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

在密西根州立大學的宿舍裡，David 和兩位同學  Achyut Byanjankar 與 Soami Kapadia 決定自己動手。每到週末，他們把自己鎖在房間，對著白板和筆電想各種解決方法，還給這段沒日沒夜的時光取了個熱血的名字：「宿舍黑客松」（Dormathons）。

誰也沒想到，這場宿舍裡的實驗，會在短短一年內，在預算幾乎為零的情況下，滾出 150 萬名用戶。甚至連遠在埃及、敘利亞、印度的學生都發現了這個工具。到了 2025 年，他們正式拿到矽谷頂級加速器 Y Combinator 的門票，這三個大學生，真的把「不耐煩」玩成了一門生意。

「我們不想再浪費時間看教學影片！」

聊起創業初衷，David 坦言，大一相識時，他們只是單純想幫自己解決麻煩。「一開始，我們只是不想再看那些教學影片，所以隨手做了一個能幫我們快速理解內容的小工具。」，「但後來我們就想：既然我們覺得痛苦，會不會其他人也一樣？」

於是，在沒有任何精美商業計畫書的情況下，他們抱著「試試看」的心態，把產品原型丟上社群媒體 X，結果不到幾天，後台竟然湧入上萬名用戶。這讓他們第一次意識到：原來全世界的學生都在等一個能拯救學習效率的工具。

把學習素材變成「互動式」家教

YouLearn 到底在做什麼？簡單來說，它把原本「死板、密集」的學習材料，轉化成更生動的形式，讓人能夠更快理解與吸收。

過去我們讀講義或看錄影，總是要自己痛苦地抓重點。現在，學生只要把 PDF、課堂錄音或 YouTube 連結丟進 YouLearn，平台就會將這些素材，變成一位 AI 導師。使用者可以隨時提問，或根據剛剛學過的內容生成測驗題和記憶卡（flashcards），檢查自己是否真的理解了。

「我們發現，學生其實很渴望理解，而不是單純要解答，」David 進一步說明，「所以我們的產品設計的核心是讓人真正『學會』。我們不會一開始就丟出答案，而是讓使用者變得更有參與感。」

Youlearn 如何靠「去摩擦化」留住 200 萬用戶？

回顧最初的產品版本，David 坦言，很多東西一開始其實都行不通。連最基本的「上傳文件」都不順暢。團隊幾經嘗試後意識到，應該回到更根本的問題：使用者真正想要的是什麼？

答案很簡單：他們想馬上開始學習。

「我們發現，學生並不想花時間研究工具，所以我們就專注在降低產品使用上的摩擦。」，David 舉例，「像是上傳資料應該簡化在 2 個步驟內完成、上傳後的內容要即時處理，讓用戶一進到平台就能直接與 AI tutor 互動。」

另外，Youlearn 的團隊也發現，多數的學習工具都是碎片化的，學生在不同的分頁之間切換，大幅降低了效率。於是，他們將單字卡、筆記、對話與測驗集中在同一個空間，「我們的目標很簡單，」David 說，「把所有的摩擦力降到最低，讓學習變得極度容易。」

第二個關鍵學習，是簡化願景。

早期團隊對產品方向有過許多天馬行空的想法，也嘗試過多種可能性，但成長卻一直受限。真正的轉折點，是他們決定停止追逐多個方向，只專心在一件事：觀察學生怎麼使用產品。

在產品剛爆量成長時，David 坦言，「當時我們只看得到流量，卻不知道使用者具體在做什麼」，於是團隊開始建立追蹤指標與分析機制，回看使用行為，讓每一次產品迭代都有數據作為依據。

從數據中，他們看到一些關鍵行為：學生會反覆追問同一個概念，花好幾個小時完成測驗，甚至持續收聽 Youlearn 生成的 podcast。這些訊號讓團隊更確信，學生要的不是直接給他們答案，而是真正的學習。

