家長，是最捨得為孩子花錢的一群人；可在資本市場上，教育公司卻最不值錢。今年上半年，全球資金近八成流向 AI；而整個教育科技吸引的資金竟連 AI 的零頭都不到，跌到十年新低。

仔細想想，這非常反常。過去要花大錢找名師才學得到的知識，如今有了 AI，幾乎人人可得。在這樣的情況下，教育理應是門愈來愈好的生意，但現實卻恰恰相反。

我想了一陣子後想通了：AI 把知識變得隨處可得，卻沒把「想學的心」也交到每個人手上；工具能加速的只有效率；它再厲害，也喚不起一個人求知的渴望。

現在很多做教育科技的團隊，把心力都花在打磨產品，他們相信工具夠好，人自然會想學習。但真的是這樣嗎？當我和這位創辦人聊完，我發現：沒有AI 之前，學習的門檻是「不知道」；如今，真正的門檻反而是「不想知道」。

回想一下，我們這輩子最拚命讀書的時期，是不是學生時代？那股用功，幾乎都是被外面推著走的。所以考試一結束，很多人這輩子就再也沒翻過一本書。因為真正推著我們的學習的，或許一直都是排名、父母的期待、外界的認可。

而那份想學的心，要從哪裡來？看看小孩就懂了：他們一天問一百個為什麼，沒有考試逼著，卻學得最快，因為問的都是自己真心想弄懂的事。這件事其實長大了也沒變：當「學習」是由你真正在乎的問題驅動，動機自然會長出來。

AI 把整座知識的寶山搬到我們面前，人人都成了知識的富翁。可是守著金山、卻沒有學習的動機，再富也和窮人沒兩樣。願你我坐擁這座金山，也永遠別弄丟了那份最寶貴、驅動我們學習的動機。

本篇文章授權刊登於《今周刊》專欄

什麼是「預測市場」？

聯準會下次會不會升息？今年會不會出現外星生命的證據？泰勒絲（Taylor Swift）年底前會不會結婚？

這些八竿子打不著的問題，在 Kalshi、Polymarket 這類「預測市場」平台上，全被變成一道道可以拿錢買賣、賭它會或不會的題目。你看好它會發生就買進，事情成真，合約就全額兌現，看錯則一文不值；中間只要有人接手，你隨時可以賣掉手上的部位離場。於是「事件的機率」第一次有了一個會即時變動的價格，越多人押注某個結果，價格就越高，這也是為什麼大選期間，預測市場的行情會被財經媒體當成比民調更靈敏的風向球。

講到這裡，多數人第一個反應大概是：這不就是運彩嗎？其實，關鍵差別在「你跟誰對賭」。買運彩，你是跟莊家對賭，莊家站在你的對立面，你贏他就賠；而預測市場更像一個交易所，你的合約是跟「另一個看法相反的人」成交，平台本身不下場，只賺交易量。

也正因為它長得像交易所，價格才會隨時浮動、可以隨時轉手，不必苦等終場或開票。而這樣的身分也反映在監管上：在美國，這些合約有個正式名稱叫「事件合約」（event contract），被當成一種金融衍生品、交由商品期貨交易委員會（CFTC）監管，而不是各州的博弈法規。

2024 美國總統大選點火，百業接棒

法規綠燈一亮，流量就湧了進來。2024 年美國大選期間，光是「誰會當選總統？」這一個市場，就為 Polymarket 累積超過 36 億美元交易量。市場一度擔心選後退燒，但熱度很快找到新出口：體育撐起了 Kalshi，政治與加密是 Polymarket 的主場，再加上聯準會升息、企業財報、天氣、Netflix 排名、明星動向等題材源源不絕，因為永遠有下一件事可猜。

2025 年，Polymarket 與 Kalshi 形成這個賽道的雙巨頭：前者起家於區塊鏈、以穩定幣結算，後者是拿下美國 CFTC 牌照的合規交易所。資本也重注押下：紐約證交所母公司 ICE 累計投入 20 億美元投資 Polymarket，Kalshi 則以約 220 億美元估值完成新一輪融資。

不做下一個 Polymarket！Yoso 從被巨頭忽略的市場切入

但兩強再大，也吃不下所有題目。當所有人都在問「除了這兩家，還有誰有機會」，James Shen 給出的答案，是一張完全不同的地圖。

這張地圖的重心，不在美國大選，也不在 NFL、NBA。這些全球熱門題目 Yoso 站上也有，但只當配菜；James 和 Yoso 團隊真正的主場，是兩大巨頭幾乎沒認真經營的一塊：板球。

會走到板球，不是拍腦袋的靈感，而是一連串推導出來的結果。「我們認為，Polymarket 和 Kalshi 以外，一定還有沒被滿足的需求，」James 說，「而這個需求，是那些當地人才在乎的事情，而不是全球性的事件。」

