歐盟《人工智慧法案》(EU AI Act) 原則上在2024年8月生效，但不同條文規範在不同時間點啟動。其中第50條：Transparency obligations for providers and deployers of certain AI systems，也就是透明度義務（transparency obligations），於 2026 年 8 月 2 日正式上路，為提供與AI互動或生成合成內容的人工智慧系統提供者，以及部署者帶來明確的合規義務。

人工智慧科技基金會董事長詹婷怡表示，這是在立法之初就規劃好的「逐步落實」策略，旨在平衡科技創新與風險控管，給予市場緩衝期。惟有鑑於技術快速演進與產業實務考量，《數位 AI 綜合修正案》（Digital Omnibus on AI）則是歐盟於 2026 年 7 月 27 日正式生效的「包裏式技術性修正案」，其核心目的是在不變動《人工智慧法案》(EU AI Act)母法結構下，進行行政簡化與實施時程的微調，反映了歐盟近期對人工智慧及相關科技發展的規範與治理確實在某些層面做出了彈性調整與針對性修正。Omnibus 法案同時也對第 50 條進行了重要的「補充修正」。

依《人工智慧法案》母法條文規定，AI 系統提供者須確保使用者知道自己正在與AI系統互動；且AI生成的圖像、聲音、影片與文字內容需要以有效、可互動且可靠的機器可讀格式標示，使系統與使用者能清楚辨識其為人工生成內容。此外，情緒辨識或生物特徵分類系統的部署者，必須主動告知受影響個人該系統的運作方式。

深偽（Deepfake）內容及以告知大眾公共利益事項為目的而生成的 AI 文字，亦須明確揭露其人工生成或操縱的性質。具體來說，部署者必須以清晰、顯眼的方式披露該內容已被 AI 操縱或生成。在以下幾種情形則適用豁免彈性：用於合法偵查、言論自由或純粹藝術、創意、諷刺等虛構作品，可在適當標籤揭露下予以放寬。或於涉及公共利益的 AI 生成文章，若經過人工審閱且由真人負起編輯責任，可免除部分標示。

四大核心管制要求

根據歐盟執委會（European Commission）發布的最新指南，受規範的 AI 系統提供者與部署者必須履行以下四項義務：

一、AI 聊天機器人與代理（AI Agents）互動告知，也就是直接與真人互動的 AI 系統（如客服機器人、虛擬助理），必須在首次互動開始時清楚告知使用者「正在與 AI 互動」，除非在當下情境中這已非常顯而易見。

二、生成式 AI 內容（文字、圖文）必須可被辨識，企業或平台在使用 AI 生成的圖片、聲音、文章或影片時，必須加入有效、可互通且可靠的機器可讀標記（如數位浮水印），讓其他系統與使用者能輕易辨識。

三、深偽影音（Deepfake）必須揭露，若發布的影音內容涉及深偽技術（如變造真人面貌或聲音），必須明確揭露這是人工合成的內容，特別是涉及公共利益或政治宣傳的事項。

四、情緒辨識與生物特徵分類需告知，若部署的 AI 系統會用於分析人類的情緒或進行生物特徵分類，部署者必須主動通知受影響的個人。

分階段修法牽動企業合規節奏

對於歐盟 AI 法案生效後的「分階段修正」（ AI Omnibus），詹婷怡表示，相關規範自2025年起已上路，如禁止具有不可接受風險的 AI 應用，包括社會信用評分、未授權的大規模臉部識別，並開始要求通用 AI（GPAI）模型提供者履行基礎義務。 2026 年 8 月 2 日，第 50 條「透明度義務」正式生效後，所有與真人互動的 AI 系統（如 Chatbot）或深偽內容（Deepfake）都必須明確標示。

另一方面，考量到產業界的技術準備難度，Omnibus 針對第 50 條第 2 款提供了短暫的寬限期，針對 2026 年 8 月前就已上市的生成式 AI，其機器可讀標記（數位浮水印）允許它們延後至 2026 年 12 月 2 日前完成補上機器可讀標記的合規作業；同一時間點，禁止生成未經同意的成人親密影音、兒童性剝削內容等新禁令，也將同步生效。

值得注意的是，Omnibus修正案另將原定於 2026 年上路的 第 III 類高風險 AI 系統（如執法、教育、就業、關鍵基礎設施等應用） 的施行期限，延後至 2027 年 12 月。Annex I所涵蓋的「嵌入式高風險AI系統」（如醫療器材、航空安全中的 AI）更延後至 2028 年 8 月全面生效。惟此非在本文第 50 條「透明度義務」討論範圍，將另為文探討。

註：《人工智慧法案》第50條：Transparency obligations for providers and deployers of certain AI systems解析：

1. 人機互動告知義務 (Article 50(1))

• 規範對象：直接與自然人互動的 AI 系統（如：聊天機器人、虛擬助理）。
• 核心義務：提供者必須確保系統的設計與開發能讓使用者明確知悉其正在與 AI 互動。
• 例外情況：若從內容脈絡、使用情境來看，該 AI 互動本質已極其明顯，則不在此限。法警、刑事偵查等法定免除情境亦有例外。

2. AI 生成內容的機器可讀標記 (Article 50(2))

• 規範對象：生成式 AI 系統（生成文本、圖像、音訊、視訊）。
• 核心義務：提供者必須確保 AI 的輸出內容，具備技術上可偵測且機器可讀（machine-readable）的標記，明示該內容由 AI 生成或操縱。

3. 情緒識別與生物特徵分類告知 (Article 50(3))

• 規範對象：使用情緒識別（Emotion Recognition）或生物特徵分類（Biometric Categorisation）系統者。
• 核心義務：部署者必須主動通知受影響的個人，告知其正暴露於該技術的監測或分析中。

4. 深偽與公共利益文字之揭露 (Article 50(4))

• 規範對象：生成或操縱構成「深偽（Deepfake）」的圖文影音，或生成宣稱真實、涉公共利益的文本。
• 核心義務：部署者必須以清晰、顯眼的方式披露該內容已被 AI 操縱或生成。
• 豁免彈性：
  -> 用於合法偵查、言論自由或純粹藝術、創意、諷刺等虛構作品，可在適當標籤揭露下予以放寬。
  -> 涉及公共利益的 AI 生成文章，若經過人工審閱且由真人負起編輯責任，可免除部分標示。

隨著《人工智慧基本法》於今年1月正式施行，數位發展部也已依法公布《人工智慧風險分類框架》，資料治理相關指引則仍在研擬階段，台灣的AI治理架構正逐步成形。然而，當AI浪潮席捲公部門，地方政府與第一線實務單位在推動治理落地時，卻正經歷著深刻的「轉型陣痛」。

在上一篇報導中，我們探討了資料盤點與跨局處協作的難題，指出無論是資料由誰提供、風險由誰界定，答案終究要回到具體的「應用場景」才能釐清。然而，情境判斷雖然解決了資料與風險歸屬的邏輯問題，卻無法解決另一層更現實的挑戰：當各單位的AI應用逐漸開展，隨之而來的算力成本該如何分攤？風險分類框架公布之後，第一線又該如何落地執行、而非流於原則性宣示？