但是，光有這些洞察還不夠，如果樣本太小，這些假設也沒辦法被驗證。於是團隊開始有意識地擴大知名度，他們知道，大學生更相信創作者，於是他們繞過傳統廣告，直接在 Instagram 與 TikTok 上跟小網紅合作。

(圖片來源：YouLearn Instagram)

「我們自己就是學生，很清楚大家在哪些社群停留，也知道什麼內容會讓人想看下去。」David 說，學生追求的是「立即價值」，比如「如何一小時學會這門課」、「如何更快記住某某內容」，因此與其大談品牌願景，他們選擇直接示範產品如何提升學習效率。這種基於對同齡人習慣的深刻理解，才讓 YouLearn 的增長策略真正落地。

爆紅了，然後呢？

第一波成長來得很快，該學年結束時，Youlearn每月活躍學生數已達約 20 萬人，更特別的是，這些用戶遍佈全球，包括埃及、敘利亞、印度等地的學生都主動在社群上分享。

但對團隊而言，真正的挑戰不在流量，而是留存率。

David 觀察到，現在的大學生習慣嘗試各種 AI 工具，但退出率也很高。於是，團隊開始更細緻地研究使用者行為，例如是否完成整段學習流程、是否回到平台進行第二次練習、哪些地方會卡住？哪些地方又讓學生繼續使用？「留存率」成為產品迭代的核心指標。

從數據中，他們發現，不同學科的學習需求截然不同。David 舉例，醫學院學生需要大量記憶，因此，系統就會強化單字卡與重複練習機制；法律系面對的是密集的文本與判例，平台則著重於拆解論證、釐清前提與結論間的關係；至於數學相關領域，則會加入計算題的推導，協助學生驗證公式與模型。YouLearn 的初衷很單純：降低整理資訊的成本，讓學生把時間用在「思考」本身。

針對不同科系的學生的學習方法改善後，Youlearn 的留存曲線也開始穩定上升，逐漸地，不少用戶開始從免費版升級為付費版，以獲得更完整的學習體驗。

有了良好的產品基礎，外部的驗證也隨之而來。2025 年，YouLearn 成功被選入 Y Combinator，並完成種子輪募資，正式踏上更大的舞台。

這個時代，每個人都能有一位專屬自己的 AI 導師！

Youlearn 的誕生，其實也來自David 個人的學習經驗。回顧大學階段，他認為對自己幫助最大的，是學會「如何學習」。

「我以前研究過一些更有效率的學習方法，例如刻意拉開複習間隔、強迫自己主動回想，而不是重複閱讀筆記。」，David 發現，當學習方式改變，吸收知識的速度也大幅提升。「關鍵在於理解，而不是死記，若還能加上實際運用知識，你會記得更久」，在高中時，他為了打造自己正在創立的電商品牌，翹掉了數百小時的課程，同時也不斷磨練自己的學習方式，好讓自己能更快完成課業，而不是被動地坐在課堂上聽講。

這樣的經驗，深刻影響了 YouLearn 的產品方向，他相信未來的教育會更少強調背誦，更多著重批判性思考與理解力。

面對 AI 正在重塑教育的浪潮，David 對 YouLearn 的想像其實很簡單，也很大膽：讓學習像人們想像中的「捷徑」一樣有趣，但不因此犧牲真正的理解與記憶。

他的目標很清楚：讓每個人都能擁有一位 AI 導師。他說：「YouLearn 的目標不是讓學習變得毫不費力，而是讓它更個人化，保持在剛好有點挑戰的程度，同時又真正有趣。這樣我們才能更聰明、更有效率地學習，也真的把知識學會。」

過去，選擇一條大家認為「穩定」的路，往往可以讓人安穩一輩子。然而現在科技變化太快了，那些安全的選擇很可能在幾年內就被推翻。

我覺得，與其找出「最有前途」的那條路，或許值得思考的是：有沒有一件事情，能讓你投入到忘記時間、還甘之如飴？

前陣子，一位朋友跟我分享：一位國中生相當著迷於 Roblox 和 Discord，起初他跟多數孩子一樣，只是一個愛玩遊戲的青少年，但慢慢地，他開始找資料、看教學影片、加入不同社群，和世界各地的玩家交流。