順著這條線找下去，幾件事湊在了一起：其一，板球是全世界第三大的運動，論觀眾規模與商業價值僅次於足球和籃球，印度職業聯賽（IPL）更是全球規模最大的板球賽事，一個國家上億人為它瘋狂；其二，印度人愛預測的程度不輸任何地方。兩大巨頭當然也上了 IPL 這種大賽事，但他們的重心始終在美式運動和政治上，而這片被忽略的縱深，就是機會的所在。

於是，Yoso 團隊先丟出一批題目試水溫。真正讓 James 意外的，是需求自己長了出來：板球是整個大英國協共同的語言，題目一開，澳洲、紐西蘭、南非、孟加拉、巴基斯坦的用戶接連冒了出來。

而板球只是一個入口，Yoso 更從這裡長出一整套在地化題庫，例如印度當地運動卡巴迪（Kabaddi），接著是印度版的真實世界資產（Real World Asset），包括當地藍籌股、有「印度版的S&P 500」之稱的 NSE Nifty 50、油價都能交易，再疊上一層文化與流量題目，包括天氣預測、名人在社群媒體的貼文與動態等等。
而真正讓這套打法運作起來的，是藏在題庫底下的兩台引擎。

第一台，是 AI 深度學習系統 。預測市場最耗人力的環節，不僅僅是撮合交易，還有要「開什麼問題」：一件大事發生，得有人即時把它拆解成一道定義清楚、能被客觀結算的題目。Yoso 把這件事交給了一批 AI：一部分機器人全天候盯著競爭對手的貼文、體育賽事與當地媒體，一有風吹草動就建議該開哪些題目，搶在兩大巨頭之前把流量接住；另一部分則負責把使用者天馬行空的「許願」，翻譯成一道定義清楚、可以結算的題目。最後，再透過另外的機器人(AI Agents) 來協助自動化造市、交易監控，來滿足交易者的需求。對一個要靠「在地、即時」取勝的平台來說，這等於把反應速度變成了護城河。

第二台，是一套 James 設計的財務機制：新用戶一進來，就有一筆可以直接交易的額度，達到一定條件才能把賺到的部分提領走。結果很直接：它獲取一個新用戶的成本，被壓到幾乎可以忽略，這也是它能在巨頭競爭之下快速長大的底氣。

成效會說話。這個今年二月才正式上線的產品，短短數月，幾乎沒花什麼行銷成本，年化交易量已突破一億美元，每週成交約兩百萬美金，累積約五萬個註冊地址。

多次創業學會的事

James Shen 大學唸的是機械系，但他真正著迷的是數學、心理學和哲學。「我是一個對很多東西有好奇心的人，所以我想要找到事情的底層邏輯。」James Shen 說。這股好奇心，把他一路帶進了區塊鏈的世界。他是連續創業家，也是活躍的天使投資人，更是幣安（Binance）最早的投資人之一。一路走下來，讓他累積出幾條反覆驗證過的判斷。

第一條，是關於時間。過去做 B2B 產品的時候，他相信功能要完整、做好才能上線。轉做面向大眾市場的 Yoso 時，他把這套整個推翻，因為對一個在夾縫裡搶時間的產品來說，「時機」才是命脈。

第二條，是關於用戶。他發現開發者以為重要的東西，跟用戶真正在乎的常常是兩回事。團隊曾經花很多力氣，把資料庫裡每個數字都調得精準正確，用戶卻完全無感。真正讓用戶留下來的，反而是入金順不順、下單會不會偏離看到的價格這些看起來很瑣碎、但是卻會影響體驗的事。

第三條，則是關於「做別人沒做的事」。他不跟巨頭比誰的手續費便宜。「當你手上有別人沒有的東西，定價就由你說了算，」，這也是為什麼他從板球和在地題目切入，因為與其在紅海裡殺價，不如去做找出自己的差異化。

而這些判斷，最後都指向同一個更大的信念。在 James 眼裡，預測市場不會只是一時的風潮。人類想下注的慾望不會消失，而各國法規遲早追上來，把這個市場定義清楚。等到市場越來越成熟，這個把「未來」變成資產的地方，會從一個小眾玩意，長成金融世界裡的一塊正經版圖。

一邊讀我就一邊在想：如果判斷力是人類最後的護城河，那它究竟從何而來？

一個資深工程師能一秒看出漏洞，是因為他曾親手寫過數萬行程式，在無數次的修正中累積了手感；一個名醫能一眼察覺病灶，是因為他診治過上萬個病人。判斷力不會憑空產生，它是知識與經驗長年堆疊後，慢慢培養出來的直覺。

