根據《2025 台灣產業 AI 化大調查》，仍有七成企業難以跨越 AI 落地應用門檻。人工智慧科技基金會今年啟動全台製造業 AI 導入媒合活動，聚焦實戰落地與技術對接。
閱讀專題連結：https://aif.tw/topics/taiwan-manufacturing-inventory/
專題精選
-
製造業 AI 導入現況觀察
-
ChatGPT 正夯，多模態基礎模型的挑戰與機會
Midjourney、ChatGPT 等 AI 應用爆紅，其背後基礎模型的重要性也備受關注。基礎模型（Foundation model）指的是，透過大量數據訓練出能執行多種不同任務的模型（通常有規模的使用自監督式學習），例如 Google、Facebook 等大型科技公司，近幾年挹注龐大的資源訓練出大型模型，如 GPT-3、BERT 等，都屬於基礎模型。
閱讀專題連結：https://aif.tw/topics/hhri-20230303-next-forum/index.html
-
No-Code AI平台這麼多，企業該選哪一家？
近幾年大為流行的Low Code、No Code AI平台，強調不用培養AI團隊與快速看到結果。由於主打「完全不需寫程式」或「寫少量程式」就能完成工作，也讓不少公司開始考慮是否導入相關系統。而這麼多的平台工具該怎麼選呢？
閱讀專題連結：https://aif.tw/topics/no-code-and-low-code/index.html
知勢電子報
-
從學術展示到落地應用，AI 的價值如何才能被看見？
本周電子報正是從不同角度，回應這個老問題。像是當大家都熱烈投入發展具身智能（Physical AI）的此刻，實際上稀缺的並非模型能力，而是無法從網路取得、只存在於工廠等封閉場域的實體操作數據，這才是關鍵資產，可能也是精於製造業的台灣的機會。而全球重機具巨頭 Caterpillar 的案例則說明，資料的價值不在於數量多寡，而在於能否跨部門重複流動、被 AI 靈活調用的「資料流動性」。而產業 AI 化的成效說到底，也就是能不能把技術轉換成看得見的價值。
-
討論 AI 好不好用之前，企業該先解決的基礎問題
Anthropic 在 6 月底發布的最新一期經濟指數報告特別吸引我，因為主題正是《Cadences》（節奏）。報告裡首度用小時等級的顆粒度，描繪人們與 Claude 互動的生活節奏：幾點看新聞、幾點問食譜、報稅季節前後使用量的暴起暴落。有趣的是，報告發現，越習慣把整個任務放心交給 AI 處理的重度使用者，反而對自己未來的薪資、工作保障與工作意義，抱持更樂觀的看法。
-
從技術競賽到系統治理，AI 的賽場正在改變
這幾年 AI 賽場真正的轉折。過去比的是誰的模型更強、更快、參數更多，是一場技術競賽；但當 AI 開始以「通用個人代理」的形式，深度嵌入每個人的日常認知活動時，真正該被放上桌面討論的，變成了系統治理的問題——誰設計、誰把關，用什麼原則決定這套系統替我們做的每一個判斷。