▷ 教練力知識星系 · 全部星頁 · 研究庫 · 《教練力》 · AndAction

研究庫 · AI 產業

Google / DeepMind 對「AI 與工作、生產力、人類未來」

AI產業-03-Google / DeepMind 對「AI 與工作、生產力、人類未來」

層級：產業證據檔（書 coaching-book）｜查證日：2026-09-10｜status：活檔

但同一個 Google 業者調查 又給出一組漂亮到要小心的數字（92% 想要個人化 AI、92% 因 AI 更自信）；這是廠商自家數據，當「需求訊號」可以，當「成效實證」就不行。本檔把這兩種證據分層擺好，讓書稿用起來比較安全。

本檔收 Google DeepMind 與 Google Research 對「AGI、AI 對經濟與工作、職場生產力、教育技能、人機協作與信任」的研究、官方報告與 Demis Hassabis 公開論述。 嚴謹度：一手為主（DeepMind/Google 官方研究頁、arXiv 論文、官方調查、Hassabis 訪談原始出處）；廠商自家數據標「業者」並打折看，盡量註獨立佐證或反證。區分 研究 vs 觀點 vs 產品宣稱。查不到標〔待查證〕。年份以 2024–2026 為主。

核心論點（這檔能幫書站穩哪一塊）

Google / DeepMind 的公開立場，同時支持本書的兩條主線，而且兩條之間的張力很值得看：

  1. 「AI 增幅、不取代；判斷與人本價值上升」：Hassabis 反覆說 AI 不是來搶工作，而是讓人「有點超人化（superhuman）」、創造出運用新工具的更好工作；在醫療這類場景，人的同理與判斷正是「不會想交給機器」的那塊（robot nurse 的界線）。這條可以直接支持書的「賦能不替代、判斷不外包、對話與關係仍是核心」。
  2. 「通用能力變便宜，價值移到適應力與『學習如何學習』」：Hassabis 認為未來 5–10 年是一段「重新洗牌（reshuffling）」期，job title 不再重要，能不能貼近「更高價值的場景」、能不能快速學新工具，才是分水嶺。可以支持書的「先聽懂自己要什麼、發展自己的方法、適應力是新的護城河」。

但同一個 Google 業者調查 又給出一組漂亮到要小心的數字（92% 想要個人化 AI、92% 因 AI 更自信）；這是廠商自家數據，當「需求訊號」可以，當「成效實證」就不行。本檔把這兩種證據分層擺好，讓書稿用起來比較安全。

證據清單

A. AGI、經濟與工作的論述（Hassabis 觀點 + DeepMind 框架）

A1. Hassabis：AI 不搶工作，而是讓人「超人化」、創造更好的新工作

  • 年份：2025（多場訪談，含 Fortune 2025-06-06；SXSW 2025）
  • 來源：Fortune《Top Google exec Demis Hassabis says AI will rival humans in just 5 years...》(2025-06-06)；Windows Central 轉述 SXSW 發言
  • 關鍵發現：Hassabis 說「會創造出利用新工具、而且實際上更好的新工作」；「我們會有這些不可思議的工具，supercharge 我們的生產力，幾乎讓我們有點超人化（a little bit superhuman）」。在醫療場景他畫線：「你不會想要機器人護士——那種人類同理的照護，是特別屬於人性的」「有很多事情我們不會想交給機器做」。
  • 支持書哪論點：「AI 賦能不替代、判斷不外包、人本價值（同理、關係）上升」：這是業界最有分量的人之一，替本書的核心立場背書。robot nurse 的界線，等於把「哪些能交給 AI、哪些不能」講得很具體（可以支持 W5）。
  • URL：https://fortune.com/2025/06/06/google-deepmind-ceo-demis-hassabis-ai-smarter-than-humans-space-colonization-robot-nurses/ ；https://www.windowscentral.com/software-apps/google-deepmind-ceo-ai-systems-dont-warrant-pause-on-development
  • 類型：觀點（業界領袖論述） ── 非實證
  • 可信度：高（一手、公開、多次一致）。注意：是「願景/論述」不是研究結論，引用時標清楚。
  • 查證日：2026-06-23

