跳到主要內容

部落格

不定期分享最新資訊文章

  • article-【30 秒 AI 影片,模型只花 513 元,為什麼報價可以是一萬元?】

    2026/9/15

    商業策略 內容行銷 影音行銷
    【30 秒 AI 影片,模型只花 513 元,為什麼報價可以是一萬元?】

    先說結論:AI 影片最貴的可能從來不是模型,而是把 500 秒垃圾變成 30 秒作品的人。 文中的模型單價與金額,都是用來說明估價邏輯的示例,實際費用會隨模型版本、解析度、平台方案與計價方式變動。真正值得留下來的,不是某個當下單價,而是如何把採用率、修改量與人力一起放進成本模型。 30 秒成片,為什麼不能只用「秒數 × 單價」?最近 AI 影片越來越強,我也開始看到一個很有趣的問題: 「現在 AI 生成影片這麼便宜,那做一支 30 秒影片,到底應該收多少錢?」 很多人第一個想到的算法是: 130 秒 × 模型每秒單價 假設模型生成一秒 11 元,那 30 秒就是: 130 × 11 = 330 元 所以一支 30 秒 AI 影片,成本才 330 元? 如果只是生成一段素材自己玩,這樣算沒有什麼問題。 但如果今天是客戶付錢,要你交出一支「可以用的商業成片」,事情完全不一樣。 因為 AI 影片最大的成本,從來不是「生成」,而是: 你生成了一大堆,最後到底有多少能用? AI 影片最容易被忽略的成本:抽卡假設最後成片需要 30 秒,你不可能剛好生成 30 秒,然後 30 秒全部拿來用。 人物可能崩掉,手可能有問題,商品 Logo 變形,表情不對,運鏡突然抽風,前後鏡頭接不起來。 甚至畫面都沒問題,你只是單純覺得: 「這顆不好看。」 於是重抽。 這就是大家常講的「抽卡」。 如果最後生成了 150 秒素材,只有 30 秒進入成片,那麼你的「採用率」就是: 130 ÷ 150 = 20% 換句話說,成片每留下 1 秒,背後平均有 4 秒被丟掉。 所以我在估 AI 影片成本時,比起模型一秒多少錢,我其實更在意另一個數字:採用率。 粗略規劃時,我可能會先這樣抓: 專案情境 初步採用率估算 社群短影音 約 40% 一般商用敘事影片 約 20% 高規格長片 約 10% 這不是什麼業界公定標準,只是讓自己不要活在「AI 每次生成都會成功」的幻想裡。 同一個模型,採用率不同,成本可以差四倍假設今天使用的模型是每生成一秒 11 元,做一支 30 秒影片: 採用率 估算生成量 模型成本 40% 30 ÷ 0.4 = 75 秒 75 × 11 = 825 元 20% 30 ÷ 0.2 = 150 秒 150 × 11 = 1,650 元 10% 30 ÷ 0.1 = 300 秒 300 × 11 = 3,300 元 有沒有發現一件很有意思的事情? 模型完全沒有換,影片長度也完全沒有換。 光是「採用率」不同,模型成本就差了四倍。 所以我現在反而覺得,AI 影片真正的技術,不只是會不會生成,而是你能不能提高採用率。 會做角色設定、Reference、分鏡、首尾幀、鏡頭拆解、素材控制、提示詞工程的人,真正省下來的不是按按鈕的時間,而是少抽很多次卡。 需要 3 秒,不代表只付 3 秒例如一顆鏡頭,我最後只需要 3 秒,但模型一次可能生成 5 秒。 第一次不行,再來。 第二次人物表情怪怪的,再來。 第三次商品變形,再來。 第四次終於可以。 最後時間軸上只有 3 秒,但實際付費生成了 20 秒。 所以如果真的要精算,我會看另一個數字: 1有效採用率 = 實際進入成片秒數 ÷ 實際付費生成秒數 這個數字,比「我今天生成了幾顆鏡頭」更值得追蹤。因為真正影響成本的,是付費生成了多少,以及最後有多少秒成功進入交付版本。 客戶修改:最容易低估的第二輪抽卡第一版完成之後,客戶說: 「這邊人物可以笑一點嗎?」 真人拍攝的後製,也許還有一些調整空間。 但 AI 影片很可能不是把嘴角往上拉一點就結束。你得重新生成整顆鏡頭,然後重新面對一次人物、服裝、商品、背景、運鏡與光線全部變動的風險。 更刺激的是:你原本只想修改 A,AI 很可能順便幫你把 B、C、D 也改了。 所以一般委製案,我會先保留大約 20% 的修改預備量。 我的快速估算公式會變成: 1模型費 = 成片秒數 ÷ 採用率 × (1 + 修改率) × 每秒生成單價 但這還只是模型費。 案例:30 秒影片,模型費可能真的只有 513 元假設今天做一支 30 秒直式社群影片: 使用 Seedance 2・720p,每生成一秒約 5.7 元。 採用率抓 40%。 修改預備量抓 20%。 那麼估算生成量是: 130 ÷ 40% × 1.2 = 90 秒生成量 模型費就是: 190 × 5.7 = 513 元 模型費:513 元。 很便宜吧? 問題來了。 假設一位初階製作者,一天人力成本抓 2,000 元,整個專案工作五天: 12,000 × 5 = 10,000 元 模型加人力: 1513 + 10,000 = 10,513 元 模型費只占大約 4.9%,剩下約 95.1% 都是人。 客戶真正買的到底是什麼?這也是我覺得現在 AI 影片市場最容易誤會的地方。 客戶看到的是: 「你不就是打 Prompt,然後按生成嗎?」 但真正的工作可能是: 企劃 腳本 分鏡 角色設定 場景設定 提示詞 生成 挑片 補生成 角色一致性 QC 商品 QC 剪輯 字幕 配音 音樂 調色 輸出 客戶溝通 修改 所以如果要更精準估價,我甚至不會只寫: 1人力費 = 人日單價 × 工作人日 而會拆成: 1專案成本 = 前期製作 + AI 生成 + 後期製作 + 專案管理 前期製作包含企劃、腳本、分鏡、角色與場景設定;AI 生成包含抽卡、補生成與修改預備量;後期製作包含剪輯、字幕、配音、音樂、調色與輸出;專案管理則包含溝通、版本整理、回饋整合與交付。 這和價值堆疊如何讓產品不再被說太貴的邏輯很接近:不是把一個總價藏起來,而是讓客戶看見交付價值是由哪些工作組成。 因為客戶付的從來不是那 513 元的 GPU 費用,他真正付錢買的是:有人可以把幾百秒充滿不確定性的 AI 素材,收斂成最後可以交付的 30 秒。 生成成本正在下降,但「選擇成本」沒有這可能才是 AI 影像產業接下來真正有趣的地方。 以前拍影片最大的問題是:「拍不到。」 所以你需要攝影棚、攝影機、燈光、演員、場景、攝影師、美術與製片。每按一次快門都有成本。 但生成式 AI 把這件事情反過來了。 未來最大的問題可能不是: 「做不出來。」 而是: 「做得出來的東西太多了。」 100 顆鏡頭都可以生成。問題是: 哪一顆能用? 哪一顆最好? 哪一顆符合品牌? 哪一顆人物沒有跑掉? 哪一顆商品沒有變形? 哪兩顆接起來才合理? 哪一顆值得繼續修改? 這些全部都是人的判斷。 所以我甚至認為,未來 AI 影片產業真正稀缺的能力,會慢慢從單純的 Production,轉向: 1Direction + Selection + QC 導演能力、選擇能力與品質控制能力。 如果你想進一步理解如何把抽卡整理成可以重複執行的流程,也可以延伸閱讀AI 影片真正的分水嶺:從 Prompt 到專家 Skill 的製片工作流。 100 分鐘 AI 電影,真的只要 20 萬元?我們再把尺度拉大。 假設要製作一部 100 分鐘 AI 電影: 總片長:6,000 秒。 使用 Seedance 2.5・1080p,每生成一秒約 21.3 元。 高規格長片採用率抓 10%。 先不加入修改預備量,估算生成量是: 16,000 ÷ 10% = 60,000 秒生成量 模型成本: 160,000 × 21.3 = 1,278,000 元 光模型就大約 128 萬元。 假設再投入 450 個人日,每人日平均 5,000 元: 1450 × 5,000 = 2,250,000 元 模型加人力: 11,278,000 + 2,250,000 = 3,528,000 元 如果再把約 20% 的生成修改預備量加到模型費: 11,278,000 × 1.2 + 2,250,000 = 3,783,600 元 整體約 378 萬元左右。 而且這還沒有完整納入劇本開發、專業配音、演員、音樂、混音、法務、授權、製片管理、發行與行銷。 所以 AI 電影確實有可能把過去需要幾千萬、甚至上億元才能完成的事情,壓到非常誇張的價格;但也不是「我有二十萬元、一台電腦,再加上一個很模糊的故事概念」就可以拍電影了。 模型越便宜,專業 AI 影片製作者不一定越便宜這可能是最反直覺的一件事。 我反而認為,接下來模型價格還會繼續下降,生成速度會繼續提高,畫面品質也會繼續變好。 「把畫面生出來」這件事情,會愈來愈不值錢。 但這不代表專業 AI 影片製作者的價格,也一定跟著往下掉。 因為當每個人一天都可以生成幾百、幾千段影片之後,真正稀缺的東西反而變成: 知道什麼值得留下來的人。 所以未來客戶付錢買的,不會只是: 「幫我生成 30 秒影片。」 而是: 「幫我從幾百秒垃圾裡,得到最後這 30 秒。」 AI 讓畫面出現得愈來愈便宜,但把畫面變成作品,依然很貴。 而且我猜,這件事情短期內不會改變。 常見問答 (FAQ)Q1:一支 30 秒 AI 影片的模型成本到底是多少?模型成本沒有固定答案,至少要同時看每秒生成單價、採用率與修改預備量。以本文的示例計算,30 秒成片、40% 採用率、20% 修改預備量與每秒 5.7 元的模型,模型費約為 513 元。 Q2:什麼是 AI 影片的採用率與有效採用率?採用率是「成片秒數 ÷ 生成素材總秒數」;有效採用率則是「實際進入成片秒數 ÷ 實際付費生成秒數」。後者會把每次重抽與模型實際計費的秒數一起納入,更適合用來追蹤專案成本。 Q3:為什麼模型只花 513 元,客戶報價卻可能超過一萬元?因為客戶購買的不只是模型生成,而是企劃、腳本、分鏡、角色與場景設定、抽卡、挑片、QC、剪輯、配音、音樂、調色、溝通與修改等完整交付。本文示例中,模型費約占 4.9%,主要成本來自五天的人力與判斷。 Q4:AI 影片應該怎麼快速估算模型費?可以先使用「模型費 = 成片秒數 ÷ 採用率 × (1 + 修改率) × 每秒生成單價」估算,再另外加上前期製作、後期製作與專案管理。採用率不是公定標準,應依角色一致性、商品辨識、鏡頭複雜度與客戶修改風險調整。 Q5:100 分鐘 AI 電影是不是只要二十萬元就能完成?不能只用模型單價判斷。依本文的示例,6,000 秒成片、10% 採用率、每秒 21.3 元模型費、450 個人日與 20% 生成修改預備量,模型加人力約需 378 萬元,且尚未計入劇本、配音、音樂、法務、授權、製片、發行與行銷。

