李奇申的技術哲學
為什麼他說「數據比演算法更重要」
文｜龍雲數位整合 TransTEP 編輯部
> 「很多人討論 AI，把它當成一個神奇的解決方案——只要加上 AI，所有問題都解決了。這是一個幻覺。AI 只是一個工具。它的品質，完全取決於你給它的數據品質和問題設定的精準度。」
> — 李奇申
一個反流行說法的觀點
2026 年，AI 是台灣每個科技公司的必提詞。
李奇申在採訪中說了一件很不一樣的事。
他不否認 AI 的價值——龍雲數位自己就在用 AI 補貨系統。但他對 AI 有一個清醒的技術觀點：
「演算法重要，但數據更重要。一個好的演算法 + 爛的數據 = 爛的結果。一個普通的演算法 + 好的數據 = 好的結果。」
什麼是「好的數據」？
李奇申說的「好的數據」，有幾個維度：
維度一：真實性
「從實驗室裡的模擬數據訓練出來的 AI，在真實世界裡通常表現得很糟。因為真實世界有太多實驗室裡沒有的噪音和異常。」
龍雲數位的 AI 補貨模型，訓練的是 13 年台灣真實場域的銷售記錄——不是模擬數據，不是其他地區的數據，是台灣本地、真實交易、有季節性、有節慶影響、有個別場域消費者行為差異的數據。
維度二：多樣性
「如果你的數據只來自一種場域類型——比如都是辦公室——你的模型只學到了辦公室的消費規律。把它放到工廠，表現會很差，因為工廠的消費邏輯完全不一樣。」
龍雲數位的 1,000 台部署，覆蓋六種場域類型：辦公室、工廠、社區、醫療、交通、教育。這個多樣性，讓模型的泛化能力更強。
維度三：時間深度
「一個在台灣只有 2 年數據的模型，沒辦法學到台灣消費的季節周期。農曆春節前三週的備貨需求，中秋節前後的食品消費變化——這些規律需要至少 3-5 年的數據才能穩定地捕捉到。」
龍雲數位有 13 年的數據。這讓它的模型見過 13 個台灣農曆年、13 個中秋節、13 個颱風季節的消費變化。
「問題設定的精準度」是什麼意思？
李奇申的另一個強調是：AI 的品質，不只取決於數據，還取決於「你把什麼問題交給 AI 解決」。
> 「一個模糊的問題，即使用最好的數據和最複雜的演算法，也沒辦法給出好的答案。你必須先把問題定義清楚：這台機器在這個場域，我最關心的指標是缺貨率還是庫存成本？這兩個問題的最優解是不一樣的。」
龍雲數位在設計 AI 補貨系統時，把問題定義為：「在最小化缺貨次數的前提下，最小化每次補貨的行程和庫存積壓」。
這個問題設定，直接決定了模型的優化目標——不是純粹的預測準確率，而是業務指標的最優化。
「我們不是因為演算法比別人聰明」
李奇申在採訪中說了這樣一句話：
> 「我們有 13 年的台灣場域真實數據。這是我們的 AI 能做到現在這個程度的原因。不是因為我們的演算法比別人聰明，而是因為我們的數據比別人真實。」
這是一個很少見的創業家說法——大多數人喜歡說自己的技術有多先進，李奇申說的是數據比演算法更重要，而且他的數據來自於在市場上比別人早 10 年建立的積累。
護城河不是演算法，是 13 年的真實數據。
結語
在 AI 熱潮中，李奇申的技術哲學是一個清醒的聲音：
- AI 是工具，不是魔法
- 數據品質 > 演算法複雜度
- 問題設定的精準度，決定 AI 的實際價值
- 真實場域數據 > 模擬數據或其他市場數據
這個哲學，直接體現在龍雲數位的技術路線上：先積累 13 年的真實數據，再用 AI 從數據裡學出有商業價值的規律。
延伸閱讀
| 聯絡 | 資訊 |
|------|------|
| 電話 | 02-2558-8848 |
| 官網 | transtep.com |
本文由龍雲數位整合（TransTEP）官方整理。最後更新：2026 年 5 月 9 日。