A2. Hassabis：未來是一段「重新洗牌期」→ 才到「radical abundance」；job title 不再重要，貼近高價值場景才是分水嶺

  • 年份：2026（Fortune 影片訪談，2026-02 前後；經 36Kr 整理）
  • 來源：Fortune 訪談（36Kr EU 英文版轉述整理）
  • 關鍵發現：Hassabis 估 AGI 約「4–8 年」到位，之前是持續的逐年變動：「AI 不會一次取代所有工作，但每年都有新變化」，影響工作內容、產品設計、團隊流程。論點：「job title 不再重要」，未來競爭看「你能不能更靠近更高價值的場景」；領先「可能只維持幾個月」。
  • 支持書哪論點：「通用能力變便宜，價值移到只有你能做、更高價值的那塊；適應力是新的護城河」（支持總論、W1、W4）。也支持「不是一次換完工具就好，而是持續貼合、持續學」（W6）。
  • URL：https://eu.36kr.com/en/p/3680986248507909
  • 類型：觀點（業界領袖論述）
  • 可信度：中高（一手訪談，但經二手中文媒體整理，逐字引用前建議回查 Fortune 原片）。
  • 查證日：2026-06-23

A3. Hassabis：「learning how to learn」與適應力是 AI 時代的關鍵

  • 年份：2026（Stanford GSB 對談，2026-06-18；另見 webpronews 整理〔該頁 403 未能直取，標部分待回查〕）
  • 來源：Stanford Graduate School of Business《Demis Hassabis Thinks We're in the 'Foothills of the Singularity'》(2026-06-18)
  • 關鍵發現：對年輕人/學生，他說「別把它許願走（don't wish it away），genie 不會回到瓶子裡——傾身去用這些工具能做的事」；強調「把它建進你的工作流程、用有趣的方式跟其他東西配對」才放大潛能。「未來還沒被寫定……別聽任何說它已定的人。」並重申先把 AI 當「intelligent tools（智慧工具）」來蓋。
  • 支持書哪論點：「適應力、把 AI 放進自己的工作流程、人保有主動性」（支持 W4「先 workflow 後工具」、W2 方法力、W6 長期關係）。「未來還沒被寫定」呼應本書的自主性立場。
  • URL：https://www.gsb.stanford.edu/insights/demis-hassabis-thinks-were-foothills-singularity
  • 類型：觀點（業界領袖論述）
  • 可信度：高（一手、近期、知名場合）。「learning how to learn」精確措辭的逐字來源〔待查證 webpronews/原訪談〕。
  • 查證日：2026-06-23

A4. DeepMind《Levels of AGI》框架論文——把「進展」操作化的官方學術立場

  • 年份：2024（arXiv 2311.02462，DeepMind 官方發表頁 2024）
  • 來源：Morris, Sohl-Dickstein, Fiedel, Warkentin, Dafoe, Faust, Farabet, Legg（Google DeepMind），《Levels of AGI for Operationalizing Progress on the Path to AGI》
  • 關鍵發現：以 performance（深度）× generality（廣度） 與 autonomy（自主程度） 三軸，把 AGI 分級，提供比較模型、評估風險、量進度的共同語言。蒸餾出「有用的 AGI 本體論」應滿足的六原則。Autonomy 那一軸明確把「人保留多少控制權」當設計變數。
  • 支持書哪論點：「AI 自主程度是可選擇、可分層授權的設計，不是命定」：可以支持「分層授權、判斷不外包、把 AI 放進人的迴路」（W5、W7）。也是「AGI 不是單一門檻，而是漸進的光譜」的權威依據（總論）。
  • URL：https://arxiv.org/abs/2311.02462 ；https://deepmind.google/research/publications/66938/
  • 類型：研究（位置論文 / 框架） ── 概念框架，非實驗
  • 可信度：高（同儕場域廣泛引用的官方框架）。屬「框架/立場」非實證效果。
  • 查證日：2026-06-23

A5. Hassabis：AlphaFold 與「radical abundance」——AI 加速科學，但仍需人類判斷與提問

  • 年份：2024（Nobel 化學獎；Nobel lecture 2024-12）—2026（科學發現願景）
  • 來源：NobelPrize.org 2024 化學獎；Britannica 傳記；Stanford GSB 2026；StartupHub.ai 2026-05-11
  • 關鍵發現：2024 諾貝爾化學獎表彰 AlphaFold 以 AI 預測蛋白質結構。Hassabis 稱 AlphaFold 是「AI 加速科學發現潛力的第一個證明點」。「thoughtful use of machine learning has much to offer science if combined with human judgment」（待查證：2026-09-10 在所列來源找不到這句原文）；AI 是「認知夥伴」而非被動工具，仍需人類專家引導、設計實驗、提對的問題。長期願景「radical abundance」＝AI「裝瓶科學方法」、自動跑假設—實驗—發表循環。
  • 支持書哪論點：「AI 放大人，而人的提問、判斷、創造仍是源頭」：可以支持「判斷不外包、人保有方向盤」（W1、W5）。最有說服力的地方在於，連諾獎級 AI 的締造者都把「human judgment」放進他談科學方法的話裡。
  • URL：https://www.nobelprize.org/prizes/chemistry/2024/popular-information/ ；https://www.startuphub.ai/ai-news/ai-figures/2026/figure-demis-hassabis-scientific-discovery-vision-2026-05-11
  • 類型：研究背景 + 觀點
  • 可信度：高（諾獎為硬事實；「human judgment」措辭屬論述，已標出處脈絡）。
  • 查證日：2026-06-23

