【專訪】Bret Taylor：企業採用 AI 屬必要條件，非競爭優勢

這場對談有四個值得說的點。第一，Taylor 認為資安是當前最急迫的風險，不是遙遠的末日場景。第二，他對 open weight 模型（可自行下載，部署的開放權重模型）的看法比市場主流更保守——他認為前沿大廠的成本優勢會愈來愈明顯。第三，他對資料中心的龐大投資整體看多，但承認時間節奏錯配是真實風險。第四，他對 AI 的就業衝擊有一套自己的邏輯——不是否認衝擊，而是從人口結構倒推生產力缺口。合起來看，這不是一場唱多的公關訪談，而是一個同時押注又清醒計算風險的人，說他真正在意的事。

◎資安：不是以後的問題，是現在的問題

Taylor 說得很直：AI 模型擅長寫程式，就同樣擅長找漏洞——不管是有原始碼還是純粹黑箱測試都一樣。他跟很多資安長聊過，對方現在面對的處境是：AI 幫他們找出數千個系統漏洞，但如果全部修補，系統可能直接掛掉。所以現實的選擇題是要系統跑著，還是要系統安全——而這兩個答案暫時沒辦法同時選。他特別點名中小企業和地區醫院：基礎設施老舊，資源有限，偏偏是最容易被打的目標。他的結論是：我們需要更多資安新創把解決方案做成開箱即用的產品，讓那家地區診所不需要養一支 IT 團隊也能有基本防護。這個問題不是 AI 創造的，但 AI 讓現有漏洞全部同時浮出水面。

◎Open weight 模型：省錢邏輯沒你想的那麼穩

企業考慮用開放權重模型（Meta 的 Llama 這類可自行下載部署的模型）通常有三個理由：便宜，可以針對自家業務微調，以及資料主權。Taylor 對前兩個理由都有保留。成本這件事，他認為前沿大廠——OpenAI，Google，Anthropic 這類自己蓋晶片生態的公司——因為算力規模最大，能把訓練好的大模型蒸餾成便宜的小模型再賣，而且還比第三方做得更有效率。換句話說，如果你用開放權重模型純粹是為了省錢，大廠遲早會把價格壓到讓這個理由站不住腳。資料主權的論點他也不太買——他說這跟二十年前資料不能放雲端的爭論一樣，最後都可以用合約和架構設計解決，不一定要自己把模型跑在機房裡。他承認微調這個需求是真實的，這塊開放權重模型確實有它的位置，但要搞清楚為什麼用，不要因為聽起來比較自主就用。

◎資料中心投資：看多，但時間節奏是真正的風險

AI 的算力需求以天計算在成長，但蓋一座資料中心——選地，接電，建設——要好幾年。Taylor 把這個落差叫做impedance mismatch，直接翻就是：兩邊的速度根本不在同一個頻率上。Kutcher 從財務角度補充：現在整個系統的現金流還沒辦法覆蓋投入的資本，所以才看到愈來愈多債務融資。Taylor 沒有反駁這一點，他說這是真實的高風險。他看多的邏輯是：如果 AI 會寫掉大部分未來的軟體，加上客服，法務，銷售這些數位化工作，需求端的體量根本不需要做什麼樂觀假設就已經很大了。他也類比雲端產業：當年雲端基礎設施如果有一百家公司在競爭是不會賺錢的，但最後就那幾家，規模夠了就可以獲利。他的押注是 AI 基礎設施會走同樣的路。

◎就業衝擊：Taylor 的邏輯從人口結構出發

Taylor 沒有迴避就業這個話題，但他的切入點跟一般討論不一樣。他說美國（以及大多數已開發市場）現在正在維持就業率，同時工作機會是零成長甚至負成長——原因是工作人口本身在萎縮，在老化。如果要維持 GDP 成長，勞動力不增加的情況下，唯一的路是生產力提升。他的結論是：AI 不是來搶走工作的，是來填補一個即將出現的勞動力缺口。他舉的例子很具體：一個要開網路零售小店的人，過去可能雇不起行銷，廣告，客服各一個人，現在 AI 代理人可以幫他把這些事全部包辦。他說這會讓創業的門檻低到前所未有，而創業帶動的就業機會，我們現在還看不清楚規模。

Taylor 同時是 OpenAI 的監理者和商業 AI 的創業者，這個雙重身分讓他說的話有個特別的質地：他不能只唱多，也不會只講風險。這場對談最值得帶走的一句話，是他說採用 AI 最終會是企業的必要條件，而不是競爭優勢——因為你的對手也有同樣的工具。先動的人不一定贏，但不動的人幾乎確定會輸。這個判斷，身為總經理的你，現在就可以拿來對照自己公司的節奏。