換句話說，AI 時代被奉為圭臬的「批判性思考」，根基在於你既有的底子。如果打底不穩固，那人類引以為傲的判斷力，恐怕只是另一種形式的「幻覺」。

但現在的科技發展，正在加速掏空這個地基。

有科學家做實驗後發現，那些習慣讓 AI 代筆的人，其腦神經連結最弱，事後甚至記不得自己寫過什麼。換句話說，如果我們太習慣把閱讀、分析等動腦的工作交給 AI，很快地，我們會連驗證答案的能力都丟了。這樣，在某種意義上，我們正逐漸成為這個高科技時代的「新文盲」。

AI 的強大無庸置疑，但我也常提醒自己：那些看起來最沒效率的基本功，其實沒有捷徑。例如，把一份冗長的報告親自讀完、把數字自己算過一遍、把邏輯漏洞徹頭徹尾想透，這些看似原始又愚笨的動作，其實正是培養判斷力的「健身房」。（當然，雜事大可外包給 AI，但能鍛鍊思考的事情請一定要留給自己。）

這幾年，我無論再忙都堅持日走萬步，明明有更快的交通工具，走路真的是個緩慢的選擇，但正因為這看似「沒效率」的事情，讓我收穫了用錢也買不到的健康。思考也是這樣，當答案隨手可得，我們或許要問問自己還願不願意停下來，留一點「自己想」的慢功夫？

但 AI 改變的不只是創業者和科技產業，它也在重塑上游的資本市場，且正在改寫創投、私募、主權基金、企業資本之間過去清楚的分工。

世界經濟論壇近期的報告提供了這個現象的宏觀脈絡。報告指出，2025 年全球創投資金有超過一半流入 AI；而到了今年第一季，這個比例衝至驚人的八成。光是 OpenAI、Anthropic、xAI、Waymo 這四家公司，就吸走將近三分之二的全球創投資金。

這些數字不只反映 AI 的熱度。我認為，它們揭露的是一個更深的變化：AI 改變了科技公司的「物理屬性」。

過去，SaaS 是創投最熟悉的物種。一家典型的 SaaS 公司主要成本是人才與雲端費用，輕資產的屬性讓不同階段的創投對應到他們從種子輪到 IPO 的成長路徑。

但 AI 改寫了這個規則。一家領先的 AI 公司，背後是上萬顆 GPU、專屬的資料中心、長達數十年的電力合約。它們的資金規模、回收年限、風險屬性，已經不是傳統創投能單獨承擔的範圍。

更深層的轉變是，他們的成本結構也偏離了純軟體公司：軟體業的邊際成本趨近於零，但 AI 每一次推論都在消耗算力與電力。AI 對基礎設施的需求之大，甚至讓科技巨頭也跨進過去屬於公用事業的領域：微軟欲透過長期合約讓三哩島核電廠重新啟用；Google 則是大量採購小型模組化反應爐（SMR）技術，以獲取穩定且低碳的基載電力，當代最先進的「軟體公司」，跟我們過去的認知已經是兩回事。

當一輪融資需要百億美元，沒有任何單一類型的投資人能獨自完成。市場的反應，是出現一種「拼盤式」的資本結構：主權基金提供規模、企業資本提供策略、私募成長型基金提供執行力、傳統創投提供早期判斷，共同坐在同一張 cap table 上。這個五年前不可能成立的組合，現在已經是前沿 AI 公司的標準配置。值得注意的是，這些鉅額投資中有相當比例不是純現金，而是算力承諾。這種玩法，是手中只有現金的創投完全無法複製的。

在這種拼盤式資本結構下，創投本身的角色也在變化，必須學著與主權基金、企業資本共同出資。但我個人認為反過來看，早期投資的重要性反而被放大了。AI 公司從零到規模化的速度太快，有些不到一年就跨過一億美元 ARR（先不論這數字裡有多少水分，至少反映出市場對 AI 公司估值的耐心已被壓縮到極短），等到指標清楚時，估值已是當初的十倍。而能在那之前下注、能在創業點子還在白板上時就做出判斷的，只有最早期的投資人。

每一輪科技革命都會重新劃定資本市場的邊界。十九世紀的鐵路時代催生了現代債券市場，花了將近半個世紀；二十世紀末的網路革命讓創投從小規模實驗，成長為驅動科技產業的核心資本，也用了將近二十年。AI 正在對資本市場做同樣量級的重塑，但這次的時間表，看來只需要三到五年。

不是正式採購流程，就是一則 Discord 私訊。原來他們摔壞了一架價值 35 萬美元的無人機，有人從 Titan Dynamics 的網站上下載了設計檔案，用消費級的 3D 印表機，直接印出了一架替代品，試飛之後發現效果出奇地好，於是回頭問創辦人 Mohammad Adib：「你們有做政府生意嗎？」

Adib 和共同創辦人 Noah Benton 對看了一眼。兩個二十幾歲的年輕人，一個是寫了十幾年軟體的連續創業者，一個是從高中就開始設計飛行器的航太天才。他們對國防採購一竅不通。但他們的回答是：「Sure, of course.」