本文將延續前篇對「應用情境」的觀察，進一步探討台灣公部門在資料議題之外，於實務落地時可能面臨的挑戰，包括算力分配、風險分類等具體課題，以及可能的解方。

分級或分類？台灣AI風險的架構與跨部會難題

在風險管控的討論中，最關鍵的差異點在於「風險分級」與「風險分類」的界定。目前數位發展部提出〈人工智慧風險分類框架〉，主要採取由上而下的三層架構。頂層是七大倫理基石，直接源自《人工智慧基本法》第4條的抽象法律原則；中層是框架本身，將頂層抽象的倫理原則，轉化為具體的「AI風險類型表」，共分三大類、二十項子類別；底層則是評估工具與管理規範的實務落地，再交由各部會各自訂定規範。

然而，這樣的分層設計癥結點就在於，「分級」代表一套明確的高低排序標準，而「分類」則意味著各部會可依自身業務性質各自詮釋。也就是同樣一件事情，某個部會可能認為情節嚴重，換到另一個部會，卻可能被判定為無傷大雅。這與歐盟採取風險分級監管、對不同等級AI應用課以不同強度監管要求的作法，形成鮮明對比。

但因為同樣的技術評分，放進不同應用場域，意義可能截然不同；而後續落地執行的責任，仍須回歸各主管機關與產業自行承擔。但目前多數機關面對AI治理議題時，普遍傾向是以因應稽核為出發點，著重在一旦受檢時，能否清楚說明自身的AI應用究竟座落在上述三大類框架中的哪一類。然而這三類、二十項子類別的架構是否真的對應AI在不同情境的風險，仍需要進一步驗證。

城市場域的實務挑戰，數據治理仍是關鍵

與會專家表示，實務上，風險控管還牽涉資料治理，尤其在城市治理相關專案中，最令人擔憂的是未清理、受污染的數據可能扭曲分析結果。此外，各單位使用的模型版本與迭代不一，控管難度也隨之提高。更關鍵的是，資料權限管控十分嚴格，民眾個資不得任意投入AI系統運算，整套系統必須像防堵資安漏洞一樣，清楚劃分「能做什麼、不能做什麼」的操作邊界。

若參考國際上如GDPR等資料保護規範的精神，資料治理通常會區分出「數據主體」「數據提供者（或持有者）」「數據使用者」等角色，部分實務框架也會再加入「同意管理者」，負責決定資料誰可使用、何時應下架的生命週期管理，藉此釐清跨部會資料流通中各方的權責邊界。尤其在討論數據治理時，這些參與者彼此互為利害關係人，資料授權將對各方產生何種影響，正是風險框架下一階段必須深入探討的課題。

更棘手的是，許多資料礙於風險考量無法上傳雲端，而實務上仍有不少單位依賴國際公有雲廠商的服務。未來這些國際公有雲業者在整體風險框架中應扮演何種角色、又該如何因應前述的資料治理與風險控管要求，也將是後續必須面對的一大挑戰。

預算天花板與主權AI的兩難

除了風險分類與資料治理之外，預算同樣是政府部門推動AI應用時無法迴避的現實考量。由於公家機關的預算編列通常是固定額度，並不會因為AI使用成效良好、Token用量暴增，就可以立即獲得額外經費挹注，因此政府機關在推動AI應用時，必須格外正視預算控管的問題。

與上述問題緊密相扣的，則是「主權AI」議題。由於機敏資料不能委由公有雲端資源處理，機關只能在內部建置備援機制，當地端算力真正不足、需求溢出時，才動用外部算力，例如與國家高速網路與計算中心（國網中心）介接，或向外部廠商採購短期算力。不過，這類作法在實務上僅屬「過渡性質」的備案。專家認為，長遠而言，核心機敏資料仍必須「落地」於機關自身環境中。

除了前篇提及的預算分配與主權AI涉及的法規、政治角力之外，實務上最大的困難其實在於基礎建設。由於晶片技術快速迭代，業界也即將邁入新的世代，新一代機房在散熱與供電條件上有更高的要求，但地方政府所在區域的電力與水資源供應本就吃緊，幾乎不可能為了建置AI算力中心而全面翻新既有機房。因此，即便地方政府目前仍可勉強自行採購伺服器應急，未來三、五年內，這樣的作法恐難以為繼，且現階段建置的設備，也將隨技術迭代迅速面臨汰舊換新的壓力。

面對這樣的結構性限制，與會專家認為，與其讓各部會或地方政府各自採購算力，更應建立「國家級算力中心」。專家也提醒，現行國網中心的定位偏向學術研究，缺乏全天候無休的即時維運與服務級別協定（SLA）保障，若是在非上班時段遇到緊急事件，目前只能仰賴外部廠商提供24小時維運支援。因此，未來若真要成立國家級算力中心，維運規格與SLA保障勢必得同步納入設計，而非延續現行以學術研究為導向的營運模式。

大模型迷思不如以特定任務建立

除了預算與算力的結構性挑戰外，多數人常陷入盲目追求大模型的迷思。與會專家指出，自2023年起，各界才開始積極投入大模型的訓練與學習，雖然相關方法論在這幾年已日趨成熟，但業界普遍存在只要把大量領域知識與資料倒進模型訓練，模型就能自動搖身一變成為該領域專家的錯誤期待。

但實務案例顯示，若參數量未達百億等級，僅靠訓練就能讓模型直接達成期待的機率其實偏低，且台灣並不具備龐大的資源能完全投入通用人工智慧（AGI）的訓練，這些算力、AI人才稀缺，及基礎知識庫與實際應用案例的不足，形成一道難以跨越的技術瓶頸。

正因如此，若企圖透過投入大量資料、訓練一個「無所不包」的巨型模型，來解決城市治理或龐大法律論述等複雜問題，效益往往有限。因此，實務上會更建議將任務「切分」處理，選用規模較小的模型針對「特定任務」進行微調與訓練。這類小模型無須海量資料，而是側重於作業原則、特殊指令及領域知識（Domain Know-how）的累積，是一項高度專業化的工程。

且從AI治理的角度來看，若要求一個通用大模型同時處理A、B、C多項任務，並期待各任務都能達到專業單位的標準，一旦出錯，權責歸屬也難以釐清。究竟該歸咎於模型本身、訓練資料，還是準備資料的人員疏失？將形成模糊的灰色地帶。

建立容錯機制與「逃城」保護傘，讓基層公務員敢於嘗試

談到AI治理的實務挑戰，專家特別提醒事後救濟機制的重要性。AI導入或執行任務的過程中，難免可能不小心犯錯，但這並非出於惡意。

這時候，主管單位必須思考是否建立類似「逃城」的保護機制，讓基層人員在善意執行公務的前提下，仍能獲得一定的救濟空間。這樣的救濟機制不僅是為了保護可能受害的民眾，更是在保護第一線執行AI業務的公務員，避免公務員因為怕犯錯而卻步，最終不敢積極嘗試導入AI應用。

例如，當基層人員因使用AI模型而不慎踩到個資紅線、或發生違規情況時，該如何處理？有哪些救濟方式可供依循？此外，在初期導入階段，是否應該預先設定一個限定的使用範圍，以降低風險？這些都是後續需要進一步釐清的課題。

打破甲乙方框架：政府與廠商需建立新型合作關係

與會專家也提醒，AI導入是一項涉及多方協作的工程，而政府單位在推動過程中，勢必需要與外部廠商密切配合。在這樣的合作模式下，過往政府與廠商之間慣有的「甲乙方」、上對下的傳統關係，恐怕也需要重新檢視。

