隨著AI時代的來臨，生成式AI已在近年來不斷出現在我們的工作，甚至日常生活中。而這些不斷推陳出新的AI工具，不僅可以幫助我們進行行政工作，現在更可以幫助音樂藝術創作者製作歌曲與MV。本次課程將告訴大家，如何利用各種不同的生成式AI工具，幫助我們從零開始製作歌曲與MV。

一、前言

隨著AI時代的來臨，生成式AI已在近年來不斷出現在我們的工作，甚至日常生活中。而這些不斷推陳出新的AI工具，不僅可以幫助我們進行行政工作，現在更可以幫助音樂藝術創作者製作歌曲與MV。本次課程將告訴大家，如何利用各種不同的生成式AI工具，幫助我們從零開始製作歌曲與MV。

二、製作MV的基本流程

製作MV時有七個基本要素，包含歌詞、曲、旋律、編曲、演唱、圖像與動畫。在沒有AI輔助的情況下，是先有曲再有詞，或先有詞再有曲，其實差異不大。然而對AI來說，由於它必須要有歌詞，才能製作相對應的曲，所以在使用AI製作MV時，我們必須要先有歌詞才能進行譜曲，最後進入圖像與動畫生成。因此，我們可以將使用AI進行MV製作的基本流程分為以下四個步驟：

1. 歌詞創作：如果我們自己有想法的話，當然可以自己寫歌詞。但若沒有想法，或擔心自己文筆不好的話，則可以交由ChatGPT幫忙提供我們創作靈感。
2. 譜曲、編曲、演唱：在這個部分，目前較熱門的生成式AI創作平台為Suno以及Udio。Suno目前已推出約半年，其支援中文且中文能力已經相對成熟，可以相對穩定地產出中文歌曲。Udio的在製作中文歌時雖然常常脫稿演出，但卻很有靈魂。在製作英文歌曲方面的表現則是相對穩定。
3. 圖像：圖像生成式AI可以有免費和付費兩種。免費的軟體包含Bing、ideogram和Stylar AI。Bing是目前最多人使用的平台，它語意理解度強大且支援中文。Ideogram相對比較少人使用，但也可以支援中文，且生成的圖片質量也與Bing不相上下。Stylar AI則可以把真人圖像或既有圖像進行穩定的分割，且風格也較統一，有利於MV製作。付費軟體則是我們熟知的Midjourney和Leonardo AI。兩者的圖片品質都相當高，但若使用的是免費版的Leonardo AI生成圖片，品質就會較低。
4. 動畫：目前有四個熱門的生成式AI可以幫助我們生成動畫，包含Leonardo AI、Runway ML、Haiper與Pika Labs。這四個平台都能夠產出大約2-4秒的動畫，但仍無法像Sora一樣產出非常擬真且長達一分鐘影片。Leonardo AI比較簡單直覺，但如果想要有比較多控制的部分可以使用Runway ML。Haiper 和 Pika Labs可控與可後製的功能較少。

三、實戰演練：AI創作歌曲與MV

1. 歌詞創作

當我們沒有靈感創作歌詞時，可以利用ChatGPT幫助我們撰寫歌詞。在下指令時，我們可以掌握幾個訣竅，像是告訴ChatGPT要扮演何種角色、擅長做什麼事、要幫我們做什麼，以及我們想要看到什麼樣的結果。舉例而言，我們可以告訴它：「現在開始您是一位擅長中國風歌詞的作詞人，您將基於我所提供的情境書寫一份歌詞，並且通過 “[Verse]” / “[Interlude]” / “[Chorus]” / “[Outro]” 等註解來標註歌詞段落。您所創作的歌詞將適合用於中板節奏，務求句式優美且詞藻華麗，並注重押韻。歌詞大約在280-350字之間。請問您準備好了嗎？」我們之所以要在指令中請AI幫助我們利用註解標註段落，是因為這些標註就是接下來利用Suno創作歌曲時給AI的參考指標。

接著，我們就會得到ChatGPT生成出的歌詞。雖然它生成的歌詞可能會有瑕疵，像是歌詞字數並非完全對稱，或者沒有真的押韻，但我們只要再進行微調即可。調整好歌詞後，我們就可以開始生成歌曲囉！

