知勢 - 提供AI新知與觀點的媒體

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。

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。

精選書單, 觀點

比起轉換數字，《點擊成長》指出行銷人更應該知道以下原則

實務上，數位行銷遠比想像中困難：預算難以掌控、成效難以評估，甚至連是否真正帶來獲利都說不清楚。當你無法釐清哪些行銷活動真的有效，他人的成功經驗往往也無法複製。因為沒有找到成功真正的原因，以及真正不變的原則，使用再多工具，都只是用來指飾行銷策略失敗的障眼法而已。

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。

LLM, 蔡博探路, 專欄, 觀點

《AI 趨勢-蔡博探路》產業 AI 需求轉向：長效、本地部署，更要實際產出

綜觀過去兩週 AI 領域的重大發布與研究成果，可以看到一條清晰的主線：業界焦點已從「單一模型是否更聰明」，轉向「系統能否長時間續航、精通外部工具調用、並真正落地部署」，換句話說，AI 的發展仍走在變現的路上。

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。

算力, 生成式AI, 人工智慧, 趨勢

從 Anthropic 經濟指數報告看 AI 如何重塑全球經濟節奏

Anthropic 於 6 月底發布最新一期經濟指數報告《Cadences》（節奏），首度以更高頻率、更細緻的分類方式，剖析人們如何在一天、一週乃至特定節日中使用 Claude。這份報告不僅描繪出 AI 使用的「生活節奏」，更指出，運算資源的消耗與職業薪資水準呈正相關，也就是薪資越高的職位，越傾向將高度自主性的任務交付給 AI 執行。

數位轉型, 產業案例, 觀點

一個「良率」14種定義：緯創十年轉型，如何為AI打好地基

當企業談論 AI 導入，最常聽到的問題莫過於「結果不夠精準」。但這句「不夠精準」背後，很可能不是模型不夠聰明，而是組織內部本來就缺乏清晰溝通與統一標準。這類「內部未對齊」的困境，在大型企業中屢見不鮮，緯創資通技術長沈慶堯於「2026 AI TAIWAN 未來商務展」國際趨勢高峰論壇分享內部轉型歷程時，就提到團隊在推動轉型的過程中才發現，公司內部光是良率就有 14 種不同的定義。

AI治理, 策略觀點, 觀點

企業AI治理只是一場秀？三個問題見真章

每家公司都說自己在「治理 AI」，如果你問企業的高階主管:「貴公司有在治理 AI 嗎?」幾乎每一位都會給你肯定的答案。但當某個 AI 模型做出不該做的事，誰有權力叫它停下來？這不是「誰會被通知」，也不是「誰負責寫事故報告」。而是誰擁有足夠的組織地位、授權範圍，乃至於「不怕丟工作」，能夠走進會議室說出：「我們現在就把這個系統關掉。」