https://blog.mkinweb.com/tags/ai/ Recent content in AI on Sueboy https://blog.mkinweb.com/images/ https://blog.mkinweb.com/images/ Hugo -- 0.149.0 zh-tw Sun, 02 Aug 2026 11:06:15 +0800 https://blog.mkinweb.com/posts/2026/2026-08-02/2026-08-02/ Sun, 02 Aug 2026 11:06:15 +0800 https://blog.mkinweb.com/posts/2026/2026-08-02/2026-08-02/ <h2 id="環境與模型">環境與模型</h2> <ul> <li>硬體：NVIDIA GB10</li> <li>模型：Qwen 3.6 27B（Q4_K_M 量化）</li> </ul> <h2 id="推理引擎實測結論">推理引擎實測結論</h2> <table> <thead> <tr> <th>引擎</th> <th>結果</th> </tr> </thead> <tbody> <tr> <td><strong>vLLM</strong></td> <td>✅ 多人同時連線 8 線、16 線都撐得住——唯一通過考驗</td> </tr> <tr> <td>SGLang</td> <td>理論上更強，但 demo 和實際上線是兩回事，實戰未驗證</td> </tr> <tr> <td>Ollama</td> <td>很快掛掉，必須自己建 queue 排隊處理</td> </tr> <tr> <td>LM Studio</td> <td>單人測試正常，多人一測就爆，試多次都爆</td> </tr> </tbody> </table> <h2 id="測試過程">測試過程</h2> <ol> <li>一開始放棄 Ollama，改用 LM Studio 先測 OCR：找到可用模型、設定正確的 threads</li> <li>寫一個循環 Windows script，上網抓發票、表格圖片至少二、三十張</li> <li>打到 LM Studio API，一張一張跑，單人全部正常</li> <li>打包給 MIS 相關人員與預使用人員同時測試 → 多人一測，LM Studio 直接爆掉（試多次都爆）</li> <li>改用 vLLM 版本 → 不再爆</li> <li>改成無限循環版本（打開就一直送不停），單一 PC 開 4 線、8 線，從週五下班跑到週一早上 → 完全正常，辨識也正確</li> </ol> <p>只有這樣才證明撐得過高峰並發多人使用，這才是企業內真正的實際運用。</p> <h2 id="應用場景">應用場景</h2> <ul> <li>會計大量作帳、內部文件 OCR：不定時、大量文件</li> <li>未來：現場設定即時不斷辨識，壓力更大——每 1 分鐘跑一次；30~50 台設備同時上線，沒有高並發直接爆</li> </ul> <h2 id="文件類型">文件類型</h2> <ul> <li>客戶報價單、公司報價單回填、材料相關表格</li> <li>MES / WMS / SCM 相關文件、產生履歷文件（目標：減少打字時間）</li> <li>跟發票這種千奇百怪的類型不同：手寫單據、出場、驗收——人寫的，這些真的要靠 AI 高並發</li> </ul> <h2 id="真實場景">真實場景</h2> <ul> <li>一車來三櫃驗收單，一次來二十車，不同廠區同時運作</li> </ul> https://blog.mkinweb.com/posts/2026/2026-06-03/2026-06-03/ Wed, 03 Jun 2026 21:30:31 +0800 https://blog.mkinweb.com/posts/2026/2026-06-03/2026-06-03/ <p>「算力女粉絲」頻道分享 Box 創辦人 Aaron Levie 對 AI 裁員議題的看法。</p> <h2 id="重點整理">重點整理</h2> <ul> <li><strong>AI 能自動化中間很多步驟，但很難獨立承擔完整責任</strong>——事情的開始與結尾仍然需要人</li> <li><strong>Agent 越多，人類越要背鍋</strong>：AI Agent 進入企業流程後，出錯時負責的還是人，人類從執行者變成要為 AI 流程失誤負責的角色</li> <li><strong>AI 改變的是技能，不是整個職位</strong>：真正被改變的往往不是職位突然消失，而是職位需要的技能被自動化</li> <li><strong>為什麼 AI 寫程式很強，企業還是不滿意</strong>：企業要的不是更多程式碼，而是可以運行、維護、審計並承擔責任的系統</li> <li><strong>現實決策仍需要人</strong>：AI 會改變工作、縮編部分職位，但關鍵決策與責任歸屬短期內離不開人</li> </ul> <h2 id="影片章節">影片章節</h2> <ul> <li>03:41 軟體工程師的失業焦慮</li> <li>04:38 Agent 進入企業流程，風險在哪裡</li> <li>05:35 Agent 越多，人越要負責</li> <li>07:07 AI 裁員應該怎麼看</li> <li>08:12 哪些工作最容易被 AI 縮編</li> <li>08:42 為什麼現實決策仍然需要人</li> </ul> <p>影片連結：<a href="https://www.youtube.com/watch?v=kMo5512mm5k">https://www.youtube.com/watch?v=kMo5512mm5k</a></p> https://blog.mkinweb.com/posts/2026/2026-05-02/2026-05-02/ Sat, 02 May 2026 16:47:10 +0800 https://blog.mkinweb.com/posts/2026/2026-05-02/2026-05-02/ <p>Bilibili 中配版，原片為 Tech With Soleyman《AI Layoffs Have Completely Backfired (here&rsquo;s the proof)》（2026-04-04）。</p> <h2 id="重點整理">重點整理</h2> <ul> <li><strong>數據面</strong>：引用高德納、弗雷斯特、麥肯錫三家機構的調研，企業用 AI 裁員普遍未達預期效果</li> <li><strong>亞馬遜案例</strong>：強制要求工程師使用 AI 工具並納入考核後，發生多次大規模生產故障、損失數百萬訂單，最後被迫重啟嚴格安全審核</li> <li><strong>失敗核心原因</strong>：流程治理缺失、資深工程師被裁造成經驗斷層、AI 與複雜生產場景適配度不足——本質是企業營運決策失誤，而非 AI 已能完全替代工程師</li> <li><strong>企業堅持裁員的真實動機</strong>：撐股價、為 AI 基礎設施騰資金、維護 CEO 形象、仿效馬斯克裁員降本模式；數據顯示僅不到 5% 的裁員真正與 AI 替代能力相關</li> <li><strong>給技術從業者的建議</strong>：成為具全局視野的系統思考者、把 AI 當輔助工具但不依賴、掌握雲工程核心技能——雲人才缺口仍巨大</li> </ul> <p>影片連結：<a href="https://www.bilibili.com/video/BV1i1RLBuEPC">https://www.bilibili.com/video/BV1i1RLBuEPC</a></p>