2. 生成歌曲

在生成歌曲時，我們可以使用Suno。Suno目前提供免費用戶每天50點的點數，每次生成會扣10點，因此每天可以創作5次的歌曲。但必須注意的是，免費用戶所創作的歌曲不能拿來做為商用，否則Suno有權提告。因此，若大家想要將AI生成的音樂公開發表或做為商用，還是建議大家購買付費版的Suno。

當我們進入Suno的頁面後，可以在左側工具欄中選擇「Create」，並開啟「Custom Mode」開始製作歌曲。首先，我們先在「Lyrics」的欄位中，將ChatGPT生成的歌詞貼上。接著，我們也可以設定曲風，像是爵士風、鄉村風或R&B等。提醒大家，雖然我們在Suno輸入歌詞時可以輸入中文，但在設定曲風時還是必須使用英文。最後，我們再於「Title」中輸入歌名，並點選「Create」就可以開始生成歌曲了。另外，假如我們在Suno上有喜歡別人所分享的曲，想做出一樣曲風，也可以將他們的指令複製下來使用。

Suno最後會生成出兩首歌曲，我們如果正好有喜歡的版本，當然就可以直接下載下來。然而，如果我們不滿意生成結果，目前尚無法在Suno中進行編輯或修改細節。也因為如此，AI歌手的聲音可能會在平凡的部分放太多情緒，應該激昂的部分反而沒有情緒。因此，若狀況允許，我們還是可以請真人歌手進行演唱，避免上述的情況發生。除此之外，目前Suno可以製作四分鐘的歌曲，但若發現有時間太短唱不完的情況，也可以在Suno生成的音檔中選擇「Extend」，再將AI沒唱完的歌詞重新貼上，並在「Extend from」中設定要從歌曲的幾分幾秒延伸，最後再將音檔拼接起來即可。

3. 製作分鏡稿

由於拍攝MV或利用AI製作MV時，我們要知道有多少場景或圖片，也就是分鏡，才能夠開始製作MV，因此分鏡稿在MV製作相當重要。而當我們有了歌曲後，就可以開始製作分鏡稿了。如果一開始對於一首歌曲沒有太多的想法或畫面，那麼也可以利用ChatGPT幫助我們生成分鏡稿。我們可以告訴它：「接下來我要製作MV，因此需要一些畫面，請您針對每兩句歌詞提供一個場景的分鏡稿敘述（包括間奏、前奏、結束時也都需要場景）。」接著，我們也要在指令中請ChatGPT分別提供中、英文敘述，以及場景所對應的歌詞。之所以需要英文敘述，是因為有些生成式AI，如Midjourney或Stable Diffusion，僅支援英語，而有了英文敘述，我們就可以直接將指令貼到這些AI軟體中。

當我們有了分鏡稿後，就可以利用生成式AI產生圖片。舉例而言，我們可以將中文分鏡稿敘述複製下來給Bing，請它幫我們生成圖片。但目前Bing只能幫助我們生成1:1的圖片，因此若要調整尺寸，就必須藉由其他工具進行調整。除了Bing以外，ideogram也可以接受中文指令，且可以控制許多元素，當然我們也可以在輸入指令時告訴它我們想要的風格。目前ideogram也可以較精準地在圖片中呈現英文字，但圖片中的人物可能還是會有缺陷。雖然我們無法直接在ideogram上調整圖片細節，但我們可以利用Leonardo AI或Krea將圖片放大重繪。最後，我們也可以利用Stylar AI生成圖片。Stylar AI的好處是有非常多風格可以選擇，且也可以穩定地產出同一個風格的圖像。因此，它可以穩定地將ChatGPT給我們的分鏡場景以統一的風格做出來。

4. 製作動畫

當我們有了圖片後，就可以開始進入最後的動畫製作囉！製作動畫常用的生成式AI工具有很多種，首先就是我們所熟知的Leonardo AI。要利用Leonardo AI製作動畫，我們只要在左側工具欄中選擇「Motion」並上傳圖片即可。但要特別留意的是，目前只有付費用戶才能上傳自己的圖片，免費用戶則只能用我們在Leonardo AI生成的圖像作為動畫的參考圖。另外，Leonardo AI製作動畫時只有「Motion Strength」一個參數可以調整。

