GTC Taipei keynote 剛結束。
如果只看表面，這場很容易被理解成一場硬體發表會。哪張卡更快、哪個機櫃更大、哪種系統可以跑更多 AI。
但我看完之後，真正想整理給一般工作者的不是規格表。
我覺得這場 keynote 其實一直在講同一件事：AI 要從「聊天工具」，慢慢變成會接工作、跑流程、回到現場的工作入口。
這件事跟你明天要不要買新硬體沒有直接關係。
比較有關的是：你能不能把自己手上的一段工作，寫成 AI 接得住、也交得回來的格式。
先把整場濃縮成四個訊號
我會先跳過產品名，用普通人的語言整理。
第一個訊號是 token factory。可以先把 token 想成 AI 產出的基本單位，也就是你看到的回答、摘要、判斷和整理結果背後的「字數預算」。當它被放進 factory 這個語境裡，意思是 AI 產出正在被看成一種可以大量生產、計算成本、追求效率的東西。
第二個訊號是 agentic AI。白話說，這不是 AI 更會聊天，而是 AI 開始被設計成可以接任務。它不只是回答一題，而是知道目標、拿資料、用工具、跑步驟，最後交付一個結果。
第三個訊號是 AI PC 和 local agents。這段我不會解讀成大家都要買新電腦，而是資料分流會變重要。哪些資料可以上雲，哪些要留本機，哪些要留在公司環境，會變成每個 AI 工作流一開始就要想清楚的事。
第四個訊號是 physical AI。這段很容易被看成機器人很酷，但對一般工作者來說，重點其實是現場資料。照片、影片、SOP、檢查表、設備紀錄，未來都可能變成 AI 可以讀、可以整理、可以回饋的資料。
為什麼這跟一般工作有關
以前我們跟 AI 的互動，很像在問一個很會回答問題的人。
你問一句，它答一句。
這種用法很好，但很快會碰到天花板。因為真正的工作通常不是一題問答，而是一段流程。
例如每週整理客戶回饋，不只是「幫我整理」。你需要先說資料從哪裡來，要按什麼分類，哪些客戶要特別標記，哪些內容牽涉公司內部判斷不能亂寫，最後要輸出成什麼格式。
如果這些沒有講清楚，AI 就算模型再強，也只能猜。
所以我覺得 GTC 這場最值得普通人帶走的不是「更強的 AI 來了」，而是「你要開始學會交辦 AI」。
交辦不是把事情丟出去。
交辦是把目標、資料、規則、權限和驗收方式講清楚。
AI 工作卡是什麼
我會把這件事收斂成一張 AI 工作卡。
它不是一張很複雜的自動化藍圖，也不是要你先做一套系統。
它只是讓你拿一件每週都會重複做的事，先回答幾個問題：
- 這件事的輸入是什麼？
- AI 必須遵守哪些規則？
- AI 可以用哪些資料和工具？
- 哪些資料不能碰？
- 什麼情況要停下來問你？
- 最後要交什麼格式？
- 你要怎麼驗收？
這些問題聽起來很基本，但它們剛好就是 AI 從「聊天」變成「接工作」之前，最需要補上的部分。
先從一件小事開始
不要一開始就想把整個部門自動化。
比較好的起點，是挑一件小而重複的工作。
例如：
- 每週整理會議重點
- 每天分類客服問題
- 每月回顧客戶回饋
- 每次活動後整理照片和重點
- 每次看完一場發表會，整理成社群貼文和內部筆記
這些工作共同的特徵是：它們不是完全無腦，但裡面有一大段是重複整理。
你可以先把那段寫進工作卡。
AI 能處理的先交給 AI，人要判斷的地方留下來。
這樣比較不會把 AI 用成一個很會猜的聊天框，也不會一開始就把工作流做得太重。
這也是資料邊界的問題
AI 越會接工作，資料邊界就越重要。
不是每份資料都適合丟上雲，也不是每個任務都能交給同一個工具。
合約、客戶資料、會議逐字稿、公司內部判斷，可能需要不同環境。公開資料、新聞摘要、社群素材，則可以用比較開放的方式處理。
這也是為什麼我覺得 AI PC 和 local agents 這段值得注意。
它不只是電腦規格問題。
它提醒我們，未來 AI 工作流會需要更清楚地分辨：哪些可以外部處理，哪些要留在本機，哪些要留在公司環境。
最後帶走一件事
這篇不是 GTC 的完整技術摘要。
我想幫你帶走的是一個比較小、但明天就能試的動作：
選一件每週都會重複做的事，寫成一張 AI 工作卡。
先不用買硬體，也不用急著做一整套自動化。
先把工作說清楚。
因為 AI 能不能接得住工作，很多時候不是模型問題，而是我們還沒有把工作寫成它接得住的格式。
文章下方我放了一份可複製的工作卡模板。你可以先拿一件小任務填一次，再決定要不要把它變成更完整的工作流。
