Not About Building AI, But Placing It Right: Rethinking LLM Integration and Human-AI Collaboration
不是研究 AI，而是在思考 AI 應該放在哪裡
這段時間，我比較少用「研究 AI」來描述自己在做的事。雖然每天都在接觸不同的模型、工具，也持續追蹤新的發展，但真正讓我投入的，並不是某一個模型本身，而是另一個更實際的問題：AI 應該被放在什麼位置，才能真正發揮價值。
一開始也會不自覺地比較各種模型的能力。準確度、推理能力、寫程式的表現、回應速度與成本，每一項都可以拿來評估。但這樣的比較進行一段時間之後，很容易發現一件事：這不是一場會有結論的競賽。所謂「最強模型」的答案一直在變，而且不同任務下的答案也不一樣。
再看久一點會更明顯——沒有任何一個模型是全能的。有些模型擅長推理，有些在語言表達上更自然，有些寫程式穩定但互動不夠靈活，也有些成本低但表現不穩定。這些差異其實很合理，因為每個模型在訓練資料、設計目標與優化方向上本來就不同。
與其繼續找「最好的一個」，我後來更關心的是另一個問題：在一個具體流程裡，這個位置適合放哪一種模型。當思考方式從「比較」轉成「配置」，整個使用 AI 的邏輯就開始不一樣。
這也是我為什麼開始把重心放在「模型融合」與「人機協作」上，而不是單一模型的能力本身。
在實務上，開源模型與商用模型之間，其實很自然地形成一種分工。開源模型提供的是彈性與控制能力，可以依需求調整，也適合處理大量、成本敏感的任務；而商用模型則在穩定性、推理品質與整體體驗上仍然有優勢。
與其選邊站，我更傾向把它們當成不同特性的元件來使用：需要規模與成本控制的部分交給開源模型，需要高準確度與穩定輸出的地方再使用商用模型。單一模型能做的事情有限，但透過組合，反而可以形成更完整的能力。
不把 LLM 當成一個「聊天工具」，而是把它視為流程中的一個模組
在資料整理、初步分析、內容產出，甚至是決策前的資訊收斂階段，把 LLM 放進既有流程中，往往可以明顯減少人力在重複整理與來回確認上的時間。這種用法的重點，不在於讓 AI 取代人，而是在適當的位置補上原本流程中的缺口。
對我來說，「AI 融合」比較接近這種狀態：不是推翻既有方法，而是在原本已經運作的系統中，加入一個新的角色。它有時負責整理資訊，有時提供初步判斷，有時只是提供不同角度的切入點。
最終的決策，仍然由人來負責
因此，我在評估 AI 是否有價值時，關注的並不是模型本身有多強，而是它是否真的讓流程變得更有效。如果導入 AI 之後，可以減少不必要的討論、降低不確定性、或讓決策更聚焦，那這個應用才是成立的。
目前我把這樣的想法，應用在多模型融合的股票預測上。這個專案已經進行了多輪迭代，目標並不是追求單一模型的最高準確率，而是測試不同模型之間是否能互補，讓整體判斷更穩定。
在這個過程中，比起成功的案例，那些效果不如預期的結果反而更有幫助。因為只有在組合失效時，才更容易看出哪些模型之間沒有形成互補，或者哪一個環節其實放錯了位置。
這些觀察慢慢讓我建立一個比較清楚的方向：我不會把重心放在訓練模型或深入底層技術，而是專注在如何將不同模型整合進實際應用場景中，讓人與 AI 可以更自然地協作。
AI 融合（AI Fusion）還有許多應用可嘗試
AI 不一定要站在最前面，也不一定要成為系統的核心。很多時候，它在旁邊協助，反而更有價值。當位置放對，它可以讓整個流程變得更順；當位置放錯，再強的模型也可能只是增加複雜度。
未來我會做更多嘗試，包括資料處理、自動化決策輔助、多模型融合，甚至延伸到智慧製造的應用。這些主題看起來分散，但核心其實一致：不是讓 AI 變得更強，而是讓 AI 被用在對的位置上。
YinOnMars 
發表留言