前 Stability AI 執行長預言「零成本智力」時代：AI 代理人主流化、電力成本下滑將重塑企業獲利結構

根據《韓國經濟新聞》的報導，於 24 日（當地時間），生成式人工智慧公司 *Stability AI* 前執行長、同時也是 *Intelligent Internet* 創辦人艾瑪德·莫斯塔克（Emad Mostaque）表示，隨著「幾乎免費的智力」快速普及，企業競爭力的基準，正從人力與組織，轉向「*AI *詞*代理人（Agent）*詞*」與「能源成本」。他預測，今年起 *AI *詞*代理人*詞*將正式走向主流，大幅消除工作流程中的摩擦，並全面抬升企業的獲利能力。

在莫斯塔克的觀點中，產業正邁向所謂「*詞*零成本智力*詞*」時代。他指出，覆蓋全球的將是一股「幾乎不需成本的智力浪潮」，各層級的「智力單價」會明顯下降，而變革的核心不再是只能對話的聊天機器人，而是能主動執行任務的 *AI *詞*代理人*詞*。這類系統不只回答問題，還能自動處理行程安排、文件撰寫、客服回應、資料整理等重複性工作，並把這些流程串接起來，從根本改寫企業的營運結構。

他以特定聊天服務 askjibby 為例指出，只要輸入任何指令，就能「幾乎即時」獲得回應，顯示模型性能的進步，已不只是體感上的「更聰明」，而是快到足以改變人與流程的工作節奏，重塑組織對時間與效率的認知。

莫斯塔克認為，數位環境中資訊與任務在系統間流動時，會產生各種「*詞*摩擦（friction）*詞*」，而金錢與時間正是消耗在這些摩擦上。他直言，「當所有摩擦消失時，*詞*摩擦就等於獲利空間*詞*。」所謂摩擦，包括層層審批流程、部門間溝通成本、重複輸入與反覆校對、不同系統難以銜接等各種低效率環節。

隨著 *AI *詞*代理人*詞*普及，這些摩擦有可能在被記錄為成本之前就被消除。尤其在電子文件處理、客戶服務、會計與對帳等「*詞*數位觸點流動*詞*」明確的領域，自動化成效會格外突出。對企業而言，不只是人力支出可望下降，決策速度與執行力也能同步拉高，整體 *詞*獲利能力*詞*將被重新定價。

在衡量 *AI* 經濟性的另一個關鍵變數上，莫斯塔克點名的是「*詞*能源成本*詞*」。他指出，「電力生產成本正以指數級下滑」，特別是太陽能發電等再生能源技術的進步，正在持續壓低電價，與此同時，*AI* 系統的「*詞*智力水位*詞*」則呈現指數式攀升。

在這個視角下，*詞*太陽能*詞*與 *詞*AI*詞* 並非兩條互不相干的趨勢，而是共同塑造未來產業結構的「耦合變量」。當電價走低，大規模模型的訓練與推理成本隨之下降，反過來又加快 *AI *詞*代理人*詞*的部署與滲透速度，形成一種成本驅動的正向循環。這意味著，*詞*能源轉型*詞*與 *詞*AI 普及*詞*，最終可能透過成本結構，動搖整體經濟的基本商業模式。

在技術層面上，莫斯塔克用「*詞*模型複雜度 vs. 更新成本*詞*」的角度來定義 *AI* 系統的「*詞*效率*詞*」。他認為，最有效率的 *AI* 模型，是能將模型本身的複雜度與持續更新成本的落差壓到最小，而這與單純「把模型做大」並不相同，反而需要在架構與訓練方式上做出全新優化。

企業導入生成式 *AI* 時也面臨類似思考：使用更高階模型所需的付費門檻、持續以自家資料微調模型的維護成本、以及在實際營運環境中保持快速推理的基礎建設支出，都交織在一起。當 *AI *詞*代理人*詞*真正進入實務場景後，決定競爭力的，就不只是模型「有多聰明」，還包括長期的「*詞*維運與升級成本*詞*」是否可控。

針對目前主流的 *詞*Transformer 結構*詞*，莫斯塔克也提出限制。他指出，Transformer 建立在「下一個 token 預測」的語言導向架構上，因此未必是 *AI* 發展的最終解法。他提到，Meta 首席 *AI* 科學家楊·勒昆（Yann LeCun）同樣認為，Transformer 並非長遠之路。

他特別談到「*詞*無程式碼的機器間溝通*詞*」構想，將現行程式碼比喻為一種「翻譯層」。在他看來，未來機器之間有望不再透過人類書寫的程式碼，而是直接在 *詞*位元組（byte）層級*詞*彼此對話與協調。如果這條路線成真，軟體開發方式可能出現根本變革：從由人類以可讀語言組裝系統，轉為由機器用「機器語言」自行尋找並建立最佳連結。

當被問到未來競爭格局時，莫斯塔克甚至拋出「*詞*完全由 AI 運營的公司*詞*」這一極端假設。他尖銳地表示，「要如何擊敗一間完全靠 *AI* 運營的公司？在人類面前，*認知反而是負資產*。」在他看來，人類的速度、注意力與記憶力都有上限，而 *AI* 可以同時處理海量資訊並立即執行，會大幅拉高組織的生產力上限。

他也提到，目前的模型「像篩子一樣擷取資訊，但尚未做到真正連續學習」。即便如此，硬體算力仍在快速演進，他透露「新一代硬體每秒可以處理約 1萬5000 個 token」，顯示即使在未達完全自我學習前，只憑推理速度的提升與執行自動化，已足以撼動整體產業生產力。

整體而言，*AI* 帶來的衝擊既有正向也有風險。不過，*詞*AI 代理人主流化*詞*、透過消除「摩擦」重塑獲利結構、以及「*詞*電力成本下滑 × AI 智能上升*詞*」的結合，已不再只是企業的可選項目，而是規畫未來時的「前提條件」。*評論*：在這樣的環境下，真正的勝負關鍵，恐怕不在於誰擁有單一「最強模型」，而是誰能更快消弭流程摩擦，並有效吸收能源與運算成本，建立起新一代的營運標準。