AI 的樂觀論：為什麼有人覺得它是救星
第三，成本下降的速度不同。有研究估算，達到特定能力水準的 AI 推論成本，在過去幾年呈現每年接近一個數量級的下滑。當一種「智慧」的邊際成本快速趨近於零，它的擴散速度會遠超過過去的工業技術，因為它不需要蓋工廠、不需要鋪電網，只需要伺服器與網路。
樂觀論者的核心主張正是建立在這裡：如果智慧本身變成可複製、可規模化、成本持續下降的生產要素，那麼過去因為「專家太貴、太少」而無法解決的問題，第一次有了被大規模處理的可能。
二、樂觀論的核心邏輯：為什麼 AI 被視為「文明級」的工具
拆開來看，樂觀論的經濟學邏輯其實相當樸素：人類的進步，本質上是「把稀缺的東西變便宜」的過程。糧食曾經稀缺，農業技術讓它變便宜；照明曾經稀缺，電力讓它變便宜；資訊曾經稀缺，網際網路讓它變便宜。而現在，稀缺的是「專業判斷」與「注意力」。
智慧成為可複製、可規模化的生產要素
過去，一位優秀的醫師、律師、教師、工程師，其產能受限於一天二十四小時。你可以訓練更多人，但訓練需要十年；你可以提高薪資吸引人才，但供給曲線很陡。這使得專業服務的價格長期居高不下，也使得資源分配必然不均——偏鄉永遠缺醫生，弱勢家庭永遠請不起家教。
AI 改變的是這個供給結構。當一個模型可以同時服務一千萬人，而且每一次服務的邊際成本極低，專業判斷就從「手工業」變成「公共事業」。這是樂觀論最核心的想像：不是讓 AI 取代專家，而是讓專家的能力被複製到過去完全觸及不到的地方。
Andrew Ng 曾說「AI 是新的電力」，這個比喻的關鍵不在於 AI 很強，而在於電力是一種通用目的技術——它不會只改變一個產業，它會滲透進所有產業，並且重組整個生產流程。通用目的技術的歷史特徵是：初期看起來被高估，長期看起來被低估。
從「替代人力」到「放大好奇心」的範式轉移
值得注意的是，樂觀論內部近年出現了一次重要的論述轉向。早期樂觀派談的是「自動化」：讓 AI 做人類做的事，降低成本、提升效率。但這條路線有一個致命問題，經濟學家 Erik Brynjolfsson 稱之為「圖靈陷阱」——如果你只用 AI 模仿人類、取代人類，那麼最終受益的會是少數掌握技術與資本的人，而勞工的議價能力會被削弱。
比較新的樂觀論述，強調的是「增強」而非「替代」：AI 不是拿來省人力的，而是拿來做過去「不可能做」的事。例如，不是用 AI 寫更多行銷文案，而是用 AI 模擬十萬種蛋白質折疊；不是用 AI 加快客服回覆，而是用 AI 讓每個學生都有一個能讀懂他錯誤模式的家教。
這個轉向很關鍵，因為它把樂觀論的判準從「效率」拉高到「可能性邊界」。樂觀論者真正興奮的，不是「同樣的事做得更快」，而是「過去根本做不到的事，現在做得到了」。
摩爾定律式的成本曲線：智慧只會越來越便宜
支撐這套論述的，是一條看起來很技術、但影響極深的曲線：AI 能力的成本正在快速下降，而能力本身正在快速提升。對樂觀論者而言，這意味著今天的限制大多不是「原理上做不到」，而是「暫時還太貴」。
這一點在歷史上有明確先例。定序人類基因組第一次花了約三十年、三十億美元；現在同樣的事只需要幾百美元、幾個小時。當成本下降三個數量級，整個產業的商業模式就會被重寫。樂觀論者認為 AI 正在走同一條曲線，只是斜率更陡。
當然，這裡有一個常見的反駁：成本下降不等於能力提升，模型可能只是在同樣的能力水準上變便宜。這個反駁是有效的，而樂觀論者的回應通常是：即使能力停止進步，光是現有能力的成本下降與普及化，就足以產生巨大的經濟與社會影響。換句話說，樂觀論並不完全依賴「AI 會變超強」這個前提，它有一半建立在「AI 會變超便宜」之上。
三、樂觀論的五大支柱：他們到底在期待什麼
抽象的邏輯講完，接下來要問：樂觀論者具體在期待什麼？他們的樂觀通常不是「AI 會解決一切」，而是集中在五個他們認為「問題明確、瓶頸明確、AI 剛好對得上」的領域。
支柱一：醫療與生命科學的加速
這是目前最有實證支撐的一塊。DeepMind 的 AlphaFold 在 2022 年公開了超過兩億個蛋白質結構預測，涵蓋了人類已知蛋白質的絕大多數。過去，一個實驗室用 X 光晶體學解一個結構，可能要花數月到數年；現在研究者在資料庫裡搜尋即可。
