搜尋此網誌

2025年4月3日 星期四

剖析AI時代:未來職場兩項不可或缺的核心技能




🔍前提背景:AI Coding 的變局與意涵

隨著大型語言模型(LLMs)如 GPT-4ClaudeGemini 的進步,「自然語言變成程式語言」的時代已經來臨。這意味著程式開發的門檻不再只是掌握語法,而是能否精準設計需求並轉譯成AI可以執行的內容生成邏輯

換句話說,在AI工具幫助下:

Coding 不再等同於程式編碼,而是『將想法結構化,並將概念系統化設計』的能力」

隨著數位轉型浪潮加速推動AI工具應用範圍拓展,目前AI工具已經從技術工具演變成職場技能的一部分。

 關鍵字Digital Transformation, AI LLM Application, Systematic Thinking, Structured Prompting, Semantic Coding, Vibe Coding, 

 


那麼,面對數位技能轉型時代,AI工具玲瑯滿目,我們到底該培養哪些真正關鍵且具有AI時代競爭力的能力?


🧠 核心能力一:系統化描述能力(Systematic Descriptive Competency

定義:

能將模糊概念、需求、場景、問題,轉化為具邏輯性、可模組化、可實作的描述結構,其核心包括:

  • 系統架構理解(System Thinking
  • 系統化提問(Problem Structuring
  • 任務與角色建模(Actor-Task Modeling
  • 邏輯流程拆解(Flow Breakdown
  • 模塊設計與接口描述(Interface Design

為何它是未來基本功?

技術邏輯面(Technology Layer

AI 模型並不理解你真正的意圖,它只是在文字語意空間的組合中進行模式比對/匹配。若沒有經過系統化的邏輯拆解與引導AI 很容易產出偏離目標的結果。這也正是為什麼 Prompt Engineering 正在逐步轉向 Semantic Process Engineering 的關鍵原因。

🔧 應用:

  • 用多輪 prompt 設計來驅動 LLM 生成一個複雜應用(multi-shot or chain-of-thought prompts),例如利用MSM(Multi-shots Models)可任意開發出符合需求的多層次系統語意模型架構。
  • 撰寫對應的 API specs、邏輯結構圖,交由 AI 自動生成 microservices

應用邏輯面(Application Layer

當你需要跨部門、跨語言、跨平台協作時,受限於彼此的專業背景與領域認知,通用語言往往不是自然語言,是結構語言 —— 例如 user storydata flowsystem I/O specs

🔧 應用:

  • UX/UI協作設計MVP時,需清楚傳遞系統行為與狀態轉換
  • LLM做業務流程自動化,描述需涵蓋流程邊界條件與例外處理

市場邏輯面(Market Layer

你必須把「市場需求」轉換成「可驗證、可迭代的設計參數與功能邏輯」,這就是**需求工程(Requirements Engineering**的專業本質,而系統化描述能力正是需求工程的基礎功。



🌀 核心能力二:Vibe Coding(語感式程式邏輯能力)

專業定義:

不是傳統意義上的寫code,而是一種融合語言邏輯、功能直覺與系統設計的「語感式表達能力」,能透過自然語言與AI互動,快速構建可執行的原型邏輯。

這種能力的形成,不只是語法熟練,而是:

  • 熟悉 Prompt → Function Mapping 模式
  • 理解語言背後的技術語意與架構轉換(Language-to-Structure Mapping
  • 能用語言描述資料流、演算法、條件邏輯與元件結構,是一種用語言設計模塊、任務邏輯流程、整合不同角色與完成需求任務的方法,逐步取代傳統的語法手動撰寫過程。
  • 擅長將人類語言轉譯成 LLMs/Agents 可解析的行為流程

 

為何這項能力正在崛起?

技術邏輯面

未來的開發模式是「Co-pilot型共創開發」:人提出高層抽象描述 → AI完成底層生成人再優化修正。
Vibe Coding
是這種人機共創的中介橋樑

🔧 應用:

  • AI IDE(如 CursorReplit Ghostwriter)中,用語言構建整體應用框架
  • 透過Prompt寫一個Agent行為流程(事件觸發行動記憶條件決策)

應用邏輯面

未來的「寫code」是用語言設計模塊、邏輯、角色與任務。這不再只是語法遊戲,而是能不能用語言塑造一個**「可運行世界」**

🔧 應用:

  • 構建 Chatbot agent,描述其角色、對話邏輯、資料輸出結構
  • LLM讀懂使用者的複雜需求,轉譯為 API 行為邏輯與輸出結構(JSON/SQL/Python function

市場邏輯面

能夠快速產出可展示(Demoable)的解決方案,在未來將是高價值人才的必要關鍵能力。 Vibe Coding 就是能讓你「1小時內構建出AI原型」的超能力。

  

結論

 

一、       系統化描述能力是 LLM 使用效能的前提,但不是應用落地的終點

當你能清楚描述一個系統的結構、流程、角色、功能與限制條件,LLM 就能產出可讀的內容、流程設計、甚至部分程式碼。然而,這些產出仍只是“語意模擬層”的結果,距離真正「可執行的工具」仍有重大差距。這就是現今很多人「會用 ChatGPT,但做不出工具」的真實原因。

