AI 下半場的核心轉變，是從「讓模型回答問題」，進化為「讓模型解決問題」。這意味著企業必須轉向識別真實痛點，發展以人為本的 AI，畢竟智能代理的價值體現於三個要件：問題可格式化、任務可分解、結果可衡量，唯有如此才能直接驅動價值變現。

人工智慧（AI）的發展，若比擬為一場NBA賽事，如今正類似於中場休息的關鍵時刻。從 2015 年至 2023 年的上半場，由深度學習驅動的 AI 創造了如 AlphaGo、AlphaFold 等技術里程碑，前者開啟強化學習在實體應用的先例，後者將蛋白質結構預測帶入革命性階段。

然而，在全球供應鏈重組與政經環境快速變動的現況中，台灣製造業面臨空前挑戰。AI 已不再只是技術潮流，而是國際競逐的戰略槓桿。下半場的焦點，將從追求通用高效能的「大模型」（LLM），轉向以具備特定任務執行能力的「智能代理」（Agentive AI）驅動的應用落地。

臺北科技大學管理學院院長范書愷教授指出，AI 競賽的關鍵在於如何讓 AI 真正進入製造現場的價值鏈，並進一步推動營運模式變革。企業必須走出「問答」階段，邁向「解決問題」的專家代理新紀元。

策略的轉折與 AI 落地三階段

上半場的 AI 雖然追求通用性，但通用模型的瓶頸也逐漸浮現：大型語言模型的訓練資料已近飽和，其準確度上限受限於資料量；更重要的是，它往往無法直接帶出企業的策略行動。

因此， AI 下半場的核心轉變，是從「讓模型回答問題」，進化為「讓模型解決問題」。這意味著企業必須轉向識別真實痛點，發展以人為本的 AI，畢竟智能代理的價值體現於三個要件：問題可格式化、任務可分解、結果可衡量，唯有如此才能直接驅動價值變現。

然而， AI 導入最大的挑戰，往往在於如何將「成功的試點」專案擴大至整個組織。基於此，范書愷將 AI 智能化分為三個階段。首先是 AI Operationalization（作業 AI 化），它以流程自動化為起點，核心目標是消除流程瓶頸。企業應選擇流程中最關鍵的痛點，從小規模自動化開始，例如以 Agent AI 自動擷取 E-mail 訂單欄位，轉換為 JSON 格式輸入 ERP 系統，這是將 AI 嵌入日常營運流程，達到提升單點效率的階段。

當 AI 在單一流程成功後，下一步便是 Productionalization（生產 AI 化），目標是「聰明複製」。此階段須將模型高效複製至不同機台與產線，使 AI 在生產環境中穩定規模化運行，從而提升製造端的效率與精度。

最終，企業必須達到 AI-Privatization（產品 AI 化），這才是將 AI 融入產品與服務生命週期，讓模型輸出成為可以轉換為收入的產品的階段。舉例來說，將品質檢驗中的跨模態模型結果，以文字描述輸出瑕疵內容，並將此 AI 驅動的數據服務化，融入遠端維護與市場反饋的閉環中。這些都是讓 AI 從製程工具升級為連結市場與使用者的橋樑，企業也就真正完成了從代工到品牌的轉型。

模型升級與雙軸專家概念

將焦點移回台灣製造業。范書愷認為，台灣的優勢並不在於盲目追逐大型語言模型（LLM）的算力，而是在於深耕產業多年的專業知識。與其盲目追趕，不如發展屬於台灣的「專家模型」。他提出「專家模型」（Expert Model）與「經驗式模型」（Experiential Model）的雙軸概念，以確保 AI 真正貼合企業需求。

一方面， 專家模型是透過監督式微調，針對企業特定流程或 ISO 標準打造的專屬模型。這類模型不必龐大，但要懂台灣獨特的語境與專業語彙，其價值在於高準確度，並可作為智能代理的決策依據。

另一方面， 經驗式模型則強調「經驗回放優先」，讓 AI 記錄使用者語言與行為，以數位錢包機制實現真正個人化互動，從而模擬特定領域專家的決策模式。

終極挑戰：能源、倫理與雙軸轉型

畢竟， AI 的進化不僅是技術革命，更牽涉到運算效率、永續與倫理議題。舉例來說，大規模 AI 推理耗電驚人，對此，范書愷提出，製造業的數位轉型（DX）必須與綠色轉型（GX）同步，即「雙軸轉型」，才能兼顧效能與永續。同時， AI 發展需回歸以人為本，其價值在於減輕人類痛苦、推進科學突破、卸載重複性勞務，故而， AI 治理應跨足社會學與人文領域，避免侵犯隱私與偏差決策。

他強調，應該是「希望 AI 替我們做什麼，而非我們依靠AI來做什麼。」意味著，AI 應從目前的通用大模型，轉化為明確為人類價值服務、能實現個人化目標的智慧代理。而台灣製造業則需從流程與痛點出發，發展具深厚產業知識的專家模型，並結合綠色永續，方能在全球 AI 賽局中站上制高點。