這一刻看似荒謬，卻揭示了一件正在國防產業發生的事：當無人機可以用 50 美元的塑膠在任何地方「印」出來，傳統的遊戲規則就不再適用了。

小型無人機如何顛覆現代戰爭

鏡頭拉到 2022 年烏克蘭戰場：幾百美元的消費級無人機，綁上炸藥後精準命中價值數百萬美元的裝甲車。這類「窮人的飛彈」打破了昂貴武器的壟斷，徹底改寫戰爭的成本結構。美軍也隨之轉向，2025 年底啟動的「Drone Dominance」計畫預計兩年採購 20 萬架無人機，目標將單價壓低至 2,000 美元。

但問題在於：傳統國防巨頭還沒跟上。過去的「護城河」反而成了絆腳石。

Adib 用一個思維實驗說明：假設你將一萬架無人機送到前線，一旦敵人啟動電磁干擾，這批飛機瞬間淪為廢鐵。若打電話給傳統供應商，他們得重新設計、開模，三到六個月後才能交貨。但在戰場上，沒人能等那麼久。

從 ZIP 檔到空中戰力！24 小時內完成「研發、製造與飛行」

表面上看，這是一家 3D 列印無人機公司。但 Adib 的定義更精確：他們在解決傳統國防的兩大痛點：供應鏈集中與反應速度。

攤開三條核心產品線，第一是硬體：超過 150 種可用 3D 列印的無人機設計，涵蓋固定翼與垂直起降機型。與同尺寸傳統無人機相比，Titan 只要十分之一甚至更低的價格，且一印出來，看一眼就知道怎麼組裝。

第二是軟體 Prometheus。這套系統能在十分鐘內從零設計出一架無人機：使用者輸入載重、航程與高度，Prometheus 就能自動完成空氣動力學、結構與電氣設計。面對這項任務，波音等大廠曾直言「這要嘛需要十年、要嘛需要一百億美元」，但 Adib 與夥伴從開源工具中找到路徑，兩個月後，全自動設計的飛行器便成功起飛，美國空軍更稱這是首個「在 24 小時內完成自主設計、建造與飛行」的飛行器實驗。

第三個產品 Vulcan，是 Titan Dynamics 產品線中最像科幻電影的一環。「它就是我們整家公司裝進一個箱子裡！」Adib 這麼形容。那是一座裝在 20 呎貨櫃裡的行動無人機工廠。裡面配備 3D 印表機、工具、螢幕、桌椅，以及一千套零件包。可以透過陸、海、空運送到世界任何角落，打開就能開始「印」出飛機。

把三個產品連在一起看，邏輯很清楚：Vulcan 解決無人機供應鏈集中的問題，Prometheus 消除設計週期的瓶頸，讓前線使用者可以在數小時內回應任何新的威脅，而不是像傳統那樣等上六個月。

不當封閉的無人機公司，用「買得到的零件」拆解大廠護城河

2025 年，3D 列印無人機賽道已趨成熟。面對奪下億元合約的 Firestorm，或坐擁強大自主能力的 Anduril 等強權，Titan Dynamics 的勝算不在技術規格，而在「開放性」。

「其他公司要求你買百萬美元的專屬設備，」Adib 指出，「我們的邏輯相反：去賣場買最便宜的印表機與塑膠，就能生產我們的無人機。」

不同於對手的封閉體系，Titan Dynamics 賣的是極致的自由度：使用者能隨意搭配任何品牌的電池、馬達或螺旋槳，不再受困於特定供應鏈。這種「去中心化」的特性，讓 Titan 的商業模式極其靈活，真正實現了「今天設計、明天開賣」的戰場即時性。

Titan Dynamics 挑戰傳統航太的四個非典型信念

Titan Dynamics 的潛力，其實是源自於 Adib 一套與主流背道而馳的信念：

1.沒有框架，才能打破框架

Adib 出生於孟加拉，九歲移民美國。他從小就是個「規則破壞者」：14 歲寫出萬人下載的遊戲；15 歲靠寫 App 賺到人生中第一筆六位數美金。當他決定做 3D 列印無人機時，所有專家都說不可能。

「專業知識有時是創新的枷鎖，」Adib  說，「受過訓練的人會被教導什麼行不通，但我沒有這些框架。」。例如，為了降低飛行阻力，機翼末端理論上越薄越好，但傳統模具很難造出如紙片般尖銳的邊緣。

Titan Dynamics 則利用 3D 列印能精準堆疊微小構造的優勢，印出了傳統製程無法達成的「極薄邊緣」(thin trailing edge)。這個小小的物理改變，讓空氣流動更平順，飛行效率竟比傳統機型高出 25%。他成功將一架高性能無人機的成本，縮減到僅需 50 美元的塑膠材料，把昂貴的「資產」變成了隨處可印的「消耗品」。