因此,系統化描述能力可以提升使用效率,但不等於創造商業價值,需要整合vibe coding工具和累積足夠的軟體產品開發經驗和技巧。

 

二、從01將創意變成可交付的AI應用,需要Vibe Coding

Vibe Coding 並不僅指寫程式語法的熟練度,而是指:能夠用語言與LLM協同構建邏輯、功能模塊與程式語意的能力。它是一種將語言邏輯 + 概念建模 + 技術系統串接語感的混合技能,本質上是:

「用自然語言+模擬語法方式,去建構一個可執行的邏輯化數位系統。」

 

然而目前的 LLM/AI IDE 開發環境(如 Replit, Cursor, etc.)仍假設使用者具有基礎開發思維、模組邏輯概念、甚至資料結構常識,想要真正落實創造具體市場應用價值,這對提倡創造力和創意能力將會成為AI時代且無開發背景的社會大眾來說仍是高牆。

Vibe Coding 是從創意 → 原型 → 工具的關鍵橋樑

 

三、為什麼 Vibe Coding 將成為 AI Coding Automation 市場的關鍵需求?

 1.     AI Coding 正從語法自動化邁向「系統生成自動化」

早期是寫小功能、寫函數;現在是「設計一整個系統架構」,不只要 AI 懂語法,更要它懂邏輯組織、模組關聯、流程依存,Vibe Coding 提供這種「模糊→模塊」的語言過渡層,扮演“語言工程師”。

 2.     工程複雜性爆炸式提升,專業分工難以回到「全能開發者」的時代

即便是筆者從高一就自學程式、大學熟悉多種程式語言的開發者,現在若從0做軟體產品也難以獨立完成,原因在於:不只是寫程式難,而是架構、資料流、API、前後端、DevOps、驗證系統全都綁在一起,需要大量時間學習累積技巧。

 這導致「語言驅動協作模型」將成為主流 —— 一人定義需求,AI + 專業模組補完實作

 

3.     未來用戶的需求,是:「我有想法 → 快速生成可用工具 → 拿去市場驗證」而不是:「我開始學寫code,三年後上架MVP

 

所以,Vibe Coding 將變成新時代的 MVP 實現語言,Vibe Coding 是解決技術落地與創意轉換的瓶頸,也是 AI 自動化從「工具」進化為「創業平台」的核心驅動因子。

 Vibe coding不等於no code,在AI Coding進入自動化的破曉時代,程式語言不再是產品技術開發的唯一語法,語意語感才是 AI 時代的關鍵能力。

系統化描述能力,讓你精準與AI溝通;Vibe Coding,讓你真正將想法變成工具。這兩項能力,將是下一波 AI 開發人才與產品設計者的職業技能入場門票。

 


🚀 為什麼這兩項能力是你未來最值得投資的能力?

 以下從使用者、能力類型以及實際應用價值的表格說明

使用者角色

需要能力類型

實際應用職能與價值說明

🔧 產品經理

系統化描述

將使用者需求轉化為功能邏輯、建立用戶旅程與模塊架構、與AI共創原型

🧠 AI 工程師

系統化描述 + Vibe Coding

建立多輪Prompt流程、設計AI模組間協作、建構Agent或自動化服務架構

👨‍💻 軟體開發者

Vibe Coding

LLM平台應用程式邏輯建構、程式自動補完優化、與語言模型共創架構與控制流程

💼 業務/顧問

系統化描述

解構客戶需求、建立流程圖與決策邏輯、快速產出AI協作範本作為解決方案模板

🎨 創作者/設計師

Vibe Coding

將創意敘述轉化為互動工具(Chatbot、動畫腳本、作品互動模組)、與AI共創多媒體原型

🌐 一般社會大眾

系統化描述 + Vibe Coding

用自然語言產出專業級報告、創建小型應用(如計算器、流程表單)、控制AI處理日常任務或小型創業應用

 

🔑 最後提醒:

AI會越來越會「執行」,但永遠不會主動「定義問題、拆解邏輯、設定價值指標」。而這三件事,正是系統化描述能力與 Vibe Coding的交匯點,更是我們未來工作價值核心所在!

 

2025©汪周禮@智合創新

2025年3月10日 星期一

GDSS:以軟體驅動製造業數位轉型的最後一哩路 — 從台積電 FAB runs on code 到 AI PoC 加速 ESG 應用落地


hashtag


關鍵字:數位轉型, 數位商模, 開源軟體, 開源商模, AI, LLM, API, GDSS

從荷商半導體走過手機製造,最後在13年前進入AI領域,對數位轉型有自己的看法,於是2022年推出ESG數位轉型生態系架構。

但是在參加過台積電在2023年的IT Day後(一個偽裝成企業研討會的招募活動),開始讓我重新審視製造業數位轉型的方式,完成最後一哩路!
半導體的數位化應該比台灣任何製造業都要早,從TSMC的IT Day知道,原來台積電的數位轉型之路也沒有很順利,直到2019年將硬體思維模式轉換成軟體思維方式,就順利完成而喊出FAB runs on code的口號。

