是他們，創造了那些讓你在與 AI 對話時深受觸動的靈魂瞬間。
過去兩年來，光是在美國洛杉磯一地，影視產業便蒸發了超過四萬個工作職缺；而美國報業的採訪編輯職位，亦比 2008 年高峰期驟減了一半以上。在這波傳統媒體轉型的浪潮中，有一群離開新聞與影視圈的資深從業者選擇走進矽谷的大型 AI 模型公司，運用他們多年累積的寫作經驗與敘事洞察，重新訓練 AI 如何更精準、更有溫度地回應人類的提問。因此，每當你感覺到人工智慧的回答切中要害、甚至撫慰人心時，背後寫下那句關鍵文字的，很可能正是過去的資深記者、編輯或紀錄片導演。
本集《矽谷 101》Podcast，我們將深入探索這個鮮為人知卻至關重要的全新職種——內容工程師（Content Engineer）。我們特別邀請到兩位從新聞傳播界轉戰科技前線的資深內容工程師：前媒體人暨 Podcast《行星酒館》主持人東尼（Tony），以及 NBCUniversal 的 AI 戰略總監 Bianca Consunji。他們將與我們深度探討：究竟怎樣的對話才稱得上是「優質」的互動？而這些抽象的人文感知，又該如何拆解為可量化、可訓練且可客觀評估的工程標準？我們將從這個正在各大科技巨頭與 AI 初創公司中快速崛起的熱門職位談起，共同剖析當各大基礎模型的底層技術能力逐漸拉平之際，內容品質與人文品味如何成為 AI 產品的核心競爭力；同時，也將探討具備人文社科素養的批判性思考與審美判斷力，究竟該如何精準「轉譯」為軟體工程師與演算法能夠理解並執行的指令語言。以下為本次精彩對談的內容精選摘要：
矽谷新新職業：內容工程師（Content Engineer）
如果說軟體工程師是給予了 ChatGPT、Claude 等生成式 AI 開口說話的底層技術能力，那麼「內容工程師」則負責定義核心的價值標準：究竟什麼樣的對話才稱得上是「優質」的互動？諸如靈感、語感，乃至於人與人深度交流時所產生的共鳴與情緒價值——這些過去大眾普遍認為「只能意會、無法言傳」的抽象感覺，如今正由這群擁有豐富經驗的文字工作者，逐步拆解為一套能精準導入 AI 模型的工程化規則。
Meta 在招募「內容工程師」的職務說明中，明確點出了這項職位的核心職責：定義何謂「優質內容」；具備卓越的審美品味、創作力與文字功底；並能設計出讓使用者感到驚喜、愉悅且眼前一亮的回應體驗。
Faith（主持人）：究竟什麼是「內容工程師」？
東尼：我們設計的核心，究竟是在設計 AI 模型的架構、AI 產品的介面，還是在設計它的寫作風格？其實都不是。我們真正設計的，是人類的「觀感與體驗」。
當初 Meta 釋出 Content Engineering（內容工程）這個全新職缺時，招聘條件明確寫道：你需要擁有豐富的內容產出經驗、編輯經驗，甚至最好具備影視製片背景。我當時一看就覺得：「這不就是在描繪我過去的職涯歷程嗎？」去面試時我便直接對他們說，你們要求的每一項條件我都能精準符合；而且在目前的市場上，極難找到同時具備這些跨領域經驗的人選，找我絕對是最合適的選擇。
那麼，內容工程實際上需要撰寫什麼？最核心的莫過於「系統提示詞」（System Prompts）等引導指令。這其實非常考驗創意思考與文字精準度——你必須思考如何把指令寫得優美流暢，同時又能讓 AI 模型精準理解；有時模型會展現出隨機偏差或不穩定的回應，你該如何透過提示詞調整與訓練它，這正是該領域從業者最核心的專業技能。
