋找理由留在熟悉的舊機型裡，畢竟傳統設備操作起來風險較低。

深層的原因逐漸浮現，算力規模擴大並不意味著工作變得輕鬆，反而象徵著更高的期待與更少的藉口。當算力極度有限時，成果不如預期可以順理成章地歸咎於硬體不足。然而一旦算力充沛，問題就會赤裸裸地指向人的專業能力與態度，再也沒有可以閃躲的空間。於是有些人寧可主動限縮自己的野心，也不願意直面那個沒有藉口可用的殘酷舞台。

這讓人想起美國作家兼社會評論家厄普頓．辛克萊的經典名言，「要讓一個人理解某件事情非常困難，如果他的薪水恰好建立在不理解這件事情之上。」這句話精準地描繪了組織推動變革時最隱蔽的阻力，問題不在技術本身，而在既得利益與心理舒適圈的抵抗。當一個人的工作價值長期建立在資源匱乏的藉口上時，他自然缺乏動機去擁抱能夠消除這個藉口的變革，因為那等於親手拆掉自己庇護多年的屋簷。

這給所有推動數位轉型的組織敲響了警鐘。算力可以用金錢採購，資料可以透過制度整理，但心態的轉變才是最難跨越的高牆。真正的轉型，不能把噴射機交給傳統機師就宣告任務完成，而是必須同步重新訓練人才、重新設計考核標準，讓工作價值不再依附於資源，而是建立在實際解決問題的高度上。組織如果只盲目升級硬體，卻遲遲不肯升級心態，最終只會養出一群守著先進設備卻依然用舊思維運作的人。

當算力不再是推卸責任的藉口，唯一能決定成敗的，終究是人願不願意真正學習駕馭那架噴射機，勇敢飛向原本以為遙不可及的壯闊高度。