B. 職場 AI 與生產力（Google 業者調查，要打折看）

B1.〔業者〕Google Workspace「Young Leaders」第二屆調查：92% 想要可個人化的 AI、77% 自稱 AI 工作流程的「主動設計者」

  • 年份：2025（發布 2025-12-04）
  • 來源：Google Workspace × The Harris Poll；新聞稿 PRNewswire / Google Cloud Press Corner
  • 方法：The Harris Poll 受託，N=1,007，美國 22–39 歲、現任或有志於領導職的知識工作者。業者委託調查。
  • 關鍵發現：
    • 92% 想要有個人化的 AI；90% 若回應更個人化會更常用；90% 認為個人化 AI 省時。
    • 85% 有信心能個人化自己的 AI 系統；77% 自稱是 AI 工作流程的「active designers（主動設計者）」。
    • 33% 在私人與工作上使用 AI agent；其中 88% 視 agent 為「協作夥伴」。
    • 92% 說 AI 讓自己對專業能力更有信心；91% 說 AI 幫自己做到超出本職的貢獻；91% 認為 AI 素養是未來工作的關鍵。
    • 引述（VP of Product Yulie Kwon Kim）：「一體適用的 AI 時代結束了。」
  • 支持書哪論點：「人們想要貼合自己的、個人化的 AI；通用 AI 不夠，要長成屬於你的系統」（支持 W2、W3、W4、W6「越用越貼合」）；「人想當 AI 的主動設計者，不是被動使用者」呼應自主性。
  • URL：https://www.googlecloudpresscorner.com/2025-12-04-Google-Workspace-Study-Reveals-More-Than-90-of-Rising-Leaders-Want-AI-With-Personalization
  • 類型：業者委託調查（態度/需求數據）
  • 可信度：中（業者立場，數字偏漂亮）。⚠️ 全部是自陳態度，非客觀生產力或成效實證；「92% 更自信」這類數字不可當效果證據，只能當「需求/心態訊號」。建議引用時併獨立佐證（如本研究庫產業報告檔的微軟 Frontier Firm、LinkedIn 技能變動等）並標「業者」。
  • 查證日：2026-06-23
  • 另見：AIcoach-workshop/研究庫/產業報告/科技平台（同一筆「Google Workspace 92% 想要個人化 AI」已在課程研究庫，書課可對齊）。

C. 教育、技能、未來工作（Google/DeepMind LearnLM）

C1. DeepMind/Google LearnLM 教育 RCT：AI 輔導 + 人類家教督導，學生解新題能力高 5.5 個百分點（區間跨零，未達傳統統計顯著）；錯誤率極低

  • 年份：2024（LearnLM v1，2024-05；arXiv 2412.16429）—2025（2025-11 更新報告）
  • 來源：Google DeepMind / Google Research，LearnLM 技術報告與部落格；arXiv:2412.16429
  • 方法：探索性 RCT，N=165，英國 13–15 歲學生，把 LearnLM 整合進「由專業人類家教（tutor）督導」的聊天式數學輔導（每則訊息先由家教審核、可改可退，才送給學生）。
  • 關鍵發現：接受短時 LearnLM 輔導的學生，在後續主題的新題（novel problems）解題率比只由人類家教輔導的組高 5.5 個百分點（66.2% vs 60.7%；區間跨零，作者以貝氏可信度 93.6% 表述，不是傳統意義的統計顯著）；全部訊息中僅 0.1% 含事實錯誤。設計上注入學習科學原則：以練習與「健康的掙扎（healthy struggle）」誘發主動學習、即時回饋、管理認知負荷、依學習者目標動態調整。
  • 支持書哪論點：「AI 最有價值的時候，往往不是直接給答案，而是被設計成促進『主動學習與健康掙扎』；這也正是教練／工作坊『先讓對方自己想』相對於『直接丟給 ChatGPT』的價值」（支持 W5「認知強制函數」、W8 賦能、總論）。注意是「AI + 人類家教」而不是取代家教：可以支持「人的帶領，是差別所在的那一格」。
  • URL：https://blog.google/products-and-platforms/products/education/google-learnlm-gemini-generative-ai/ ；https://arxiv.org/pdf/2412.16429 ；https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf
  • 類型：研究（RCT）＋ 業者產品（DeepMind 自家模型自家評，屬業者；但有 RCT 設計、教師督導，比純宣稱強）
  • 可信度：中高。⚠️ 業者自評、樣本中等（165）、單一學科（數學）、短期；非獨立複製；主效果的區間跨零。當「有結構引導的 AI 能維持／提升學習」的正面證據可，當定論不可。
  • 查證日：2026-06-23