這不是「AI 取代科學家」，而是「AI 把科學家的起跑線往前推了十年」。製藥產業長期受困於研發成本上升與成功率下降的「反摩爾定律」——每十億美元研發投入能帶來的新藥數量，幾十年來持續下降。樂觀論者認為，AI 在標靶探索、分子設計、臨床試驗設計、真實世界數據分析上的應用，有機會逆轉這條曲線。
更進一步的想像是「個人化醫療」：每個人的基因、生活型態、病程都不同，但過去的醫療只能按照統計平均來給方案。AI 讓「為一萬個人準備一萬種治療路徑」在成本上變得可行。對樂觀論者來說，這代表的不只是效率，而是醫療從「標準化」走向「量身化」的範式轉移。
支柱二：教育的大規模個人化
教育領域有一個長期的兩難：個人化教學效果最好，但成本最高；大班教學成本最低，但效果最差。過去只有富裕家庭能負擔一對一家教，這使得教育成為社會流動最大的瓶頸之一。
樂觀論者看到的機會是：一個能理解學生錯誤模式、能調整講解方式、能無限耐心重複的 AI 家教，邊際成本幾乎為零。這不代表學校會消失，而是代表「每個孩子都有一個屬於自己的蘇格拉底」在技術上第一次變得可能。
當然，這裡的樂觀需要打折。教育不只是知識傳遞，還包含動機、紀律、社會化與師生關係，這些是 AI 目前難以取代的。但樂觀論者的重點不是「AI 取代老師」，而是「AI 讓老師有時間做只有人能做的事」，把批改、備課、差異化練習這些耗時工作接走。
支柱三：科學發現的自動化
這是最激進、也最容易被低估的一塊。樂觀論者認為，AI 最大的價值不在於生產內容，而在於壓縮科學發現的週期。材料科學裡有無數種可能的化合物組合，過去只能靠直覺與試錯；現在 AI 可以在虛擬空間裡先篩選，再把最有希望的幾十個候選送進實驗室。
同樣的邏輯適用在氣候模擬、藥物交互作用預測、電池材料、催化劑設計、甚至數學猜想。2023 年之後，已經出現 AI 協助發現新的數學結構、新的演算法、新的抗生素候選物的案例。這些案例多半还很早期，但方向很明確：AI 正在成為科學家的「假設產生器」。
樂觀論者最愛引用的說法是：人類歷史上，科學發現的速度受限於「研究者的人數與時間」，而現在這個上限被鬆開了。如果未來的實驗室是「人類提問、AI 探索、人類判斷」，那麼科學的產出速率可能會出現過去只有戰爭或重大危機時才看得到的躍升。
支柱四：氣候與能源的優化
氣候問題的困難，一半在技術，一半在協調。技術面上，AI 被用來優化電網調度、預測再生能源發電量、加速新材料開發、降低資料中心的能耗。協調面上，AI 被用來做碳足跡追蹤、供應鏈優化、建築能源管理。
樂觀論者特別看重的是「電網」這個例子。再生能源的問題是不穩定，而電網需要即時平衡供需。過去的調度依賴人工經驗與粗略模型，現在可以用 AI 做分鐘級、甚至秒級的預測與調度。這不浪漫，但影響巨大：它讓綠能的實際可用比例提高，讓減碳從「理念」變成「算得出來的成本效益」。
同樣的邏輯也適用在農業用水、物流路徑、工業製程。樂觀論者認為，氣候變遷的許多問題不是「沒有技術」，而是「系統太複雜、變數太多、人類算不過來」，而這正好是 AI 的強項。
支柱五：生產力與經濟成長的再啟動
已開發經濟體普遍面臨生產力成長停滯的問題。勞動力老化、資本報酬遞減、創新集中在少數領域，使得許多國家的實質薪資成長長期低迷。樂觀論者認為，AI 是打破這個僵局的少數候選之一。
要注意的是，這一塊的實證基礎最弱。顧問公司給出的數字很驚人，例如生成式 AI 每年可能為全球經濟帶來數兆美元的價值；但嚴謹的經濟學研究給出的估計往往保守得多，有研究認為 AI 對 GDP 的貢獻在十年內可能只有個位數百分比。這個落差不是誰在說謊，而是「潛在價值」與「實際落地」之間，永遠隔著制度、技能、組織慣性這三道牆。
儘管如此，樂觀論者在這一塊的論點仍然值得認真對待：如果 AI 能讓一個小團隊做出過去需要大公司才能做的事，那它改變的不只是效率，而是市場結構本身。創業門檻下降、專業服務民主化、長尾需求被滿足，這些都是過去網際網路曾經做到、但只做到一半的事。
四、樂觀論者如何回應三大質疑
