李飛飛的 World Labs 在前幾天推出了首款商業化產品Marble，這是一個多模態的 3D 模型，也是生成式 AI 的重大發展。大家對 AI 的想像，近兩年幾乎都被 LLM 帶著走。不管是生成文字、整理資料、重構知識、寫程式、當客服、當助理，大家一開始用的時候都會覺得不可思議，後來也逐漸習慣了這一切。然而多數人還是把 AI 視為一個語言工具，覺得它聰明，是因為它懂得「用文字回答我們」，而不是因為它真的懂這個世界。
但現在開始發生的，是比 LLM 影響更大的事情，這是多數人還沒感受到、甚至還來不及理解的變化，那就是空間智慧的出現。我的意思不是把相機、深度感測器放進產品，而是 AI 能開始真正理解三度空間的結構、物體的關係、場景的語意，能推測人與物體之間的行為，不再只活在文字或影像的平面上，而是能在一個完整立體的世界裡思考和行動。
很多人會以為空間智慧就是把特斯拉 FSD 變得更厲害，或是把 NVIDIA Omniverse 做得更精準，但實際上它們的定位與空間智慧是完全不同的。特斯拉的自動駕駛算是空間技術的代表，可是它的世界很狹窄，它只需要理解道路、車流、行人的動向。它處理得再好，也依然是在道路這個單一場域裡求生存。Omniverse 雖然強大，但它本質上是一個「模擬平台」，是給開發者訓練模型、測試機器人、建立數位分身用的，它不會自己理解一個場景的日常邏輯，也不會像人一樣對這個世界形成完整的認知。
空間智慧不是提升某一個垂直領域，而是讓 AI 具備真正的「世界理解力」。它不但能重建環境，也能推理行為，能預測動態，能在虛擬的世界生成物理一致的空間，甚至能把真實世界的結構抽取起來，用於模擬、推演，最後再回到現實場域裡幫助我們決策。這是一種新的 AI 型態，也是一種新的存在方式。
這三年生成式 AI 的發展像一道突然落下的雷，清楚地劃開了舊時代與新時代的分界。當科技突破的速度遠超過社會的反射神經時，許多原本以為還需要好幾年才會到來的變化，在短短不到兩年的時間內全部出現。史丹佛團隊的研究報告更把這場衝擊具體化，用冷靜而詳實的數據告訴我們，AI 不只是技術發展的現象，而是正在重塑勞動市場的結構。
報告裡最讓人震撼的，不是人工智慧能力不斷提高，而是它帶來的就業變化。年輕族群在那些高度暴露於 AI 的職務上，明顯地消失了十三個百分點。這不是一般的景氣循環，也不是某個產業的輪迴，而是一種整體結構的轉變。企業開始重新分配工作，把標準化任務交給 AI，保留那些具有經驗與判斷力的資深員工。結果看起來像是某一塊年齡區間被切掉了，初階人才正在逐漸失去入場券。而這樣的斷層，所帶來的影響也難以評估。
令人不安的是，衝擊不是慢慢累積，而是突然發生。報告指出這是一個明顯的轉折點，當企業確認 AI 能勝任某些任務後，新人的需求就快速縮減。薪資並沒有下降，因為沒有企業願意調整現有員工的薪水，取而代之的是直接減少新聘（而股市還會因裁員而反漲）。從外表看不太出來，但勞動市場的底層已經被鏟動。雖然總體就業還在成長，只是這個成長裡面，新進者的身影變得稀薄。
這種現象跟產業景氣沒有太大關係。即使把科技業排除，結果依然相同。這也說明 AI 的衝擊是跨產業的，任何具有明確規則、可被模仿的知識型工作，都在這波重整裡受到影響。許多原本是新人鍛鍊的場域跟職缺，如今卻成了 AI 最容易伸手的地方。
近兩年大家談生成式 AI，往往停留在模型能力的討論（例如它等同於哪個等級的專業人士表現），但真正在生活與工作場域裡遇到的問題，往往不是一句「用 LLM 就能解決」這麼簡單。最近 Claude 公布了一整頁案例展示，收錄了四十個來自不同領域的實際情境，從品牌設計到專案管理，從工程開發到內容彙整，每個案例都把 LLM 在現場解決問題的方式呈現得很具體。這些案例非常平實，就是你我平常都會遇到的那些麻煩事。像是要從一堆零散資料裡整理出可以向主管提報的重點、要把模糊的需求轉成工程師看得懂的規格、要把訪談內容拆成洞察方向、要把一份文件變成其他格式、要把內容改寫成簡報稿，甚至只是想把一團亂的資訊整理得清楚一些。看著這些案例，我覺得最重要的不是功能本身，而是它們展示了 LLM 如何接手那些你不想花太多腦力、卻又無可避免必須完成的事。除了告訴我們可以用在哪，也實際展現了該如何套用。