生成式與代理式 AI 工具大幅降低了知識產出的門檻，簡報、企劃、程式碼與文案能在極短時間內大量生成。然而，個人效率的提升，真的等於組織績效的突破嗎？

DIGITIMES 行銷處長暨 IC 之音副總經理葉家良於個人研究文章《效率通膨》一文中，提出 AI 時代的「效率通膨（Efficiency Inflation）概念，意即當所有人都能快速產出格式專業、表面完整的交付物時，基線執行力迅速商品化，普通產出也隨之失去溢價。真正稀缺的，不是產出速度，而是判斷密度、脈絡掌握、信任關係與責任承擔。

AI 不是消滅工作，而是讓普通產出失去溢價

葉家良指出，過去的管理邏輯建立在「產出稀缺」之上。寫得快、做得多、排版漂亮、資料完整，曾經足以形成專業優勢；但在生成式 AI 普及後，這些能力正快速從「差異化價值」降級為「基本生產條件」。當每一位知識工作者都能在短時間內生成簡報、報告、程式碼、文案與行銷企劃，市場真正面臨的問題不再是產出不足，而是普通產出過剩。

他提出核心公式強調：「單位產出價值」與「人類判斷密度」成正比，與「市場總產出量」成反比。這意味著，單位產出價值，取決於判斷密度與產出總量之間的相對關係。當市場中的總產出量因生成式工具而快速膨脹，人類判斷密度卻受限於人類注意力、經驗、倫理判斷、產業脈絡與責任承擔，單位產出物的價值就會被稀釋。

於此同時，他更進一步追問：「當效率全面提高後，價值如何被重新定價」？葉家良認為，AI時代，企業管理者真正要問的，不是 AI 能否讓團隊多做 30%，而是多做出來的 30% 是否提高了決策品質、客戶信任與商業結果。且後 AI 時代的管理重點，不是單純擴張產出量，而是提高每一份產出中的判斷密度。

效率通膨將帶來三層核心危機

葉家良提醒，若組織僅一味追求產出速度與效率，將面臨三項潛在危機。首先第一層危機是紅皇后跑步與看顧機器人，也就是員工省下的時間並未投入高價值工作，而是被塞入更多任務，形成「跑得更快卻留在原地」的紅皇后領地現象。

第二層危機則是AI 腦燒與組織性耗竭，當組織只導入工具而不重建流程，會把多個 AI 系統的監督與決策責任強加於員工大腦，引發「AI 腦燒（AI brain fry）」的認知疲勞、決策變慢與組織耗竭風險。

第三層危機則是雙軌勞動市場與學徒制斷裂（The Apprenticeship Collapse），也就是 AI 將勞動市場分化為「專業化」與「民主化」雙軌，低判斷工作面臨商品化，薪資溢價受到壓縮。最嚴重的隱憂在於「學徒制崩塌」：初階工作被快速自動化後，新人失去了透過基礎任務（如資料整理、會議紀錄）累積產業直覺與判斷力的「訓練場」，使未來組織面臨高階判斷人才的斷層。

突破關鍵在於從「效率」轉向「效能」思維

葉家良認為，企業必須將管理指標從「計算產出量、速度、成本」的傳統效率思維，換軌為衡量「洞察密度、決策影響與信任關係」的後 AI 效能思維。

為此，他提出一套實踐劇本：「BEGIN 策略劇本：以新手之心重建人機協作」。其策略的核心，是把 AI 從「產出加速器」重新定位為「組織效能槓桿」。AI 可以放大效率，但不能替代責任；AI 可以生成選項，但不能決定取捨；AI 可以整理資訊，但不能承擔信任。若企業沒有建立清楚的人機分工，AI 導入只會增加工具債、品質風險與認知負荷。若企業能重新設計流程與人才訓練，AI才能真正把人類帶回更高價值的位置。

同時提出「10% 人類情感定律」，也就是團隊可以把 90% 機械化、可規模化的任務交給 AI，但必須保留至少 10% 的策略意圖、情感共鳴、倫理判斷、現場理解與關係建立由人類牢牢掌握，這 10% 才是企業不可替代的品牌護城河。

效率通膨的解方不是抵抗AI，而是重新分配人與機器的責任

葉家良強調，效率通膨的解方不是抵抗 AI，也不是無限制擁抱 AI，而是重新分配人與機器的責任。而真正的生產力，不是讓人更像機器，而是讓機器承接可規模化的執行，使人重新回到不可規模化的位置。他認為，未來最有競爭力的企業，不會是產出最多內容的企業，而是最懂得保護人類判斷、重建信任關係，並把 AI 轉化為組織效能槓桿的企業。

人工智慧科技基金會特別舉辦閉門專家會議，邀請產官學研各界齊聚一堂，針對地方政府推動 AI 轉型時所面臨的資源落差與痛點進行深入探討，期盼共同為台灣的 AI 治理尋找最佳實踐路徑。無論是資料該怎麼整理、由誰提供、風險該如何界定，還是系統該怎麼建置、標案合約該怎麼簽，會中反覆浮現的關鍵之一，癥結點都在於，如何確認具體的情境與用途。

資料四散？從「應用場景」出發，才能真正推動跨組織協作

資料散落在各局處、格式不一且整併費工，是台灣政府數位轉型中反覆出現的沉痾。實務經驗顯示，真正能驅動資料治理的關鍵，並非一味追求資料的完整與一致，而是回歸最務實的提問：究竟要拿這些資料來做什麼？能改變什麼？

資料的盤點與整理需要強大動機，當現狀「尚不影響日常業務」時，各單位往往缺乏主動整理的誘因。真正的轉捩點，多半來自於「不得不」。無論是因應特定政策，或是像這次 AI 應用法規的規範，都會迫使各單位必須重新梳理底層資料架構與脈絡。

唯有當資料協作成為業務的剛性需求，資料治理才能從口號化為行動。但下一個問題就是，跨域協作絕非資訊單位單一的責任。與會專家建議，必須由設立跨域資料具高度掌握力與主導權的資料長（CDO）開始，並搭配跨部門委員會（Committee）制來推進。

為打破各自為政的本位主義，委員會成員必須涵蓋主計、業務、資訊與資安等多元角色。唯有將討論層級拉到制高點並建立共識，各單位才會主動尋求協作。此外，各部會應設立跨單位委員會，持續盤點並定義應用場景，聚焦討論後續的資料應用與發展方向；一旦重大需求浮現，便能迅速啟動並落實跨域資料協作。而資料長則扮演促成專案與委員會運作的核心角色。

誰受益，就由誰提供資料

資料的盤點方式取決於場景，資料該由誰提供？同樣要回到情境與用途來判斷。大多數企業在導入 AI 時，會將 AI 應用區分成幾個層次。第一層是通用型 IT 應用，涵蓋權限管理、基礎系統等內部一般行政作業，例如請假申請、工單查詢這類日常事務。這類資料處理相對單純，IT 單位也較容易接受並釋出資料，因此是最容易推動落地的第一層。

第二層，是核心業務（OT）的深度應用，直接落在具體業務執行的場景。例如採購稽核這類充滿領域知識的業務，關鍵原則在於：誰能從 AI 中獲得實質效益（Benefit），誰就要負責產出資料，來驅動 AI 的成效。一個重要的觀念是，基於資料驅動與 AI 應用所帶來的效益，主責單位必須對自身業務資料的內容與準備，負起應有的責任。