Bianca：程式碼是一種技術語言，但日常使用的自然語言同樣具備高度的技術性。它有語法、句法與結構，這些要素本質上都是可以被客觀量化的。
那麼，究竟什麼是優質的寫作、優秀的影視製作或流暢的對話？這些背後其實都涵蓋了專業的技術能力。一本好的劇本、一篇優秀的文章，完全可以被拆解分析並評斷其水準高下，只是大眾過去習慣憑藉感性去閱讀。大家都很清楚《紐約客》（The New Yorker）、《紐約時報》（The New York Times）與《每日郵報》（Daily Mail）的文字風格截然不同，卻往往說不清差異究竟在哪裡。而我們這群從新聞傳播界轉戰 AI 領域的人，做的正是這件事——把「是什麼讓《紐約客》成為《紐約客》」這項抽象特質具體說清楚。 我們負責將語調、風格與品牌聲音，精準轉譯為更具工程化與技術化的指令結構。
歸根究底，這項工作要回答的核心問題就是：「內容究竟應該呈現出什麼樣的質感？」對許多擁有新聞或傳播背景的人來說，過去無論是在拍攝影片還是撰寫報導的過程中，我們本來就會反覆思考：例如今天要去採訪誰、這個故事應該採用什麼樣的語氣與敘事觀點。我們是先學會了如何產出高品質內容，進而學習如何對內容進行「逆向工程」（Reverse Engineering）式的拆解與重構。
Faith（主持人）：在深入討論如何拆解「優質內容」之前，我們第一步需要釐清的是：在 AI 領域中，「好」的具體定義究竟是什麼？
Bianca：所謂「好」的概念，完全取決於你目前正在開發的產品形態與應用場景。
舉例來說，即使使用的是同一個底層 AI 大語言模型，但根據產品定位的不同，優質的標準便大相逕庭：一個可能是定位為協助使用者處理繁雜事務的 AI 代理（Agent），另一個則可能是提供情緒價值、模擬伴侶互動的聊天機器人。這兩種產品的設計邏輯是完全不同的。再以航空公司的 AI 客服機器人為例，你必須精準設計對話開場白與互動流程。同時，更要明確這段互動的核心目標——究竟是協助使用者徹底解決問題，還是以最快的效率完成初篩分流？
在確定目標後，我們必須進行持續的迭代訓練，並仔細審視 AI 輸出的每一項結果。這個過程需要將對話的各項屬性（如準確度、同理心、簡潔度）逐一拆解並客觀評估給分。我們透過「控制變因」的實驗方法，釐清哪些因子對品質提升效益有限，進而一步一步精準定義出何謂「優質的回答」。有時某些回答品質不錯，但可能只有 7 分而非 10 分，我們的責任就是精準解釋並標註出那 3 分的落差究竟源自何處。
事實上，我工作的核心目標，就是讓 AI 的寫作表達更具質感，並能更精準地回應使用者的需求。這些能力本質上都源自最基礎的新聞專業訓練。例如：AI 是否真的解答了使用者提出的核心問題？還是只是停留在字面意思，並未真正理解使用者背後的真實意圖？如果說我有什麼核心專長，那就是「理解語意背後的真正意圖」，而非僅僅停留在字面上解讀問題。我實際上在教導 AI 的是：在特定情境下，怎樣的回答才是最理想的表現。舉個具體案例，若有使用者詢問：「泰勒絲（Taylor Swift）會不會在麥迪遜廣場花園（Madison Square Garden）舉辦婚禮？」
- 不佳的回答：「是的，她會在那裡結婚，以下是她的伴娘名單。」——這種回答非常糟糕，因為這純屬未經證實的傳聞，根本沒有人能確定其真實性。
- 極差的回答：充斥著明顯機械化「AI 腔調」、生硬拼接各種網路瑣碎資訊的條列式回答，使用者一眼就能看出這缺乏人類的思考邏輯。