  • article-【AI 短劇的下一站,可能不是抖音,而是 Steam】

    2026/9/14

    AI工具 內容行銷 影音行銷
    【AI 短劇的下一站,可能不是抖音,而是 Steam】

    當內容都能生成,下一步也許是讓人走進故事前幾天我看到一個很誇張的數字:2026 年上半年,抖音端上線超過 22 萬部 AI 劇漫劇。 這裡先補充統計口徑。DataEye 的《2026 上半年 AI 劇漫劇數據報告》統計的是「AI 劇漫劇」,涵蓋 AI 真人劇、AI 漫劇等不同形式,不能直接把 22.19 萬部說成全部都是真人影像短劇。報告摘要指出,其中有 1,055 部播放量破億,約占 0.48%。DataEye 報告摘要 這些數字讓我開始想:當 AI 劇漫劇多到這個程度,下一步會發生什麼? 答案可能不是只生成更多影片,而是讓觀眾走進故事裡。 最近我在 Steam 看到《幸存者笔记(Survivor’s Notes)》,覺得它讓這個方向變得具體。遊戲的 AI 生成內容聲明寫著:「All in-game materials are generated by AI.」也就是開發者表示,遊戲內的素材都是透過 AI 生成。Steam 遊戲頁面 這背後有意思的地方,不只是「AI 做了一款遊戲」,而是生成影像、互動選擇與遊戲系統開始出現在同一個作品裡。 它像一部「可以玩的 AI 短劇」《幸存者笔记》是一款全動態影像(FMV)生存遊戲。故事設定在 2026 年,全球爆發喪屍危機;玩家會跟著角色推進劇情,並透過選擇與快速反應事件,走進不同劇情分支與結局。Steam 遊戲介紹 如果先把遊戲類型放在一旁,它呈現的組合很像: AI 影像+互動敘事+QTE+分支劇情+多重結局。 但有一點要分清楚:Steam 頁面說明了玩家選擇會推進不同分支與結局,並沒有表示遊戲會依照每位玩家的輸入,即時生成全新的劇情。因此,這款作品能讓我們看到「AI 生成素材與互動影遊放在一起」的可能性;它本身還不能證明即時生成式戲劇已經成熟。 AI 影片可能讓分支劇情的影像製作變便宜以前拍一部真人互動電影,劇情走到第三集時,如果出現兩個選項:救女主角,或是不救,後面可能就要準備兩套劇本、場景、演出與剪輯版本。 如果故事繼續分成 A1、A2、B1、B2,製作量會跟著分支增加。演員、攝影、燈光、道具、剪輯與後製,也可能需要再投入一輪。 AI 影像帶來的變化,是創作者或許能以較低的成本製作另一條影像支線。過去新增一個分支,常常意味著「再拍一次」;未來某些情境可能變成「再生成、再挑選與再剪輯一次」。 這不代表新增分支會變成零成本。故事是否連貫、角色是否一致、畫面能否接起來、選擇有沒有意義,仍要有人設計與驗收。AI 降低的可能是部分影像製作門檻,內容設計與整合工作依然存在。這是我從生成影像與互動遊戲結合所看到的趨勢,不是《幸存者笔记》已公開的成本數據。 AI 短劇的下一站,可能不是「更多」現在大家還在比較:一天能生成幾支影片、角色能不能維持一致、運鏡像不像電影、畫面有沒有 4K。 這些能力會繼續進步。當多數人都能生成漂亮影片,「漂亮」本身可能就不再稀缺。 真正值得投入的,會是世界觀、角色、衝突、選擇、後果與情緒。觀眾為什麼想知道下一個選擇會帶來什麼?他們又為什麼願意在故事裡繼續走下去? 這已經不只是 AI 影片的問題,而是互動內容怎麼設計。 如果你也在思考 AI 影片產量增加後,創作者還能靠什麼取得注意力,可以延伸閱讀我寫的生成影片普及後,真正稀缺的是什麼;若想從創作者能力來看,也可以參考AI 影片素養與工作方法。 從觀眾到參與者:生成式戲劇的想像傳統電影是看故事,短影音是滑故事,連續短劇是追故事。下一個階段或許會是進入故事、親自做選擇。 例如,一部修仙題材的短劇演到一半,問你:「加入魔宗,還是拜入正道?」你選了魔宗,後續角色關係、任務與影片就隨之改變;另一位觀眾選擇正道,走進的可能是不同版本。 再往前一步,AI 也許能依據選擇、角色關係、道具與前情,生成下一段劇情。這種作品不只提供固定的兩三條支線,而是讓每位玩家都能走進一個略有不同的故事版本。 我會把這個方向稱為 Generative Drama,生成式戲劇。它目前更像一種內容設計的想像與目標,不是《幸存者笔记》已提供的功能。要真的做到,還得解決角色一致性、劇情品質、分支管理、生成成本與觀眾體驗等問題。 Vibe Coding 與 AI 影片正在合流以前做影片的人和做遊戲的人,常是兩群不同的創作者。現在,一個人可能用 AI 寫世界觀、劇本與角色,生成圖片、影片、配音和音樂,再請 Coding Agent 串起選項、劇情樹、存檔、成就、QTE、角色數值與結局。 最後的作品可以是 Web App、手機 App,或一款上架 Steam 的互動影遊。當創作流程從視覺素材一路延伸到程式與互動邏輯,就很難再只用「導演」、「遊戲開發者」、「程式設計師」或「內容創作者」其中一個身分概括。 他們可能是在建立一個世界,讓別人進來探索。 我更在意的是:能建立什麼值得走進去的世界?「AI 影片能不能取代真人拍攝?」或許不是最有意思的問題。 當影片開始變成可以由程式生成與串接的素材,我們能不能建立一些過去成本太高、做不起來的內容? 十年前,我們把文字變成網站;後來把圖片和影片變成社群內容。現在,文字、圖片、聲音、影片、3D 與程式碼,都正在變成可以生成與組合的素材。 所以下一步,可能不是再做一支更漂亮的 AI 影片,而是把素材串起來,建立一個觀眾可以走進去、做選擇,而且每個人的故事都不一樣的世界。 看到《幸存者笔记》時,我想到的不是「AI 現在連 Steam 遊戲都能做了」,而是 AI 短劇下一個值得探索的戰場,可能根本不在短影音平台。 當生成影片越來越便宜,我們要學的也許不只是怎麼生成影片,而是怎麼建立一個值得別人走進去的世界。 常見問答 (FAQ)Q1:AI 短劇和互動影遊有什麼不同?AI 短劇通常以觀看連續影像為主;互動影遊會讓玩家透過選擇或操作影響劇情分支。兩者結合時,影像提供故事呈現,互動系統則讓玩家參與故事走向。 Q2:《幸存者笔记》會依照玩家選擇即時生成新劇情嗎?目前 Steam 頁面說明玩家選擇與 QTE 會推進不同分支和結局,但沒有說明遊戲會在遊玩當下即時生成新劇情。因此不能把它直接當成已成熟的即時生成式戲劇案例。 Q3:AI 影片會讓互動劇情變成零成本嗎?不會。AI 可能降低部分影像素材的製作成本,但劇本、角色連貫、分支設計、剪輯、測試與品質檢查仍需要投入。每增加一條分支,也會增加整合與驗收工作。 Q4:什麼是 Generative Drama(生成式戲劇)?Generative Drama 是依據觀眾或玩家的選擇生成後續劇情的內容構想。相較於固定分支,它希望讓不同玩家走進各自稍有差異的故事;目前仍須處理劇情品質、角色一致性、成本與分支管理等問題。

  • article-【36 秒就誕生一部 AI 短劇後,我反而覺得「會生成影片」開始不值錢了】

    2026/9/14

    AI工具 內容行銷 影音行銷
    【36 秒就誕生一部 AI 短劇後,我反而覺得「會生成影片」開始不值錢了】

    你花一天做一支 AI 影片,別人一週已經做完 60 集連續劇最近看到一個數字,我覺得做 AI 影片的人真的要警覺了。 平均每 36 秒,就有一部 AI 短劇上線。 不是一支 10 秒、15 秒的 AI 炫技影片。 是「一部短劇」。 根據中央社引述澎湃新聞的統計,2025 年 8 月抖音新上線的 AI 劇只有 655 部;一年後,這個數字已達 74,313 部,占當月新劇的 75.4%。報導另指出,2026 年 7 月平均每 36 秒就有一部新的 AI 劇上線。中央社報導 更誇張的是,有些團隊已經可以做到: 5 個人,一週做完 60 集。 成本甚至不到傳統真人短劇的十分之一。 這些是媒體採訪中的個別團隊案例,不代表所有 AI 短劇都能達到相同產能或成本。不同作品的類型、品質和成本計算範圍,會讓估算出現落差。5 人團隊 7 天完成 60 集的報導、BBC 中文採訪報導存檔、另一份製作成本估算 所以當大家還在研究: 「哪個 AI 影片模型比較強?」 「提示詞怎麼寫?」 「怎麼保持角色一致?」 「怎麼做運鏡?」 我反而開始想另外一個問題: 如果影片已經多到每 36 秒就生出一部,那「會生成影片」這項能力,到底還值多少錢? 而這波 AI 短劇爆發,甚至已經養出一個以前不存在的新職業: 「抽卡師」。 什麼是「抽卡師」?不是遊戲裡抽 SSR 的那種抽卡。 現在 AI 還沒有強到你丟一本劇本進去,它就直接吐出 60 集可以播的連續劇。 所以中間還需要大量人工工作。 例如把劇本拆成場景、角色、表情、動作、鏡位、光線、運鏡,再交給模型生成。 但生成出來的東西不一定能用。 可能角色變臉。 可能手指壞掉。 可能運鏡很怪。 可能情緒完全不對。 所以你要一直生成。 生成 10 個、20 個、50 個版本,再從裡面挑一個最好的。 很像抽卡。 於是「抽卡師」就出現了。 有些複雜素材的提示詞,甚至可以寫到 5,000 字。 所以現在厲害的抽卡師,其實已經有點像: 半個導演+半個攝影+半個 AI 模型操作員。 但我反而覺得,這個職業可能不會存在太久。 因為「抽卡」本身,就是 AI 還不夠成熟的產物為什麼今天需要抽卡? 因為 AI 不穩定。 同樣一句提示詞生成十次,可能得到十種結果。 所以需要人一直生成、一直挑。 但如果未來模型可以直接讀完整劇本呢? 它自己理解人物。 自己維持角色一致性。 自己拆分鏡。 自己設計鏡位。 自己控制演員表情。 自己產生不同 Take。 甚至自己判斷哪個 Take 最好。 那還需要一個人在那邊「抽卡」嗎? 可能不用。 所以我認為: 「抽卡師」不是 AI 時代的終極新職業,而是一個過渡型職業。 就像以前很多人專門幫忙切版、修圖、上字幕。 技術進步之後,這些工作不一定完全消失,但市場價值會快速下降。 真正留下來的,反而不是「會生成的人」。 而是: 知道什麼值得生成,以及知道什麼值得留下的人。 更可怕的是,AI 已經把「內容產能」打爆了DataEye 研究院的《2026 上半年 AI 劇漫劇數據報告》統計,2026 年上半年抖音端新上線 22.19 萬部 AI 劇漫劇,其中 1,055 部播放量破億,占 0.48%。DataEye 報告摘要 如果把 5,000 萬播放當作一條粗略的盈虧平衡線,能跨過去的比例大約只有 1.3%。 換句話說: 大約做 77 部,才有一部可能跨過這條線。 這裡的 5,000 萬次播放,是 DataEye 報告採用的抖音端盈虧平衡參考線;報告也提醒,這組數據不代表所有平台與全行業的情況。它不是每一部短劇通用的保本保證。DataEye 報告摘要 這個數字才是我覺得真正值得注意的地方。 因為它告訴我們: AI 解決了「做不出來」的問題。 卻製造了一個更嚴重的問題: 大家都做得出來。 以前拍一部短劇,要演員、攝影、燈光、場地、後製。 有這些門檻存在,本身就會過濾掉大量競爭者。 現在門檻突然被 AI 打掉。 結果不是每個人都成功。 而是內容開始大爆炸。 當內容生產成本趨近於零,內容本身就會開始通膨這件事情不只發生在 AI 短劇。 我覺得接下來所有自媒體都會遇到。 文章。 圖片。 短影音。 Podcast。 知識圖卡。 電子書。 甚至線上課程。 以前一個人一週做三支影片,很厲害。 AI 出現後,一個人一天做 30 支都不是問題。 但問題來了。 當每個人都能一天做 30 支影片,你一天做 30 支影片還算優勢嗎? 不算。 這就像以前會 Photoshop 是一項專業。 後來大家都有 Canva。 現在連 Canva 都不用開,跟 AI 講一句話就做好了。 當「製作能力」被普及之後,製作能力本身的價格就會下降。 所以我最近越來越確定一件事: AI 時代真正稀缺的,不會是內容。 而是: 注意力。 所以我現在看 AI 自媒體,已經不太在意「一天可以生幾支影片」很多 AI 自媒體教學還停留在: AI 寫文案。 AI 生圖片。 AI 生影片。 AI 配音。 AI 剪輯。 AI 自動發布。 最後告訴你: 「一個人也可以經營十個帳號。」 技術上當然可以。 但這可能正在回答一個錯誤的問題。 真正的問題不是: 「我怎麼一天生 100 支影片?」 而是: 「當全世界每天多出一億支 AI 影片,為什麼有人要停下來看我的?」 這兩個問題,難度完全不同。 前一個問題是 Production。 後一個問題是 Content。 甚至再往上一層,是: Taste、Story、Distribution。 你選什麼題目? 前三秒講什麼? 故事怎麼鋪? 情緒怎麼拉? 什麼地方觀眾會滑走? 什麼東西值得被分享? 觀眾為什麼記得你? 這些能力,反而會隨著 AI 變強而變得更重要。 如果你想從「做得出影片」往「知道該做什麼」前進,可以延伸閱讀我寫過的 AI 影片素養與創作者工作方法;而選題、定位與觀眾需求,也和 短影音定位策略 密切相關。 所以未來最值錢的人,可能不是最會用 AI 的人而是最知道: 「AI 應該做什麼」的人。 AI 可以幫你一次生成 100 個鏡頭。 但你要知道哪一個是好鏡頭。 AI 可以寫 100 個 Hook。 但你要知道哪一句觀眾會停下來。 AI 可以一天產出 100 支影片。 但你要知道哪一支值得做。 所以我反而覺得「抽卡師」這個職業很有象徵意義。 今天我們還在抽「畫面」。 再過一陣子,我們可能開始抽「故事」。 抽「廣告」。 抽「課程」。 抽「產品」。 AI 可以無限生成選項。 但真正的能力,會從「生成」轉移到「選擇」。 這可能才是生成式 AI 發展到下一階段後,最值得學的一件事。 以前我們害怕: AI 會不會讓我做不出東西? 現在真正該擔心的可能已經變成: 當所有人都做得出來,我憑什麼被選中? 常見問答 (FAQ)Q1:AI 影片生成能力變普及後,學會生成還有價值嗎?有價值,但它不再是唯一差異。生成能降低製作門檻;選題、故事、審美、品質判斷與發行,會更直接影響觀眾是否停留與分享。 Q2:「抽卡師」會成為長期職業嗎?目前它反映了生成結果不穩定、需要反覆產生與人工挑選的工作。模型若能更穩定地理解劇本、維持角色並評估鏡頭,這項工作的內容可能改變;它是否消失,仍取決於技術與製作流程如何演進。 Q3:AI 影片創作者要怎麼從大量內容中被看見?先從觀眾與題目開始,再設計前三秒、故事節奏、情緒轉折和分享理由。大量產出只能增加選項,不能代替對內容品質與發行方式的判斷。 Q4:5,000 萬次播放是所有 AI 短劇的固定回本門檻嗎?不是。這是 DataEye《2026 上半年 AI 劇漫劇數據報告》用來估算抖音端盈虧平衡的參考線;作品類型、成本與發行條件不同,實際回本門檻也會不同。

