二〇〇二年，當Dipkumar Mehta從印度蘇拉特的C.K. Pithawalla工程技術學院取得電機工程學位時，人工智慧還不是一門正式的學科，更別提什麼「對話式AI」或「代理式AI」了。二十年後，他成了亞馬遜網路服務（AWS）的自然語言人工智慧首席交付顧問，人生軌跡從印度鄉村一路延伸到美國矽谷。這段旅程不只是地理上的跨越，更見證了人機互動從「按按鈕選單」到「機器試著聽懂人話」，再到「機器能自主幫你完成任務」的技術革命。
Mehta的職涯起點其實很「傳統」——電信工程師。他在HCL Infosystems幫印度企業設計電信系統，後來陸續待過Wipro Infotech、美國運通（American Express），甚至遠赴華沙幫花旗銀行（Citibank）升級客服中心平台。講白了，他做了十幾年的「電話系統」相關工作。但恰恰是這段經歷，讓他比多數AI工程師更清楚一件事：傳統電話系統是同步的、嚴謹的，但雲端AI服務是非同步的、相對較慢的——中間那個技術鴻溝，才是真正值得解決的問題。
二〇一六年，Mehta加入舊金山的LendingClub Corporation擔任首席工程師，這是他職涯的關鍵轉折。他設計並推出了美國金融服務業最早的對話式人工智慧系統之一，核心突破在於：建立即時音訊串流層，把傳統電話網路直接連到雲端自然語言理解（Natural Language Understanding）服務。說白話就是——讓AI能在真人可以接受的時間內「聽懂」電話那頭的人在講什麼，然後即時給出回應或引導。效果呢？錯誤轉接電話大幅減少，大量符合條件的請求不用人工介入就能解決，公司每年省下數十萬美元的營運成本。
這種把語言推論（language inference）直接嵌入即時通話路徑的設計，現在已成為全球企業對話式AI的主流做法。不過Mehta自己倒是看得很直白，他說：「過去的選單樹狀圖，其實是在承認機器無法理解我們。客戶應該能夠用自己的話語和語言，表達他們的需求，並在第一次就被正確引導。」
二〇二〇年加入AWS後，Mehta把重心轉向「代理式人工智慧（agentic AI）」——這個詞聽起來很炫，但概念其實不難懂。如果說對話式AI是「聽懂你在說什麼」，代理式AI就是「聽懂之後還能自主規劃步驟、幫你把事情做完」。他開發的平台可以把過去耗時多年、耗資數百萬美元的客服中心遷移專案，壓縮到幾週內自動執行，已經被AWS Professional Services採用為醫療、保險、金融服務及公共部門客戶的標準加速器。另外他還做了個配套平台，用自主代理人去驗證其他AI的行為，把原本幾週的人工測試週期縮短到幾小時——這在AI倫理與合規愈來愈受重視的今天，實用價值相當高。
除了業界實戰，Mehta也在學術圈發表多篇同儕審查論文，主題從強化學習的雲端安全政策，到放射學中保護隱私的分散式機器學習都有。但說真的，比起論文清單，我更在意他給年輕工程師的那段話。他說：「我當年並沒有學習人工智慧，因為那時它還不是一門學科。但我具備的習慣是仔細觀察系統如何失敗，以及是什麼阻礙了它們成長。這種習慣適用於任何技術，包括那些尚未發明的技術。」
【編輯觀點】Mehta的故事其實戳破了一個迷思：很多人以為AI領域的關鍵人才必須是「從大學就開始寫神經網路」的純血資工背景。但回頭看他的軌跡——電機出身、做了十幾年電信和客服系統——他真正的核心競爭力，恰恰來自於對「傳統系統痛點」的深刻理解。他知道電話系統怎麼卡住、客服流程哪裡浪費時間，所以當AI技術到位時，他比任何人都清楚該把技術「鑲嵌」在哪個位置。換個角度想，台灣很多傳統產業的數位轉型卡關，缺的可能不是最新的AI模型，而是像Mehta這種「懂老系統、也懂新技術」的翻譯人才。這種跨域理解力，恐怕比會調參數還難複製。
話說回來，Mehta對未來十年的定調也頗值得玩味。他總結道：「現在，有趣的問題已不再是機器能否理解一個句子，而是它能否被信任來依據這個句子採取行動。這是一個更困難的工程問題，也是未來十年工作的重點。」從「聽懂」到「被信任」，這個層級的跳躍，背後涉及的已經不只是自然語言處理的準確率，還包括安全性、可解釋性、錯誤容忍度，甚至法律責任歸屬——這些問題，恐怕比技術本身更棘手。
從古吉拉特邦的工程學院到AWS的西雅圖總部，Mehta走了二十幾年。他沒有發明某個酷炫的演算法，但他做了一件可能更重要的事：把AI從「實驗室玩具」變成「客服中心真的能省錢的工具」。對一般消費者來說，當你下次打電話給銀行或保險公司，發現語音系統居然聽得懂你在講什麼，而且沒有把你轉來轉去——背後可能就是像Mehta這樣的工程師，花了幾年的時間，去解決那個「同步vs非同步」的技術難題。而這種「讓技術真正落地」的能力，說不定才是AI時代最稀缺的硬實力。
你上次打電話給客服，被語音選單氣到的時候，有沒有想過——如果AI真的聽得懂人話，你希望它幫你做什麼？是查帳單、改地址，還是直接申訴？說真的，技術已經不是最大的問題了，問題在於：我們願不願意信任一個機器，讓它替我們做決定？
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
代理式AI和對話式AI有什麼不同？
對話式AI主要負責「理解與回應」，像是聽懂你問的問題並給出答案；代理式AI則更進一步，能自主規劃步驟、執行多步驟任務，例如幫你完成客服申訴流程或自動遷移整個客服中心系統。
Dipkumar Mehta在AWS的具體職位是什麼？
他是亞馬遜網路服務（AWS）的自然語言人工智慧首席交付顧問（Principal Delivery Consultant），主要負責協助企業客戶將自然語言AI技術落地到實際業務場景中。
為什麼客服中心導入AI能節省這麼多成本？
Mehta在LendingClub的案例顯示，對話式AI能大幅減少錯誤轉接電話，並讓大量符合條件的請求自動完成、無需人工介入。根據實際數據，這類系統每年可為企業節省數十萬美元的營運成本。
沒有AI背景的工程師有機會進入這個領域嗎？
Mehta本人就是最佳例子——他大學學的是電機工程，職涯前十年都在做電信和客服系統。他認為關鍵在於養成「觀察系統如何失敗」的習慣，這種能力比死背演算法更持久，也適用於任何尚未發明的技術。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