(圖片來源：麥迪遜廣場花園，Photo by Ajay Suresh, CC BY 2.0)
那麼，什麼才是更優質、更具新聞專業素養的回答？例如：「目前尚無法確認她是否決定在該處舉行婚禮，但近期娛樂圈與社群媒體上有諸多推測，認為麥迪遜廣場花園是可能的場地之一……」在這樣的回答中，系統隨後補上可靠的新聞引用來源與訊息出處歸屬，同時坦承當前資訊具備較高的不確定性。這些處理資訊的嚴謹態度，正是讓一篇新聞報導變得客觀且具備公信力的關鍵要素；我們所做的，就是將這些新聞學的核心原則導入 AI 的模型訓練過程中。總結來說，決定內容優劣的三大核心維度是：事實性（Factuality）、適當的語調（Tone），以及能否真正理解使用者搜尋資訊背後的深度需求。
試想，若使用者詢問「她會在麥迪遜廣場花園結婚嗎？」，如果你只冷冰冰地回答「不會」，雖然在字面邏輯上確實回答了問題，但使用者並未獲得滿意的互動體驗。因為使用者真正期待獲得的，是該事件背後的完整時空背景、脈絡與客觀事實全貌。
Faith（主持人）：這也就是說，AI 必須具備理解提問者「言下之意」與隱含情境的能力。
Bianca：沒錯，特別是對於非西方文化而言，這種對「隱含情境」的理解更是不可或缺。
我自己是菲律賓裔，在我們的文化脈絡中，許多真正關鍵的訊息往往不會直截了當地說出口。當你與真人進行面對面交流時，你必須細心觀察對方的面部表情、體會說話過程中的停頓與猶豫，才能精準捕捉到那些「盡在不言中」的真實意涵。因此，當我在指導大家如何更有效率地使用 AI 工具時，我總是鼓勵大家優先採用「語音輸入」。因為透過語音，AI 其實更容易捕捉到人類語言中極為細緻的語調變化與情緒差異。當你使用口語表達時，腦海中不會像打字那樣經過反覆的自我審查與文字編輯，而是能直接將最真實的思考與意圖傾瀉而出。
這與新聞採訪的邏輯完全一致。在新聞實務中，口頭進行的採訪——無論是透過電話溝通還是當面進行實體訪談——其獲得的內容品質，往往遠勝於透過電子郵件進行的文字書面採訪。因為電子郵件採訪的內容，無論是採訪者還是受訪者，都經過了「過度精雕細琢」。受訪者有充裕的時間去修飾文字、防禦性地挑選答案，反而遮蔽了其最真實的思考過程；或者受訪者可能因公務繁忙，不願花費整整一個小時認真撰寫回覆。
更關鍵的一點在於：電子郵件採訪缺乏「即時追問」的動態彈性。 你無法根據對方的回答現場順勢延伸、引導受訪者展開論述，最終往往只能獲得按部就班、行公事般的樣板回答。而這，恰恰是優秀新聞記者最擅長的的核心能力——透過即時互動引導出更深層的訊息。因此，我強烈建議大家多透過口述的方式與 AI 對話，讓模型能夠接觸到人類更完整、更具脈絡的思考全貌。身為模型設計師（Model Designer）或內容工程師（Content Engineer），我們便能以此為基礎，設計出更具靈魂與同理心的回應機制。
我個人最欣賞 AI 的一點，就是它讓人深刻意識到：「思考的速度」與「執行的速度」完全是兩回事。 大腦閃過一個創意構想所需的時間，與將其真正執行落地所需的時間，存在著巨大的落差。因此，與其生硬地提供一堆外部資料給 AI，我反而建議你先嘗試將腦海中所有的原始想法、事情的前因後果，以及你為何會產生此一構想的背後脈絡，毫無保留地全數告訴 AI 模型。現代的大語言模型本身已經具備了極為庞大的知識庫與訓練基礎，它真正需要的，只是你如何將自己的真實意圖與情境完整表達出來，從而精準驅動並誘發出模型內建的高階推理能力。
