2025 年台北國際電腦展（COMPUTEX TAIPEI）將於 5 月 20 日至 23 日在南港展覽館登場，今年以「AI Next」為主題，聚焦智慧運算與機器人、次世代科技與未來移動三大核心領域。高通執行長 Cristiano Amon、鴻海董事長劉揚偉、聯發科執行長蔡力行、NXP 執行副總裁 Jens Hinrichsen 等科技領袖將輪番登場發表觀點，英特爾新任執行長陳立武、Arm 與 AMD 也將展開系列活動，顯示全球科技巨頭已將 AI 納入關鍵戰略。然而，對台灣而言，關鍵問題已不再只是掌握硬體優勢，而是如何在現有基礎上發展出具有本地價值的 AI 應用能力與產業生態。

不是沒資料，是需要對的資料與夠用的模型

隨著生成式 AI 的普及，企業導入門檻顯著降低，但分析 2022 年到 2023 年《台灣產業AI化大調查》成果，卻發現企業對於 AI 的認識雖有提高，但能夠真正應用於營運的比例，並沒有太大變化。這也促使人工智慧科技基金會（AIF）決定集合產官學界，共同討論如何從「能不能做 AI」，邁向「台灣如何做 AI」。

綜合分析過去幾年調查結果，在落地應用時企業普遍面臨一項根本挑戰：「數據不足」。從 2019 年 AIF 進行產業 AI 化調查之初就被反覆提及的障礙，隨著技術與應用的發展擴大，再加上考慮台灣產業特性，在 AIF 近期舉辦的閉門會議中，與會專家一致提出重新定義的新可能——問題並不是資料量的不足，而是對資料使用策略與模型選擇的錯誤假設。

在模型發展的議題上，大家已經發現，與其期待打造一個通吃全球的超大型語言模型，不如先思考怎麼做出一個「服務台灣」的模型。這樣的小而美模型，更貼近中小企業導入需求，具有更高的可行性與安全性。例如，對製造、醫療、營建、物流等場域而言，少量且精準的本地資料子集，往往比無關的開放數據更具價值。舉例來說，設備稼動率、工安紀錄或流程數據若能妥善標註與結構化，即可支撐高效能、低延遲的 AI 模型部署。這也引發一項值得反思的問題：大語言模型（LLM）是否真為所有產業的唯一選擇？

未來的關鍵在於如何將這些工具推展至各產業鏈節點，協助企業真正導入並累積應用經驗。目前政府策略仍以補助為主，接下來應進一步鼓勵民間業者、軟體公司與產業公協會合作，建構具場域導向的平台與知識體系。同時，也應鎖定台灣具國際影響力的關鍵產業（如半導體、資通訊、生醫等）作為優先落點，發展「小而美」的應用模型與在地生態系，讓 AI 不僅是技術升級的象徵，更成為產業競爭力的實質引擎。

從「知道」到「做到」：產業亟需落地指引與可用的平台

專家們在討論時都會提到，中小企業在台灣產業體系中占比高達 98%，而這些企業多半在數位轉型與 AI 化的實務應用仍處於初步階段，這是導入 AI 應用最大的挑戰。而台灣產業的最大特色在於其完整且高度協作的體系結構，供應鏈緊密連結，其中多數供應商來自傳統產業。這樣的結構也意味著，從個人職能、企業組織到整體產業鏈的 AI 化轉型，必須同步推進、環環相扣。然而，對資源有限的中小企業而言，導入 AI 不僅涉及技術門檻，更受限於成本、維運與資安風險等多重挑戰。

儘管政府近年投入大量資源於活動推廣與人才培訓，但對中小企業而言，真正需要的不是再多一場說明會，而是一套可實作、可參照的落地方法論。產業不僅需要技術，更需要明確、務實的轉型路徑與配套資源，協助其真正跨出「想做」與「能做」之間的落差。

為因應中小企業資源有限的現實，加速本地化模型的研發、推動邊緣運算（Edge AI）以及建構一個低成本、可行且具資安保障的共用平台，將成為台灣 AI 發展的關鍵轉折點，也是實現產業全面升級的迫切需求。

若我們只會買 AI 軟體，最後也會賣掉競爭力

台灣在 AI 技術推動上仍缺乏整體方向感。若只把 AI 視為可購買的商品，而忽略本地的技術理解與人才培育，將長期處於被動導入的位置。AI 的挑戰不只是研究問題，更是工程與場域應用問題，必須透過實作導向的教育與場域導入機制，讓專家與一線使用者能共同參與模型設計與優化。

同時，LLM 的研發也不能中斷。若因經費縮減而放棄研發主導權，台灣將不僅在軟體上受制於人，更將喪失在語言與文化資料主權上的控制力。例如目前中小學廣泛使用的剪輯軟體，多數來自國外平台，反映出台灣在工具層的長期依賴。建立本土 benchmark 與研發機制，是確保話語權與數位主權的關鍵。

與其將 AI 單純視為科技武器，台灣更應聚焦於如何結合自身獨特的產業結構與供應鏈優勢，發展出具有在地價值的應用場景。台灣若要在 AI 上取得實質突破，需回頭檢視過去數位轉型所累積的基礎，並從中思考如何構建前瞻性、具主權性的 AI 生態系。所謂關鍵基礎建設，不僅是算力與模型，更包含資料治理、標準制定與場域實證。

以歐盟為例，近年來積極推動科技自主，其做法包括系統性地建立資料資源、發布產業白皮書與規範指引，正提供一個值得參考的生態系發展範式。對台灣而言，AI 發展的重點不只是技術部署，而是從資料、制度到應用的全面整合與主權思維建構。

下一步行動：小模型、場域導入、生態搭建

近年來，產業界已逐漸認識到，AI 應用不能僅止於概念驗證（POC）階段，更應進一步導入企業的日常營運流程（Full Operation），並在過程中留下可被長期傳承的數位知識資產。真正的「落地」，不只是導入技術，更是將專業知識轉譯為 AI 能理解並運作的格式，成為企業營運邏輯的一部分。

因此，台灣 AI 發展的關鍵不在於是否擁有先進技術，而在於能否讓技術工具真正被企業廣泛採用，並形成可持續的數位知識傳承機制。目前政策仍以培訓課程為主要手段，未來在行動策略上，建議優先聚焦台灣具有國際競爭力的關鍵產業（如半導體、資通訊、生醫製造等），以中堅製造業為核心推動對象，發展符合場域需求的「小而美」產業模型，進一步擴大民間參與，由軟體業者與產業公協會協力推動，建立具備產業導向的平台架構與導入機制。串聯產學研與系統整合資源，逐步建構分層式的 AI 應用生態系。

此外，應同步強化 AI 人才培育體系，並善用台灣在雲端與終端技術的硬體基礎，落實「邊雲協同」的部署策略。唯有結合基礎建設、模型能力與場域導入，台灣產業才有機會在全球競爭中打造出屬於自己的 AI 落地路徑與發展模式。