2024–2026 AI 趨勢變化
技術突破、關注議題與學習方向
title: "2024–2026 AI 趨勢變化" subtitle: "技術突破、關注議題與學習方向" seal: "趨勢" <!-- notes: 本簡報整理自本次對話的 2024–2026 年 AI 趨勢分析，以生成式 AI 與知識工作為主。2026 年的觀察截止於 2026 年 9 月 16 日，不代表全年結論。「生成、執行、交付」是講者歸納的分析框架，不是產業統計分類，也不是熱門關鍵字的搜尋量排名。各年度技術跨年重疊，不應解讀成前一年的能力已被取代。 --> 三年的重心變化 {#三年的重心變化}
年度 使用者期待 學習重心 :--- :--- :--- 2024 讓 AI 產生有用內容 說清楚需求，判斷輸出 2025 讓 AI 使用工具完成任務 拆解工作，組織資料 2026 讓 AI 持續工作並交付成果 設定標準，驗收與管理 注意：這是趨勢歸納。2026 年資料截至 9 月 16 日。
<!-- notes: 先以使用者行為理解變化。2024 年常見互動是取得草稿，2025 年的代理產品把搜尋、編輯與執行工具串在一起，2026 年公開工程案例更重視長任務的交接與評測。這不是所有組織同步採用的時間表。 代表來源：OpenAI GPT-4o https://openai.com/index/hello-gpt-4o/ ；Anthropic 長任務工程 https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents ；2026 年代理評測 https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents --> 2024：生成與多模態 {#2024-生成與多模態}
AI 開始更自然地處理文字、圖片與聲音。
<!-- notes: 本章聚焦 2024 年的能力擴展。多模態表示模型可處理不同形式的資訊，例如文字、圖像與音訊。這使一般使用者不必先把所有資料轉寫成文字。典型例子是直接上傳圖表或照片，請 AI 解讀內容。 來源：OpenAI，Hello GPT-4o，2024 年 5 月 13 日。https://openai.com/index/hello-gpt-4o/ --> 2024 的技術突破 {#2024-的技術突破} 多模態互動：GPT-4o 整合文字、視覺與音訊能力。 長上下文：Gemini 1.5 展示百萬 token 資料處理能力。 推理模型萌芽：o1 在回答前投入更多運算，改善複雜推理。 注意：資料放得進去，不代表每個細節都理解正確。
<!-- notes: Token 是模型處理文字等資訊時使用的單位，不應直接等同中文字數。Gemini 1.5 的百萬 token 上下文在 2024 年初以有限預覽推出，之後擴大提供。o1 展示回答階段的運算投入也能改善推理表現。這些突破分別改善互動方式、資料容量與難題處理能力，並不表示幻覺已經解決。 來源：GPT-4o https://openai.com/index/hello-gpt-4o/ ；Google 長上下文說明 https://blog.google/innovation-and-ai/products/long-context-window-ai-models/ ；OpenAI 推理研究 https://openai.com/index/learning-to-reason-with-llms/ --> 2024 的議題與學習方向 {#2024-的議題與學習方向}
關心：產出的內容能不能相信？ 幻覺與錯誤引用，增加事實查核需求。 深偽、素材來源與版權，引出使用責任問題。 教育需要確認學生的理解與學習歷程。
學習：交代目的、背景與限制，再查核成果。
<!-- notes: 這頁的議題排序是講者歸納，不是民調。教學時可請學生比較 AI 答案與原始來源，找出一項錯誤或缺少的條件。UNESCO 在 2024 年推出師生 AI 能力框架，涵蓋以人為本、倫理、技術理解與應用。學習不宜只停留在提示詞模板。 來源：UNESCO 師生 AI 能力框架 https://www.unesco.org/en/articles/what-you-need-know-about-unescos-new-ai-competency-frameworks-students-and-teachers?hub=66682 --> 2025：推理與代理 {#2025-推理與代理}
AI 開始把搜尋、操作與修正串成工作流程。
<!-- notes: Agent 是能依目標選擇工具、觀察結果並調整下一步的 AI 系統。它不一定完全自主，固定流程也可能是更適合的解法。以程式工作為例，差別在於系統能實際修改檔案、執行測試，再根據結果修正。 來源：Anthropic 長時間代理工程，2025 年 11 月 26 日。https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents --> 2025 的技術突破 {#2025-的技術突破} 推理訓練：DeepSeek-R1 展示強化學習與模型蒸餾路線。 工具使用：代理能反覆搜尋、修改、執行與檢查。 資料串接：MCP 生態擴展，讓 AI 連接外部資料與工具。 注意：MCP 在 2024 年 11 月推出，2025 年擴大發展。
<!-- notes: 強化學習透過回饋改善模型行為。蒸餾則利用較強模型的輸出訓練其他模型。DeepSeek-R1 論文在 2025 年 1 月發表，也釋出蒸餾模型。不要把公開訓練或推理成本片段直接當成完整研發成本。MCP 是工具與資料連接協定，不是讓模型突然擁有智慧的新模型。 來源：DeepSeek-R1 https://arxiv.org/abs/2501.12948 ；MCP 發布 https://www.anthropic.com/news/model-context-protocol ；2025 年基金會合作 https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation --> 2025 的議題與學習方向 {#2025-的議題與學習方向}