第三個層次則是落實到個人，例如每日工作時所累積的專屬資料集，可能與產品相關、也可能與行銷相關。這類個人層級的資料集，由於難以規範個人的使用行為，IT 單位頂多只能提供全公司標準化的系統與設備進行管理。

風險由誰界定？關鍵仍在用途

資料的分工釐清之後，接下來要處理的就是風險問題。座談中最受關注的議題之一，是 AI 風險該由誰定義。但深入討論後會發現，真正的答案或許不在「由誰」，而在「場景」與「用途」。同樣的技術，放進不同的使用情境，風險的意義與影響可能天差地遠。

AI 進入政府體系，最棘手的問題往往不是技術，而是「風險邊界」該由誰來劃定？這個提問，點出了當前公部門推動 AI 治理時最深層的矛盾。

多數人的直覺答案是中央部會，但這個期待恐怕難以實現。原因在於立場，因為中央部會並非第一線執行業務的人，對於每個系統中 AI 所扮演的角色，如何影響實際風險輪廓，往往缺乏想像。而 AI 應用場景千變萬化，每一種角色配置都牽動不同的風險樣態，要由上而下訂出放諸四海皆準的統一標準，本質上就不可能。

不同於資安風險已有一套相對成熟的方法論與完整的風險資料庫可供依循，AI 治理目前並沒有成熟的框架可循，很多時候是問題發生了才恍然驚覺。

以 AI 幻覺問題為例，雖然大家都期待 AI 能達到百分之百精準，但實務上這幾乎是不可能的任務。那麼，究竟要達到什麼樣的精準程度，才足以被實際採用？一個常被拿來舉例的參照是「氣象預報」，雖然不是百分之百準確，但我們依然仰賴它，因為它仍具備極高的參考價值。

然而，換成 Tesla（特斯拉）的自動駕駛，情況就完全不同了。哪怕只是萬分之一的錯誤率，我們都難以接受。由此可見，風險的評估最終仍必須回歸「情境」（Context）：關鍵不在於錯誤是否會發生，而在於一旦錯誤發生，你能否承受隨之而來的損害。唯有先評估清楚可容忍的容錯範圍，才能進一步決定該採取什麼樣的風險防範措施。

系統誰來建、責任誰來扛？驗收標準得回到情境

系統的建置分工，同樣沒有標準答案，答案仍取決於情境。理想上，包含權限管理、底層算力，甚至公文交換系統等基礎設施可以交由資訊單位（資訊處 / 資訊中心）負責統籌。但是，像是警察局、環保局、水利局這種特定領域的系統，因為各局處都有各自特殊的業務應用需求，應由各單位編列預算開發，而非共用一個通用的系統。

然而，「各自開發」不代表「各自為政」，仍需資訊單位提供統一的指引（Guideline），要求全體遵循。尤其是在「主權 AI」（Sovereign AI）的框架範圍內，機敏資料不能任意上傳公有雲，所有系統都必須建置於內部的主權 AI 基礎架構之中。

另一個與情境息息相關的是，AI 系統的驗收與監督。與會專家認為，情境條件的預先設定同樣關鍵。雙方必須在合約中明訂權責界線，清楚說明何種情境下屬於廠商應負的責任。舉例來說，若攝影鏡頭因颱風損壞導致 AI 影像辨識出錯，屬於不可抗力因素，不應歸咎於廠商；但若是模型本身的辨識率無故下滑，廠商便須負起調校責任。這些權責分野與免責條款，都必須在合約中預先明訂，否則專案推進到後期，往往會卡在驗收結案的關卡，各方各執一詞，徒增爭議。

不過，必須正視「模型漂移」（Model Drift）的問題，由於 AI 模型並非建置完成就能一勞永逸的軟體；隨著時間推移，外在環境可能與初始情境截然不同，進而導致預測準確度與效能下降。例如每當法規修訂或條文更新時，模型都必須跟著重新訓練（Retrain）與調整，就如同防毒軟體需要不斷更新病毒碼一樣，模型的維運與更新機制必須明確納入廠商的保固與維護合約中，而非事後才臨時補救。

無論是個人、部門還是企業層級，AI 的應用潛力早已無所不在。例如行銷部門可以利用它來發想社群貼文、整理競品資訊並自動產出月報；人資部門則能交由系統處理海量的履歷摘要、規劃教育訓練，甚至即時查詢繁雜的勞基法規。

過去一年，詠鑠生活在公司內部開發並試行了多個專案，範圍涵蓋行銷、會計報帳、訂單派工到潛在客戶查找。「其實只要問對幾個關鍵問題，公司的每個部門，都能輕易篩選出專屬的 AI 專案。」談起 AI 在企業內部的應用場景， Alden隨口便能點出一份實戰清單。

「但真正的挑戰在於下一步，」，Alden以企業經營者的角度拋問，當個人成為成功的AI使用者後，主管該如何把這份能力，轉化為整個部門、乃至整間公司都能複製的組織能力？

從個人生產力到公司競爭力

「個人會用 AI，叫做生產力；那公司會用 AI，其實是競爭力。」Alden認為，公司用AI跟個人用AI最大的不同在於，一個整體且有系統，一個則破碎而不具系統性。

他進一步解釋競爭力的定義，不只是「我會做的，你不會」、「我會做的，你也會，但我做得比你更快又更好」，更重要的是，我能持續讓這些事情持續穩定的發生。而AI之所以能為企業帶來競爭力，最大的關鍵正在於「能複製，且持續、重複地發生」。

例如，對行銷而言，資料庫是品牌白皮書、用戶畫像的深度樣貌，還有企業對消費者行為、目標消費者人格特質的理解。必須在這個資料庫的知識背景之下，提示詞才能產生重複性的輸出。

Alden認為，導入 AI 並不是為了減少人力成本，而是要讓高價值人才把時間和資源運用在高價值的工作上，並創造人均產值。

建立組織競爭力的三步策略

為了讓組織可以建立競爭力，要從個人技巧變成組織的競爭力，詠鑠生活做了三件事情：

第一，刻意經營共學環境。無論是外部上課，或是內部分享、跨部門AI工作坊，Alden過去兩年最常做的事，就是發掘同仁做出的成果，然後邀請對方公開分享經驗。他認為，全世界都還在摸索AI怎麼用，共學環境的目標就是彼此激盪靈感，激發出屬於自己部門的應用靈感。

第二，推動小步實驗。AI並不會立刻解決所有問題，但AI導入的過程，本質上是一場從上到下、帶領全公司探索的過程。

第三，建立知識沉澱的機制，把成功的經驗變成可複製的組織能力。Alden認為，創造創新改變的文化氛圍是老闆或主管的責任。因此，只要內部一有成功案例，他就積極向其他部門推廣。久了之後，內部員工也會想要嘗試。

如今詠鑠生活也積極透過知識庫建立、文件化與 SOP 梳理，一步步打造專屬的 AI Agent，將經驗與知識轉化為企業永續的軟實力。

IT-enabled 與 AI-first，兩種截然不同的架構思維

關於 AI 轉型，Alden提出兩種思維架構，分別是IT-enabled（IT驅動的企業架構）與AI-first（AI驅動的企業架構）。IT-enabled 著重運用科技優化既有流程；AI-first 則進一步從 AI 的能力與限制出發，重新思考流程、資料與系統架構。兩者並非彼此取代，而是代表不同角度的轉型方式。

