由 Walter Frick 訪談 Hilary Mason（Fast Forward Labs 創辦人）所成。本章從實務角度剖析 AI 應落在組織何處、與既有資料能力如何銜接，以及領導者該如何避開常見的管理陷阱。

從大數據到 AI：一個堆疊式的演進#

過去十年的技術演進，可看成一座堆疊起來的金字塔，每一層都依賴下一層：

• 大數據（big data）（2000 年代末）：能否把資料集中、可查詢的基礎建設問題
• 分析（analytics）：聰明地「計算」資料以回答有商業或產品價值的問題；2009 年起新軟體讓它變得平價、普及
• 資料科學（data science）：更聰明地計算、做預測、在資料上建模——成本下降使其應用從精算這類高價值問題擴及推薦、搜尋等「看似平凡」的場景
• 機器學習（machine learning）：資料科學中的一組工具，加入回饋迴圈——用模型從世界取得更多資料，再回頭改善模型
• AI：本質是用機器學習（特別是深度學習）建構在這整個堆疊之上的應用

這種堆疊關係意味著：沒有機器學習，就沒有 AI；沒有分析，就沒有機器學習；沒有資料基礎建設，就沒有分析。

資料科學的三種能力，分屬三種地方#

常見的管理錯誤，是因為它們「跑在同一套技術堆疊上」就把資料科學當成單一事物。Mason 把它拆成三個能力：

1. 理解業務（分析 / 商業智慧）#

• 提出問題、分析資訊以做出更好的決策
• 通常掛在 CFO 或 COO 之下
• 不一定是技術領域

2. 產品資料科學#

• 打造演算法與系統來改善產品本身
• 包含垃圾郵件過濾、推薦系統、搜尋演算法、資料視覺化
• 通常隸屬於某條業務線，由產品開發或工程部門帶領

3. 研發（R&D）#

• 用資料開創新產品、新業務、新營收機會
• 最常被忽略，或被誤併入產品資料科學

深度學習對三種能力的影響#

**深度學習（deep learning）**對三種能力都有影響：

• 分析：讓過去無法分析的影像、影音資料變得可用
• 產品：能在文字摘要、電商推薦等難題上產出品質更高的預測模型
• 研發：把技術可能性的邊界繼續往外推

公司在資料科學上常犯的錯#

一個大錯是把資料科學硬塞進軟體工程流程。兩者根本不同：

• 軟體工程：開始時你知道它會跑通
• 資料科學：開始時你不知道它會不會成功

軟體工程流程一遇到不確定性就崩潰；資料科學需要一個能容納不確定性的實驗式流程。

文化障礙#

• 許多公司不容許「做了不成功」的工作
• 結果是：做高風險研究的資料科學家在年度考評中受罰，即使工作做得好
• 公司必須把它視為投資組合——其中部分專案最終會帶來遠超漸進式改善的價值

如何看穿炒作？#

Mason 的核心建議：沒有魔法。AI 在概念層次沒有任何高階主管無法理解的內容。如果有人在推銷時說「我不想解釋它怎麼運作，反正就是 AI」，請持續追問：

• 它怎麼運作？
• 輸入哪些資料？
• 資料中有哪些模式可能被學到？
• 輸出的是什麼？

深度學習系統的輸出，本質上就是「為原本沒有標籤的資料點貼上標籤」加上信心分數而已。它不像人類那樣具備智能——距離真正的人類智能仍非常、非常遙遠。

過去叫「迴歸分析」的東西，現在常被包裝成 AI 以提升行銷價值——保持懷疑，是執行長的基本功。