2.跨界思維的紅利：用軟體的「快」去解決硬體的「慢」

Adib 沒有航太學位，但他有十幾年的軟體開發經驗。表面上看，寫 App 跟造飛機毫無關係。但快速迭代、低成本實驗、數位化交付這些軟體產業的核心思維，恰好是傳統航太最缺的東西。

傳統航太改個設計要重開模具、耗資千萬；但 Adib 思考的是：如果設計變更的成本趨近於零呢？他將無人機定義為「數位檔案」，使用者只需下載 Zip 檔，十分鐘後就能開始列印。這種思維讓 Titan 徹底繞過了國防產業動輒六年的採購泥淖。「拆解龐大問題、快速驗證」是 Adib 數十年軟體開發的邏輯，才讓硬體製造從此擁有了軟體的進化速度。

3.既然會失敗 100 次，「那就快點把它失敗完！」

「如果你知道失敗 100 次後會成功，你會想多快把那 100 次搞定？」這是 Adib 的哲學。這種邏輯也延伸到產品：當無人機便宜到像子彈，指揮官就不再害怕摔壞飛機。低成本帶來的，是戰場上最珍貴的「容錯率」。

4.你的第一批客戶，可能已經在你的社群裡

Titan Dynamics 從未主動推銷。 Adib 只是單純在社群媒體分享他覺得「酷」的設計，竟意外吸引一群同樣是遙控飛行愛好者的軍方人員。這種「社群滲透」，讓 Titan 在完全沒有對外募資的情況下穩定營運兩年。近期，他們更獲得資本市場的強力背書，吸引了專注國防科技的 Tamarack Global、心元資本 ，以及矽谷頂級加速器 HF0等知名投資人。

一場關於「飛行」的製造革命

Titan Dynamics 正在經歷一場製造躍升。透過新型的「航太級」碳纖維列印技術（CBAM），他們打破了 3D 列印「脆弱」的既定印象。這種新製程產出的複合材料機體，強度高到人踩上去也不會壞，生產速度快了百倍。這項技術讓他們能以極低成本，生產出航程更長的中大型無人機。Adib 認為，隨著技術進化，未來甚至客機都能在極短的時間內完成生產。

九歲那年，Adib 坐在從孟加拉飛往美國的飛機上，看著機翼心想：「做飛機的人一定很酷。」。

現在他真的在做飛機。這場從一則 Discord 私訊開啟的革命，已經演變成真實的飛行。如今 Titan Dynamics 的機翼正飛翔在四大洲的天空之中。

有些人在同一個領域深耕了多年，結果一抬頭，發現整個市場一夕間只剩 AI，開始懷疑自己是不是選錯方向？更有不少人感到困惑，不知道自己現在努力的事情，十年後還存在嗎？創業者的「身份認同危機」，大概從來沒有像現在這樣強烈過。

其實我能理解大家的焦慮，但同時我也發現，大家常問：「接下來該做什麼？」，但卻很少有人問：「我當初為什麼要做這件事？」

於是我把這個問題拿來問自己。記得第一次創業時，我其實並沒有什麼改變世界的遠大夢想或天才般的點子。我只是很享受「解決問題」的過程，哪怕只是很小的問題。我喜歡它帶來的成就感，也喜歡那種付出的努力一點一滴累積在自己身上的感覺。

後來做投資也是一樣。10 年前剛踏入早期投資時，我曾經問自己：希望變成什麼樣的投資人？那時答案很清楚：我希望成為創業者在每一個關鍵時刻第一個想到的人：不管是他剛有一個 idea 的時候，公司快要撐不下去的時候、懷疑自己做錯的時候，我都希望他們能第一個想到我、聯絡我。

十年過去了，早期投資的環境變了許多，但是這份初心未曾動搖，而現在我才發現，不管市場如何變，「想成為什麼樣的人」才是支撐我一路走來的動力。

AI 出現後，工作的方式、市場需要的能力迭代更快，但是，有些東西可能不會變，比如你為什麼做這件事的動機，又想成為什麼樣的人。

所以，現在當有人來問我該不該換領域做 AI？我會問：「你現在做的事情，能讓你跟心中想成為的自己更靠近一點嗎？」這是 AI 無法替你回答的，而或許，答案這就在這個問題裡。

本篇文章授權刊登於《今周刊》專欄

全世界的大學畢業生，正在經歷近年來最艱難的就業環境之一。在美國，電腦工程相關科系畢業生失業率達 7.5%，幾乎是全國平均的兩倍；英國《金融時報》指出，即便是哈佛大學商學院、麻省理工史隆管理學院等頂尖學府的畢業生，離開學校三個月後仍未找到工作的比例，自 2021 年起開始已顯著上升。

為什麼會這樣？

其中，很大的一個原因，在於 AI 正在重寫職涯的入門門檻。

長期以來，教育與職場之間存在一條相對穩定的通道：從學校畢業、進入初階職位、在工作中學習，逐步累積經驗並向上晉升。然而，AI 的出現，正在直接拿掉這條「從學校進入職場」的梯子。