AI 缺乏的脈絡理解力：媒體人的「跨文化語境」拯救場景
Faith（主持人）：Bianca 剛才所分享的，是一個人如何將腦海中的上下文（Context）盡可能完整地提供給 AI。然而，上下文並不只存在於個人的思考中，它更深深植根於特定的語言、文化脈絡，以及產業長年累月所形成的默契與潛規則中。有時一句話字面翻譯對了，背後代表的文化意涵卻完全偏離。那麼，在多語言與跨文化的切換過程中，內容工程師又能發揮什麼作用？
東尼：自從生成式 AI 崛起後，全球所有 AI 實驗室都看到了全新的市場契機——也就是「產品國際化」（Localization & Globalization）的跨躍式升級。
在生成式 AI 問世之前，若想將同款產品或內容推向全球市場，傳統作法僅能做到單純的「字面翻譯」（Translation）。例如英文報導寫著：“Meryl Streep just won an Oscar.”，傳統翻譯便是直譯為「梅莉·史翠普（Meryl Streep）剛剛贏得奧斯卡獎」。但在生成式 AI 的時代，出現了全新的再創作可能性：你要求 AI 不僅要用不同語言呈現內容，更要根據當地的文化脈絡進行「在地化再創作」（Generative Transcreation）。
舉例來說，若要將某個西方文化符號轉譯給特定語境的讀者理解，我們可能需要思考：在該文化脈絡中，誰是當地的「梅莉·史翠普」？什麼是當地的「奧斯卡獎」？在繁體中文或特定華語市場中，是否需要對標至華語影壇具備同等權威地位的資深影后（如蕭芳芳或張艾嘉）以及權威獎項（如金馬獎）？這是一種具備生成性（Generative）與文化再創造的轉譯過程。那麼，AI 本身能否做到這一點？在語言理解與文字生成的基礎能力上，AI 當然辦得到；但它最欠缺的，是無法精準掌握特定語境下「人物與文化符號之間的微妙對等關係」。
要對 AI 進行這方面的微調與訓練非常困難，因為這需要跨語言、跨地域地尋找文化共鳴點；稍有不慎，甚至可能觸碰不同地區粉絲圈（Fandom）的敏感神經，或是引發跨文化衝突。此時，最適合來執行這項任務的是誰？以娛樂產業為例，最專業的人選莫過於資深的娛樂新聞記者。因為他們日常深耕該領域，腦海中早已內建了一套高度專業的「垂直領域心智模型」。由他們來訓練 AI、訂定在地化轉譯策略，效果無疑是最好的。
另一個例子是，日前著名導演陸川在接受專訪時曾提到：當前許多特定地區開發的 AI 影像生成模型，產出的角色面孔往往高度趨同，清一色是該市場當前流行的小鮮肉或網紅臉。這顯然是因為在模型開發與產品設計初期，團隊所導入的訓練資料庫本身就帶有地域偏見與審美單一性。但如果今天是由一位精通電影語言、懂得何謂「具備故事感與戲劇張力的電影臉」的資深影評人或導演來參與設計，引導影像模型走向多樣化與質感升級，模型的視覺產出品質將獲得極為顯著的提升。此外，新聞專業與 AI 技術之間的交會，最核心的應用其實在於「新聞寫作的思考邏輯」。
我發現許多人之所以無法對 AI 提出好問題，是因為他們無法掌握當下語意環境中所需要的上下文（Context）。但在新聞寫作的訓練中，你絕不能只把一個孤立的事實直接丟給讀者，你必須建立完整的脈絡：事件是如何發生的？前因後果與背景條件是什麼？因此，當你腦海中建立了「先將事件的前因後果與時空背景交代清楚，再拋出核心問題與論點」的新聞架構思維時，這種寫作習慣在與 AI 進行提示詞互動（Prompting）與模型訓練的過程中，將會展現出極高的溝通效率與精準度，可謂屢試不爽。