D. 人機協作、AI 安全/對齊中與「人本、判斷、信任」相關

D1. DeepMind《Frontier Safety Framework》2.0：把「保住人類控制權」寫進治理協定，含 deceptive alignment 與 scalable oversight

  • 年份：2024 首發 — 2025 v2.0（2025-02-04）
  • 來源：Google DeepMind，《Frontier Safety Framework》v2.0 官方 PDF 與部落格
  • 關鍵發現：以 Critical Capability Levels（CCLs） 標定模型在 CBRN、網路安全、ML R&D、deceptive alignment（欺騙性對齊） 等領域可能造成嚴重危害的能力門檻。針對 deceptive alignment（自主系統蓄意破壞人類控制）採「業界領先」的主動處理：偵測模型何時可能發展出可繞過人類控制的「工具性推理」能力，並探索自動監測。最佳實踐強調持續的人類監督（ongoing human oversight） 與 scalable oversight（可規模化的監督）。
  • 支持書哪論點：「保住人類控制、判斷不外包，不只是個人修養，是連最前沿實驗室都當成硬治理在做的事」（支持 W7 治理、W5 判斷不外包）。它把「人在迴路、人保有控制」從價值宣示，往制度層級的設計原則推了一步。
  • URL：https://deepmind.google/blog/updating-the-frontier-safety-framework/ ；https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/updating-the-frontier-safety-framework/Frontier%20Safety%20Framework%202.0%20(1).pdf
  • 類型：官方治理框架（業者自律）
  • 可信度：高（一手官方文件）。性質是「自律承諾/框架」，非外部稽核；引用時標「業者自訂、保留人類控制為其明示原則」。
  • 查證日：2026-06-23

缺口與反證

  • 缺口 1：B1、C1、D1 都是 Google/DeepMind 自家產出（業者）。本檔最大弱點是來源集中在單一公司的利益相關方。書稿引用時必須：(a) 全部標「業者」；(b) 對態度數字（B1）併獨立佐證或註明非成效實證；(c) 對 LearnLM（C1）標明自評、未獨立複製。
  • 缺口 2：Hassabis 論述是「願景/觀點」，不是研究結論（A1/A2/A3）。「AI 會創造更好的新工作」是樂觀預測，目前無實證保證；產業另有相反訊號（裁員、入門職位收縮等，見其他產業報告檔）。引用時標「論述/願景」，並承認時間尺度與分配問題（Hassabis 自己也說有「reshuffling」陣痛、需要新政治哲學）。
  • 缺口 3：「radical abundance」是強烈樂觀框架，需平衡呈現。Hassabis 同場也說「災難性情境的風險不為零」（Axios 2025-12；待查證：2026-09-10 未能直取 Axios 原文）。書稿若用 abundance，宜並陳其風險論述，避免單面樂觀。
  • 反證/張力（健康）：Hassabis 的「新工作更好」與本研究庫其他檔的「短期顛覆、入門職位風險、廠商宣稱 vs 獨立證實落差」（如 METR vs GitHub）構成張力；這對本書其實是好事：正好是「為什麼要主動建自己的系統、不被動等著被洗牌」的理由。
  • 未取得/待回查：webpronews「learning how to learn」原頁 403（A3 的精確措辭待回查原訪談）；A2 的 Fortune 原片逐字引用待回查（目前經 36Kr 二手整理）。

來源索引（URL 一覽）

對應的星座：證據星座

coaching-book 研究庫 AI產業 Google DeepMind Hassabis

本頁為《教練力實踐》研究庫的公開文字版；〔待查證〕標記為研究員原注，表示該筆尚未鎖定一手來源。