史丹佛數位經濟實驗室（Stanford Digital Economy Lab）指出，在最受 AI 影響的產業中，22 至 25 歲族群的就業率已明顯下滑，首當其衝的正是軟體開發、客服與文書等過去由新鮮人承擔的入門型職位。

AI 出現後，企業直接用自動化取代新鮮人，不再需要花時間與資源慢慢培養人才；這對年輕世代的影響是深遠且全面的，當進入產業的入口消失，「新手」不再有機會變成「老手」，職場的巨大斷層正在浮現。

「我們收到了 2,000 份履歷，竟然找不到一個能用的人」

對於這樣的斷層，矽谷新創 Inference.ai 的創辦人暨執行長 John Yue 有著極為直接的感受。

他與我們分享，團隊曾公開招募一名工程師職缺，短時間內收到超過 2,000 份履歷，其中不乏來自常春藤名校的畢業生，「但在層層篩選後，最後卻沒有任何一位候選人真正符合我們的需求。」

在 John Yue 看來，問題出在一個被 AI 快速放大的結構性問題：企業對人才的期待已經全面轉向「即戰力」，但教育體系卻仍停留在過去的節奏，缺乏與產業同步的實作環境。

John Yue 以 AI 與機器學習相關職位為例，擁有 GPU 實戰經驗的人才是企業眼下最迫切的需求之一，但在多數大學課程中，GPU 仍是極度稀缺的資源。學生即便掌握了基礎理論，卻沒有機會在真實環境中訓練模型、理解產業實際需求，落差因此被進一步放大。

被忽略的另一個市場：AI 的「鏡像世界」

當多數企業專注於如何用 AI 降本增效、取代人類時，John Yue 看見的，卻是另一個被忽略、卻正同步擴張的市場。

「AI 帶來的其實不是單一的效率革命，而是兩個同時成長、規模相當的市場，」John 一邊解釋，一邊拿起紙筆，分別畫出一條往上、一條往下的曲線，「這兩條線，一個是企業導入 AI、節省人力成本的『效率市場』；另一個，則是被自動化取代、需要重新回到職場的『人類市場』。」

在他眼中，這兩條曲線就像鏡子一般：AI 每節省 1 美元的人力成本，社會另一端就同時產生 1 美元的「再就業」需求。

Inference.ai 的誕生，正是從這個「鏡像市場」出發。

AI 時代下「兆元級」的就業基礎設施

世界經濟論壇預估，未來五年內，全球將有約 8,300 萬個工作因自動化與 AI 而消失，約一半的勞動人口必須重新受訓，才能維持就業能力。對 John Yue 而言，這是一個正在形成的兆元級市場，「我們想做的，是替這些被 AI 取代的人，重建一條能回到職場的路。」

John Yue 進一步解釋，Inference.ai 打造的，是一個 AI 時代的「就業基礎設施」，幫助那些被 AI 取代的人重新被社會需要、重新返回職場。

Inference.ai 首先聚焦於當前最缺人力的 AI 與機器學習相關工作，這些職位門檻高、需要實作經驗，卻長期缺乏一條清楚、可規模化的培訓與就業路徑，並將產品分為三部分：首先，Inference.ai  會透過 AI 持續分析全球即時職缺與招聘數據，辨識市場中長期存在、卻難以補足的人才缺口。

接著，系統會將大量來自企業的職缺描述進行彙整與分析，並由 AI 精準拆解為結構化的技能樹。例如，針對「機器學習工程師」這類高階職位需求，AI 會逐層解析其所需的核心技能與實作能力，包含以 Python 為基礎的程式能力、模型訓練與推論流程的理解、PyTorch 等主流深度學習框架的實務應用，以及 CUDA 與 GPU 加速運算相關能力，並清楚定義每一層技能所需達到的知識深度與實務標準。

接下來，學員會進入到高度個人化的訓練與實作階段。與傳統課程最大不同之處在於，Inference.ai 所提供的學習體驗，並非由單向的靜態教材所構成，而是全面由 AI 驅動：「AI 教師」負責課程講解與即時問答；「AI 助教」則引導學員實作，協助他們在真實的開發與訓練環境中操作模型，使用分割式 NVIDIA GPU 進行機器學習與深度學習模型的訓練與推論。

除了 AI 實作以外，Inference.ai 也會搭配來自美國一線科技巨頭的業界真人講師，整個過程以「做中學」為核心，確保參與者訓練完畢之後，立刻就具備了符合業界標準的實戰能力。

最後，Inference.ai 透過 AI 面試官（AI Interviewer），搭配業界最新標準的機器學習題庫，幫助學生反覆驗證實戰技能。這樣一來，學員可在訓練後知道自己是否已經掌握實際的機器學習技能；對企業來說，AI 面試官則能事先在大量的候選人中，篩選出合格的人選，大量節省尋找人才的時間。