如果在製作動畫時想要有比較多可控的項目，讓AI可以比較容易照著我們的想法生成影片，那麼可以使用Runway ML生成動畫。目前Runway ML提供免費用戶每月125點，換算後每月只能產出16秒的圖像，可能對於要製作三到四分鐘的MV較為不利。因此若真的有需要，則可以考慮購買付費版。在Runway ML我們可以像在Leonardo AI上一樣調整Motion Strength，也可以調整影片的運鏡。但需要注意的是，如果運鏡幅度太大，可能會造成最後影片中人物的移動較不穩定而產生扭曲。要解決這個狀況，我們可以將運鏡的參數調整到不大於1即可。另外，我們也可以利用「Motion Brush」的功能控制圖像中人物的移動。例如，我們如果想要圖像中某個人往前移動，就可以將他圈選起來，並調整移動的方向。而為了確保移動方向的正確性，我們也可以試著在指令中加上敘述，讓AI了解我們想要的成果。

最後，除了Leonardo AI和Runway ML以外，我們也可以用Noisee製作動畫。用Noisee製作動畫時，我們只需要提供給它在Suno上歌曲的網址以及我們想要的風格，它就會自動生成一部動畫。然而，由於我們只提供它Suno歌曲的網址和我們想要的風格，其他則由Noisee基於歌詞自行編輯。所以動畫中的每個分鏡風格都不盡相同，甚至人物可能會有明顯的瑕疵。因此，Noisee的生成結果或許可以做為我們很好的靈感，但無法實際應用。

四、結語

本次課程告訴大家，如何利用目前市面上常見的生成式AI軟體，從無到有創作歌曲和製作MV。然而還是不免俗的要提醒大家，雖然生成式AI製作MV可以節省大量的時間甚至人力，但是我們必須注意這些軟體是否有條款，限制我們將生成物做為商業用途。如果大家真的想要將生成結果做為商用，那麼還是建議大家購買付費版，不僅保障自己的權益，也可以讓自己免於不必要的麻煩。

這篇文章 【課堂筆記】全AI音樂影片生成工作流程｜VT 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

近日AI技術的超級進步與科技巨頭們的發表使得AI與人機協作的應用多了許多想像空間，例如自動化重複性工作、幫助我們管理日程和回答問題等等。

文／戴士翔 | Dennis Dai

近日AI技術的超級進步與科技巨頭們的發表使得AI與人機協作的應用多了許多想像空間，例如自動化重複性工作、幫助我們管理日程和回答問題等等。這些功能可以讓我們更有效地利用時間和精力，從而提高個人生產力。你可以看到資本、技術、人才都在湧入這個賽道，讓這個領域的發展速度相當驚人，而不只是科技巨頭，多數公司與個人開發者也可以快速串接開源LLM來調整訓練、串接自己的應用服務。

而除了商業應用，多數工作者也關心該怎麼整合AI服務到自己的工作流程中，讓工作更有效率，提高個人生產力。個人從去年ChatGPT問世以來就持續在開發自己與團隊的AI協作流程，因此下文將會分享一些個人心得：

1. 我怎麼思考AI來開發自己與團隊的AI協作工作流程
2. 三個使用AI工作的思考原則與個人實際案例
3. 對AI人機協作的想像

文中也會分享自己在過去數位轉型案例中看到企業流程協作與開發AI use case 的機會點。

AI 應用的本質：資料格式的轉換與非結構化數據的分析處理能力

首先對於AI的應用本質，我的理解是「N2N」，也就是形式上自在轉換不同「資料格式」。比如現在的文字轉文字（ChatGPT）、PDF轉文字（ChatPDF）、語音轉文字（PodcastGPT）、文字轉圖片（Midjourney）

而這個過程可能是放大從輸入到輸出的資訊量，進而產生結果，如通過簡短的Prompt 生成報告、圖片 ; 也可能縮小資訊量，如請AI摘要資訊量大的報告、摘要影片的內容。

