訂閱電子報 技術狂奔之後，直面人類社會的現實考驗 這星期的電子報分享了很多「風險」，表面上看來都是大家很長時間的疑慮：如果 AI 繼續按照目前的路徑發展，到底會發生哪些可能的風險？AI 擔任企業面試第一關篩選履歷時，是否會有偏見？
生成式AI, 人力資源, 技術解析, 技術 下指令叫 AI 公平篩選履歷表？無效！ 過去，企業導入人工智慧篩選履歷卻引發歧視爭議的事件仍歷歷在目。如今，在生成式 AI 盛行的時代，企業無不希望藉由大語言模型（LLM）與自動化決策演算法，實現從海量履歷篩選到跨國資源配置的高效管理。然而，大型語言模型除了可能讓企業的決策趨向一致外，也可能創造出更多偏見。
AI治理, 人工智慧, 趨勢 MIT公布五大AI風險，恐釀百萬人死亡級災難 麻省理工學院未來科技實驗室（MIT FutureTech）與昆士蘭大學（University of Queensland）共同發布《人工智慧風險優先排序》研究報告，報告指出，未來五年內最可能造成嚴重損害的五大風險依序為：危險能力、競爭壓力、武器與網路攻擊、權力集中，以及虛假資訊。報告也指出，資訊與金融產業對此尤為脆弱；而最容易受到這些風險衝擊的個人與組織，往往缺乏足夠的應對能力。
訂閱電子報 模型愈來愈強，但人類的思考卻愈來愈平庸？ 本週電子報的書摘《點擊成長》正是在探討這件事情背後真正的關鍵：工具會演進，但原則恆久遠。就行銷領域來說，無論是簡訊、電子報或社群媒體廣告，載具跟通路可能會變，但終究是在做行銷，背後的底層邏輯是不會變的。
生成式AI, 人工智慧, 趨勢 小心，AI的產出可能讓企業決策變得千篇一律 目前多數的大型語言模型（LLM）都陷入了某種窠臼。它們的回答比你想像的更容易預測，而且缺乏創意。這對於寫程式或研究等任務來說沒什麼大礙，但當你在進行腦力激盪或規劃下一次度假時，這種「群體思維（Groupthink）」就會成為一個問題。
生態系, 人物訪談, 觀點 梁伯嵩：AI 發展不只靠先進製程，而是系統整合的挑戰 聯發科技企業策略與前瞻技術資深處長梁伯嵩日前於「DIGITIMES 2026 GenAI 技術論壇」中，以「七層架構」系統性地說明 AI 發展的完整脈絡。他指出，AI 已不再是單純的技術演進,而須全面串聯硬體、半導體、軟體與應用，並成為實質驅動全球經濟成長的核心引擎。
訂閱電子報 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。
機器人, AI Agent, 人工智慧, 趨勢 AI機器人時代將至？台大教授徐宏民：2030年迎商業化甜蜜點 當前的 AI 發展正處於從「數位虛擬端」跨入「實體物理界」的轉捩點。台大資訊工程學系教授徐宏民從市場動能與技術演進的角度分析推估，若以目前硬體成本下降曲線與模型能力成熟速度，Physical AI 技術成熟與商業落地的甜蜜點有機會出現在2030 年前後。
資料治理, 數位轉型, 趨勢 「資料變現」重點不在數量，而在流動性 MIT 史隆管理學院資訊系統研究中心（MIT CISR）首席研究科學家 Barbara Wixom 的最新研究點出了盲點：轉型的關鍵不在於企業收集了多少資料或模型有多複雜，而在於資料能否在企業內部被高效整合、靈活應用並重複創造價值。研究團隊將這種能力稱為「資料流動性（Data Liquidity）」，亦即資料資產被重複使用與重新組合的容易程度。