當 AI 失去脈絡：從學術前沿論文看「多輪對話」的致命傷
東尼：我們再來聊聊更前沿的 AI 領域研究。
在今年 ICLR（國際代表性機器學習會議）獲頒最佳論文的其中一項研究，正是探討生成式 AI 如何處理「多輪對話」（Multi-turn Conversation）。一直以來，多輪對話都是大型語言模型的相對弱項。該研究進行了一項測試：將一個極為複雜的指令拆解為數個子步驟，隨後分次、一步步輸入給 AI，並比對這種「多輪逐步溝通」與「一次性輸入完整複雜指令」兩者產出的品質差異。研究結果發現：經過多輪拆分對話後，AI 最終產出的品質反而呈現大幅下降。
為什麼會這樣？因為當 AI 在對話過程中缺乏足夠且連續的「上下文脈絡」（Context）時，系統會被迫基於底層模型的機率預測進行「過度聯想與主觀臆測」。 如此一來，產出的答案會變得越來越臃腫冗長；一旦中間某個環節出現微小誤差，這個錯誤就會像滾雪球般在後續對話中迅速放大。這正是我們在 2026 年對 AI 技術瓶頸與對話設計的核心洞察。我前幾天分享給你一份我在 2018 年發表的研究，當時探討的是社群平台「微博」上的一起熱門爭議事件。當時原本只是一起常見的公共空間行為衝突，卻在網路上引發了鋪天蓋地的對立討論。
在研究過程中，我親眼見證了網友們如何從原本溫和理性的溝通，迅速惡化為彼此攻擊與辱罵。該研究的核心發現指出：人類在社群平台留言區進行對話時，同樣處於一種「脈絡高度破碎」的環境。 在缺乏對話對象真實背景的情況下，人們便開始進行主觀臆測——「你一定是某種立場的人」、「你肯定沒有養過小孩才會這麼說」。事實上，人類在資訊匱乏時的「主觀臆測」，與 AI 在缺乏 Context 時的「機器幻覺與過度聯想」，其底層邏輯極為相似。 這也說明了為什麼許多人文社會科學的發現，與當前 AI 科技產業面臨的困境彼此呼應。
新聞人的核心資產：從國際報導到 AI 對話設計的「無縫平移」
Faith（主持人）：你過去擔任國際新聞記者，報導國際新聞最重要的技能之一，就是精準判斷同一個故事在不同國家與文化脈絡中該如何講述。這些經驗是如何「轉移」到你目前的 AI 內容工程工作中？
東尼：事實上，不只是國際記者，整個新聞與傳播領域所積累的經驗，我都不認為需要經過艱難的「跨界轉型」，而是可以「直接無縫平移」到 AI 領域。
首先，是「受眾意識」與「溝通張力」。
個人創作與新聞寫作有著本質上的不同。進行新聞寫作時，你的腦海中必須始終清晰地勾勒出受眾的輪廓：你該如何與讀者保持良好的對話張力？哪些資訊該適時釋出、哪些細節需要斟酌？當你講述某些觀點時，受眾會產生什麼情緒反應？如何在保持客觀中立、不冒犯特定族群的前提下，既能維持自身的專業觀點，又能真實還原事實全貌？這種極其複雜的平衡藝術，需要長期的專業訓練，而這正是新聞人的核心基本功。