任何負責任的樂觀論，都必須正面回應三個最常見的反對意見：工作會不會消失、風險會不會失控、權力會不會集中。閃避這三題的樂觀，不值得認真對待。
質疑一：工作會不會消失
這是被談論最多、但常常被談錯的一題。樂觀論者的回應通常分三層。
第一層是歷史類比：過去兩百年的技術變革，最終都創造了更多工作，而不是更少。農業就業從占多數降到個位數，但我們沒有因此大規模失業，因為新產業出現了。樂觀論者認為 AI 也會走同一條路。
第二層是區分「工作」與「任務」：經濟學研究一貫顯示，技術取代的是「任務」而非「職業」。一個會計師的工作包含查帳、溝通、判斷、說服客戶，AI 可能吃掉其中一部分任務，但整份職業的消失速度遠比想像中慢。真正的問題不是失業率，而是「任務重組」過程中的技能落差與薪資摩擦。
第三層是政策回應：比較誠實的樂觀論者不會說「市場會自己解決」，而是會談技能轉換、社會安全網、教育體系改革、甚至某種形式的所得重分配。他們認為這些是「配套問題」，不是「AI 的原罪」。
但這裡必須指出一個誠實的弱點：歷史類比有一個前提，就是「新工作出現的速度」必須快到能吸收被取代的人力。網路時代的轉換花了將近二十年，而 AI 的滲透速度可能快得多。如果轉換期壓縮到五年，即使長期結果是好的，短期的社會衝擊也可能超過制度能承受的範圍。這正是樂觀論最需要謙卑的地方。
質疑二：風險與對齊問題
樂觀論者常被批評「只談好處不談風險」，但這個批評對部分樂觀派並不公平。事實上，目前最積極投入 AI 安全研究的，很多正是相信 AI 潛力極大的人。他們的邏輯是：正因為這個工具很強大，所以更值得把它做好，而不是因為有風險就停止發展。
這個立場在倫理上有一個名稱，叫做「差異性技術樂觀」——不是相信技術一定會帶來好結果，而是相信技術的結果取決於我們怎麼做，而在「做」與「不做」之間，選擇「做，但認真做安全」是比較好的選項。因為如果你不做，別人會做，而別人可能更不在乎安全。
這個論點有它的問題：它很容易變成「安全論述被用來正當化加速」的修辭。所以關鍵在於，樂觀論者是否願意接受外部監管、可驗證的安全標準、以及對高風險應用的實質限制。願意接受的，是負責任的樂觀；不願意的，只是包裝過的利益辯護。
質疑三：權力集中與不平等
這是樂觀論最難回答的一題，因為它牽涉到結構，而不是技術。訓練前沿模型需要巨大的資本、算力與資料，這使得少數幾家公司掌握了關鍵能力。即使模型開源，落地應用的優勢仍然集中在有資本、有資料、有通路的一方。
樂觀論者的回應通常有兩條路。第一條是「技術擴散論」：歷史上，運算能力與軟體工具最終都會商品化，今天的超級電腦是明天的入門設備。第二條是「制度論」：競爭政策、開放標準、公共投資、資料治理，可以讓技術紅利不至於被少數人壟斷。
但老實說，這兩條路都還在進行中，沒有定論。而這也是我認為樂觀論最需要被檢驗的地方：如果 AI 的果實只落在已經富有的人手裡，那麼它是不是「救星」？對這個問題，樂觀論者不能只用「長期會變好」來回答，因為長期是很多人等不到的。
五、樂觀論的光譜：從務實派到加速派
很多人把「樂觀」當成一個立場，但它其實是一道光譜。不同位置的樂觀論者，對風險、監管、速度的看法差距極大，把他們混為一談，會讓你誤判很多事。
務實樂觀派：先把眼前的事做好
這一派通常來自產業應用的第一線。他們不太談「通用人工智慧何時到來」，而是談「這個流程能不能省下兩個小時」、「這個診斷能不能早三個月發現」。他們的樂觀是逐步的、可驗證的、帶著成本計算的。
務實樂觀派的優點是腳踏實地，缺點是容易低估結構性影響。他們會說「AI 只是工具」，但當工具被十億人使用時，它就不再只是工具。
加速主義與科技樂觀宣言
另一端是所謂的「科技加速主義」。2023 年，Marc Andreessen 發表了一份〈科技樂觀主義宣言〉，主張技術是解決人類問題的唯一可靠路徑，任何對技術的限制都是一種對人類福祉的傷害。這份宣言在矽谷引起廣泛共鳴，也引起同樣強烈的批評。
這類立場的價值在於它敢於把「進步」當成正面價值說出來，並且指出一個常被忽略的事實：不發展技術，本身也是有代價的。醫療審批延誤一年，會死多少人？能源轉型慢五年，會多排多少碳？這些「不作為的成本」很少被計入討論。