Inference.ai 的關鍵優勢從何而來？

不過，這套看似簡單的商業模式，其實並不是人人都能複製，而是與 Inference.ai 自身的技術體質密切相關。

Inference.ai 的核心能力，在於一套 GPU 分割化（fractionalized GPU）基礎設施。簡單來說，就是在不犧牲效能的前提下，將高效能的 NVIDIA GPU 精細拆分為多個可負擔的小型運算單元。如此一來，學員就得以用極低的門檻，直接進入與業界一致的真實模型訓練與推論場景，而非停留在模擬環境或僅止於理論層面的學習。這正是多數教育與培訓平台，長期受限於成本與技術門檻而無法跨越的關卡。

也因為算力不再是瓶頸，Inference.ai 才能將 AI 驅動的訓練與技能驗證流程快速複製，並實際協助學員取得進入美國大型科技公司的「入場券」。

正因為有可驗證的實戰成果，在尚未投入任何付費行銷的情況下，Inference.ai 的產品已在美國工程師社群中自然擴散；同時，他們也與多所北美的大學與培訓機構合作，協助學生與在職工作者在 AI 時代快速銜接職場。目前，Inference.ai 的社群已累積超過千名成員，完成四個梯次的訓練，且人數仍在快速成長中。隨著學員完成訓練並重返職場，他們又回流社群成為導師，持續帶入新成員，逐步形成一個能自我維持、持續擴張的成長飛輪。在商業面，Inference.ai 已實現獲利營運，平均毛利率超過 90%，為其「就業基礎設施」模式提供了強而有力的經濟基礎。

當 AI 從「工具」變成「競爭者」

談到 AI 是否取代人類，John Yue 幽默地比喻道，「AI 更像是外星物種」，他認為，AI 與過去歷史上的技術躍進有著本質上的不同，「過去不管是工業革命還是電腦革命，本質上都是讓人類更有效率，是『輔助』的角色」，但是當生成式 AI 開始接手思考、寫作與決策，技術的角色就從「輔助」轉變為「競爭」，「我認為這次的 AI 革命更像外星人的入侵，他們不是來幫忙的，而是來與人類搶奪飯碗的！」

也正因如此，Inference.ai 選擇了一條不同的路。當世界上最強大的算力被用來取代人類工作，他們選擇用同樣的算力，去重建人重新「被需要」的可能。

AI 奪走了舊的工作方式；但對 John Yue而言，真正重要的，是能否為那些被取代的人，重新鋪出一條回到職場的路。

他說，當初嘗試用 3D 列印取代傳統製造時，專家的第一反應都是：「不可能！」他感嘆，受過正規訓練的人被反覆教導什麼行不通，腦子裡有太多 Mental Blockers（心理枷鎖），但他因為沒有這些專業的包袱，反而敢直接嘗試。

這段話對我啟發極大。我們過去深信專業知識是護城河，卻忘了它也會帶來盲點。當一個人對某領域過於了解，思考便容易形成固定的框架，這或許能避開失敗，卻也同時排除了那些通往成功的微小機率。

在 AI 把知識門檻壓到接近零的時代，「知道什麼」已經不稀罕。我認為，此刻真正具備價值的，是那種「不被規則定義的想像力」。創新的起點，關鍵往往在於包袱夠少。外行人因為不知道那是牆，才敢用力去撞，並快速驗證專家眼中的荒謬。決定勝負的關鍵在於：你腦子裡裝了多少「不可能」？如果你裝滿產業既定的規則，可能連起跑的勇氣都沒有。

這讓我聯想到自己的經歷。進入創業與投資的世界之前，我是職業網球運動員。現在回頭看，當時那種看似外行的「劣勢」，反而成就了現在的我，讓我得以跳脫既定模板，善用運動員的直覺：看創業者的意志力、逆境中的紀律，以及對勝利的渴望；也正因為不帶包袱，我對「非主流」點子的包容度與好奇心反而更高。

在 AI 時代，我時常提醒自己要保持一份「業餘感」。這不是說要不求甚解，而是保持那個不被成見污染的好奇心。別人的經驗可能是你的天花板，而你的「空白」則是通往無限可能的起點。

下次當有人告訴你「這行不通」時，請自問：「那是真的行不通，還是他腦中的 Mental Blockers？」，這份「劣勢」，或許正是你突圍的契機。

本篇文章授權刊登於《今周刊》專欄

這場史詩級的「退稅馬拉松」已鳴槍起跑，在申報報案件預期將塞車的背景下，過去被視為僵化、低效率的關稅行政流程，正迎來 AI 技術的革命性轉型。

儘管美國「退稅制度」（Duty Drawback）已存在兩百年，但過去因高度仰賴人工比對非結構化文件，流程動輒耗時一年，且傳統報關行因報酬有限、處理週期長，多不願主動承接。這使中小企業即便符合資格，也常因門檻過高而放棄。