從台積電的成功模式我想應該可以帶給其他製造業一些標竿啟示,這個啟示我個人認為就是,要用 ‘軟體加製造業’的角度來看數位轉型,而不是‘製造業加軟體’的模式,這兩者中間的差異就是用軟體產品開發架構主導企業的數位轉型,這對不熟悉軟體產品開發架構的硬體製造商來說的確是個挑戰,這種模式必須要說服管理層認同採用軟體產品開發的數位轉型商業模式會對製造產生重大價值,最快的方法就是透過熟悉軟體商業模式改變管理層思維邏輯作為切入,畢竟要做到像台積電那樣子的程度,台灣的IT人才仍遠遠不足!

硬體+的數位轉型模式台積電已經看到問題與極限,但不代表不能用,而是要用在軟體+的數位轉型模式中的跨部門合作模式下,也就是由硬體部門提出需求,讓軟體部門加入並共同合作完成。

這樣的模式可以看到開源軟體使用將會越來越多,而開源商模將會影響這些軟體的使用,因此開源商模的重要性將越來越大!

在這樣的思路下,我們可以看到軟體巨頭們影響軟體商模的轉變,會影響數位轉型的技術使用方式以及最重要的,就是數位技術的使用成本!

至少目前AI技術使用成本越來越低,而軟體商模勢必將會帶來新的轉變,其中值得關注的就是MCP開源,很大的可能將會造成AI API商模的普及。

我在2023年開發完成的GDSS(綠色數位系統架構),就是為了解決企業雙軸綠色數位轉型而設計的,也希望透過這樣的GDSS能讓製造業順利步入智慧製造之路。

2025年2月4日 星期二

從JEVONS PARADOX 來看 ESG 帶來的技術啟示




2025.02.04 汪周禮

 "19 世紀英國經濟學家 William Stanley Jevons 首次提出 傑文斯悖論,這是一個經濟學與能源消耗相關的概念,指出 當技術進步使某種資源的使用效率提高時,反而可能導致該資源的總體消耗量不減反增,主要原因在於 資源的使用成本大幅降低 可能會因為 資源的應用場景大幅增加 進而導致 該資源的市場需求不減反增。"


關鍵字:傑文斯悖論, Jevons paradox, AI, TRIZ, technology trend models,  ESG

---
#傑文斯悖論與TRIZ技術發展趨勢的系統性關聯

這一現象,讓我們 TRIZ技術發展趨勢模型的角度來觀察會更加清晰。

根據 TRIZ 技術系統進化法則,技術系統的發展趨勢模型之一有一個是:

技術系統發展趨勢會朝向強化"系統流"(系統流包括:物質流、資訊流與能量流)的方向邁進。

其中,「能量流(Energy Flow)」的優化在技術系統的能源使用方式上,扮演著至關重要的角色。

當系統的能量使用效率經過改善提升後,在特定作業單元或特定單一元件上,能量使用效率確實提升,也會伴隨著需求的提升,當隨著需求而擴大整體產出,總體的能量消耗不僅未減,反而出現增加的現象。

這與傑文斯悖論不謀而合,形成一種跨領域的理論呼應。

我們可以從技術、需求和能量的三個角度同時看半導體製造。

以 半導體 IC 製造 為例,從過去的 90nm 製程技術演進到現今的 2nm 製程技術,雖然每個晶片的能效比大幅提升,單位面積的電晶體密度也達到前所未有的高水準,受到製程技術精密度提升、晶圓廠管理的超系統等級整合的疊加效應以及市場需求擴大的產品提升,讓整個晶圓廠的總體能耗卻呈現出不降反增的趨勢。

因此我們可以看到一種趨勢,那就是,技術進步並不必然帶來資源消耗的減少,反而可能因效率提升所誘發的需求增長,導致更大的資源消耗。

這也剛好呼應了為什麼ESG很重要,這不僅僅是環保層面,而是考驗企業能源管理策略、永續發展規劃以及技術創新路線的整體規劃與設計能力

這也提醒我們,單單依靠技術效率提升並不足以解決能源損耗的問題,我們必須跳脫現有系統層面,從超系統角度思考真正的挑戰在於:

我們要如何設計出同時兼顧能源效率與總量控制的超系統解決方案!


我想這才是 ESG 所帶來技術發展啟示!
讓企業在不斷變化的技術經濟環境中立於不敗之地!

#ESG
#AI
#半導體
#Jevons_paradox
#TRIZ
#技術趨勢模型

REF:
https://uanalyze.com.tw/articles/6564910124

剖析AI時代:未來職場兩項不可或缺的核心技能

🔍 前提背景: AI Coding 的變局與意涵 隨著大型語言模型( LLMs )如 GPT-4 、 Claude 、 Gemini 的進步,「自然語言變成程式語言」的時代已經來臨。這意味著程式開發的門檻不再只是掌握語法,而是能否 精準設計需求並轉譯成 AI 可以執行的內容生...