其次，是「對話流程的動態引導力」。就像我們此刻進行的訪談，身為主持人，你的腦海中必然持續在運算：受訪者剛才表達了什麼？我接下來該如何回應？該如何順暢地將話題引導至下一個核心焦點？這種在對話中高度專注、實時調整的動態互動，當應用到 AI 聊天機器人的「對話互動設計」（Conversational Interaction Design）時，便會轉化為一種極具優勢的直覺判斷。帶著這種敏銳的溝通直覺去與 AI 進行提示詞設計與互動，效果至關重要。最後，則是「精準提問的能力」（The Art of Asking Questions）。新聞採訪與媒體工作中最精髓的資產——「如何提出對的問題」，如今能夠百分之百無縫平移到日常的 AI 內容工程與提示詞優化中。
追問的藝術：在「結構性」與「流動性」之間尋求平衡
Faith（主持人）：這讓我聯想到新聞記者極為關鍵的一項核心技能——如何提出高品質的「跟進式追問」（Follow-up Questions）。
在實際採訪中，記者絕不可能死板地完全照著訪綱原先規劃的邏輯推進。因為受訪者隨時可能在回答某個問題時，意料之外地延伸出一個極具新聞價值或趣味性的全新觀點。此時，如果你依然僵化地沿著原定訪綱走，就會錯失最精彩的洞察；哪怕必須承受暫時偏離主軸的風險，你也必須敏銳地抓住該線索：「關於這一點，能否請您進一步說明？」但你認為當前的 AI 具備這種「隨時捕捉靈感並動態轉向」的能力嗎？在我目前的感受中，AI 似乎更偏向於任務導向——你給它一個宏觀目標，它就會嚴格按照該目標一路追問到底，卻很難在對話過程中自發地被某個旁支但極具價值的細節所吸引，進而靈活調整對話方向。
東尼：你精準點出了一個非常關鍵的產品設計痛點。
在專業的新聞採訪中，記者必須做到的核心修練，就是在「結構性」（Structural Rigor）與「流動性」（Conversational Dynamics）之間取得完美平衡。而在 AI 的對話互動設計（Interaction Design）中，內容工程師同樣必須解決這個難題。以 ChatGPT 目前的產品互動架構為例：當你與它對話時，系統通常會先透過前端輕量化機制生成兩三句話，精準重述並確認你的問題；接著，以結構清晰的條列式內容進行深入解答；最後，則會在回答末端自動附上 1～3 個預測性的「跟進式追問」（Follow-up Questions）。
在目前的生成式 AI 產品設計中，回答末端附帶追問已經成為一種標準的互動模組（UI/UX Pattern）。然而，AI 究竟應該針對剛才對話的哪一個維度進行追問？這背後需要建立一整套極為嚴謹的品質評估機制（Evaluation Metrics）。那麼，究竟該由誰來制定這套追問機制與品質標準？答案當然是由全天下最擅長「提問與追問」的人——也就是新聞與媒體傳播專業者來建構。 什麼時機點該提出追問？該鎖定哪一個關鍵細節深挖？追問的語氣與深度是否符合使用者當下的脈絡？這些看似屬於 AI 產品設計的規範，背後無一不仰賴新聞專業的核心素養。
AI 會偷走內容創作者的工作嗎？
Faith（主持人）：今年 5 月，美國影視與文化圈有一篇文章引發了極大的關注與震撼，標題為《我在好萊塢工作，而所有曾經做電視的人現在都在偷偷訓練 AI》。
文章作者 Ruth 是一位好萊塢的資深編劇兼製片人。在稿費面臨一拖再拖的生計困境下，她在求職論壇上發現了一種專門招募編劇與記者的新型態案源——「AI 訓練師」（AI Trainer）。她的日常工作，就是一遍又一遍地針對 AI 生成的初稿進行評分、改寫與範本示範，教導這個模型什麼才叫作「優秀的劇本」。Ruth 自嘲道，自己作為劍橋大學文學系的高材生，如今卻要在工作群組裡聽憑二十多歲的年輕專案經理差遣，24 小時隨叫隨到，去搶奪那些按小時薪資計價的零工。