  • article-從「周同學」我開始想:個人品牌的下一步,可能不是做更多內容,而是把自己變成一個 IP

    2026/9/8

    AI Agent 內容行銷 個人品牌
    從「周同學」我開始想:個人品牌的下一步,可能不是做更多內容,而是把自己變成一個 IP

    最近研究了一個很有意思的案例:「周同學」。 如果你不知道周同學是誰,它是周杰倫的官方二次元 IP 形象。一開始看到它,你可能會覺得: 不就是把周杰倫畫成卡通人物嗎? 但我深入研究之後,發現真正值得研究的,完全不是「把真人畫成卡通」這件事,而是它背後正在做的轉換: 把一個真人的影響力,轉換成一個可以獨立運作的 IP 資產。 以下不是在盤點周同學所有合作或授權成果,而是從這個案例拆出一個品牌命題:真人的影響力,如何被轉換成可以延伸的角色、內容與世界。 我從「周同學」看見的,不只是卡通角色周杰倫本人是一個超級 IP,但真人 IP 有一個天然限制:本人只有一個。 一天只有 24 小時,也不可能每一場活動、每一個品牌、每一座城市、每一項商品都由本人親自出席。真人的時間、體力與出場頻率,會限制影響力能夠延伸的速度。 「周同學」做的事情很有意思。它把周杰倫身上的辨識度、文化符號與粉絲記憶抽取出來,重新建立成一個二次元角色。 接著,這個角色就能進入不同場景,例如: 潮玩與文創 3C、食品與品牌聯名 藝術展與商場活動 城市活動與文旅場景 數位角色與 AI 應用 這時候我才發現: 公仔只是產品,角色 IP 才是資產。 真正的商業模式不是「周杰倫 → 卡通版周杰倫 → 賣公仔」,而是一條可以持續延伸的路徑: 1234567891011周杰倫 ↓人物符號化 ↓周同學 ↓角色 IP ↓內容、商品、品牌聯名與場景 ↓授權、數位角色與 AI 也就是把「一個人」,慢慢延伸成「一個世界」。 為什麼角色 IP 比單一商品更有延展性?單一商品的價值,通常來自一次交易;角色 IP 的價值,則來自它能不能被反覆放進新的內容、媒介與使用情境。 一個有辨識度的角色,可以成為: 漫畫或動畫裡的主角 商品與聯名活動的視覺入口 展覽、商場或城市活動的互動人物 品牌故事裡的共同角色 數位服務與 AI Agent 的使用介面 這些形式表面上不一樣,但背後共享同一個角色記憶。讀者或粉絲不需要每次重新認識一個陌生品牌,而是可以在不同場景裡持續遇見同一個角色。 因此,IP 的重點不是「最後有沒有做出公仔」,而是角色能不能承載一套穩定的個性、價值觀、內容語言與世界觀。 這也讓我重新思考「享哥」這個品牌這幾年我累積了很多東西: 文章、課程與演講 AI 工具、Prompt 與網站 影片、教學案例與工作流程 AI 漫畫、AI 漫劇與 Podcast 的研究 AI Agent、Skill 與實際應用經驗 以前我常常把它們看成不同的內容或專案。這篇文章、那堂課、某一個工具,彼此之間好像各自存在。 但如果換成 IP 的角度來看,可能完全不同。 它們其實都可以被放進同一個世界: SeanVerse。 我目前想像中的架構,大致會是: 123456789101112131415享哥 ↓角色 IP ↓SeanVerse ↓漫畫/漫劇/知識內容 ↓課程/教材/Prompt ↓數位商品/實體商品 ↓AI Agent ↓品牌聯名與授權 這樣思考之後,我突然發現: 我真正要做的,也許不是把享哥畫成動漫,而是把享哥這個真人品牌,轉換成一套可以持續延伸的 IP 系統。 這個想法也和我之前思考「專業證據」以及「如何把經驗編譯成 AI 能執行的能力」有關。內容不是彼此孤立的作品,而是可以逐步累積成知識資產的材料。 如果想理解個人品牌如何累積案例、判斷與方法,可以延伸閱讀〈AI 時代,你真正該累積的不是內容,而是「專業證據」〉;如果想進一步看經驗如何走向 Skill 與 Agent,則可以參考〈AI 時代,40 歲後最值錢的不是經驗,而是把經驗「編譯」成 AI 能執行的能力〉。 我不想只做一個「Q 版享哥」如果只是: 1享哥 → Q 版 → LINE 貼圖 → 公仔 我覺得有點可惜。 因為角色真正有價值的地方,不只是「長得像我」,而是它能不能承載我的知識、價值觀、個性與世界觀。 例如,SeanVerse 裡可以慢慢建立自己的品牌語言: AI Core:代表知識與 AI 的核心。 Knowledge Particles:代表我們在工作與學習中累積的經驗與知識碎片。 Future Library:所有文章、課程、案例與方法匯聚的地方。 Knowledge Gate:通往不同學習領域的入口,例如 Vibe Coding、AI 行銷或 AI Agent。 AI Bird:陪著角色探索新科技世界的夥伴,也可以成為引導讀者學習的角色。 這些名詞不是為了把畫面做得更像科幻作品,而是希望逐步建立一套可以被辨認、被使用、被延伸的品牌語言。 當讀者看到 Knowledge Gate 時,知道那是一條學習路徑;看到 Future Library 時,知道那是一座知識庫;看到 AI Bird 時,知道它可能會陪著角色探索新的工具與問題。 這時候角色就不只是我的分身,它開始有自己的世界。 周同學 IP 化的是明星影響力,SeanVerse 想 IP 化的是知識我跟周同學有一個很大的不同。 周杰倫原本就擁有巨大的明星影響力,所以周同學很適合把明星的辨識度、粉絲記憶與文化符號商品化。 但我不是明星。 我是一個老師、一個創作者,也是一個每天都在研究新科技的人。所以如果我要走這條路,我真正能夠 IP 化的東西,不是明星光環,而是: 知識。 這也是我目前覺得最有意思的方向。 周同學是在把「明星影響力」IP 化;而 SeanVerse 想做的,是把「知識」IP 化。 這裡的知識,不只是把文章整理成一個資料夾,也不只是把課程換成角色講解。它還包括: 我如何拆解一個新工具 我如何判斷某個方法適不適合使用 我在不同案例中看過哪些失敗 為什麼某些做法在特定情境有效,換個情境卻不適用 如何把複雜的 AI 概念轉成初學者可以實作的路徑 這些反覆出現的觀點、判斷與教學方法,才是知識型 IP 最值得留下來的部分。 角色不只是拿來看的,而是真的可以教你東西這也是 AI 時代跟以前最大的不同。 以前的角色 IP,主要存在於漫畫、動畫、商品、公仔或遊戲。但現在多了一個全新的可能: AI Agent。 未來你看到 SeanVerse 裡面的角色,不一定只是看它講一句話,也不一定只是在社群上按讚或分享。 你甚至可以直接問: 我想學 Vibe Coding,應該怎麼開始? 角色可以帶你進入 Vibe Coding 的 Knowledge Gate,幫你規劃學習路線、給你任務、解釋觀念、檢查成果,甚至陪你完成第一個作品。 這時候,角色與 AI 系統之間可以形成清楚的分工: 層次 在 SeanVerse 裡的角色 角色 UI,讓人用熟悉、具辨識度的形象進入服務 人格 UX,決定互動時的語氣、價值觀與陪伴方式 文章、課程與經驗 Knowledge Base,提供內容、案例與判斷素材 LLM Brain,負責理解問題與組織回應 Agent Action Layer,負責規劃任務、呼叫工具與協助完成行動 SeanVerse World,承載角色、內容、產品與互動場景 角色是 UI,人格是 UX;我的文章、課程與經驗是 Knowledge Base;LLM 是 Brain;Agent 是 Action Layer;而 SeanVerse,就是承載這一切的 World。 這件事情很有趣,因為角色不再只是被動展示知識,而是可以成為知識服務的入口。 如果想了解 AI Agent 與工具、Skill 之間的分工,也可以延伸閱讀〈Skill 之後,下一個 AI 開發者一定要懂的詞:Agent Harness〉。 個人品牌的媒介,可能不等於真正的資產以前我們講個人品牌,通常會從媒介開始思考: 我要不要經營 Facebook? 要不要拍 YouTube? 要不要做 Podcast? 要不要寫文章? 但這些其實都只是媒介。 更往下一層思考,我們真正累積的到底是什麼? 如果有一天: 文章可以被 AI 大量產生 影片可以被 AI 大量產生 Podcast 可以自動生成 社群也可以由 AI Agent 協助經營 那麼真正稀缺的,可能就不再只是內容本身,而是: 你是誰。 你的經驗、觀點、人格、方法論、故事、價值觀,以及別人對你的信任,才是難以快速複製的部分。 這不代表內容不重要。內容仍然是建立信任、傳遞知識與留下證據的方式;只是內容不應該停留在一篇篇彼此分散的作品,而是要逐漸形成: 1觀點 → 方法 → 案例 → 知識庫 → 角色 → 服務與互動 當這些東西累積到一定程度之後,其實就開始具備 IP 的條件。 真人負責建立信任,角色負責突破人的限制這可能是我研究周同學之後,得到最大的一個啟發。 未來的個人品牌,也許會慢慢變成: 真人 IP × 角色 IP × AI Agent 三者的分工可能是: 資產層 主要任務 享哥本人 透過真實經驗、教學與互動建立信任 角色 IP 跨越文章、漫畫、影片、商品與活動等媒介傳播 AI Agent 讓知識可以被查詢、被練習、被執行與被互動 SeanVerse 承載上述資產的世界觀、內容架構與商業延伸 所以我目前想像中的 SeanVerse,最後可能會有三層: 123享哥本人=信任資產角色 IP=品牌資產SeanVerse=可以持續延展的知識世界 而 AI 從頭到尾都不是主角。 AI 只是讓這個世界可以被建立、被放大、被互動的一種技術。真正的主角依然是: 人與知識。 如果要開始,第一步不是做公仔,而是整理世界觀這個想法不代表今天就要立刻做出完整的角色商品,也不代表只要畫一個角色就會自動形成 IP。 比較務實的起點,可能是先把以下幾件事情整理清楚: 定義角色要代表什麼:角色的個性、語氣、價值觀與讀者關係是什麼? 整理知識領域:哪些主題可以成為不同的 Knowledge Gate? 建立內容與方法的對應:每一篇文章、每一堂課,能解決哪一種問題? 留下判斷與案例:不只保存答案,也保存選擇、取捨、例外與失敗經驗。 從一個 Agent 場景開始:先讓角色協助完成一個具體的學習或工作任務,再逐步擴展。 這樣做的目的,是讓角色不只「看起來像享哥」,而是真的能代表一套可被使用的知識與方法。 SeanVerse 可能真正代表的事情AI 時代的個人品牌,下一場競爭可能已經不只是: 誰的內容做得比較多? 而是: 誰能把自己累積多年的知識、人格與信任,建立成一個可以持續運作的 IP 世界? 我想試著把這件事情做出來。 也許未來的享哥,不只是一個寫文章、做課程、上台演講的人;也可能是一個有角色、有知識入口、有學習路徑,甚至能透過 AI Agent 陪人完成事情的世界。 這可能就是 SeanVerse 真正的開始。 常見問答 (FAQ)Q1:個人品牌為什麼需要發展成 IP?個人品牌發展成 IP,不是為了追求流行,而是讓累積的經驗、人格、方法論與信任,可以被延伸到更多內容、媒介、產品與互動場景,降低真人只能親自出場的限制。 Q2:知識型 IP 和一般角色 IP 有什麼不同?一般角色 IP 可能以故事、外觀與情緒連結為主;知識型 IP 除了角色辨識度之外,還要承載可被學習與使用的觀點、案例、方法、判斷與學習路徑。 Q3:SeanVerse 是什麼?SeanVerse 是我用來想像「享哥品牌如何延伸」的知識世界,未來可以承載角色 IP、漫畫、漫劇、課程、Prompt、數位商品、實體商品、AI Agent、品牌聯名與授權等內容。 Q4:AI Agent 在 SeanVerse 裡扮演什麼角色?AI Agent 是 SeanVerse 的互動與行動層。它可以根據知識庫與角色人格回答問題、規劃學習路線、安排任務、檢查成果,或協助使用者完成具體工作。 Q5:不是明星,也能建立個人 IP 嗎?可以。非明星的個人品牌不一定要 IP 化明星光環,而是可以從專業知識、真實案例、個人觀點、教學方法與長期信任開始,建立一個具有辨識度且能持續延伸的知識型 IP。