這並不是新概念，過去數據科學的深度學習很大一部分的價值就是將非結構資料轉成結構資料[註：結構資料通常是二維表格形式如Excel, csv，非結構化則是各種形式通常用json, mp3, jpg等]，這是一種資訊量大到小的過程。如行銷科技的應用從多種商品圖片中萃取出質感、顏色等「標籤」，或者量化交易公司從停車場車輛照片、農作物空拍顏色獲得「流量、產量」等結構化數據。

類似於主管交辦任務，而成員交付產出，理論上每個個人都是一個小型管理者，協作對象為AI。

因此在思考應用上，我會去想：

不同的場景需要什麼樣的「資料」：明確產出

比如我要設計簡報，那麼產出就會是文字與圖片資料

2. 所投入的資料與產出的資料差距：量化生產力提高程度

比如輸入10~20字的字串，產生100~200字的報告，就是10倍的差距

用10分鐘測試輸入30~50個詞，產生4~8 張耗時人工3~5天工作天的圖片

3. 需要AI的步驟與需要人的步驟：確保可控性

AI與人的協作是仿生關係，比如確認報告中關鍵數字的正確性、建立產出框架（如特定格式的回答方式、特定風格的圖片）

這樣一來就可以設計出許多個人需要，且足夠有價值的AI工作應用。經過這種思考方式之後，我目前個人有在使用且付費的AI應用程式包含：Notion AI, Github Copilot，而使用中免費的AI應用則有多種生成圖像的應用（如MJ，純粹好玩）、ChatGPT、ChatPDF、Perplexity AI 。

從上面的工具來看，我目前只專注在既有流程的資訊輔助「減少/生成資訊」上（減少內容如查找資訊、比較分析，生成內容如程式碼、文章大綱、摘要），但是並未用在完全的生產力解放上（如100% AI 生成圖片、100% AI 建立報告），未來預期會使用更多服務來提高個人生產力與輔助工作流程。

1. 知識搜尋引擎

這部分可以分成公開與個人兩個方面來說明，而知識搜尋建立在資訊整合與學習的行為上面，比如搜索未知的資訊、確認已知的資料、整理未知的資料來創造已知的資訊等…….

公開

不論寫程式、研究算法、商業分析，在過去都脫離不了Google，然而需要的資訊經常十分龐雜，且中文搜索引擎經常混雜到大陸各種轉發、轉傳、拷貝的重複內容、英文搜索則充斥大量廣告、付費式的內容，因此在知識搜索上使用ChatGPT等工具可以更好得到需要的資訊，比如複習某種算法的原理、提供某些問題的解決方案思路。

我個人最常用的Prompt包含「你是一位XX專家，建立一個XXX、分析XXXX 優缺點、適用性、好處壞處….」，並通過追問、補充特定資訊的方式來得到我需要的結果，在這方面ChatGPT的免費版本已經足夠好用

個人：

每個人都應該建立自己的知識庫，現在的筆記軟體盛行，要累積個人需要、反覆使用的資訊並不困難（如SOP、知識筆記）。法人也不例外，公司應該建立自己的知識庫。在過去，我們可能依賴於「搜索」的方式來查找自己的資訊，因此整合資訊的效率取決於筆記軟題的搜索功能強度（如我個人最愛用的EverNote） ;

但在「現在開始的未來」，「提問」的方式變成資訊整合最主要的行動方式，因此很大程度筆記軟體的整合效率會取決於該公司LLM的下游Tuning（可以理解為公司將大型語言模型的服務「落地到自家服務的適配性」），以Notion AI 為例，我在工作上與一部分的知識都已經在Notion建檔，因此通過 Notion AI 能夠通過Prompt來得到自己整理的內容與結果。

就我所知另外一個筆記軟體Heptabase就直接把這種「資訊整合」的提問方式做成一個功能。

個人的另外用途還有資訊摘要，如使用ChatPDF來閱讀論文、使用 Perplexity AI 來搜索相關文獻等，取代以往的 Google Scholar 與 pdf browser