後來，他不再滿足於只當玩家，他自學程式、開發工具，替社群解決實際問題，讓溝通更有效率；最近他甚至迷上日文，主動要求老師增加難度，只為了和更多不同國家的人順暢交流。

從玩家、自學者到創作者，再到跨文化的溝通者，整個過程裡，沒有人強迫他學習（也慶幸沒有人幫他貼上「打電動沒前途」的標籤），一切只因為他真的著迷，所以投入時間並主動探索，當他談起自己正在做的事時，眼睛會不自覺地發亮，那種專注與興奮，是任何考試成績都無法取代的。

其實真正推動人成長的，正是這種「眼中有光」的狀態。當一個人找到讓自己著迷的事物，自然會延伸出學習力、溝通力、技術力，甚至跨文化的理解。這些能力一開始還沒有清楚的職業名稱，但它們正在悄悄累積，成為未來的底氣。

無論此刻你在人生哪個階段，都可以問自己：你願意為了什麼事而日復一日的沉浸其中？什麼事會讓你的眼神重新發光？給自己一些探索的空間、允許自己去走一些看起來「沒那麼直線」的路吧！願大家都能找到那個眼中有光的自己。

本篇文章授權刊登於《今周刊》專欄

這番話，恐怕動搖了許多人深信的觀念：只要沿著成功模板前進，人生就會走上正確的路。然而科技更迭太快，那些曾被視為安全的專業技能，壽命正在急速縮短。 

Elon Musk 點出了連醫學這種高度專業都可能被科技推翻，但他沒講的是：我們該如何應對？

我想起自己人生中幾次大膽的選擇。我一路從網球國手、名校，再跨到創業與投資，身上貼滿了社會定義的成功標籤，看似順風順水，但只有我自己知道，這其中是經歷了多少次劇烈的身份轉換與心態調適。

在我看來，不管你身在什麼領域，最重要的是要有隨時重新調整的能力與膽識，這遠比你有什麼頭銜更加重要。

網球、創業與投資，這些領域天差地遠， 但每一次跨界，對我來說都是自我框架的粉碎與重建，而我性格中的冒險基因與好奇心，驅使著我走進一個又一個充滿未知的領域，讓視野與歷練更加寬闊。

若當時的我選擇留在熟悉的球場，現在應該已是一名專業教練，那會是一份令人尊敬且安穩的工作；若當時的我，沒有打破既有思考、沒有在碰到陌生領域時調整轉向，我今天就不可能在瞬息萬變的商場生存，更遑論進入需要宏觀判斷的投資領域。

這也是我後來的觀察：極致的「反應速度」與「適應力」是成功的人都擁有的共通強項。環境風向變了，他們不會在原地懊惱，而是承認原本的假設失敗，果斷尋找下個突破點。他們大膽嘗試、不怕跌倒、修正速度也比別人快，因為就算跌倒了，一路上的收穫也足以讓他們航向更遠的地方。

Elon Musk 的發言確實讓人深思；但無論如何，這種隨時打破既有框架的應變力，才將是帶我們穿過暴風雨的指南針。

本篇文章授權刊登於《今周刊》專欄

4 月 2 日，美國總統川普（Donald Trump）宣布啟動大規模「對等關稅」，消息一出，企業的價格、庫存、採購節奏與市場擴張計畫全面被打亂，美中也迅速進入報復與反報復的循環，跨境供應鏈像被突然扭曲的鋼索般緊繃，整個世界陷入空前的不確定性。