他將AI的本質思維歸納為三點：快速迭代、高度客製、邊際成本低。公司所有關於AI的決策與做法，會以這三項特性作為重要的決策原則，避免不必要地拖慢 AI 的應用與迭代。而這套思維，後續則具體發展為一整套詠鑠生活專屬的「SCALE策略框架」。

用這五個問題檢核每一個AI專案

這套框架是Alden摸索後所確立的策略，用來確保每一個 AI 決策都不偏離方向。SCALE 涵蓋五個面向：第一，AI 要服務公司戰略（Strategy）；第二，AI 要變成公司的競爭力（Capability）；第三，建構一個以 AI 為核心的企業新架構（Architecture）；第四，重新界定開放與治理的邊界（Limits/Boundaries）；第五，是讓團隊在邊界裡面自由發揮的賦能（Empowerment）。

第一，戰略 (Strategy)： 這個 AI 專案在服務公司哪一個策略？如果不做會失去什麼？做完後會得到什麼？透過這三個問題，檢視它有沒有服務公司戰略。

第二，競爭力 (Capability)： 競爭力是可重複複製，且高效輸出的。如果這件事情不能被複製，就不應該成為 AI 專案；如果能被複製才做，而且要自問是否能夠很簡單地交給新人？

第三，企業架構（Architecture）： AI 專案不能只關注單一工具是否好用，更要思考系統之間如何串接、資料從何而來，又將流向何處。從 AI 基礎建設的角度來看，重建企業架構的本質，就是重新梳理並設計企業的資訊流，讓資料能在不同系統與部門之間順暢流動，並在適當的權限與治理機制下被即時取用。唯有如此，AI 才不會停留在零散的單點應用，而能逐步成為支撐整體營運的基礎能力。

第四，邊界（Limits）： AI 治理的關鍵，不是層層審核，而是清楚界定創新的範圍與風險底線。相較於由上而下、凡事逐級核准的中央集權模式，詠鑠生活選擇重新定義治理邊界，因此重新定位 AI 主管的主要任務：從開發執行者轉為架構設計者、規範制定者與風險守門員。。

第五，賦能（Empowerment）： 在明確的治理邊界內，讓團隊自主嘗試與發揮。以內部的請款小幫手為例，這類流程通常由財會部門主導，但詠鑠生活也鼓勵跨部門提出需求、參與原型開發，讓不同職能共同推動流程改善。

重新定義資訊主管：從 IT 長到 AI 長

順著 SCALE 框架中「重新定義邊界」的邏輯，林炫丞也與 AI 主管重新討論了這個職位的定位。基於快速迭代與高度客製化原則，他們將開發工作下放給各部門，並將審核權留在資訊主管手中，藉此建立控制點與完整的數位足跡。他們重新定義 AI 長不的角色，他並不是開發者，而是 AI 基礎建設的總設計師、建造者（營造商）、守門員，以及資料主權與系統安全的守護者。

今年下半年，詠鑠生活計劃建立內部的「AI Golden」，這套概念借鑑半導體業常見的 golden reference 與 golden flow，透過事先訂定開發、驗證、資安與上架標準，讓符合規範的內部 AI 應用得以加速審核與發布。在治理原則上，詠鑠生活選擇以這樣的方式因應 AI 時代的快速迭代特質。

在這樣的架構下，Alden在AI導入上為自己、也就是經營者保留了兩道簡單的自我提問：這件事會阻礙 AI 三大本質（快速迭代、高度客製、邊際成本低）嗎？若會造成不必要的阻礙，就重新檢視做法。這件事符合 SCALE 的策略方向嗎？如果無法支撐公司策略，花再多時間做，可能前進方向也不一致。

生成式AI的出現，讓企業跨越傳統的軟體開發門檻，使得詠鑠生活能以低成本與快速度不斷試錯。Alden 坦言，自己並非技術背景，因此將更多時間投入痛點定義與流程梳理，並與技術夥伴協作。因為技術必須建立在清楚的營運目標與流程設計上，才能真正發揮價值。詠鑠生活發展 AI 基礎建設以來，一直選擇在速度、治理與自主之間重新配置，打造適合公司的運行方式。

面對市場上五花八門的AI神話，多數中小企業主心中浮現的第一個問題，往往不是「該不該做」，而是「我們有錢、有人、有時間做這件事嗎？」在資源有限的現實下，AI轉型聽起來像是大企業的專利。然而，一家不到20人、深耕餐飲原物料供應鏈的B2B企業，卻用兩年時間證明了另一種可能：轉型不需要龐大預算，也不需要等到萬事俱備才出發。

資本兩極化，中小企業的AI突圍之路

2026《台灣產業 AI 化調查》指出，臺灣整體的 AI 應用正穩步向前，零售業卻面臨著嚴重的兩極化差異，資本額大的企業積極投資科技工具，力求轉型升級；資源有限的中小企業卻深陷缺工泥沼，光是維持日常營運已耗盡心力，更遑論分心投入新興科技，數位鴻溝也因此越拉越大。

但資源不夠充沛的企業，難道就註定被這波轉型浪潮拋在後頭？詠鑠生活的經驗，給出了不一樣的答案。這家不到 20 人的小型企業，僅用一年時間，便將 AI 從個人工具，逐步落地為工作流程，並帶動來客數成長 4 倍，讓AI成為驅動企業組織競爭力的關鍵動能。

成立於 2017 年的詠鑠生活，深耕餐飲原物料 B2B 供應鏈已逾九年，從進口油品，到飲料吧台原物料，憑藉精準的選品眼光，專注為臺灣餐廳提供完整的「餐飲味道解決方案」。創辦人林炫丞（Alden）是這場轉型背後的關鍵人物。出身金融業的他，將商業思維與近十年供應鏈實戰經驗相互結合，走出一條跨界創業之路。

在7月 AIF 主辦的 AI Café 中，Alden 無私分享詠鑠生活如何在短短一年內，帶領團隊走上這條「從工具到競爭力」的轉型之路。

轉型關鍵不在先畫藍圖，而是從一個困擾已久的痛點開始

「許多人談 AI，多半先要有一個宏大的願景與策略，」但Alden認為，比起規劃藍圖，更重要的是先做。「對詠鑠生活來說，最初的痛點，其實來自一個很簡單的問題：接單。」

他解釋，許多客人會用 LINE 下單、業務便會轉傳進群組、再由同仁手動輸入 ERP，整套接單流程十分耗費人力，且容易出錯。

2024 年，他們先和一家 AI 新創合作，花了一年的時間，梳理工作流程，打造出AI 引擎，客人不需改變原有下單習慣，無論何時輸入文字、PDF 或截圖，系統都能自動判讀對話，在一分鐘內完成下訂並回應訊息。即使訂單量翻倍，企業也不用再多一個專門輸入訂單人力。

其他如對帳、報價，甚至是陌生開發的事前準備等工作，也都透過Vibe Coding（由 AI 輔助的開發方式，開發者不需要寫程式碼，而是透過自然語言向 AI 描述需求）陸續開發出AI系統與工具，大幅降低員工的作業時間。