  • article-AI 越來越會做,我反而開始在意:你看見了什麼?

    2026/9/7

    商業策略 AI工具 內容行銷
    AI 越來越會做,我反而開始在意:你看見了什麼?

    最近看到一篇文章,講一個滿誇張的案例。 一位做了 11 年媒體工作的創作者「晚晚」,靠自己做出 48 集 AI 短劇《硯邊青梅》,最後播放破億。 看到這種故事,我以前第一個反應大概會是: 她用了什麼模型? 影片怎麼生成? 角色一致性怎麼處理? 一集要做多久? 整套工作流是什麼? 但這次看完,我反而對這些事情沒有那麼好奇。 真正讓我停下來想的,是另一件事: 如果今天大家都有一樣強的 AI,為什麼最後被看見的是她? AI 解決了「做不出來」,卻讓「做什麼」變得更難那篇文章提到一個很驚人的數字:2026 上半年,光抖音上線的 AI 短劇就超過 22 萬部;播放破億的只有 1,055 部,大約 0.47%。 這個數字值得想一想。 這兩年我們一直在談 AI 如何降低內容製作門檻。以前要拍一部劇,需要編劇、導演、演員、攝影、美術、剪輯、場景與服裝;現在一個人加上一堆 AI 工具,真的開始有機會完成以前一整個團隊才能完成的事情。 但當 22 萬部作品都出現之後,新的問題就來了: 做得出來,還重要嗎? 或者更精準地說: 當「做得出來」變成基本能力之後,下一個競爭門檻到底是什麼? 我最近自己玩 AI 影片、AI 音樂、AI 生圖,也越來越強烈感受到這件事。 以前看到一支很漂亮的 AI 影片,我會研究半天。現在滑到很多 AI 影片,我可能三秒就過去了。 不是那些作品變差了,而是漂亮的東西正在快速變多。當供給開始接近無限,「內容」本身就會開始通膨。 一個不到 100 字的人,如何長出 48 集作品?《硯邊青梅》的起點其實很小。 它來自顏真卿的《祭姪文稿》。創作者晚晚開始研究這段歷史,查《新唐書》、《舊唐書》等史料,最後發現一件事:關於顏真卿姪子顏季明的歷史記載,加起來甚至不到 100 字。 可是問題來了。 一個在歷史裡幾乎只剩下一個名字的人,為什麼會讓顏真卿寫下一篇流傳一千多年的祭文?顏季明到底是一個什麼樣的人? 我覺得整個故事真正厲害的地方,是從這裡開始的。 因為這個問題不是什麼厲害的 Prompt,甚至跟 AI 沒有直接關係。它只是某個人看到一段歷史之後,沒有直接滑過去。 她停了一下,覺得奇怪,然後開始查。最後從不到 100 字的史料,長出了一部 48 集的作品。 這讓我突然想到: AI 最容易複製的可能是答案,最難複製的,反而是你為什麼會問這個問題。 從 Prompt Engineering 走向 Question Engineering這幾年大家花很多時間研究 Prompt Engineering:提示詞怎麼寫、角色怎麼設定、上下文怎麼給、模型怎麼選、工作流怎麼串。 這些當然都重要,我自己也一直在研究。 但模型越來越強之後,我開始覺得另一個能力可能會慢慢浮上來:Question Engineering。 你到底有沒有一個值得 AI 幫你追下去的問題? 因為今天你叫 AI: 幫我寫一部唐朝背景的穿越愛情短劇。 它真的寫得出來,而且一秒鐘可以寫十個版本。問題是,其他 10 萬個人也可以。 但如果你的起點是: 一個在史書裡只留下不到 100 字的人,為什麼值得另一個人寫下一篇流傳千年的祭文? 後面的世界就不一樣了。 差別不是 AI 能力,而是你先看見了什麼。 這也和我最近思考的 AI 時代專業價值很像:當執行能力越來越容易被複製,真正能留下差異的,會是你怎麼觀察、怎麼判斷,以及你曾經用這些判斷完成過什麼。AI 時代,你真正該累積的不是內容,而是「專業證據」 經驗真正值錢的地方,不只是「我比較會做」很多人會問:AI 時代,做了十年、二十年的專業人士,到底還有什麼優勢? 如果答案只是「我比較會做」,這個優勢其實很危險。因為 AI 最擅長追趕的,就是執行能力:寫文案、剪影片、做簡報、整理資料、生成圖片、寫程式,很多以前需要幾年才能練熟的事情,門檻都正在快速下降。 可是老手還有另外一種東西。 做媒體 11 年的人,可能知道哪一句話怪怪的、哪一個不起眼的人值得追、哪一份看起來沒什麼的資料,背後卻可能藏著故事。 做行銷十幾年的人也是。看到一份企劃,他可能說不出完整理論,但就是知道:「這個消費者不會買。」 這些東西以前很難量化,現在反而可能越來越重要。 所以我最近很喜歡一個比喻: 新手跟老手都拿到同一台 AI,但老手知道該把它開去哪裡。 這不是說老手可以停止學新工具,而是提醒我們:工具熟練度只是起點,方向感才是稀缺能力。 AI 一人公司,不只是「一個人抵十個人」這個案例也讓我重新思考「一人公司」這件事。 我們常常把 AI 一人公司講成:以前十個人的工作,現在一個人完成,所以可以省人、降低成本、提高效率。 但我覺得這只是第一層。 真正有意思的是:以前只有組織有資格實現的想法,現在個人也開始有資格實現。 這完全是兩件不同的事情。 以前一個普通人突然說:「我要拍一部 48 集古裝劇。」大家第一個想到的不是劇情,而是錢:演員呢?場景呢?服裝呢?攝影呢?後製呢? 很多想法甚至還沒有開始,就被資源限制殺掉了。 AI 改變的是,那些以前根本沒有資格被執行的想法,現在開始可以被試試看。 所以 AI 帶來的最大改變,也許不只是企業可以少請幾個人,而是未來會出現大量以前根本不可能存在的一人製片公司、一人媒體、一人工作室與一人 IP。 這和我之前談過的「把專業知識變成軟體」其實是同一個方向:個人不只是在使用工具,而是開始有能力把自己的觀察變成產品、內容與服務。Vibe Coding 下一階段:把專業知識變成軟體,產業專家就是下一代產品經理 當每個人都有一間虛擬製片廠,真正稀缺的是什麼?假設再過幾年,每個人都可以一句話生成電影,每個人都可以做動畫、寫歌,也都有自己的虛擬演員、攝影師、剪輯師與設計師。 那時候真正稀缺的,可能不是生成能力,而是四件很老派的事情: 觀察:你到底看見了什麼? 提問:為什麼這件事值得追? 判斷:AI 給你 100 個答案,你知道哪一個比較接近真實、比較值得留下嗎? 選擇:所有人都在做同一個熱門題材時,你敢不敢去做那個只有不到 100 字的人? 這四件事也解釋了,為什麼 AI 素養不會只等於 Prompt 技巧。真正的人機協作,還包含分工、描述、判斷與負責;Prompt 只是其中一段。4D Framework:比 Prompt Engineering 更完整的 AI Fluency 框架 最後決定「這個值得做」的人,還是你AI 可以一天生成 100 個故事,但最後決定「這一個值得我花三個月做完」的那個人,還是你。 所以我現在反而覺得,AI 越強,人真正值錢的地方可能會變得越原始。 不是你按按鈕有多快,不是你懂多少模型名稱,甚至不只是 Prompt 寫得多漂亮,而是你對這個世界到底還有沒有好奇心。 兩個人走過同一條街,讀同一本書,看到同一段歷史。 一個人看完就走了,另一個人突然停下來: 等一下,這裡是不是有什麼故事? 以前從這個念頭,到真的把故事做出來,中間隔著一整個產業。現在 AI 正在把這段距離快速縮短。 所以也許 AI 時代真正巨大的機會,不只是「我們終於可以做更多東西」,而是: 那些你以前看見了,卻沒有能力做出來的東西,現在終於輪到你了。 常見問答 (FAQ)Q1:什麼是 Question Engineering?Question Engineering 可以理解成「問題工程」:先找到值得追問、查證與延伸的問題,再讓 AI 協助研究、生成與執行。它關注的不是提示詞格式,而是你為什麼問、問題是否有價值,以及你想把答案帶到哪裡。 Q2:AI 越來越強之後,創作者最該練習什麼?創作者應該持續練習觀察、提問、判斷與選擇。生成工具可以降低製作門檻,但無法替你決定哪個細節值得追、哪個故事值得投入,也無法替你對最後的作品負責。 Q3:AI 一人公司和「一個人抵十個人」有什麼不同?「一個人抵十個人」強調的是省人與效率;AI 一人公司更重要的意義,是讓個人有機會實現過去只有組織才有資源執行的想法,例如獨立完成一部長篇作品、打造一個媒體品牌或驗證一個產品構想。 Q4:沒有深厚的媒體或歷史背景,也能開始 Question Engineering 嗎?可以。可以從日常看到的矛盾、被忽略的人、反覆出現的問題或讓你感到奇怪的細節開始,先記下問題,再查資料、比較來源,最後用小規模作品驗證它是否值得繼續。重點不是一開始就提出完美問題,而是不要太快滑過值得停留的地方。 Q5:專業經驗在 AI 時代還有價值嗎?有,而且價值會從單純的執行熟練度,轉向辨識模式、發現異常、理解情境、做出取捨與承擔結果。新手與老手可以使用同一個 AI,但老手通常更知道該把 AI 帶往哪個方向,以及哪些產出值得被採用。