半年過去，各國仍在談判桌上拉鋸，企業則在現金流壓力下努力調整生存策略。在這樣的局勢下，任何能降低成本、提升現金彈性的制度，都變得前所未有地重要。

也正是在這個時候，一項其實已經超過 200 年、卻長期被忽略的機制，再次被拿出來討論：「關稅退還」（Duty Drawback）。

「很多企業甚至不知道自己繳的關稅可以退回來。」專用 AI 幫企業退稅的新創 Pax 創辦人陳品衣（Penny Chen）說，她在與客戶訪談的過程中，反覆看見同一個現象：企業每年上繳百億美元的關稅給政府，真正被退回的只有約 20%。剩下的 80%、將近 150 億美元的金額就這樣躺在那裡無人申請，「It’s free money left on the table!」，她語帶無奈地補充。

這個巨大的斷層，意外成了 Pax 的切入點。Pax 以 AI 為核心，用演算法幫助企業找出比傳統服務商多 15% 的可退的關稅金額，並把原本動輒半年以上的流程壓縮到十多個工作天。企業第一次看見，原來只要善用 AI 工具，關稅退稅將不再是枷鎖，反而可以成為改善現金流的即時力量。

企業其實可以不用關稅「萬萬稅」！誰適合退稅？

「關稅退稅」是一項由美國海關與邊境保護局（CBP）實施、用於退還企業已繳交的進口關稅，不是一般民眾熟悉的所得稅退稅。企業只要因進口美國的商品曾繳過關稅，後續又符合再出口、加工後再出口，或在美國境內就地銷毀等條件，便能依法取回部分或全部已繳的稅金。

最典型的案例來自製造業：企業從海外進口原料，在美國完成加工後再出口成品，先前繳付的關稅便能依法退還。

另一個典型案例來自零售商與經銷商：企業自海外進口商品，若該商品在美國並未銷售或使用便再次出口，先前繳付的關稅同樣可以依法申請退還。

近年快速成長的跨境電商與大型零售商，也同樣高度符合退稅資格。貨品在美國境內移往海外倉庫視為出口，若消費者退貨後在美國就地銷毀，也都在規範之內。

換句話說，許多日常的物流動作，像是移倉、退貨、銷毀等，表面上看起來與營收無直接關聯，但實際上都蘊藏著可觀的退稅金額。只要能清楚地梳理商品的流向，企業就能把原本就屬於自己的錢拿回來。

流程複雜、工具老舊，為什麼傳統退關稅如此困難？

不過，儘管制度不難理解，但真正困住企業的，是落地執行的高複雜度。陳品衣說，除了不同商品、不同進出口情境都有各自的計算方式以外，更令人頭痛的是，關稅退還所需要的資料，通常散落在 PDF、Excel、ERP 之間，企業得從一堆格式不一、怪形怪狀的發票、報關單、物流紀錄裡，把資料整理成政府單位需要的樣式，極度耗時。

由於流程複雜，很多公司選擇交給專門的服務商，但問題並沒有因此變得簡單。傳統服務商用的仍是20多年的舊式軟體，流程大量仰賴人工，一個案件得手動輸入、逐筆比對，第一次申請的企業從送件到實際拿到退稅，甚至要等整整一年。也因為這個流程笨重緩慢，許多服務商只願意接一年退稅金額 10 萬美元以上的大客戶。這代表中小企業即使符合資格可以拿回關稅，卻常連願意受理他們的人都找不到。

「這是一個有趣的數學問題！」，Pax 如何用演算法幫企業多退 20%？

陳品衣最早接觸關稅退稅，是在 Flexport 擔任研究員的時期。當時她很快發現，這個流程牽涉大量資料清洗與規則比對，透過與業界專家交流，她試圖理解市場真正的痛點，「我發現大家的困境幾乎一模一樣：明明有資格拿回已經繳的關稅，卻因為不了解制度、沒有工具、也找不到願意服務的廠商，最後只好作罷。」

陳品衣是麻省理工學院（MIT）博士，專門研究演算法設計，「從我的角度來看，關稅退還其實是個很有趣的數學問題，只是以前沒有人用演算法的方式去解決它！」

Pax 在做的事，用一句話說，就是企業關稅版的 TurboTax。TurboTax 是美國最普及的報稅軟體，把繁瑣的規則拆解成標準化的流程，讓納稅人一鍵報稅；Pax 想做的，是在企業關稅退還的領域重現同樣的體驗，讓企業不用懂法規、不用整理資料、不用曠日費時，就能把該退的關稅拿回來。