尤其是在客戶研究流程這一塊，藉由關鍵問題，包括交易動機、未來願景、現況痛點、所需資源、破冰話術與下一步行動，建立系統化提問架構後，讓陌生開發的準備時間從 7 天降低到 60 分鐘，業務團隊得以更精準地掌握商談節奏。開發成本的降低，直接帶動了今年微型與中小型客戶數的顯著成長。Alden 提醒，當你有一套思考框架時，AI 才能真正發揮作用；這類框架多半可從商學院教材與管理書籍中取得，但關鍵在於企業主是否願意動手梳理與應用。

「你不需要等到路徑清楚才出發。」Alden將這段歷程分成三個階段，從 2024 年單純學習下達指令的「提示詞使用者（Prompt User）」；2025 年進化為梳理並設計工作流程的「工作流設計師（Workflow Designer）」；到了 2026 年，則全面邁入「系統建構者（System Builder）」的新階段。但他坦言，整段轉型歷程在一開始根本沒有現成藍圖，「先做就對了！」而團隊的發展路徑，正是這樣在實踐中日漸清晰。

Alden強調，中小企業所擁有、同時也是 AI 最渴求的核心資產，其實是「領域知識（Domain Knowledge）」。而在探索 AI 的過程中，最困難的部分就是「了解自己需要什麼」。這並不需要高深的技術，只是需要花時間梳理。

啟動 AI 專案的六大靈魂拷問

那麼，如果企業正在考慮啟動AI專案的話，究竟該如何決定哪些工作應優先交由 AI 處理？Alden整理出六大問題，在正式啟動 AI 專案前，企業不妨先透過以下「六大靈魂拷問」進行內部體檢，篩選出最具價值的應用場景：

1.頻率：這個工作多久發生一次？
一個不斷重複出現、高頻率的日常作業，一旦透過 AI 實現自動化，將能帶來極高的效率提升與投資報酬率（ROI），這類任務應列為首要目標。

2.成本：每次處理需耗費多少時間？
「時間」是最容易被忽略的昂貴成本。企業應盤點高頻工作每次所佔用的工時，耗時越長的痛點，越有導入 AI 來釋放人力的價值。

3.重複性：作業流程是否相對固定？
優先挑選流程標準化、重複性高的任務，成效通常最明顯。

4.資料可得性： 輸入資料是否容易取得？
「沒有資料，談不了 AI。」資料的品質與可得性，決定了 AI 的成效。除了建立資料中心，更要將工作流程文件化與數位化，藉此打好 AI 應用的基礎。

5.錯誤率： 這件事情的失誤率是否偏高？
人類難免會有失誤，與其苛責員工，不如利用系統機制來解決問題。例如，業務端常見的人工訂單登打（Key 單）錯誤，往往會引發客訴與跨部門的內部摩擦。針對這類因人工操作而導致高錯誤率的環節，應優先交由 AI 輔助，以確保營運精準度。

6.可複製性：成功經驗能否規模化？
最後一項評估指標在於「規模化潛力」。當單一 AI 專案開發成功後，該模組或解決方案是否能輕易複製並應用於其他部門或類似的工作場景中？具備高可複製性的專案，能將 AI 的價值最大化。

透過六個評估指標，企業只需將內部的痛點與需求，放入這套框架中盤點過濾，就能得出清晰的專案優先順序。

從個人工具到跨部門協作的三個案例分享

一、行銷部門：貼文小幫手，效率提升近99%

為了維持企業品牌調性的一致性，同時精準駕馭旗下代理品牌各自鮮明且多元的溝通風格，詠鑠生活自行以 Vibe Coding的方式，結合品牌白皮書、用戶畫像與品牌人設資料庫，開發出貼文產生器。

第一代將社群貼文製作時間，從原本全人工超過24小時，壓縮至8小時；第二代進一步結合品牌語氣與價值主張，將時間再壓縮至15分鐘，效率提升約99%。公司也因此得以將行銷人力轉向為資源整合與策略定調。

二、財會流程：跨部門請款小幫手，低成本開發

過去每月報帳，需耗費數小時將單據人工登打進Excel，連創辦人本人都得親自處理。團隊自行打造跨部門請款小幫手——員工只需拍照上傳發票，系統自動辨識並依主管層級進行線上簽核，將報帳時間從30分鐘縮短至3分鐘。

值得注意的是，這套系統並非由財會部門開發，而是由非技術背景的部門主管提出需求並自主完成原型，再由 AI 與財會主管協助權限設定、資安保護與正式上線審核，開發時間花不到兩週。系統同時串接財政部 API 核實開票對象、設定分層登入權限，並留有完整的數位審查足跡，兼顧效率與資安。

三、業務開發：自來客派工系統

針對社群自然湧入的潛在客戶（自來客），團隊建置自動通知與派工系統：只要有客人在社群私訊表達興趣，公司內部群組便會即時跳出通知，主管可直接點擊卡片完成派工與聯絡狀態確認，取代過去需要人工緊盯社群訊息回覆的模式。若業務逾24、48、72小時未回應，系統也會自動加強提醒。

這一系列行銷與業務端的AI工具，讓詠鑠生活的獲客成本下降四成，投資報酬率提升達10倍。而這些案例的落地，離不開背後一套完整的組織文化與人才養成方式。詠鑠生活如何讓一線員工自發成為「系統建構者」、如何重新定義 AI 主管的角色，將於下篇深入探討。

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，無論是海量履歷篩選或跨國資源配置都能實現快速高效的管理。然而，大型語言模型除了可能讓企業的決策趨向一致外（延伸閱讀：小心，AI的產出可能讓企業決策變得千篇一律），也可能創造出更多偏見。

今年七月於首爾ICML 2026會議上發表的一篇研究論文《Large Language Models Develop Novel Social Biases Through Adaptive Exploration》，讓 ChatGPT、Claude、Gemini 等多個主流 AI 模型參與了一場模擬招募遊戲。這項實驗改編自心理學界研究「刻板印象如何形成」的經典設計，目的是觀察 AI 在連續決策情境下，是否會像人類一樣，從經驗中「學會」偏見。

該研究指出，大型語言模型（LLMs）產生偏見的原因，已經不只是過去常見的「預訓練數據中存在人類固有的刻板印象」，而是會因為在連續決策任務中的「探索與利用（exploration-exploitation）」機制，自發性地產生全新的社會偏見。

遊戲設定是讓每個模型都被告知自己受聘擔任某個虛構城市的市長顧問，並被要求協助招募20個職位，包括醫生、律師、育兒助理和清潔工。候選人來自四個虛構的族群：圖法人、艾瑪人、雷庫人和韋基人。之所以刻意設計虛構族群，是為了排除 AI 對真實種族、性別既有刻板印象的干擾，單純觀察 AI「從經驗中學習」是否會自己衍生出偏見。

AI 比人類更會「以偏概全」

遊戲每輪開出一個新職缺，同時每個群體會有一位等待錄用。AI 選定人選後會立即得知這次錄用是否成功，接著進入下一輪，總共進行 40 輪。實驗的關鍵在於，所有候選人在所有工作上的成功機率完全相同，但 AI 並不知道這件事。若 AI 夠公平，結果應該會發現，每個族群的表現其實都差不多，並不會刻意將特定群體分派到特定工作。