但它的問題也很明顯：它傾向把「技術進步」等同於「人類福祉」，忽略了分配、權力與制度。技術不會自動帶來正義，它只會放大既有的結構。如果結構本身有問題，加速只會讓問題更大。
有效加速與減速的爭論
在這兩端之間，出現了「有效加速主義」與「減速主義」的爭論。前者主張：應該加速對人類有益的 AI 發展，同時嚴格管制高風險應用，用「針對性加速」對抗「無差別減速」。後者則主張：在安全與治理機制到位之前，應該放慢前沿模型的開發速度。
這場爭論的核心其實是一個機率問題：你是更擔心「發展太慢導致問題惡化」，還是「發展太快導致失控」？兩邊都承認風險存在，差別在於對風險的排序與對制度能力的信任程度。
對一般讀者來說，理解這道光譜的實用價值在於：當你看到某個「AI 樂觀論」時，先問一句「你是哪一種樂觀」。是務實應用的樂觀？是相信市場會解決一切的樂觀？還是相信技術本身就是善的樂觀？這三種樂觀的政策主張可能完全相反。
六、樂觀論的自我批判：一個健康的樂觀長什麼樣子
寫到這裡，我們已經拆解了樂觀論的完整結構。現在要回到最誠實的問題：這套論述的盲點在哪裡？如果我們想在雅寶社區 · 頂客論壇上做有品質的討論，就不能只當某一方的啦啦隊。
樂觀論的三個盲點
盲點一：把「技術能力」誤認為「社會能力」。AI 可以預測蛋白質結構，但要把新藥送到病人手上，需要臨床試驗、法規審查、健保給付、醫師教育。技術突破與社會落地之間，往往隔著五到十年的制度時差。樂觀論最常見的錯誤，就是把技術時程當成社會時程。
盲點二：低估「轉換成本」與「摩擦」。經濟模型裡的生產力提升，是假設資源可以瞬間重新配置。但現實中，一個四十五歲的會計師不會因為 AI 出現就變成 AI 工程師，一間傳統企業不會因為買了模型就變成資料驅動組織。這些摩擦不是雜訊，而是決定結果的主要變數。
盲點三：把「總量」當成「分配」。GDP 會上升，不代表每個人都過得更好。如果 AI 帶來的增益主要集中在資本所有者與少數高技能者，那麼「平均變好」與「多數人變好」就是兩件不同的事。樂觀論如果只談總量，就會失去正當性。
從「樂觀論」到「可驗證的樂觀」
那麼，什麼樣的樂觀值得相信？我認為有三個判準。
第一，願意給出可否證的預測。「AI 會讓人類更好」不是預測，是願望。真正負責的樂觀會說：「在三年內，我們應該看到 AI 輔助診斷在特定科別降低誤診率 X%」，然後接受檢驗。可驗證的樂觀，才能累積成可信的知識。
第二，願意談成本與副作用。任何技術都有代價：資料中心的能耗、內容生態的汙染、認知依賴的風險、監控能力的擴散。只談好處不談代價的樂觀，是行銷，不是論述。
第三，願意支持配套制度。如果一個樂觀論者相信 AI 會帶來巨大好處，他應該同時支持教育轉型、社會安全網、競爭政策、安全標準。因為這些制度決定了好處會不會真的擴散。反對所有配套卻自稱樂觀的人，其實只是相信「贏者全拿」。
七、結語：樂觀是一種選擇，也是一種責任
回到最初的問題：為什麼有人覺得 AI 是救星？
因為他們看見的，不是一個會寫詩的聊天機器人，而是一個能把「專業判斷」從稀缺變成普及的技術。他們看見偏鄉的孩子能有一個永不疲倦的家教，看見罕見疾病的患者不必等十年才有藥，看見科學家不必把一生耗在重複的實驗設計上，看見氣候模型終於能算得夠細、夠快、夠準。
這些想像沒有一項是自動會發生的。歷史上每一次技術紅利的擴散，都伴隨著制度建設、社會摩擦與政治協商。蒸汽機沒有自動帶來八小時工時，網際網路沒有自動帶來言論自由，AI 也不會自動帶來更好的醫療與教育。技術提供可能性，制度決定分配，而人決定方向。
所以，真正的問題不是「你是樂觀派還是悲觀派」。真正的問題是：你願意為哪一種樂觀付出行動？是那種只在小圈圈裡互相取暖、把質疑者當成反進步的樂觀？還是那種願意面對成本、願意接受檢驗、願意支持配套制度的樂觀？
在雅寶社區 · 頂客論壇的 AI 趨勢版，我們歡迎前者，但更需要後者。因為討論的價值不在於誰比較樂觀，而在於我們能不能一起把「可能性」變成「可驗證的進展」。AI 會不會是救星，說到底不是一個預測題，而是一個實踐題——而答案，正在我們每一次的選擇裡被寫下來。