以往我們處理這些工作，靠的其實是經驗累積出來的判斷力與耐心，很多時候只是花時間把資料從混亂變成可讀。然而 AI 的介入，讓流程開始重新排列組合。它並不是取代創意，也不是接管決策，而是協助我們把那些需要反覆判斷、但不需要百分之百精準的部分先處理起來，把繁瑣的雜音清掉，使大腦能留給真正需要用心的地方。過去我們做事的順序，通常是先收集資料、整理架構、分析內容，最後才是決定方向和完成產出。現在這個流程變成有點像先把資料丟給 LLM，讓它產出一個初步架構，再從它給的方向裡挑選自己認同的部分，接著把重點交回給它延伸細節，最後再用自己的經驗把整體修整到位。
〈2026 長照醫療應用競賽產生範例〉這個連結是示範如何透過 ChatGTP 產出長文本的作業範例，裡面的產品、企業、競賽都是模擬出來的資料，並非真實的場景。
今天收到公文，我們的產品繼九月榮獲〈2025 AI 大健康醫療應用創新大賽〉第二名後，又接連拿下〈國家新創獎〉「企業新創獎」的肯定。
回想今年六月與七月，公司曾表示有意參加幾項不同競賽。當時研發部門僅有三名工程師，搭配一位產品經理與一位專案經理，原本 PM 認為難以撥出人力與時間投入。但我心想若僅是撰寫參賽文件，而我們又已具備具體的技術架構與細節，或許可以一試。於是我主導了第一場競賽的計畫書撰寫，後續也負責第二場競賽的技術內容與最終文件調整。得知最終獲獎的那一刻，內心百感交集。
這裡簡單分享我如何運用 LLM（大型語言模型）的功能，來完成這兩項任務，並最終獲得實質肯定。不過在分享之前，必須先強調，真正的關鍵仍在於技術實力與產品本身。參賽文案的角色，是將我們的核心技術與產品價值完整展現與包裝。若缺乏這份實質內容，或欠缺好的呈現方式，終究難以在眾多競爭者中脫穎而出。而若不理解其中技術與邏輯，LLM 終究也幫不上忙。
一、透過深度研究進行競賽策略分析
提供競賽的原始資料來源，透過深度研究（Deep research）來產出第一版的競賽分析，在這個步驟應該要完整說明我們參賽產品的背景資料，包含這個產品應用在哪裡？有哪些功能，功能的細部描述，以及我們已知的產品參賽優勢與劣勢。
當 LLM 進行深度研究時，有些 LLM 會請我們補充關鍵資訊，這時候應該將關鍵資訊補上，接著等 LLM 將深度研究完成。若深度研究的結果有需修正的地方，也可以透過後續的提示詞來修正，但記住後續提示詞的修正過程，是額外將深度研究內容進行處理，並不是重新處理深度研究裡的所有文案。
注意：深度研究只適合資訊蒐集跟研究的任務，較不適用於單純的文章撰寫或是其他專業的問答。
◎由於某些文章的內容在 Blog 裡面較不好呈現，請此會將連結導到 notion 的頁面上。
完整文章連結：https://hsuanwei.notion.site/AI-Cursor-Talk-to-Figma-MCP-1c1de4d95a678058a501e76b89d3beca
當生成式 AI 遇上設計工具，真的能實現工作自動化嗎？這篇文章記錄了我實作「Cursor Talk to Figma MCP」專案的過程，透過 MCP（Model Context Protocol）讓本地端 AI 助手與 Figma 對話、讀寫設計稿，甚至參與介面調整。這不只是技術實驗，更是一場對人機協作未來的深度思考。
文章深入解析 MCP 如何將 AI 的操作延伸至設計層面，讓「設計對接程式」不再是難題。然而，真正的挑戰在於理解這些工具的能力與限制。AI 的確可以顯著提升設計效率，甚至節省一半時間，但也可能出現樣式錯亂、上下文失誤等問題。這說明，AI 雖強，仍需人類在迴圈中（Human in the loop）監督與把關。
與其盲目追捧「AI 全自動化」，更應理性看待：MCP 帶來的，是協作模式的進化，而非人力的取代。只有透過實際摸索、了解 AI 做得到與做不到的範圍，才能真正善用它為我們所用。
:: 下一頁 >>