這是一幅極其諷刺且殘酷的對比景象：一邊是高達 5,000 億美元的資金源源不絕砸向 AI 基礎建設，各大科技巨頭估值一路飆升；另一邊卻是昔日輝煌的好萊塢影視與公共媒體產業，陷入惶惶不安的集體焦慮。 單單在洛杉磯，過去兩年內就有超過四萬個影視相關工作機會蒸發，減幅高達近三分之一；而美國新聞界自 2008 年至今，從業者的人數規模更是直接腰斬。我個人非常能體會這種深層的焦慮與恐慌，因為我也曾是其中的一員。兩年前，我畢業於哥倫比亞大學新聞學院——這也是東尼與 Bianca 的母校。這座作為普立茲獎（Pulitzer Prize）發源地的頂尖學府，多年來始終以「全球最佳新聞學院」自居；但在我畢業的那一年，空氣中卻瀰漫著一股前所未有的動搖。
我的一位哥大教授曾打過一個沉重的比方：「今天從新聞學院畢業還拼了命想擠進這一行的人，就像是朝著一棟已經失火的大樓拼命往裡面跑。」畢業前後的那段時間，我投出的履歷一封封石沉大海，甚至開始為下個月的房租發愁。當時，也有人在 LinkedIn 上私訊我，詢問是否願意接下「AI 訓練師」或「資料標註」的案件。說實話，當時若不是我焦慮到陷入癱瘓，我極有可能會接下那份工作。而如果我當時真的接了，或許我也會像 Ruth 一樣，在屈辱與憤怒中拷問自己：AI 是否正在將我們這群創作者，降格為廉價的資料標註員？我們引以為傲的靈感與原創力，是否正在被拆解為一個個可被標籤化的數據？而親手將這些靈感標記並餵養給 AI 的，竟恰恰是我們自己？
Bianca：AI 的本質是建立在「人類共識」之上進行訓練的。
我們之所以認定某件事是「正確」或「優質」的，往往是因為在統計學上，大多數人都認同它是對的——AI 的資料標註與訓練過程正是如此。然而，如果我們在 AI 訓練過程中所追求與優化的，只是人類社會最低公倍數的「多數共識」，那麼它永遠無法誕生出偉大的藝術作品。 因為人類之所以為人的核心價值與最佳本質，恰恰不源於無聊的共識，而源於獨特的人格特質與個體經驗。我和我先生平時也會一起撰寫劇本。雖然我日常非常積極地使用 AI 工具，但我嘗試過讓 AI 參與劇本創作，成果依然讓我相當不滿意。AI 的產出總是欠缺某種靈魂，無法精準抓到我真正想表達的深刻情感。
我依然渴望閱讀與欣賞由人類純手工創作的藝術，因為我知道那些藝術家與創作者，是真的懷抱著熱情、痛苦與靈魂想對這個世界說些什麼。說到底，人類最終會自行決定：在整個內容生產流程中，哪些繁瑣部分我們願意委託給 AI 輔助，而哪些核心的靈感與靈魂，我們更想親自捍衛。當然，我無法代表各大科技或影視公司發言，但我深信：單靠 AI 絕對無法產生真正異軍突起、超凡脫俗的偉大作品。 因為 AI 的訓練機制在底層邏輯上就是建立在「公約數與共識」之上；而世上最奇特、最獨一無二的藝術，本質上都是極具「離經叛道」性質的，它們天然地與大眾共識保持距離。
舉例來說，獲得奧斯卡最佳影片的《媽的多重宇宙》（Everything Everywhere All at Once）這部電影的劇本，絕不可能自發性地由 AI 模型生成。因為 AI 在邏輯推理時只會認定：你給予的這個劇本構想完全不合邏輯、說不通，更完全不符合學院派經典的「三幕劇」結構。
跨越熱潮與炒作：釐清「AI 焦慮」背後的勞動實況