至於Podcast、Video 轉摘要個人現在用的並不多，原因是我認為閱讀在人性上更偏向是一種主動的行為，精力有限，我會需要更準、更精的資訊，通過提問來協助思考。然而Podcast、Video等媒體通常會在我的零碎時間中出現，此時我的精力其實是放鬆的狀態，因此媒體的單向輸出更適合，不然還要手動Prompt跟想提問，其實不會特別休息到，也無法全心在吸收跟思考上。

因此以主被動的方式來看，Video 跟 Podcast 的prompting 更適合出現在主動性的工作內容上，好比我是一個要聽法說會的分析師，那麼使用 Video to text 來快速產生Raw note 可能會很有用 ; 我是一個一天要打好幾通專家訪談的顧問，那麼使用 Voice to text 來整理好幾小時的錄音檔也會非常有幫助。

2. 自動化重複性工作

使用AI預期可以自動化許多重複性工作，例如發送電子郵件，處理文件，生成報告、圖片等等。這樣可以節省工作者的時間和精力，並把時間花在更具有價值的事情上。

有趣的是，雖然自動化是一個大家對於科技發展常見的想像場景，但從我之前在管顧業參與過的數位轉型專案來看，AI在這部分的幫助可能並不如大家想像得那麼大。首先，多數流程其實存在規則式的範式，需要的輸入跟產出都非常明確，這並不一定需要AI嫁接其中，反而規則式程式碼容易控制，而這種自動化任務在有了程式這個概念之後就可以執行。其次，容易控制的流程相比不穩定的流程還要容易被人們接受。

省了時間不見得省了精力

15分鐘執行時間的程式，完全自動化 v.s. 5秒自動化、但需要手動確認與檢查的AI程式，前者的可接受性更高，因為前者只需要一次工作，後續不出什麼大事基本上可以放著不用管它，這才是真的「解放勞動」，因為所有的流程有如玻璃，你完全可以預期會得到什麼結果。然而後者的問題就大得多，雖然每次執行很快，但是結果難以控制、或者需要額外調整，即使額外調整的時間僅需10~30秒，但每天這麼做依然在流程上擺脫不了人為的參與。

就好比傳統CRM人員可能更相信人為定義的RFM分群會比K-means RFM來得好，有了更進階的算法不見得會有更好的效果。

機會點存在於那些人為每天得做，但是資訊複雜的任務，而這種任務就是常見的AI use case，比方說電商打擊假貨，這個其實算是一種重複性工作，描述起來也不如個人化行銷、存貨預測等其他AI任務聽起來那麼酷炫，但是這種任務是必要的，且難以寫程式排查（因為品類太多、特徵不明確）。此時的自動化任務就可以通過 AI 來進行，即使結果也並不是很穩定（FP/FN ，如弄假成真、錯抓正版），但後續人為排查的精力可大幅縮小（比如抽樣幾個結果來大致了解運行效能、重新訓練模型檢查評估指標等等……），工作時間也大幅被縮短，就會是一個十分有價值的自動化任務。

新時代管理者的課題可能還包括決策不同流程、議題讓AI參與、數位化參與、人為參與的程度與取捨。

對於自動化任務個人還是充滿期待的，但現階段我認為這不是自己主要探索AI應用於自己生產力的領域，原因就如上，企業級的流程自動化中經常還是需要人為控制部份因素、或者檢證AI產生的結果（比如檢查 Email的文案、發送通知的名字是否正確）

這種場景之下通常可以80%程式、20%人為完成，不一定需要仰賴AI自動生成，也不能保證AI自動生成的流程可以更容易被人們信賴 ; 相比於程式控制的流程與清晰的邏輯，AI提供的流程生成可控性沒那麼高，測試一個Prompt的時間也比大家想像中的久。

以ChatGPT為例，他的輸出時間不像語音助手如Siri 那麼流暢（但這是因為文本應用本來就不太要求即時順暢的關係，所以在工程上開發團隊不見得需要解決這個問題、達到這個要求）

你可以發現他的回答速度並不是很穩定，即使按下重新生成回答，結果也可能不如預期，從目前使用 Regenerate response 1~2次就會產生一個Feedback Survey 來看，開發團隊很有可能正在專注解決Prompt testing 的問題，也就是不讓使用者去學習怎麼Prompt，而是讓ChatGPT更容易從極少的測試理解使用者的意圖。

