過去二十年：資訊檢索的極致
回顧過去二十年的網際網路發展，無論是 Google 搜尋引擎、Netflix 的電影推薦，還是社群媒體的動態牆，其底層邏輯只有一個：推薦系統（Recommendation System）。
這些系統的運作方式是先收集世界上所有的資料，建立龐大的資料庫，當用戶發出請求時，演算法會像圖書館管理員一樣，試圖從既有的庫存中「撈」出一個最適合你的結果。這種模式的核心是「比對」與「篩選」。它的侷限在於，系統無法提供資料庫以外的答案，也無法創造新的價值，它只能搬運既有的資訊。
現在與未來：即時生成的智力
黃仁勳指出的變革在於，生成式 AI 的出現，讓電腦不再只是資訊的搬運工，而是資訊的生產者。
當你詢問未來的系統，它不再是去資料庫裡翻箱倒櫃找舊資料，而是當場「運算」出一個全新的、量身打造的答案。這意味著算力的需求將從「儲存與檢索」轉向「推理與生成」。這正是為什麼全球資料中心必須全面翻新、硬體必須升級的原因——舊的 CPU 架構是為了搬運資料設計的，而新的 GPU 架構則是為了生成智慧而生。
銀行客服的啟示：理解業務 vs. 死背題庫
要理解這個差異帶來的衝擊，銀行客服是一個絕佳的案例。
舊時代的「智慧」客服，本質上是一個巨大的「FAQ 資料庫」。工程師必須預先設想客戶可能會問的一萬種問題，並寫好一萬種標準答案。如果客戶問的問題稍微偏離了關鍵字，例如用詞不精確或情境太複雜，系統就會陷入死胡同，只能跳針回答：「我聽不懂您的問題，請洽轉接專人。」
新時代的生成式 AI 則完全不同。它不需要去背誦那一萬題的題庫，也不需要去探討哲學層次如同「生命意義」的問題。它只需要被訓練去「理解」這家銀行的所有業務規則——存款利率如何計算、跨國轉帳的流程、信貸審核的標準。
當它掌握了這些「業務邏輯」而非「死板答案」後，無論客戶的問題多麼刁鑽、情境多麼獨特，AI 都能像一個資深行員一樣，根據業務邏輯，現場推導並生成出正確的解答。這意味著，當銀行推出新業務時，不再需要耗時更新龐大的問答資料庫，只需讓 AI 學習新的業務規則手冊即可。
結論：效率的世紀之差
這場變革之所以不是泡沫，是因為它解決了人類社會最核心的問題：生產力的邊際成本。
傳統的資料庫檢索模式，其邊際效益正在遞減；而生成式 AI 帶來的，是將專業知識的應用成本降至趨近於零。這是一場產業的全面改版，對於企業而言，如果沒有跟上這波從「檢索」轉向「生成」的浪潮，繼續依賴舊有的搜索與關鍵字比對技術，其營運效率將與競爭對手拉開數個量級的差距——那將不只是落後幾年，而是如同黃仁勳所言，是落後幾個世紀的效率鴻溝。