  • article-AI 時代,40 歲後最值錢的不是經驗,而是把經驗「編譯」成 AI 能執行的能力

    2026/9/6

    AI自動化 AI Agent 內容行銷
    AI 時代,40 歲後最值錢的不是經驗,而是把經驗「編譯」成 AI 能執行的能力

    最近看到一篇文章,裡面有一句話讓我想了很久: AI 愈強,40 歲以後累積的人生經驗,反而愈值錢。 我很認同,但我覺得這件事還可以再往下一層。 未來真正值錢的,可能不只是「你有多少經驗」,而是: 你能不能把自己的經驗,編譯成 AI 可以執行的能力? 做了 20 年,不代表擁有 20 年的專業我們很容易把「年資」跟「經驗」畫上等號,但其實不一定。 有人工作 20 年,只是把第一年的工作方式重複了 20 次。也有人工作 5 年,卻做過幾百個案子、碰過不同產業、失敗過很多次,也不斷修改自己的做法。 所以真正形成差距的,可能不是年齡,而是你的「判斷密度」: 你看過多少不同案例? 遇過多少種問題? 做錯過多少決定? 後來為什麼改變做法? 什麼情況下 A 有效?什麼情況下你反而會選 B? 這些東西才慢慢形成所謂的專業判斷。 AI 不必活過你的經驗,才能使用它很多人會說: AI 可以讀很多資料,但是 AI 沒有真正活過。 這句話現在沒有錯,可是我覺得不能因此太樂觀。 因為 AI 根本不需要自己活過。一個顧問做 20 年,可能服務過 500 個客戶;未來的 AI,則可能讀過大量案例、研究報告、客戶對話、論壇討論、專案紀錄與失敗經驗。 因此真正難被取代的,不應該只是「這件事情我做過」,而是: 我做過很多次之後,形成了一套別人沒有的判斷方式。 更重要的是,這套判斷有沒有辦法被留下來、被驗證,甚至被重複執行。 從經驗到 Skill:把判斷編譯成 AI 能執行的能力這是我最近研究 AI Agent、Skills、MCP 與 Agent Harness 時,愈來愈強烈的一個感覺。 以前一個專家累積很多經驗之後,大概有幾種做法:寫書、寫文章、開課或做顧問。因為我們能做的,通常就是把腦袋裡面的知識說出來。 但現在多了一條完全不同的路: 經驗 → 判斷 → Framework → SOP → Skill → Agent 這不是把文章換一個檔案格式,而是把「在什麼情況下,做什麼判斷,接著採取什麼行動」整理成可執行的結構。 先問對問題,再決定要不要用 AI例如,一家企業來找我說: 我們想導入 AI 客服。 剛接觸 AI 的人,可能第一個問題是:要用 GPT、Claude 還是 Gemini? 但如果做過很多專案,你可能第一個問題根本不是模型,而是: 每天有多少客服量? 哪些問題一直重複? 哪些回答需要查公司資料? 哪些情況涉及訂單或交易? 哪些事情 AI 絕對不能自己決定? 什麼時候必須轉真人? 問完之後,你才會判斷:這家公司需要的是 FAQ、RAG、Workflow、Agent,還是根本暫時不需要 AI。 注意一件事情:這已經不只是「經驗」了,它其實是一棵 Decision Tree。 如果我們把每一個問題、條件、判斷與下一步整理出來,就有機會先寫成 SOP,再進一步變成 Skill,最後交給 Agent 執行。原本只能存在資深顧問腦袋裡的能力,第一次開始可以被軟體化。 如果你想先了解如何把長篇提示詞整理成可重複使用的 Skill,可以參考從提示詞到 Skill:5 個實務做法打造高效率 AI 自動化工作流。 Experience Debt:專業沒有被留下來的代價我最近想到一個詞:Experience Debt,經驗債。 很多做了十幾、二十年的專業工作者,其實非常有價值,但那些價值散落在: 腦袋裡 LINE 對話裡 Email 裡 簡報裡 客戶會議裡 課堂回答裡 客戶問一個問題,你馬上知道答案;新人做錯一件事情,你一眼就知道問題在哪裡。但是如果有人問:「為什麼你知道?」你可能只能回答: 做久了就知道。 這句話其實很危險,因為它代表這套能力還沒有被結構化。 你知道,但是你的團隊不知道;你的學生不知道;甚至 AI 也不知道。AI 無法使用你沒有留下來的經驗。 所以很多 40、50 歲的專業工作者,第一件事情不一定是急著經營自媒體,而是開始把自己的腦袋數位化。 不只建立內容庫,而是建立 Judgment Library以前我們經營自媒體,很習慣建立文章庫、影片庫、素材庫與 Prompt 庫。但我覺得下一階段更重要的是: Judgment Library——判斷庫。 例如,每次做完一個案子,我們都可以留下這些句子: 大家通常以為是 A,但我後來發現其實是 B。 遇到 X 情況,我通常不建議做 Y。 如果客戶同時出現這三個條件,我會優先選擇 Z。 以前我也相信這個做法,但做過幾十次之後,我改變想法了。 這些句子看起來很普通,卻是專業人士腦袋裡最值錢的東西。因為 Google 找得到答案,AI 也可以整理知識;但是「什麼情況應該用哪一個答案」,才是真正的判斷。 一個可以持續累積的判斷紀錄格式每次完成專案後,不必寫成完整文章,先留下以下六項就足夠: 欄位 要記錄的內容 情境 當時遇到什麼問題、對象與限制? 常見假設 多數人第一時間會怎麼想? 觀察證據 哪些案例、結果或訊號改變了你的看法? 核心判斷 你最後選了什麼做法?為什麼? 適用邊界 什麼情況下這個判斷不成立? 下一步 如果再遇到類似情境,第一個要做什麼? 當這些紀錄累積到一定程度,就能看見反覆出現的條件、例外與決策順序。那時候才有機會把零散經驗整理成真正可用的 Framework。 個人品牌會從內容入口,走向可執行產品這也會改變我們經營個人品牌的方法。 以前做內容,我們會問:「今天要寫什麼?」以後可以多問三個問題: 這件事情讓我形成了什麼判斷? 這個判斷什麼時候成立,什麼時候不成立? 這個判斷能不能變成 AI 可以執行的規則? 久了以後,你累積的可能就不只是 500 篇 Facebook 文章,而是一套能力鏈: 層次 主要作用 可能形成的產品 案例庫 記錄真實情境與結果 案例資料庫 觀點庫 說明你如何理解問題 文章、影片與課程 判斷庫 說明何時採用哪個做法 決策規則 Framework 把判斷整理成可重複的方法 顧問方法論 Skill 把方法寫成 AI 可遵循的指令與檢查 可執行模組 Agent 讓 AI 使用工具、處理情境並完成工作 AI 服務 內容只是入口,Framework 是方法,Skill 是產品,Agent 則可能成為服務。 未來我們可能不是「賣知識」,而是在「出租判斷」以前專家的商業模式很簡單: 顧問:「我幫你判斷。」 講師:「我教你怎麼判斷。」 作者:「我把我的判斷寫給你。」 AI 時代開始多出第四種可能: 我把我的判斷方式封裝成 AI,讓它持續替你處理相似問題。 這代表一個人的專業能力,第一次可以從「內容產品」變成「可執行產品」。以前一本書賣的是知識,一堂課賣的是方法;未來一個 Skill 或 Agent,賣的可能是專家的判斷能力。 這不代表把所有決定都交給 AI。真正成熟的 Skill,應該同時寫清楚適用條件、禁止事項、需要查證的資料,以及什麼時候一定要交還給人處理。 從 SEO、AEO 到 Agent:讓 AI 不只引用你,也使用你這也是我覺得個人 IP 下一階段很有趣的地方。 SEO 時代,我們努力讓人搜尋到你。 AEO 時代,我們開始思考讓 AI 引用你。 Agent 時代,可能還會再往下一步:讓 AI 使用你。 不只是讓 ChatGPT 回答問題時說「某某專家曾經提出……」,而是當 AI Agent 遇到某個問題時,直接呼叫你的 Framework、Skill 或工具來完成工作。 到了那一天,衡量一個專業工作者影響力的方式,可能也會改變。除了粉絲、瀏覽與訂閱,還可能包括: 你的 Framework 被多少 Agent 使用? 你的 Skill 一天被呼叫多少次? 你的判斷模型參與了多少真實世界的決策? 這些仍是需要持續觀察的未來可能,但方向已經值得現在開始準備。 40 歲後,現在可以從哪裡開始?如果你已經累積十年、二十年的專業,不必一開始就做一個完整 Agent,可以先從以下五步開始: 每週留下一個案例。 不只記錄做了什麼,也記錄當時為什麼這樣做。 把「反直覺判斷」寫下來。 特別是大家以為 A、你卻選 B 的時刻。 補上成立條件與例外。 沒有邊界的經驗,無法安全地交給 AI 執行。 找出重複出現的判斷。 把它整理成 Framework,再寫成 SOP 或 Skill。 保留必要的人類審核。 涉及金流、個資、合約、品牌風險或重大決策時,先設定清楚的交接點。 如果你想延伸理解「專業如何被留下來並形成個人品牌資產」,可以參考AI 時代,你真正該累積的不是內容,而是「專業證據」;若想進一步理解 Agent 如何在工具與權限邊界內完成工作,也可以閱讀Skill 之後,下一個 AI 開發者一定要懂的詞:Agent Harness。 結語:把二十年的自己,編譯成 AI 可以執行的能力如果你問我:AI 愈來愈強,我們累積十年、二十年的經驗還有沒有價值? 我的答案當然是有,但我會再多補一句:不要只滿足於「我有經驗」。 因為經驗如果永遠只存在你的腦袋裡,它的延展性仍然非常有限。 真正值得做的,是開始把: 經驗變成判斷,判斷變成方法,方法變成 Skill,Skill 再變成 Agent。 以前我們花了二十年,讓自己成為一個更厲害的專家。接下來也許要開始思考另一件事:怎麼把這二十年的自己,編譯成 AI 可以執行的能力。 我覺得這才是 AI 時代,「資深」真正厲害的地方。 常見問答 (FAQ)Q1:40 歲後累積的經驗,如何轉化成 AI 時代的競爭力?關鍵不是單純累積年資,而是把案例、錯誤、選擇理由與適用邊界整理成專業判斷。當判斷能被寫成 Framework、SOP 或 Skill,就能被團隊、AI 與 Agent 重複使用。 Q2:什麼是 Experience Debt(經驗債)?Experience Debt 是指專業價值散落在個人腦袋、對話、Email、簡報與會議裡,卻沒有被整理成團隊或 AI 可理解的結構。它會讓個人知道怎麼做,但其他人無法複製,也讓 AI 無法使用這些經驗。 Q3:Judgment Library(判斷庫)和一般內容庫有什麼不同?內容庫主要保存文章、影片或知識;判斷庫則保存「什麼情況應該選哪個做法、為什麼,以及什麼時候不適用」。判斷庫的核心是條件、取捨、例外與下一步,而不只是答案本身。 Q4:要先學會 GPT、Claude 或 Gemini,才能把經驗做成 Skill 嗎?不一定。文章中的重點是先整理問題、判斷條件、禁止事項與交接邊界,再決定適合的模型或工具。若沒有清楚的方法,換模型通常只會把同樣混亂的流程交給另一個系統。 Q5:AI 可以讀過大量案例,專業人士還能靠什麼建立差異?「我做過這件事」本身不是最穩固的護城河;更有價值的是你從大量案例中形成的判斷方式,以及能清楚說明成立條件、例外與取捨的專業模型。這些內容被留下並可執行後,才有機會形成可持續的差異。

