如果在上面架了人工智慧，那麼使用者經驗變成對著智慧型手機說：「幫我叫台車。」人工智慧應用層會自動去行事曆把下個會議地點拉出來，直接輸入到Uber裡面，並根據會議的內容判斷是公司帳或個人帳，有多少人與會，這些人的GPS定位是否也和說話者在同一個位置，從而決定要叫多大的車子，然後把車子拉到面前來。
讀者有沒有注意到，在上面這個例子中，人工智慧所做的工作，就是你豪門朋友的叔公的助理在做的工作，因為由具有智慧的人力所處理掉了，叔公只要邊揮著高爾夫球竿邊動嘴就行了，既不用戴上老花眼鏡翻行事曆查地址，也不用瞇著眼睛按著智慧手機螢幕上那小不拉機的鍵盤。
人工智慧甚至可以做得比叔公的助理更好：在確認使用者上車後，人工智慧可以自動通知下一場會議的對方公司的人工智慧己方預定抵達的時間，好讓對方可以做調整，如果路上出現意外的交通壅塞，也可以自動更新給對發。
事實上可能根本不會出現意外的交通壅塞，因為所有的車子都已經交給人工智慧自動駕駛，一切都會在控制中，所以不會有意外。
同樣的精神可以應用在幾乎所有我們今天讚口不絕的應用軟體上，不管是透過Airbnb找度假小屋，或者在Kayak上尋找機票，透過把自己生活中具有混沌性的資料（行事曆、會議對象、地點、天氣⋯⋯）全交給人工智慧處理，使用者和目的之間只剩下開口下達指令，什麼Landing Page，什麼Type Form都不需要了，使用者經驗也只剩一種——全看人工智慧的效能。
讀者看到這裡不禁會反駁：人工智慧也是軟體啊！
是的，人工智慧演算法本身的確是軟體，但和馬克・安德遜口中「正在吃掉世界」的軟體不同的，人工智慧的軟體需要超高效能的硬體，而且需求大於供給！
在人工智慧（或者說機器學習）的快速崛起下，前面我們那張處理器電晶體數量和勞工生產力中間越拉越大的落差，將如下圖般一口氣被闔上——處理器紅利以及其所催生的精實新創優勢將瞬間消失。
這也是為什麼在移動時代低迷多年的nVidia股價在這幾年突然一飛沖天，因為市場發現，要進行機器學習的訓練，不是只有頭腦好的數學家或人工智慧專家就可以，還得大量採購最新最快的繪圖晶片來編程去根據輸入資料訓練模型，而且隨著輸入資料快速增加，所需要的硬體就得更強大更快速。
這也是為什麼Google選擇開發了自家的人工智慧晶片TPU（Tensor Processor Unit），因為他們發現隨著自家翻譯演算法在機器學習的協助下快速進步，使用者也開始更頻繁使用，如果按照成長數字去預測，資料中心必須擴充成現有的兩倍大小才能負荷！透過根據自家翻譯（以及其他類似的辨識）演算法的特色所客製化的模型晶片，來取代通用型晶片，讓他們得以應付暴增中的使用者翻譯需求，但又不需要大幅擴充資料中心規模。
而隨著各種由機器學習驅動的Google應用快速普及，我們可以想像Google的晶片團隊只會有越來越多的工作，開發著越來越複雜的人工智慧晶片——只是跟過往英特爾和台積電被摩爾定律所驅動所不同的，這次驅動他們的是應用端的需求。 總結來說，在這個新的「AI正在吃掉軟體」的世界中，硬體將再度持續滿載，而且在可見的未來裡人工智慧對硬體將有著毫無止境的胃口，整個軟硬體的協同運作將決定了哪間公司提供的服務有著最好的AI使用者經驗——這樣的使用者經驗無關選單，無關介面，更無關字型選擇，只關乎誰能最快最準確地解讀：「幫我叫台車」這句叔公的口頭禪。 至於叔公的助理需不需要擔心失業呢？我反倒覺得不一定，因為當所有的阿貓阿狗都可以用人工智慧聰明叫車時，有錢人肯定反而會想要付錢給一個有血有肉的真人來執行這些雜務，讓他們穿上燕尾服，講字正腔圓的英式英文之類的。 但如果你問到我程式工程師會不會失業，我就沒那麼有把握了⋯⋯
＊作者為台灣大學電機畢業，在台灣、矽谷和巴黎從事IC設計超過十年，包含創業四年。在巴黎工作期間於HEC Paris取得MBA 學位，轉進風險投資領域，現為Hardware Club合夥人。