總結來說，微軟之後就會推出Office Copilot ，到時候勢必會有更多實際案例與人工智能流程發展的場景，現階段個人認為當前的AI成熟度在自動化這部分的幫助，相比於既有的數位工具流程優化、程式自動化並不是特別大。等到辦公軟體的主流Office 都開始發展應用，我想到時候自己就會開始研究更多AI自動化工作的內容。

3. Prompt and tune 的工作方式

Prompt and tune (提問與調適 — 調整測試)

我認為過去的工作習慣可能更偏向於Give and get ，因為流程、產出明確，所以容易通過規則的方式（傳統寫程式、建立PPT模板、制式化表單等）來提升工作效率，在多種職業的工作場景都可以看到共通的「類流水線」模式，不同工作者的輸入可能來自另一位工作者的產出，如工程師需要依照設計師的產出實作 ; 供應鏈需要財務分析的產出去談判，這是一種相對線性的工作流程，會產生出迭代通常是因為後者的流程瓶頸，如功能實作效益不符合成本請設計師修改、談不到價格所以請財務再評估一次 ……. 因此專案管理的技能更偏向處理多工協調、規劃、評估。

但是 Prompt and tune 更偏向於螺旋式工作，因為AI可以扮演不同的角色（如ChatGPT的promot中可以請他做角色扮演），因此對於上面的組合式工作流程來說，每個工作者的節點都可以替換成AI，那麼這裡會有兩個插入的工作方式：

1. 工作者在節點：每個工作者在負責的節點使用AI
2. 工作者在流程：控制流程而非節點，在節點完全採用AI

1.的部分我們在第一段討論過，因此來看2，這時候的每個人都是負責一個流程，因此輔助的節點要足夠強大，這意味著得讓AI成為專家，而要讓AI成為專家，就需要控制流程者提出好的Prompt，以及使用Tuning 版本的AI，這種工作流程一旦成為主流，那麼就有大量利基市場的新創機會，不同公司有自己擅長的專家AI，然後我們使用這些服務。

這也不是新概念，以SaaS 、按量付費的API服務來說，我可以讓工作者在節點使用特定API ，也可以打造一個基於雲服務的機器學習應用，此時的我更像是一個雇用不同API服務的流程管理者。

這種思考方式會影響到 Prompt 的個人化使用，以我現在使用Github Copilot 為例，過去已經有很多程式碼提示工具，Give and get 的方式就是我展開特定語法，然後做程式碼補全（如輸入imp，提示出import XXX），如果我不是以imp開頭，那麼機器無法得知我要做讀入套件的意圖。

但是改成用Copilot 之後，我可以在更高層的角度說我要畫一張圖，而因為必須import才能使用畫圖的套件，因此程式碼的提示不只會幫我畫出圖，還會順便import。

總結來說，過去的Prompt更像是概念1，我必須把任務都拆得足夠小，才能夠開始用一些工具來提高生產力（如打好每一行的每一個字，在精力付出上並沒有太多節省，只是節省了手動輸入的時間）

但是從現在開始的未來，我可以把流程拆解成節點，做好骨架，AI 就會自動幫我把肉補全，剩下就是Tuning 其中的肉。這更接近於概念2，我腦中思考的內容並不是回想語法、設計寫法，而是可以專心在處理任務的例外情況與可共用的流程節點協調、以及每個節點該完成的任務，而AI會幫我做完剩下的工作。

而除了服務端Tuning，應用端也要Tuning，最常見的就是各家業者使用自家的數據來調整訓練數據，並串接既有的服務，如Bloomberg AI 、Duolingo AI 。

但是個人其實也可以Tuning，Tuning 的好處在於你可以從多次的Prompt與Feedback 中得到更符合預期的結果。

以數據科學專案為例，在Python中有意識更高頻使用Assign的寫法，讓AI融入分析過程。當我在工作上已經先設定出 target_category_products = [’iPad’ , ‘Mac’]，建立”product list = “時會得到該類別下特定型號的提示 ; 而分析另外一個餐廳數據集時，在給定變數 measurement = “sales” 之後，我之後要撰寫新的變數時，AI不只知道我要做的計算，甚至會自動提示出有意義的變數命名如sales_growth_rate = XX, sales_by_stores 等變數來做中間的處理，這是非常令人享受的工作流程。