  • article-AI 時代,你真正該累積的不是內容,而是「專業證據」

    2026/9/6

    AI Agent AEO 內容行銷
    AI 時代,你真正該累積的不是內容,而是「專業證據」

    最近看到一篇文章,裡面有一句話讓我想了很久: 「以後客戶可能先問 AI,再決定找誰。」 以前我們經營個人品牌,想的是: 我要不要寫文章? 這篇有多少人看? 有多少讚? 有沒有被分享? 粉絲有沒有增加? 但如果未來大家尋找專家、顧問、講師、合作夥伴的方式,慢慢從 Google 搜尋變成直接問 ChatGPT、Gemini、Claude: 「台灣有哪些懂 AI Agent 的講師?」 「推薦熟悉 LINE API 的顧問。」 「有沒有懂中小企業 AI 導入的人?」 「誰真的做過 MCP 的企業應用?」 那問題就完全不一樣了。 因為這時候你真正要問的,不再只是: 「有多少人看過我?」 而是: 「網路上有多少證據,可以證明我真的懂這件事?」 這也是我最近研究 AEO、AXO、AI Agent、Skill,以及「專業知識軟體化」之後,開始慢慢串起來的一件事。 當客戶先問 AI,個人品牌的問題就變了假設有兩個顧問。 A 做了 15 年,能力很好、服務過很多客戶,也解決過很多困難的問題。 但是這 15 年的經驗,全部存在他的腦袋、LINE 對話、會議紀錄和客戶現場,網路上幾乎沒有東西。 另一個 B 同樣做了 15 年,但他持續留下: 自己的專業判斷 實際處理過的案例 客戶經常遇到的問題 失敗經驗與修正方式 產業觀察 做完之後得到的新理解 如果今天有人問 AI: 「誰比較擅長處理這類問題?」 我不是說 AI 一定會推薦 B,也不是說公開文章多就代表能力一定比較好。 但是至少有一件事很現實: AI 要理解 A,很困難。 因為沒有足夠的公開資料,讓它辨識 A 的專業範圍、服務經驗與判斷方式。 這讓我開始覺得,未來個人品牌真正重要的資產,可能不是「文章數量」,而是: Professional Evidence:專業證據。 它不是替自己加上的形容詞,而是網路上可以被交叉理解的紀錄:你做過什麼、如何判斷、解決過哪些問題,以及什麼情況下你會選擇不要做某件事。 知識會越來越便宜,但判斷反而越來越值錢以前我們很喜歡寫: 「使用 ChatGPT 的 10 個技巧」 「做 SEO 一定要知道的 7 件事」 「經營 LINE 官方帳號的 5 個方法」 這些內容不是沒有價值,但 AI 已經可以很快整理出一份看起來完整的清單。 所以未來真正稀缺的內容,反而是: 「我做過之後,發現了什麼?」 例如: 「我實際教了幾十個完全不懂程式的人使用 MCP 後,發現大家真正卡住的不是技術。」 這句話就不一樣了。因為後面的答案不是單純從網路整理來的,而是來自你在真實情境中反覆觀察、判斷與修正後的經驗。 所以我現在越來越認為,AI 時代最值得累積的內容,不只是 What,也不只是 How,而是: Why:為什麼要這樣做? When:什麼情況適合這樣做?什麼情況反而不要? Which:兩種方法都能用時,為什麼選 A 不選 B? 再加上:失敗過幾次之後,我改變了什麼判斷?這些才是真正難以被通用答案取代的專業。 如果你想進一步理解如何把領域經驗拆成規則、工作流程與軟體功能,也可以延伸閱讀把專業知識變成軟體:產業專家就是下一代產品經理。 寫案例時,留下完整的判斷軌跡未來寫案例,我覺得不能只寫: 「我們成功幫客戶導入 AI。」 更有價值的案例,應該留下完整的判斷軌跡: 客戶原本以為問題在哪? 我進去之後發現真正的問題是什麼? 為什麼我沒有選大家最常用的方法? 第一次做失敗在哪? 後來改了什麼? 最後我得到什麼新的判斷? 這些東西累積久了,其實已經不是單純的「內容」,而是一個人的: Professional Evidence Database:專業證據資料庫。 它不一定要一開始就做成複雜的系統。你可以先從每次專案結束後,留下五個簡短欄位開始:問題、判斷、選擇、失敗、結果。 專業證據如何變成 Skill 與 AI Agent?這也是我在思考「專業知識軟體化」之後,又往下一層看到的事情。 一個專家的能力,最早存在: 腦袋裡。 接著我們把它: 寫成文章。 再把文章整理成: 結構化知識。 接著把方法、規則、判斷條件整理成: Skill。 最後甚至可以變成: Software / AI Agent。 所以完整路徑可能是: 123456專業經驗→ 專業證據→ 結構化知識→ Skill→ Software→ Agent 這條路徑不是把人變成沒有溫度的自動化機器,而是把原本只能靠口述、陪跑或臨場反應傳承的判斷,整理成可以被檢查、教學與重複使用的資產。 以前一個專家離開現場,他腦袋裡很多東西可能就消失了。但如果你有意識地把判斷、案例、流程、例外狀況與決策邏輯留下來,你的專業就有機會慢慢變成一套「可以被機器使用的能力」。 關於如何讓 Skill 真正支撐 Agent 完成任務,而不只是提供一段漂亮的說明,也可以參考Skill 之後,下一個 AI 開發者一定要懂的詞:Agent Harness。 每一堂課,都可能是一份真實世界 Dataset這點是我自己特別有感的,因為我經常上課。 以前上完一堂課: 學生問問題 我回答 下課 很多很好的問題,就這樣消失了。 但如果換一個角度,每一個學生問的問題、每一次操作失敗、每一個誤解的地方、每一個成功案例,以及每一次我臨場改變教法的原因,其實全部都是資料。 假設一年上 100 堂課,每堂課只留下 10 個真正有價值的問題,一年就是: 1,000 個真實世界的 AI 應用問題。 這是文章中的假設計算,不是對任何課程成果的宣稱。它想指出的是:你親自面對的問題,往往比你從網路整理來的熱門資訊,更能形成自己的專業辨識度。 新聞大家都有,但這些問題是你在真實工作裡遇到的。 於是整件事情可以形成一個飛輪: 123456789實際工作→ 發現問題→ 專業判斷→ 寫成內容→ 結構化知識→ Skill→ 工具→ Agent→ 再回到真實世界驗證 這已經不只是內容行銷,而是在累積自己的「專業模型」。 從 AEO 走向 Expert AEO:AI 怎麼認識你?現在大家談 AEO、GEO,大部分都在討論: 「怎麼讓品牌被 AI 找到?」 但我覺得下一個值得觀察的方向可能是: Expert AEO。 醫師、律師、講師、顧問、房仲、設計師、會計師、教練,每一個靠專業吃飯的人,未來都可能要開始思考: AI 知不知道我是誰? AI 認為我擅長什麼? 網路上有哪些證據支持這件事? 當使用者問相關問題時,我會不會出現在答案裡? AI 描述我的方式正確嗎? 我的競爭者為什麼被提到,而我沒有? 這甚至可能形成一個新的個人品牌觀察指標: AI Share of Voice。 以前我們追蹤 Google 排名,未來或許可以追蹤: 「在 100 個跟我專業相關的問題裡,AI 有幾次提到我?」 目前「AI Share of Voice」比較適合作為一個觀察框架,不是已經普遍採用的標準指標。它的價值不在於追求每一次回答都被提到,而在於幫你檢查:AI 是否正確理解你的專業範圍、案例與適用情境。 如果想先理解 AI 如何從 SEO、AEO 走向能執行網站任務的 AXO,可以閱讀SEO、AEO 之後的 AXO:讓 AI Agent 真正完成網站任務。 現在就能開始累積的專業證據不要只問: 「這篇文章會不會爆?」 可以換成以下幾個更長期的問題: 這篇文章,有沒有替我的專業多留下一份證據? 我是否說清楚自己處理過什麼問題? 我是否留下「為什麼選 A、不選 B」的判斷? 我是否誠實記錄失敗、限制與不適用情境? 這份經驗能不能被整理成下一次可重複使用的規則? 可以從這些內容開始: 專案結束後的決策紀錄 不只寫成果,也寫問題定義與修正過程的案例 課程中反覆出現的真實提問 失敗經驗與不適用情境 對工具、方法與流程的選型理由 讀者可以獨立引用的 FAQ 與定義 流量可能三天就沒了,Facebook 貼文也可能一個星期後就沉下去,演算法更會一直改變。但你留下來的判斷、案例、方法、失敗與成果,可能會慢慢構成 AI 對你的理解。 所以我現在反而覺得: 不要只是經營內容,要開始經營你的 Professional Evidence。 讓網路上有足夠的證據說明: 你是誰 你懂什麼 你做過什麼 你怎麼判斷 以及你能解決什麼問題 再下一步,把這些證據整理成 AI 能理解的知識,再把知識封裝成 Skill,最後讓 Skill 變成 Agent 可以執行的能力。 這可能才是 AI 時代個人品牌真正值得累積的長期資產。 因為未來當客戶問 AI: 「這件事情,我應該找誰?」 真正重要的可能不是你自己說你很專業,而是: 網路上有沒有足夠的證據,讓 AI 也知道你很專業。 常見問答 (FAQ)Q1:什麼是「Professional Evidence」?Professional Evidence,也就是專業證據,指的是能在網路上說明一個人做過什麼、如何判斷、解決過哪些問題,以及哪些情境不適用的公開紀錄。它不等於文章數量,而是由案例、方法、失敗經驗、判斷理由與結果共同構成。 Q2:為什麼個人品牌不能只追求流量與文章數量?流量與文章數量能反映內容的曝光,但不一定能證明作者具備哪一種專業、處理過哪些真實問題,或在不同情境下如何做選擇。AI 時代更需要可理解、可交叉比對的案例、判斷與方法,讓讀者和 AI 都能更準確掌握你的專業範圍。 Q3:一篇有價值的專業案例應該留下哪些內容?至少可以記錄客戶原本認為的問題、實際發現的問題、選擇某種方法的理由、第一次失敗的地方、後續如何修正,以及最後得到的新判斷。這些內容比單純宣稱「成功導入」更能呈現專業思考。 Q4:專業證據如何進一步變成 Skill 或 AI Agent?可以先把案例與判斷整理成結構化知識,再將方法、規則、條件、例外與檢查標準封裝成 Skill。當 Skill 能被軟體或 Agent 呼叫,並在真實工作中反覆驗證與修正時,專業經驗就有機會轉化成可重複使用的 AI 能力。 Q5:什麼是 AI Share of Voice?AI Share of Voice 是本文提出的觀察框架,用來思考在一組與自己專業相關的問題中,AI 有多少次正確提到自己。它目前不是普遍採用的標準指標,不能單獨代表專業能力;更重要的是檢查 AI 是否正確理解你的專業、案例與適用情境。