事實上，在美國的貿易制度中，關稅並非不可逆的支出。只要符合條件，企業仍可申請退還大部分稅金，例如：進口至美國後再出口、在美國完成製造後外銷，或因退貨、銷毀而未實際在美國市場消費的貨品，皆可能符合退稅資格。這套制度已存在超過兩百年，是美國為鼓勵出口而設計的正式機制。

然而，制度雖然存在，實際使用率卻偏低。主要是因為傳統退稅流程高度仰賴人工，涉及大量非結構化文件的整理、比對與法規判斷，往往耗時數月，甚至超過一年。對中小企業而言，即使知道制度存在，也常因執行門檻過高而選擇放棄。

此外，從產業結構來看，傳統報關行多半不主動承接關稅退稅。這是因為退稅涉及高度專業的法規判讀與長時間的文件比對，即使是具備多年經驗的專家，仍需投入大量人力處理個案。更重要的是，「關稅退稅」案件對報關行來說，報酬有限、處理週期長，難以成為主要營收來源，因此往往被視為非核心業務。

正是在這樣的斷層中，AI 開始發揮關鍵作用。隨著資料擷取與文件解析技術成熟，原本高度人力密集的流程得以被 AI 重建，讓企業退關稅，第一次具備規模化的可能。

在美國，已有不少公司切入此一領域，例如，由台灣人成立的 Pax AI，便透過自動化資料擷取與自行設計的演算法，將原本需耗時數月的退稅流程縮短至數週。企業不必事前整理文件，只要提供原始資料，系統便能直接計算可退稅額。Pax 以演算法重寫退稅流程，再搭配具備多年實務經驗的專家，成立一年多便入選矽谷知名加速器 Y Combinator，並獲得 450 萬美元早期投資，累計處理的關稅退稅金額已達千萬美元等級。

相較之下，全球供應鏈平台 Flexport 則將退關稅，納入其供應鏈服務中。Flexport 透過自動化資料收集與平台分析工具，整合進出口、ERP 與其他系統資料，自動找出可申請退稅的機會，並簡化文件準備與申報流程，使原本繁複的流程更有效率。

兩者同樣導入技術，但切入點有所不同。Pax 著力於退稅流程的自動化與金額最佳化，而 Flexport 則將退稅視為供應鏈服務中的一環，強調流程整合與管理效率。美國另一家新創 Caspian，也同樣透過 AI 自動分析企業的貿易與庫存紀錄，快速辨識可申請的退稅機會並提交申請，並已獲得創投支持，顯示這類以技術重構關稅退還流程的模式，正逐漸形成新的產業趨勢。

在美國主導下，全球已全面進入新的關稅時代。關稅支出不再只是帳面上的合規成本，對企業利潤結構的影響也日益明顯。然而，隨著 AI 技術降低關稅退還的執行門檻、大幅加快效率，企業開始在新的關稅環境中看見一絲生機，得以將過去被視為沉沒成本的支出，轉化為可回流、可活用的現金流。

這對創業者來說是一個殘酷的警告。當取得一個夠強的模型愈來愈容易，你的優勢還剩下什麼？以前，一個好點子可以讓你領先市場半年；現在可能不到一個月，滿大街都是功能差不多的競爭對手。

這種現象在新創圈中顯露無遺。當所有人都在使用同一套模型，創業的點子已不再值錢，因為對手只需幾週就能複製你的成果，起跑線已經被徹底推平。

這時候，競爭的關鍵反而回歸到最根本的東西：「人」。

身為投資人我觀察到一件事：這些東西競爭對手都買得到，但他們唯獨買不到創辦人的判斷力、人脈網絡，以及長年累積的信任感。

AI 雖然極大化了生產力，卻也篩選出人與人之間的差異。這種差異首先體現在「判斷力」。這裡我說的不是點子，而是洞察：AI 可以高效完成任務，但它無法告訴你哪個題目才真正有商業價值。這種辨識痛點的直覺，就成了最核心的優勢。

同樣重要的是「信任」與「通路」。在產品高度同質化的市場中，客戶最終選擇你，很少是因為你的模型多厲害，更多是因為你們之間那份無法被數位化的長期連結；而當AI讓產出變得唾手可得，「能否把產出送到對的人手上」的重要性反而達到前所未有的高點。

第三是執行的速度。在AI還沒普及的年代，執行慢的團隊可能還有時間的優勢；但當對手能快速複製你的產品時，你能不能在被追上之前跑到下一個制高點，將決定你的輸贏。這種快速應變的能力，現在已經是最基本的門票。

AI 放大平庸，也放大卓越。如果你的優勢還只有「我有一個好點子」，這個時代會非常殘忍；但如果你的優勢是信任、判斷力與執行力，AI 將會是史上最適合你的武器。

本篇文章授權刊登於《今周刊》專欄