不過，要做到這一點，最困難的第一步，是解決「資料混亂」這個最根本的痛點。

目前，市場上處理關稅退還的服務商花最多時間的地方，是資料前置作業。為了能進入後面的流程，企業往往得先提供所有文件，且需要整理成統一格式，光是這一段，就是大量的人力與時間成本，也是絕大多數企業在第一次接觸關稅退稅時最感到挫折的原因。

Pax 的做法，是將「手動整理」這一段拿掉，企業不需要先整理任何文件，只要將原始資料交給 Pax，他們的系統就會自動讀取、提取關稅退還所需的資訊，並把非結構化的數據變成能計算的結構化資料，省去大量時間。

第二步是演算法。陳品衣與團隊自己設計演算法，系統會挑出哪一個排列組合能退還的關稅最多。許多企業把案件丟給 Pax 計算後，還能額外退回比過去人力檢視多 15%～20% 的金額。

最後一步，是把資料真正送出去。Pax 在演算法算出可退金額後，由自家的稅務專家確認後直接向政府送件。因為 Pax 已取得美國核可的送件資格，整個流程不需要傳統的往返，在這樣的模式下，企業過去要等上半年～一年的流程，如今往往只需要 10-15 個工作天，效率大幅提升。

一個冷門但被忽略的大市場，正在被 AI 重新打開

關稅退稅長期被視為貿易制度中的邊陲，但實際上，它是一套存在超過 200 年的制度，牽動著進口、加工、出口等整條跨境供應鏈。只要企業有進出口行為，就可能涉及退稅資格，因此涵蓋的產業遠比一般想像得廣。

也正因如此，這是一個成熟卻分散的市場：雖然美國有十多家服務商深耕多年，流程仍高度仰賴人工、導致大量原本就有資格的退稅金額長期躺著不動，像是被遺忘的「沉睡的現金」一樣，等待被重新喚醒。

Pax 將這個問題透過演算法重寫，再搭配經驗豐富領域專家，成立一年多，即入選矽谷知名加速器 Y Combinator、獲得 450 萬美元早期投資，處理的關稅退稅金額規模也達到千萬美元等級。而在今年川普關稅宣布後，企業的需求瞬間爆量，Pax 的營收也隨之跳增三倍。

對一個不到 10 人的早期團隊而言，這樣的成績單除了來自產品實力以外，也來自政策風口的加持，更清楚證明：「關稅退還」是一個巨大且被嚴重低估的市場，而 Pax 正站在這個缺口最前線。

展望未來，陳品衣認為，回顧歷史，美國其實已多次調整相關法規，這項從美國建國就存在的制度，200 年間不斷被修補、調整，也因此越來越複雜。「我認為關稅只會增，不會減」，陳品衣說。在供應鏈重組與地緣政治拉扯下，企業肩上的關稅負擔難以回到過去，而關稅退還的需求只會愈來愈強。

「關稅退稅」是一項在變動世界裡，應該比以往更需要被重新理解、重新運用的制度，陳品衣期望透過 AI 與自動化，幫助大大小小的企業，把原本的成本壓力，轉化成現金流的韌性，在新的局勢下掌握更多主導權。

更令人焦慮的，是 AI 對教育體系的衝擊。百年來，教育與職場之間存在一條穩定的通道：從學校畢業、進入初階職位、在工作中學習、逐步晉升。

但 AI 的出現，正在抽離這條通道。企業寧多買幾個 AI 工具，也不願意手把手培養新人。紐約聯邦儲備銀行警告，美國應屆畢業生失業率攀升至 5.8%；史丹佛數位經濟實驗室研究則指出，22 至 25 歲年齡層的就業率明顯下滑，最受衝擊的包括軟體開發、客服與文書工作。

