AI性能提升仍不等於市場採用　德意志銀行警告勿過度解讀

人工智慧（AI）技術性能即使提升，也不代表企業會立即導入，或能在市場廣泛使用。德意志銀行（Deutsche Bank）研究指出，技術可行性與市場採用之間仍存在差距。

德意志銀行研究人員在報告《AI終結：糟糕技術預測的簡史》中表示，AI未來不應只用樂觀論或末日論定調。除了技術能發展到什麼程度，實際導入時點、社會接受方式與經濟影響也難以預測。

報告引用過去技術預測失準的案例，說明預測技術性能或可能性，與判斷技術何時真正融入社會及產業，是兩件不同的事。

阿爾伯特·愛因斯坦（Albert Einstein）在1934年認為，核能難以實際運用。但不到10年，人類便實現了持續性的核分裂連鎖反應。

網際網路相關預測也曾失準。乙太網路共同發明人鮑勃·梅特卡夫（Bob Metcalfe）在1995年預測，網際網路將於隔年「壯烈崩潰」。預測落空後，他還親自把刊載該預測的文章吞下。

AI領域也有類似案例。深度學習先驅傑弗里·辛頓（Geoffrey Hinton）在2016年主張，深度學習可能在5至10年內超越放射科醫師，醫療體系應停止培訓放射科醫師。

然而，德意志銀行表示，過去10年放射科醫師人數反而增加約10%。AI即使能自動化部分影像判讀工作，仍不代表能取代結果解讀、臨床判斷、患者與醫療人員溝通，以及依情境作出決策等工作。

報告指出，必須區分單一工作中的部分任務被自動化，與整個職業消失。特定功能自動化，不宜直接推論為整體就業結構將出現變化。

自動駕駛也可從同一角度理解。提升技術性能只是實際上路的第一步，還必須處理極端情境應對、監管要求、事故責任與消費者接受度，才可能實現商業化。

AI同樣不會只因模型性能提升，就決定企業是否大規模導入。技術能否整合進既有工作流程，以及使用者和企業是否願意為相關功能付費，都可能影響實際採用。

企業AI除了模型本身，也需要把資料與工作系統連接起來。Salesforce試圖將企業資料與工作流程連接至AI代理，可視為把技術性能整合進實際工作的案例。

德意志銀行也指出，利益相關者的誘因，是AI極端預測受到關注的原因之一。AI企業創辦人需要說服外界接受技術願景，投資人需要成長敘事，顧問公司則可能強調轉型的迫切性。

政策制定者需要說明介入監管的必要性，媒體與社群平台也容易放大負面或情緒化預測。因此，樂觀論與末日論可能比溫和且包含不確定性的判斷更受關注。

報告並未否定AI可能帶來的風險，但強調在觀察技術發展的同時，也應一併檢視企業工作整合、商業化方式、監管與社會接受度。

在台灣，AI基礎設施與企業應用持續擴大之際，市場也需要同時觀察AI性能，以及技術融入實際工作流程的過程。德意志銀行的報告提醒，AI發展速度與市場採用時點不應視為同一件事。