從上面的例子來看，以寫程式來說，過去因為時間耗費長，所以人們可能更習慣建立通用的函數，然後調用該函數來節省時間，而通用的問題就在於可讀性不一定高（df的命名）、人為標記讓名字過長（如run_XXX_for_customer_df）

但是現在我們可能要稍微轉變一下思考方式，維持函數的可通用性，但在名稱上有意識建立出具體的範例與獨特的名稱，讓 AI了解我們的意圖從而在接下來的協作上建立出更符合當前場景的應用，我認為這也是一種Tuning，你必須讓AI明確得知你的意圖，讓它學習到你給予的模式，人類跟AI的協作才會更有效率（更符合預期的結果）。寫程式這種充滿邏輯與規則的工作型態既是如此，我認為各行各業的AI應用也將會朝這種個人化可調試的方向走。

那麼ChatGPT或者其他應用也可以嗎？

而以大家常用的ChatGPT來說，你可能要開始建立不同的Chat Channel，類似Slack，每個Channel有一個自己的專家，這樣在調用上會出現更好的結果。比方說我跟ChatGPT聊了30分鐘左右的保養品，當我提出「疫情復甦後的旅行用保養品機會是什麼？」相比一個只問了幾句「快消品市場」全新的GPT，同樣都具備回答問題的能力，前者的回答更貼近我的假說與能夠提出更具體的思路與一些想法，後者則是一些非常廣泛的答案。

這也會影響到後續的Prompt，當我輸入「請說明2021的流行趨勢」之後，我只要輸入「2020呢」，AI 就能夠仿照類似的回答範式給我不一樣的答案，但是直接輸入「2020」則是理所當然的語境不足，AI無法得知我想要的資訊是什麼。

而在生活場景亦然，以Apple最近發表的Watch錶帶與系統更新來說，人們也可以Tuning 健康智能，如跑步用、辦公用來讓AI更理解你現在的身體、行為狀態等提供更合適的紀錄與資訊（如運動中心肺提醒、辦公環境提醒站立、休息等）。

總結：從個人工作流程思考而不是追逐buzzword

使用AI可以幫助我們更有效地管理時間和精力，從而提高個人生產力。我們應該從現有的工作流程中出發去思考AI技術的機會，而不是追逐新的應用生搬硬套到某些不一定適合的工作流程上。

我認為適應是自然而然的， 最好不要有AI是一個全新東西的想法， 這會讓你焦慮到去買一些AI的課程、忙著下不熟悉的prompt， 而是專注思考怎麼串連到既有的知識體系跟習慣裡面，習慣成自然。

現在市場上最多人討論的還是圖像生成的技術，如遊戲NPC的生成、影音偶像、藝術作品結合之前的NFT熱潮等…… 不可否認這些領域的商業潛值巨大，每次突破也蘊含對超未來想像的驚喜，然而對我們每個人來說，前面這幾項AI應用的發展重要性可能不如於你現在手上的筆記軟體、開發工具、到穿戴式裝置與物聯網家居系統，因為這些離我們很近的機會能夠優先提高個人生產力與生活品質，讓你有更多時間與精力去適應未來AI與人類共存的社會。

本文由 戴士翔 | Dennis Dai 授權轉載，原文連結《如何使用AI提高個人生產力與團隊價值，數據科學家的觀點》

這篇文章 如何使用AI提高個人生產力與團隊價值，數據科學家的觀點 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

在流程不明確的狀態下，團隊成員只能憑藉自己的直覺做事；如果彼此對一件事的認知不同就容易造成誤會，甚至爆發不必要的衝突。

在流程不明確的狀態下，團隊成員只能憑藉自己的直覺做事；如果彼此對一件事的認知不同就容易造成誤會，甚至爆發不必要的衝突。

以筆者過去的工作經驗來說，如果工作流程只靠口頭制定、團隊默契，在沒有明確的文字規範下，大家真的無所適從，當新人加入時還需要更長的磨合期。

而制定團隊的工作流程，能夠讓成員了解自己在各階段要負責的任務；儘管一開始的工作流程可能很粗糙，但只要有了第一版，流程就能在日後的實踐中不斷優化與完善。

由於「為什麼軟體團隊需要制定工作流程」這個議題的涵蓋範圍較廣，所以筆者會拆分成「專案啟動、初始任務、專案執行」等幾個主題進行分享，今天這篇文章先介紹「專案啟動」時要做的事。