  • article-當 AI 生成影片比你看得還快:真正的「無限影片」開始了

    2026/9/1

    AI工具 內容行銷 影音行銷
    當 AI 生成影片比你看得還快:真正的「無限影片」開始了

    15 秒的 AI 影片,要生成多久? 9 秒。 乍看之下,好像只是 AI 影片又變快了。 但我覺得,真正值得注意的根本不是「9 秒」。 而是 AI 影片跨過了一條很重要的線:生成速度,開始超過播放速度。 這件事可能比「畫質又提升多少」重要得多。 本文提到的 H3 Max、Infinite Slop、Nothing, Forever,以及影片生成成本,依使用者提供的觀察與估算整理。模型版本、服務狀態、推論速度與價格都可能變動,實際使用時仍應以當下方案為準。 只要生成速度超過播放速度,影片就可以沒有結局8 月 29 日,fal 工程師 Rehan Sheikh 把影片生成模型接上 Twitch,做了一台永遠播不完的「無限跨次元電視」。 底下跑的是 fal 的 H3 Max。官方數字是:5 秒影片,3 秒內生成。後來獨立開發者 Pieter Levels 實測,15 秒影片大約 9 秒跑完。 為什麼這個數字重要? 因為只要: 生成時間 < 播放時間 當你還在看前面 15 秒時,AI 已經把後面 15 秒生好了。你開始看第二段,AI 又繼續生成第三段。 115 秒 → 15 秒 → 15 秒 → 15 秒 → …… 只要生成佇列沒有中斷,理論上就能永遠延伸下去。 觀眾正在做什麼 AI 同時在做什麼 播放第 1 段 15 秒影片 生成第 2 段 15 秒影片 播放第 2 段 15 秒影片 生成第 3 段 15 秒影片 播放第 3 段 15 秒影片 生成第 4 段 15 秒影片 所以未來 AI 影片模型比的,可能不再只是: 一次可以生成幾秒? 而是: 能不能永遠比觀眾快一步? 這會把 AI 影片的競爭,從「單次生成品質」推向「持續生成能力」。 三年前,無限的是劇本,不是畫面其實「永遠播不完的 AI 節目」,三年前就有人做過。 2022 年底,Twitch 出現一個很有名的頻道:Nothing, Forever。它可以 24 小時不斷演出 AI 情境喜劇。 但當年的方法其實完全不同。 角色、場景與 3D 資產都事先準備好,再由 Unity 即時排列組合。AI 主要負責生成對白。 換句話說,當時比較像: 1AI 編劇 + TTS + 遊戲引擎 三年前我們做到的是:劇本永遠寫不完。 但今天不一樣。 人物可以生成,場景可以生成,動作可以生成,鏡頭可以生成。甚至連「下一秒的世界長什麼樣子」,都可以下一秒再決定。 Nothing, Forever Infinite Video 角色、場景與 3D 資產預先準備 人物、場景與鏡頭可以即時生成 AI 主要生成對白 AI 直接生成畫面本身 無限延伸的是劇本 無限延伸的是世界 所以我覺得這次最值得記住的一句話是: 三年前,無限的是劇本。現在,無限的是畫面本身。 AI 開始即時生成世界,而不只是幫你做影片更有趣的事情,很快就發生了。 十幾個小時後,Pieter Levels 自己做了一個互動版本:Infinite Slop。 觀眾在聊天室輸入什麼,AI 就嘗試把它變成下一段影片,而且還會試著延續前面的故事。 例如有人說:「讓恐龍出現。」下一段真的可以出現恐龍。有人說:「去東京。」故事就可以往東京發展。 這時候,整個媒體邏輯其實已經變了: 1觀眾 → AI → 影片 → 觀眾 → AI → 下一段影片 觀眾不只是 Audience,觀眾本身開始變成 Prompt。 以前是創作者先完成內容,再交給觀眾觀看;現在則可能是觀眾提供方向,AI 即時生成內容,再把新的內容交回觀眾。 這已經不只是「AI 幫你做影片」,而是 AI 開始替你生成一個可以持續變化的世界。 為什麼 AI 電影可能不是最有趣的終點?現在大家聊 AI Video,很容易問: 什麼時候可以直接生成一部兩小時電影? 但這可能是在用舊媒體的框架,理解一個新媒體。 因為如果影片可以即時生成,為什麼還一定要是一部固定的電影? 它可能變成: AI 實境秀 AI VTuber AI 兒童故事 AI 連續劇 AI NPC 世界 AI 購物頻道 永遠不會完結的直播節目 更進一步,未來甚至可能不是「100 萬人看同一部電影」,而是「100 萬人看 100 萬個版本」。 你喜歡懸疑,AI 就讓故事更懸疑。你喜歡東京,故事就往東京發展。某一段你快轉,AI 知道你沒興趣;某個角色出現時你停留很久,AI 知道你可能喜歡他。 影片開始不是「播放給你看」,而是:一邊播放,一邊為你生成。 今天我們叫: Video on Demand 未來搞不好會變成: Reality on Demand 你選的不再是哪一部影片,而是: 今天,我想進入什麼世界? 如果你想先理解 AI 影片時代需要哪些判斷能力,也可以延伸閱讀〈學 AI 影片,你最不該做的,可能是先去學怎麼當導演〉。 真正卡住 AI 的不是技術,而是推論成本不過,現在真正卡住 AI 的,已經不是技術。 是錢。 Rehan Sheikh 後來自己算了一筆帳:如果 H3 Max 480p 標準價格以每秒成品影片 0.05 美元計算,24 小時不停生成的成本大約是: 一天:約 4,320 美元 一個月:約 129,600 美元 一年:接近 158 萬美元 而且這還只是影片推論成本,還沒有算頻寬、儲存、直播服務、監控與其他營運支出。 因此現在其實是一個很有趣的階段:能力已經到了,速度開始到了,但經濟模型還沒到。 Infinite Slop 能一直跑,其中一個原因就是 fal 在贊助運算成本。這也提醒我們,Demo 可以先證明「做得到」,但要變成真正的新媒體,還需要讓它「長期付得起」。 接下來真正值得觀察的,不只是「下一代模型快多少」,而是三條曲線: 曲線 代表的問題 能力 ↑ AI 能不能生成更穩定、更連貫的世界? 速度 ↑↑ 能不能持續跑在觀眾播放速度之前? 成本 ↓ 這種內容能不能長時間、低成本運作? 當這三條線真正交會,Infinite Video 才會從一個很酷的 Demo,變成真正的新媒體。 9 秒只是數字,跨過那條線才是新聞所以如果只把這件事情理解成: 現在 AI 生成 15 秒影片只要 9 秒。 我覺得反而小看它了。 真正重要的是:AI 影片第一次開始生得比人類看得還快。 今天是 9 秒,以後可能是 6 秒、3 秒,甚至接近即時。 當「生成速度 > 消費速度」之後,我們真正該問的就不再是: AI 可以幫我多快做完一支影片? 而是: 如果影片根本不需要做完呢? 沒有固定片長,沒有固定劇本,也沒有真正的大結局。甚至每個人看到的,都不是同一個故事。 我覺得 AI Video 下一階段真正有意思的方向,可能不是「把現在的影片做得更便宜」,而是開始出現以前根本不存在的內容形式。 從生成影片,到生成節目,最後可能是:即時生成一個你正在觀看的世界。 常見問答 (FAQ)Q1:什麼叫做 AI 影片的生成速度超過播放速度?如果一段 15 秒影片可以在 9 秒內生成,代表觀眾播放前一段影片時,AI 有機會提前準備好下一段。當生成時間持續小於播放時間,內容就能透過分段接續,理論上不斷延伸。 Q2:Infinite Video 和 Nothing, Forever 有什麼不同?Nothing, Forever 主要使用預先準備的角色、場景與 3D 資產,再由 AI 生成對白並即時排列;Infinite Video 則進一步讓人物、場景、動作與鏡頭都能即時生成,因此無限延伸的不只是劇本,也包含畫面世界。 Q3:為什麼即時生成影片不一定會先變成兩小時 AI 電影?因為即時生成允許內容依觀眾輸入、停留與互動持續改變,固定片長的電影不一定能發揮這種特性。AI 實境秀、互動連續劇、AI NPC 世界或個人化直播,可能更符合這種新媒體形式。 Q4:目前 Infinite Video 最大的限制是什麼?目前最大的限制之一是推論成本。即使影片生成速度已經快到能追上播放,若每秒成品影片的成本仍然很高,長時間直播就很難形成可持續的商業模式;模型能力、速度與成本必須同時改善。

  • article-Google 偏好來源怎麼用?網站主新增 Preferred Sources 按鈕搶 AI 搜尋流量

    2026/8/24

    SEO AEO 內容行銷
    Google 偏好來源怎麼用?網站主新增 Preferred Sources 按鈕搶 AI 搜尋流量

    如果你有經營部落格、媒體網站、品牌內容網站,最近 Google Search Central 對 Preferred Sources(偏好來源) 的更新,很值得直接放進網站經營清單。 Google 在 2026 年 8 月 20 日更新官方說明,現在網站經營者可以在頁面中加入 Google 提供的 「Add to Preferred Sources」 按鈕。讀者按下後,就能把你的網站設定成自己在 Google Search 裡的偏好來源。 這不只是多一顆按鈕,而是讓讀者主動告訴 Google: 「我希望在搜尋相關主題時,優先看到這個網站的內容。」 Google Preferred Sources 是什麼?當使用者把你的網站選為偏好來源後,你發布的內容在符合搜尋主題時,可能更容易出現在 Google Search 的特定內容版位,並以 Preferred 標示呈現。官方目前說明的場景包括: Google Search 的 Top Stories AI Overviews AI Mode 這裡要先釐清一件事:Preferred Sources 不是「安裝後就保證排名」的 SEO 外掛,也不是每篇文章都會自動出現在上述版位。它比較像是一個由使用者主動建立的偏好訊號,讓 Google 知道某位使用者希望優先接收哪些來源。 Google Search Central 也特別提醒,Preferred Sources 的來源對象是網域或子網域。例如 example.com 與 code.example.com 可以作為來源,但 example.com/blog 這種子目錄不能在工具中被當成獨立來源設定。這對把內容放在子目錄的網站來說,是導入前需要先確認的限制。 為什麼網站經營者應該關注這個入口?過去做 SEO,常見的問題是: 「怎麼讓 Google 覺得我的網站值得排前面?」 現在又多了一個問題: 「怎麼讓讀者主動告訴 Google,他想優先看到我?」 兩者的出發點不一樣。前者是搜尋系統評估內容,後者則是讀者對來源的主動選擇。對固定產出專業內容的部落格、媒體、產業網站與個人品牌來說,這等於多了一個可以長期累積的讀者關係訊號。 Google 在另一篇官方文章中提到,讀者把網站標記為 Preferred Source 後,點進該網站的機率約是原本的兩倍。這是 Google 對整體功能的觀察,不代表每個網站或每篇文章都會得到相同幅度的結果,但它至少說明了一件事:讀者主動選擇的來源,可能比一次性的搜尋曝光更容易形成回訪。 這也代表網站經營的流量布局,除了 SEO、AEO、電子報與社群追蹤之外,可能還會多一個新的 CTA: 把我們加入 Google 偏好來源。 延伸閱讀:網站如何被 AI 看見?免費 AEO 實作工具與微調全攻略 如何加入 Google 官方 Preferred Sources 按鈕?Google 官方推薦的標準 JavaScript 實作只需要兩段 HTML:一段載入 Preferred Sources 函式庫,另一段放置按鈕容器。 12345<!-- 建議放在網站的 <head> 裡 --><script async src="https://news.google.com/swg/js/v1/publisher.js"></script><!-- 放在想顯示按鈕的位置,例如文章結尾或作者介紹旁 --><div google-add-preferred-source-btn></div> 這個標準按鈕會依使用者的裝置與語言環境自動處理顯示,網站不需要自行複製一個 Google 介面。官方也提供 data-theme 設定,可以指定 light 或 dark 主題: 1<div google-add-preferred-source-btn data-theme="light"></div> 如果想指定按鈕語言,則可以使用 data-lang,但正式使用前要先對照 Google 官方提供的支援語言代碼,避免填入不支援的值。 不能執行 JavaScript 怎麼辦?如果你的 CMS 不允許加入 JavaScript,或你只想先用最簡單的方式測試,也可以使用 Deeplink,把讀者帶到 Google 的來源偏好設定工具: 1https://www.google.com/preferences/source?q=example.com 把 example.com 替換成自己的網域,就能做成一般文字連結、圖片按鈕,也可以放進社群貼文、電子報或活動頁面。 以本網站為例,可以先使用這種文字 CTA: 將 blog.es2idea.com 加入 Google 偏好來源 CTA 應該放在哪裡?按鈕的重點不是放得越多越好,而是在讀者已經感受到內容價值的時候提出邀請。比較適合測試的位置包括: 文章結尾:讀者完成閱讀後,邀請他把網站加入偏好來源。 作者介紹旁:適合個人品牌、專業顧問與固定產出內容的作者。 電子報訂閱區附近:把「訂閱電子報」與「在 Google 優先看到新內容」放成兩種不同的回訪選項。 網站首頁或分類頁:讓第一次認識品牌、但還沒有準備訂閱的讀者先留下偏好。 高價值常青文章:例如教學、產業整理、工具評測與研究型內容。 文案最好直接說明讀者得到什麼,不要只寫「請支持我們」。例如: 喜歡這類 AI、SEO 與數位轉型內容嗎?把本站加入 Google 偏好來源,未來搜尋相關主題時,更容易看到我們的新文章。 這種 CTA 的語氣比較像邀請,而不是要求讀者替網站完成一個不透明的操作,也更符合 Preferred Sources 本身「由使用者選擇來源」的設計。 Preferred Sources 會取代 SEO 或 AEO 嗎?不會。Preferred Sources 的訊號來自已經選擇你的讀者,SEO 與 AEO 則仍然負責讓內容被搜尋系統發現、理解與評估。三者可以分工: 方法 主要作用 適合累積的資產 SEO 讓內容在搜尋需求出現時被發現 網站結構、主題權威與自然流量 AEO 讓內容更容易被 AI 搜尋理解與引用 清楚答案、結構化內容與可信來源 Preferred Sources 讓讀者主動選擇希望優先看到的來源 讀者偏好與回訪機會 因此,網站不應該只因為有了按鈕,就降低內容品質或停止做基本 SEO。更合理的做法是先持續產出值得被追蹤的內容,再在適當位置提醒讀者:如果這個網站對你有幫助,可以把它加入 Google 偏好來源。 如果你想延伸整理網站的 AI 搜尋能見度,也可以參考:AI 內容餵養手冊:如何讓你的文章被 ChatGPT 引用與訓練? 網站經營者現在可以做的 4 件事 先到 Google 的來源偏好工具搜尋自己的網域,確認網站是否可以被找到。 能執行 JavaScript 的網站,優先測試官方標準按鈕;不能執行 JavaScript 的網站,先放 Deeplink。 把 CTA 放在文章結尾、作者介紹或電子報附近,觀察哪個位置最自然。 用既有的網站分析與轉換事件,觀察導入後的回訪、閱讀深度與訂閱行為,不要只看單篇文章的排名變化。 Google 正在把一部分「我想看誰的內容」的決定權交回使用者。對網站經營者來說,這不是要放棄 SEO,而是多一個機會,把一次性的搜尋曝光轉化成讀者主動選擇的來源關係。 如果你有自己的網站,我會建議先把官方按鈕或 Deeplink 裝起來,再用一段清楚的 CTA 告訴讀者它的用途。這個入口現在還早,越早測試,越容易累積自己的使用經驗。 官方說明 Google Search Central:Preferred Sources 官方技術說明 Google Blog:Preferred Sources 擴展至所有語言 常見問答 (FAQ)Q1:Google Preferred Sources 是什麼?Google Preferred Sources 是一項來源偏好功能,讓使用者選擇希望在 Google Search 的 Top Stories,以及可用的 AI Overviews、AI Mode 中更常看到哪些網站內容,並可能看到 Preferred 標示。 Q2:加入 Preferred Sources 按鈕後,網站一定會排名更高嗎?不一定。按鈕只是協助讀者完成來源選擇,不能保證網站排名、曝光位置或每篇文章都會出現;網站仍需要持續做好內容品質、SEO、索引與 AEO 基礎。 Q3:網站如何加入 Google 官方按鈕?網站需要在頁面載入 Google Preferred Sources 的 JavaScript 函式庫,並在想顯示按鈕的位置加入 google-add-preferred-source-btn 容器,官方標準實作就是這兩段 HTML。 Q4:網站放在子目錄可以設定 Preferred Sources 嗎?Google 官方目前以網域與子網域作為可設定的來源,例如 example.com 或 code.example.com;example.com/blog 這類子目錄不能在來源偏好工具中被當成獨立來源。 Q5:如果網站不能執行 JavaScript,還能加入 Preferred Sources 嗎?可以。網站可以使用 Deeplink,例如 https://www.google.com/preferences/source?q=example.com,把讀者帶到 Google 的來源偏好設定頁,也能將它做成文字連結或圖片按鈕放在網站、社群與電子報中。