舉例來說，若 AI 一開始時錄用一位艾瑪族的人擔任醫生，但其表現不理想，AI 接下來便會避免讓艾瑪族的人擔任醫生，轉而將他們分配去做清潔工。

讓 AI 變得強大的機制，卻導致偏見產生

研究團隊設計了「分層指數」(Stratification Index，簡稱 SI)這項指標，用以量化 AI 將不同族群「隔離」到特定工作類別的程度。指數越高，代表分類越嚴重、偏見越明顯。而數據顯示，越新、規模越大、推理能力越強的模型（如 GPT-4o 或 Claude 4 Sonnet），產生分配性偏見的情況反而比舊型號更嚴重，甚至遠超過人類自身的偏見程度。

問題在於，AI 在「探索」與「利用」之間明顯太快地放棄探索，直接鎖定某個「看起來有效」的選項。只要早期遇到幾次負面結果，AI 就會迅速對整個族群下定論，不願再花心力多方嘗試。

研究團隊也曾嘗試「直接要求 AI 公平一點」，結果發現這招幾乎無效，AI 要嘛無法把「公平」這個抽象價值真正落實到行動，要嘛這個目標會被「盡量做出最多成功錄用」這個更具體的任務目標整個蓋過去。

研究團隊解釋，越先進的模型擁有更強大的記憶力與推論力，是一個極度強大的「優化器（optimizer）」。這意味著它們會更快、更精準地鎖定那些「看似最佳」的選擇。

在數學運算或程式編寫等具備「明確真理」（英文原文是？）的領域中，這種強大的優化能力是巨大的優勢；然而，當應用於充滿不確定性與變動的社會決策時，過度優化反而變成一種「適應不良（maladaptive）」。強大的 AI 會因為過度限縮探索範圍，無意間邊緣化了其他社會群體，使不平等的決策變得更加根深蒂固。

哪種介入手段真的有效？把「多元」變成可量化的獎勵目標

團隊測試了以下三大類介入手段：

第一類：調整 AI 本身的設定，例如採用「思維鏈」(chain-of-thought）提示讓 AI 先想清楚再回答，或調高模型的隨機性（溫度參數）。結果效果有限，即使讓 AI「先想清楚再作答」，分層程度頂多略微下降，離人類的公平水準還差得遠；調高溫度參數的成效也不穩定，甚至完全無效。

第二類：改變任務環境的結構，例如調低工作的成功率、拿掉遊戲化的獎勵機制，或提供求職者更多背景資訊。研究團隊甚至將同一套邏輯套用到「加拿大難民安置」與「軍隊分發」等更貼近現實的情境進行測試，結果同樣觀察到高度的分層現象，證明這種偏見並非遊戲化獎勵機制造成的巧合，而是會在不同領域反覆出現的通病。有趣的是，當 AI 被告知求職者的年齡、教育程度等與能力相關的資訊時，偏見確實會下降；但若提供的是髮色、刺青形狀這類與能力毫無關係的資訊，AI 仍會退回去，單純以族群身分做判斷。

第三類：直接在提示詞裡明確要求 AI「以多元化為目標」，效果最好也最穩定。研究團隊測試了四種不同的提示方式：直接要求 AI 公平一點、強調 AI 內在應有的平等價值觀、描述城市裡「重視多元」的社會氛圍，以及明確把「錄用多元」寫進目標函數、當作可量化的獎勵項。
結果只有最後這一招，把多元變成具體可衡量的獎勵，才真正有效地讓幾乎所有 AI 模型的表現，降到比隨機分配、甚至比人類基準更公平的水準（即便如此，仍有模型未能完全擺脫偏見）。

這給了我們一個重要啟示，對 AI 說「請公平一點」這種抽象的價值觀宣示幾乎沒有用；AI 真正聽得進去的，是把「多元」轉化為具體、可量化、能與其他目標一起權衡的獎勵條件。

AI 挑選履歷，可能產生的風險

隨著愈來愈多企業開始用 AI 篩選履歷、甚至讓 AI 主導面試決策，這項發現格外令人不安。實驗中的 AI 能立即得知每次錄用是否成功，但現實世界裡，企業往往要等上一段時間，才能判斷一位新進員工究竟稱不稱職，甚至永遠沒有明確答案。這意味著，AI 很可能從稀少、零星、甚至充滿雜訊的真實回饋中，錯誤地歸納出「哪個群體比較適合做什麼工作」的結論，而且這種偏見完全可能是人類從未教過它、AI 自行「無中生有」出來的；更可怕的是，企業並沒有察覺到自己的人才召募的門檻竟然是由 AI 不明所以設下的。

研究團隊提醒，這項發現凸顯出目前 AI 評測方式的一個盲點：業界常用的偏見測試，大多是「問一題、答一題」的單次測驗，但 AI 真正被部署到現實世界時，往往是在一連串連續互動、不斷從回饋中學習調整的情境下運作。單次測驗表現再公平，不代表 AI 在長期、有記憶、能自主決策的情境下也同樣公平。這正是隨著 AI 逐漸走向「能記住對話歷史、能自主完成多步驟任務」的方向發展時，特別需要留意的風險。

人工智慧的快速發展，為企業領導者帶來艱鉅的挑戰。AI 風險不僅繁多且瞬息萬變，對各部門與企業的衝擊更是不均。除了大眾熟知的演算法偏見與假訊息外，更衍生出加速網路攻擊、降低武器開發門檻及 AI 不可控行為等新興威脅。究竟哪些風險最值得企業與政府優先關注？一項研究嘗試為企業與決策者釐清頭緒。

資訊、國家安全與金融保險產業最為脆弱

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，面對風險，資訊、國家安全與金融保險業尤為脆弱。資訊業最易受假訊息與隱私外洩衝擊；國家安全部門則同時是危險能力與武器網路攻擊的高風險目標；金融保險業對詐騙與 AI 系統安全漏洞也格外敏感。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。

該報告共同作者、MIT FutureTech 研究科學家 Peter Slattery 表示，這項研究的核心目的之一，正是為了釐清誰需要改變哪些做法，以及各方該如何協調行動。

這項研究採用德爾菲法（Delphi method）進行，這是一種結構化的研究過程，透過多輪蒐集專家意見、逐步釐清共識與分歧的領域。研究團隊邀請了 272 位國際 AI 專家，針對 24 項 AI 風險的發生機率與損害嚴重程度進行評估，並進一步指出哪些部門與參與者最容易受到影響，以及應由誰來承擔因應風險的責任。

該研究聚焦於 2025 至 2030 年間，並設定了兩種預測情境。一是在「維持現狀」，也就是組織與政府維持現行作法的情境下，專家們研判 24 項風險中，有高達 18 項、超過10%的機率，將在未來五年內造成「災難性後果」，災難性後果定義為：導致逾 100 萬人死亡、逾 1,000 億美元經濟損失，或同等規模的文明無形損害。

即使進行防範措施，這五大領域仍可能受害

另一種情境為「務實緩解」，指的是在採取具成本效益的防範措施下，即使實施了減害措施，仍有五大領域會引發災難性後果，且機率超過 10%。分別是具備危險能力的 AI 系統（12%）、AI 輔助武器與網路攻擊（12%）、環境危害（12%）、不平等與失業（11%），以及權力集中與 AI 利益分配不均（11%）。