關心：能不能放進真實工作？ 自動完成後，還需要多少人工返工？ 串接公司資料後，如何限制存取？ AI 產生的程式，誰能檢查與維護？
學習：拆解任務，理解資料來源與工具串接。
<!-- notes: 可用研究報告示範：先定義問題，再搜集資料、比較來源、撰寫與查核。RAG 是先檢索相關資料，再交給模型回答的方法。API 是系統間的介面，MCP 則提供 AI 連接工具的通用協定。非工程背景者可以先畫出流程，標示每一步的輸入、輸出與可能錯誤。2025 年末公開工程研究仍指出，單一大型提示不足以保證完整應用的品質。 來源：https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents --> 2026：長任務與可靠交付 {#2026-長任務與可靠交付}
工作持續得越久，越需要記錄、檢查與清楚的邊界。
<!-- notes: 本章僅涵蓋截至 2026 年 9 月 16 日已公開的發展，不預測年底必然發生什麼。公開案例顯示長任務支撐系統受到重視，但不能把個別工程展示當成所有企業已普及自主代理的證據。 來源：Anthropic，Harness design for long-running application development，2026 年 3 月 24 日。https://www.anthropic.com/engineering/harness-design-long-running-apps --> 2026 的工程進展 {#2026-的工程進展} 長任務交接：保存工作狀態，分階段接續執行。 Harness：整合工具、紀錄、執行環境與停止條件。 Evals：檢查任務是否真的完成，以及多次執行是否穩定。 平台化：託管代理服務降低自行組裝的負擔。
<!-- notes: Harness 可以理解成 AI 的工作環境與運作規則。Evals 是有系統的評測，不能只看代理最後說「已完成」，還要檢查實際成果。例如檔案是否存在、測試是否通過、操作是否符合限制。規劃、生成與評估分工是一種已公開的工程做法，並不表示每項任務都需要多代理。 來源：長任務開發 https://www.anthropic.com/engineering/harness-design-long-running-apps ；代理評測 https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents ；Managed Agents https://www.anthropic.com/engineering/managed-agents --> 2026 的議題與學習方向 {#2026-的議題與學習方向}
關心：誰驗收，出錯如何控制？ 限定資料與操作權限，保留執行紀錄。 比較省下的時間與新增的審核成本。 區分 AI 的技術能力與職場實際採用。
學習：定義交付物、驗收標準與人工介入條件。
<!-- notes: 本頁的實務優先順序屬於講者建議。可追問：任務中斷後如何接續？如果 AI 修改錯誤，如何復原？不要把能力展示直接換算成失業人數，實際採用也受工作流程、成本與組織因素影響。2026 年相關勞動市場研究仍在建立觀測方法。 來源：代理評測 https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents ；勞動市場研究 https://www.anthropic.com/research/labor-market-impacts --> 同一份研究報告，三種委派方式 {#同一份研究報告-三種委派方式}
年度視角 給 AI 的工作指示 :--- :--- 2024 幫我撰寫一份報告，符合指定讀者與格式。 2025 搜尋資料、比較來源，再完成報告。 2026 依指定來源與評分標準完成報告，保留證據，標示衝突並完成檢查。 意思是：委派內容逐漸包含流程與驗收要求。
<!-- notes: 這是教學示例，不是某一年才可使用的功能清單。三種方式在今天都可能適用，取決於任務複雜度。請聽眾觀察：第一種重點是輸出格式，第二種加入工作步驟，第三種補上證據與品質標準。人仍要能判斷來源是否適切，以及分析是否超出證據。 --> 不同角色的學習重點 {#不同角色的學習重點}
角色 優先累積的能力 :--- :--- 一般工作者 問題定義、資料整理、查核與流程拆解 教師與學生 來源判讀、理解解釋、學習歷程 內容創作者 敘事、視覺判斷、素材來源管理 工程師 工具串接、評測、權限與執行紀錄 管理者 任務選擇、成本效益、責任分工
<!-- notes: 本頁是依前述趨勢提出的學習建議，不是職業能力排名。每個角色都需要基本 AI 素養，但不必採用相同課表。工程師可做一個可追蹤與復原的代理，管理者則可選一項重複工作試行，對照導入前後的品質與工時。教師可要求學生解釋使用 AI 的過程與查核方法。 --> 練習：把一項工作改寫成可驗收任務 {#練習-把一項工作改寫成可驗收任務}
選擇你每週重複做的一項工作，寫下： 交付物：最後要完成什麼？ 資料與工具：允許使用哪些來源？ 成功標準：怎麼判斷做得好？ 介入條件：遇到什麼情況要找人？ 比較方式：如何記錄時間、錯誤與返工？
<!-- notes: 這是建議練習，可用會議摘要、每週報告、教材整理或內容排程。避免一開始就選沒有明確成功標準的巨大任務。請參與者先完成任務規格，再操作工具。分享時要說明一項最容易出錯的地方，以及如何發現它。練習不要求使用特定品牌產品。 --> 帶走三句話 {#帶走三句話}
2024：會提出需求，也要會判斷答案。
2025：會拆解工作，才能有效委派。
2026：會設定標準，才能驗收 AI 成果。
長期值得累積的是領域知識、問題定義與驗證能力。
<!-- notes: 這三句話是本簡報的講者歸納，不是引用外部人物。工具與模型會持續變動，但使用者仍需要知道什麼問題值得解決，以及什麼結果才算好。2026 年的重點是截至 9 月 16 日的觀察，不能視為全年定論。所有外部事實的來源已附於相關頁備註。 -->