  • article-cangjie-skill:把書籍與長影音蒸餾成 AI Agent 可用的 Skills

    2026/8/22

    AI自動化 AI工具 AI Agent 內容行銷
    cangjie-skill:把書籍與長影音蒸餾成 AI Agent 可用的 Skills

    很多人讀完一本書、看完一支一小時的 YouTube,或聽完一集 Podcast,最後留下來的通常是一篇摘要。 摘要當然有用,但它只能回答: 這份內容說了什麼? 真正困難的問題是: 遇到什麼情境時,我應該採用這套方法?要怎麼做?什麼時候反而不該用? 這也是 cangjie-skill 有意思的地方。它嘗試把書籍、長影音、Podcast、課程、訪談、演講與長文章裡的可遷移方法論,蒸餾成一組組可以被 AI Agent 呼叫的 Skills。 從知識管理走向知識能力化傳統的知識管理,通常是把內容保存下來:筆記、摘要、逐字稿、書摘與收藏清單。這些資料能幫助我們回想,但不一定能在需要做決策時直接派上用場。 Skill 的思路則更接近一個小型決策系統:它不只保存結論,也要描述觸發條件、判斷步驟、執行方式與使用邊界。 形式 主要回答的問題 典型產出 摘要 作者說了什麼? 一篇精華文章 RAG 哪些原文與目前問題相關? 檢索結果與引用 Agent Skill 目前是否該採用這套方法?接下來怎麼做? 可呼叫、可測試的工作模組 因此,「我看過這本書」不再只是個人的記憶,而可能變成「我的 Agent 知道什麼時候使用這本書的方法做事」。 cangjie-skill 會把內容拆成什麼?一本書或一段長影音裡,不是每一句話都值得被做成 Skill。比較適合被抽取的,通常是以下幾類內容: 可以重複使用的框架與方法論 能協助判斷的原則與決策方式 能說明方法如何運作的案例 能提醒 Agent 不要誤用的反例與限制 需要精確理解的專有名詞與概念 最後的產物也不是一份很長的 Markdown 摘要,而是一個具有結構的 Skill Repository,可能包含: BOOK_OVERVIEW.md:完整內容的全局理解 INDEX.md:各個 Skill 的地圖與關聯 DIGEST.md:給人閱讀的精華長文 GLOSSARY.md:重要術語與定義 多個 SKILL.md:可以獨立呼叫的能力模組 test-prompts.json:用來驗證觸發與拒用行為的測試案例 一套 Skill 如何從長內容被蒸餾出來?官方 repository 將流程整理成 RIA-TV++。它可以理解成一條從「理解原始內容」走到「驗證 Agent 行為」的蒸餾流程。 1. 先建立整體理解先處理整份內容的結構、解釋、批判與應用,不急著看到一句金句就立刻生成 Skill。這一步的目的,是避免把脫離上下文的片段誤當成完整方法。 2. 讓不同角度的提取器並行工作流程會分別尋找框架、原則、案例、反例與術語。不同提取角度可以減少只看「漂亮結論」的偏差,也比較容易發現一套方法的前提條件。 3. 用三重驗證篩選候選方法候選內容需要經過三項檢查: 原始內容中至少有兩處相對獨立的佐證 這套方法能回答內容沒有直接說出的新問題 它具有一定獨特性,不只是一般常識 這個步驟很重要,因為不是所有作者說過的句子,都值得變成 Agent 的長期行為規則。 4. 把方法整理成可執行格式通過驗證後,Skill 需要進一步整理出原文依據、自己的重述、原始案例、未來可能遇到的觸發場景、執行步驟,以及邊界與盲點。 其中「邊界與盲點」尤其關鍵。沒有邊界的 Skill,很容易變成遇到任何問題都硬套的萬用提示詞。 5. 建立 Skill 之間的關聯有些方法彼此互補,有些方法互相衝突,有些方法則必須先使用另一個 Skill 才能成立。把這些依賴、對比與組合關係整理出來,Agent 才比較有機會選對工具,而不是只根據關鍵字做表面匹配。 6. 用誘餌題進行壓力測試test-prompts.json 不只測試「該用的時候有沒有成功呼叫」,還會故意設計不該使用該 Skill 的情境,例如: 表面上相似,但缺少必要前提 其實應該使用另一個 Skill 問題需要更多資料,不能直接套用方法 方法本身與使用者目標互相衝突 這讓驗證目標從「AI 知不知道這個知識」,提升到「AI 能不能判斷什麼時候使用,以及什麼時候拒絕使用」。 為什麼「知道何時不用」比「知道更多」重要?Agent 最危險的情況,不一定是不知道某個框架,而是知道框架後到處套用。 例如,一套適合產品定位的行銷方法,可能不適合處理個人情緒;一套適合快速實驗的創業框架,也不一定適合高風險的醫療、法律或財務決策。如果 Skill 只有步驟,沒有前提與停用條件,內容越多,誤用的機會可能越高。 因此,一個成熟的 Skill 至少要讓 Agent 能回答: 目前問題是否符合觸發條件? 還缺少哪些必要資訊? 是否存在更適合的 Skill? 哪些情況下應該停止、轉交或改用其他方法? 它和摘要、RAG 是互補關係cangjie-skill 不必取代摘要或 RAG。比較合理的分工是: 摘要負責讓人快速掌握內容全貌 RAG 負責在需要時找回原文依據 Skill 負責把方法轉成可重複執行的決策與行動流程 在實務上,Skill 仍然需要保留來源脈絡。當 Agent 要做出高風險或高成本的決策時,應該能回到原始書籍、逐字稿或案例確認,而不是把蒸餾後的版本當成不可質疑的真理。 哪些內容適合拿來蒸餾?只要內容裡存在可抽取、可驗證、可遷移的方法論,就有機會被轉成 Skill。例如: 行銷與文案書籍 YouTube 或 Bilibili 長影音字幕 Podcast 轉錄稿 線上課程與企業內訓教材 專家訪談與演講逐字稿 產品、管理或創業相關長文章 相反地,如果內容主要是個人故事、情緒抒發、一次性的新聞或缺乏可重複判斷方式的觀點,就不一定適合強行 Skill 化。保留成摘要、引用資料或背景知識,可能更誠實也更有用。 實際使用前,還是要做四項檢查來源是否可靠?字幕錯誤、轉錄遺漏、版本不完整或二手整理,都可能讓後續 Skill 建立在錯誤材料上。蒸餾前要先知道來源是原書、官方字幕、人工逐字稿,還是未經確認的轉述。 方法是否適合目前情境?作者的框架通常有它的時代、產業、角色與資源前提。能從內容抽出來,不代表可以無條件套用到所有人身上。 測試是否包含拒用案例?如果測試只有正向案例,看到 AI 成功呼叫 Skill 不能代表路由正確。至少要加入相似但不適用、資料不足、目標衝突與跨 Skill 混淆等誘餌題。 是否符合來源授權?書籍、課程、字幕與 Podcast 轉錄內容可能受到著作權或平台條款限制。實驗可以從自己擁有、取得授權或適合內部使用的材料開始,並確認 Skill Repository 的分享範圍。 從「我讀過」到「我的 Agent 會用」cangjie-skill 最值得研究的地方,是它把知識管理的終點往前推了一步。 以前我們會問: 我有沒有把這本書讀完? 現在可以多問一個問題: 這本書裡哪些方法,值得在未來的工作情境中被 Agent 正確呼叫? 這個轉變意味著,知識庫不再只是收藏與搜尋的地方,也可以逐漸變成一組可組合、可驗證、可持續修正的能力模組。 當然,Skill 化不是把所有內容都拆得越細越好。真正重要的是保留來源、清楚寫出適用邊界,並用足夠的反例確認 Agent 不會亂用。只有這樣,「看過一本書」才有機會真正變成可重複使用的工作能力。 常見問答 (FAQ)Q1:cangjie-skill 和一般 AI 摘要有什麼不同?cangjie-skill 的目標不是只濃縮內容,而是把其中可遷移的方法論拆成具有觸發條件、執行步驟、使用邊界與測試案例的 Agent Skills。 Q2:哪些素材可以拿來蒸餾成 Skill?書籍、長影音字幕、Podcast 轉錄稿、課程、訪談、演講與長文章都可以嘗試,但前提是內容中存在可抽取、可驗證、可重複使用的方法或決策框架。 Q3:為什麼測試題要加入誘餌題?誘餌題可以檢查 Agent 是否只會看到關鍵字就亂用 Skill,也能驗證它在條件不足、目標衝突或存在更適合方法時,是否能拒用或改選其他 Skill。 Q4:蒸餾完成後可以直接相信 Skill 嗎?不應該完全直接相信。Skill 仍可能受到來源品質、模型理解與方法適用範圍影響;高風險決策應保留原文依據、人工審查與必要的專業驗證。 Q5:第一次實驗適合從什麼內容開始?建議先選一堂課、一場訪談或一本會在工作中反覆使用的方法書,並以「正確觸發、正確拒用、邊界判斷與實際產出」和單純摘要加提示詞的結果做比較。 延伸閱讀 cangjie-skill GitHub repository