Bianca：我們目前正處於一個全市場都在熱情追捧與過度炒作 AI 的階段。然而，隨著時間推移與技術邊界的明朗化，大眾與產業終將逐漸看清：哪些工作環節確實適合交由 AI 輔助，而哪些核心領域依然是 AI 難以企及、必須由人類主導的。
東尼：我非常能夠體會創作者們當下的憤怒與不安。但我自己對於目前主流的「受害者敘事」，其實抱持著某種程度的審慎與懷疑。
大眾普遍流傳著一種說法：「AI 正在偷走我的工作；更諷刺的是，我現在親手訓練了 AI，隨後 AI 就把我給淘汰了。」 我認為這種敘事方式，其實是將非常多層次不同、本質互異的社會與經濟問題揉雜混淆在一起了。
首先，大眾表面上批判的是「AI 技術」，但核心所不滿的，其實是「零工經濟」（Gig Economy）對專業勞動權益的侵蝕。「專業人才被迫投入零工經濟」這項產業轉變，早在生成式 AI 爆發之前就已經存在多年。過去有多少懷才不備的新聞傳播人、影視工作者與藝術家，在體制邊緣艱難掙扎、靠打零工維生？在 AI 訓練師這個角色出現之前，他們維持生計的方式，可能是在大街上開 Uber 送客、替 DoorDash 跑腿送餐；而如今，只是轉變為在螢幕前為 AI 產出的資料進行評分與標註罷了。這背後的本質，是傳統內容產業結構性轉型所帶來的勞動保障缺失，而不應簡單粗暴地全數歸咎於 AI 技術本身。
跨越二元對立：AI 作為新時代創作者的「數位畫筆」
東尼（接續前文）：藝術與文藝產業難以為繼、創作者生活無以為繼的困境，早在 AI 崛起前就已經嚴峻存在，且屬於深層的結構性問題。
第二，所謂「訓練完 AI 後便遭過河拆橋」的迷思，本質上是專案型勞動的常態。
因為零工經濟的運作模式本就是「專案制」（Project-based）——接案者完成階段性標註任務後，專案自然宣告結束。但難道一位編劇幫 AI 生成的文字評完分、做完標註後，AI 的創作能力就能立刻媲美資深編劇嗎？實際情況根本非如此，目前的 AI 在這層意義上遠沒有大眾想像的那麼神通廣大。
第三，也是最關鍵的一點——這種極端的受害者敘事，強行將「創作者」與「AI 技術」擺在了死對頭的對立面上。
這讓人們誤以為眼下只有兩種絕望的選擇：要麼選擇全面反對 AI，要麼就是將自己的靈魂賣給 AI。事實絕非如此，我們明明存在著「第三條路」——那就是將 AI 視為創作者的全新夥伴。我們完全可以換個角度思考並提出全新的問題：「有了 AI 的輔助之後，我可以開創出哪些過去無法實現的新創作？」在沒有龐大拍攝團隊與攝影機的情況下，編劇是否也能獨立勾勒出電影的視覺雛形？在缺乏數百萬特效預算的條件下，獨立影音創作者是否也能憑一己之力打造出令人驚豔的視覺特效？
AI 能解鎖極為廣闊的創作可能性，甚至引領我們去開創當前尚未被發明出來的新型態媒介。回顧人類文明史，每一次數位技術的革新皆是如此：從古典繪畫邁向攝影技術，再從傳統攝影演進至 Photoshop 數位修圖，隨後邁向 Blender 等 3D 動畫建模——我們一直都是這樣一代代跨越技術浪潮走過來的。如今，許多創作者是因為在傳統產業體制中面臨嚴重的生存危機，急於尋找一個具象化的「敵人」來宣洩焦慮，卻忽略了 AI 也可以成為一支全新的「數位畫筆」，協助我們實現更偉大的創作夢想。我自己的親身經歷就是最好的例子：當初正是因為我自己嘗試製作 Podcast，希望能藉由 AI 生成高品質的視覺與影片內容，才真正開啟了這一連串將新聞傳播與 AI 內容工程相結合的探索之旅。