內文以「Web 開發」為範例，不同行業請酌情參考。

▋STEP 1：需求訪談＆初步規劃

這個階段的目標是「初步確認需求、討論需求可行性、讓客戶認可 Wireframe 流程」。

1. 由「PM」與客戶討論需求，在收集完需求後，將其以心智圖（Mind Map）的方式呈現。
2. 接著請「UI/UX」依造需求設計 Wireframe。
3. 待 Wireframe 完成後，「Tech Lead、PM、UI/UX」一起開個會，初步確認流程以及功能的可行性，並討論是否有需要調整的部分。

有些客戶會提出一些會異想天開 or 奇怪的需求，如果在初步規劃就發現這些問題，在反駁的同時請給予對應的建議，比如：

• 我想要一頁顯示 1000 筆資料方便搜尋：有些人還是習慣用「眼睛」來搜尋，但這樣的效率極差，當資料量大的時候還要翻頁；筆者建議與客戶進一步討論他實務上會搜尋的「欄位」有哪些，也許「篩選」功能更符合期待。
• 我想要把過去一年的出貨訂單匯出至 Excel 來統計數據：客戶過去可能習慣用 Excel 函數來分析數據，但這個功能實際上可以做成系統的「儀表板」。

▋STEP 2：確認具體需求＆完善規劃

這個階段要將「原本模糊的規格具體化、完成 Prototype 設計」。

1. 在客戶確認完需求及Wireframe 的內容都沒問題後，請「UI/UX」開始設計 Mockup。
2. 由「Tech Lead」確認 Mockup 上的細節是否都有考慮到（ex：哪些欄位適合拿來搜尋、不同權限看到的畫面、有哪些元件可以設計為共用模組）。
3. 待 Mockup 上的功能＆流程都確認沒問題後，請「UI/UX」開始設計 Prototype。

血淚史提醒：
專案初始的設計盡量從 Wireframe 開始，就算專案規模較小也不要直接畫 Mockup；因為在前期客戶的需求會時常變動，就算突然加大投資，小專案變成大專案也是很常見的，若使用 Mockup 會需要花更多的時間在調整上面。

▋STEP 3：向團隊成員說明

在需求與流程相對穩定後，接下來就要與「團隊成員同步資訊」。

1. 由「PM」向團隊成員說明系統的功能與流程，確保大家理解這個專案要完成的目標（這邊建議先用心智圖說明架構，再用 Prototype 模擬實際流程）。
2. 由「Tech Lead」向工程師團隊提醒各功能在設計上要注意的細節（ex：哪些欄位要設計 Auto-Complete、是否有特別的 Validation Rules、某些功能需要提前 Survey 避免卡關）。

這個階段主要是讓團隊成員對每個 Feature 都有具體認知，然後評估自己感興趣 or 擅長的 Feaure，若發現有沒碰過的技術也能提前研究。

▋小結

專案啟動時，「Tech Lead、PM、UI/UX」在各階段都要做好把關。

相信有實務經驗的讀者，都很清楚「明確的需求、具體的流程」對工程師來說有多麼重要；如果一切都非常模糊，那後續開發一定會遇到各式各樣的問題。

在團隊成員都了解專案的目標後，為了保證後續開發順利，我們還有一些「初始任務」要做，這部分筆者會在下一篇文章與大家分享。

☛ 如果想更深入認識我，可以 Follow 筆者的技術部落格 。
☛ 如果對工程師的職涯感到迷茫，筆者最近出版的新書 也許能給你帶來不同的觀點。

這篇文章 為什麼軟體團隊需要制定工作流程？「專案啟動」時可以做這3步驟！ ｜專家論點【林鼎淵】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。