但我更關心另一個問題：那些被取代的人，要去哪裡？

當多數公司忙著用 AI 降本增效時，另一個潛力巨大的市場正在成形。麥肯錫預估，到 2030 年，全球將有超過 4 億人需要重新訓練或轉職。這意味著，未來有多少人被 AI 取代，就有多少人需要重返職場。我認為，這不只是危機，而可能是下一個兆元級產業。

在這波浪潮中，全球各國都開始行動：我國政府預計在 2028 年前培育 20 萬名 AI 人才，打造能直接對接產業需求的即戰力。而日本更進一步，從 2024 年度起啟動為期五年的再技能支援計畫，總投入 1 兆日圓，推動企業與上班族在 AI 應用與數位轉型領域重新學習。

在美國，也有新創投入這個領域。Inference.ai 正在打造一個以 AI 驅動、以人為中心的「就業基礎設施」，讓那些被淘汰的白領重返職場。團隊選擇從機器學習等高需求職位切入，這些崗位長期人力短缺，但入門門檻高。Inference.ai 的系統就像一座「AI 時代的駕訓班」，透過 AI 掃描全球職缺、拆解職能需求，建立技能樹與個人化訓練地圖。

依靠他們獨有的 GPU 分割技術，Inference.ai 讓上千名參與者不需負擔高昂成本，即可在真實的算力環境中實作，同時由美國一線科技公司的導師與 AI 教練共同指導。最後再透過模擬題庫與 AI 面試官，幫助學員完成技能驗證與求職準備。

目前 Inference.ai 在沒有任何宣傳的情況下，已經吸引超過千名工程師與專業人士主動加入社群，每週仍快速成長。這顯示，「讓人重新被市場需要」正成為新一代職場的核心命題。

AI 巨變來得很快，新的就業形態、教育體系與社會秩序已經在成形。對我來說，這不只是勞動市場的危機，更是一場關於「人如何與 AI 共存」的全球實驗，也是全人類必須親自參與、共同回答的問題。

本篇文章授權刊登於《經濟日報》專欄

這幾年，我有不少機會和不同世代的人聊天。我明顯感受到，他們對未來的迷惘比以前來得更早也更強烈。很多人上了很多課、能考的證照都去考了，卻還是會問：我到底該做什麼，才叫做「準備好」？

這些對話，讓我回頭思考我們熟悉的學習路徑。過去，多數人都是先選科系，花好幾年累積知識與技能，等進入職場遇到問題時，再從學過的內容中找出能用的部分來應對。

這種模式之所以一直運作得很好，是因為產業變化相對緩慢、知識取得的成本也高，如果不先準備好所需的技能，很多事情根本無法開始。

然而，這個前提正在被 AI 改寫。現在要學會一項技能，不再一定要投入多年時間，只要先知道自己想做什麼，相關的知識與工具可以後續再透過 AI 補齊。換句話說，知識正在通膨，單純累積技能，已不足以構成長期優勢。

在這樣的背景下，我越來越覺得，「先準備好再出發」的模式恐怕不再適用，甚至可能效率不彰。當我們正在從「先學再用」，走向「要用再學」，關鍵可能不在於你累積了多少技能，而是在於你清不清楚現在想解決的是什麼問題。

這樣的學習順序看似顛倒，卻可能更有方向。當然，我並不是說基礎知識不再重要，而是你該把他當成「辨識好問題」的導航地圖，而不是唯一武器。

能先找出問題的人，他的學習效率將可能呈現指數成長；反之，即使擁有再多知識，若無法看清要解決的問題，那他的學習恐怕會變得分散且混亂。

在迎接 2026 年、設定新的學習目標之前，我們可以先換一個問題問自己：接下來這一年，什麼問題值得解決？當方向走在前面，學習自然會跟上。或許，這樣準備未來的方式，反而會讓新的一年更令人期待。

本篇文章授權刊登於《今周刊》專欄