首先是，AI 具備危險能力（Dangerous capabilities），意指 AI 系統可能發展出欺騙、說服、網路攻擊、武器開發，甚至是「自我擴散」與「情境感知」的能力。報告指出，這些危險能力是 AI 系統規模擴張時的「突現屬性」，也就是說，這些能力並非被刻意設計出來，而是在模型規模達到一定程度後自發浮現，因此極難事先預測與控制。即使部署了安全措施，這些能力仍可能因人類的惡意濫用、AI 目標與人類意圖的偏差錯位（misalignment），或系統本身的故障，而引發大規模災難。

第二是武器與網路攻擊 (Weapons & cyberattacks)，主要是惡意行為者可利用 AI 系統開發更具破壞力且廉價的網路武器與惡意軟體，甚至強化化學、生物、放射性與核子（CBRNE）等毀滅性武器及致命自主武器。多位受訪專家更直言，這些來自國家與非國家行為者的 AI 網路攻擊，將成為未來不可避免的常態。

第三是權力集中化（Power centralization），意指 AI 驅動的權力與資源將極度集中於少數擁有強大 AI 系統的組織，如大型科技公司手中，導致利益分配極度不均。值得注意的是，部分專家認為這種趨勢將形成「自我強化」循環，因為開發 AI 的一方，恰好也最有能力獨佔其利益，僅靠技術手段恐怕難以扭轉這種深層的結構性動態。

第四為不平等與失業 (Inequality & unemployment)， 即便在採取務實緩解措施情境下，專家仍認為此風險產生災難性後果的機率大於 10%。AI 可能透過自動化導致特定產業出現大規模失業，同時為 AI 系統的擁有者創造巨大財富，進一步加劇原本就根深蒂固的社會與經濟不平等。

第五為虛假資訊（False information），AI 可能因為無意或惡意地生成，被用於傳播錯誤或欺騙性內容，導致使用者基於錯誤信念做出決策而受害。與此密切相關但屬於另一獨立風險項目的是「破壞共識現實」（Loss of consensus reality），也就是高度個人化的 AI 生成內容可能製造「過濾泡泡」，讓人們只接觸符合既有信念的資訊，進而污染資訊生態系統、破壞社會凝聚力與民主選舉機制。

此外，在 AI 軍備競賽與競爭動態（Competitive dynamics）上，由於 AI 開發者或國家級組織為了追求戰略與經濟上的絕對優勢，會陷入激烈的「AI 軍備競賽」。在時間與商業競爭壓力下，他們很可能犧牲安全性，導致不安全或充滿漏洞的 AI 系統被過早釋放至社會中。

在環境危害（Environmental harm）方面，訓練與運作大型 AI 模型需要龐大的資料基礎設施，這將持續消耗巨大的能源與水資源，對環境造成壓力，在最嚴重的災難情境下，甚至可能加速全球生態系統崩潰。

綜觀上述，未來五年內最嚴重的災難並不只是來自 AI 系統本身的技術故障，而是惡意濫用（如武器化）、商業與地緣政治競賽下的魯莽部署，以及難以逆轉的權力與財富集中化。

一般大眾受害風險最高，卻無能為力

那麼，誰該為這些風險負起主要責任呢？報告中指出，AI 風險的「脆弱性（誰最容易受害）」與「責任歸屬（誰該解決問題）」間存在明顯的結構性落差。

儘管一般大眾與使用者是受害風險最高的一群，卻缺乏降低風險的能動性與系統性的影響力。因此，面對 AI 可能引發的災難性風險，專家們多半認為，責任不應被推卸給大眾，而應由 AI 開發者及制定規則的監管者負起主要責任。

在 24 項風險中，開發通用基礎模型的企業都被評為應負起最高責任（中位數評分為 4-5 分，即高度至主要負責）。這與產品責任框架的邏輯一致，因為這些上游開發者最接近決定下游結果的設計選擇。

報告中強調，最有效的風險干預措施應該是預防性且集中式的。開發者決定了模型設計、結構與關鍵參數（如預設設定），這直接影響了模型的輸出與系統性風險。單一 AI 模型可能同時促成網路攻擊、假訊息與武器開發，因此若在模型層面，如對齊技術、模型權重安全、輸入過濾進行干預，能一次降低多種風險的發生率或嚴重性。

此外，包含政府、監管機構與標準制定機構在內的AI 治理參與者，也需和前沿開發者共同承擔主要責任。因為在激烈的商業與時間競爭壓力下，僅仰賴開發者的「自願性防護行動」絕對不足；而放慢腳步投資安全的開發者反而會面臨直接的競爭劣勢。

唯有建立更強制的機制，才能將風險對沖

因此，必須依賴政府與監管機構來頒布法規、強制執行標準，並扮演大眾與 AI 企業間的橋樑。透過法規、責任歸屬、強制保險或透明度要求等治理手段，能將目前由社會外部承擔的成本內部化，避免安全淪為市場競爭壓力下的犧牲品。

儘管主要責任集中在開發者與治理者身上，專家也給予了 AI 部署者、基礎設施提供者與使用者在特定風險上中等至高度的責任評分。這種分散的責任可以形成「縱深防禦」，讓每個層級的參與者都實施防護措施以提升社會韌性。但專家也警告，責任過度分散可能導致「問責漏洞」，最終變成「人人有責，卻無人負責」的窘境。

例如，受影響的利害關係人與使用者是風險中「最脆弱、最容易受害」的群體，但最多只負有「中等」責任（中位數評分 2-3 分）。報告明確區分了「暴露於傷害」與「減輕風險的義務」，並警告若將責任推卸給一般大眾，將導致問責機制的錯置。

而基礎設施提供者，如提供算力與雲端資源的企業，雖然提供了 AI 風險傳播的底層算力基礎，但被評估為責任相對較低，本身受風險影響的脆弱度也最低。

報告指出，在多數風險治理框架下，10% 的災難性後果機率，已達到「不可容忍」的門檻，通常足以觸發強制性的緩解要求；而現行仰賴企業自律與自願性承諾的做法，已被證實不足以應對 AI 帶來的結構性挑戰。有鑑於此，唯有建立更具強制力的機制，才能真正將風險予以對沖。報告中的相關討論，可歸納為以下幾個治理方向：

1. 建立責任歸屬制度（Liability regimes）：明確課予開發商法律責任，使其為系統所導致的災難性後果負責。

2. 推行強制性保險要求（Mandatory insurance）：借助市場機制為 AI 風險定價，將原先外部化的成本重新內部化。

3. 強化國際協調機制：防止開發商藉由跨境監管套利規避安全標準，避免治理出現破口。

本週業界的目光全聚焦在北京新創「月之暗面」熱騰騰發布的「Kimi K3」模型上。這款號稱效能已逼近 OpenAI 與 Anthropic 等業界巨頭的頂尖模型，更具備顯著的價格優勢，引發市場高度關注。

除了模型效能的突破，近期多篇新發表的論文亦揭示了 AI 領域的另一核心焦點：系統可靠性與穩健性工程的日益受重視。與此同時，隨著 AI 代理（Agentic）自主能力的快速擴張，伴隨而來的「可控性」風險與焦慮，正成為當前 AI 技術發展必須正視的重要課題。以下是本期精選趨勢：

一、透過低成本與客製化突圍的新一代模型

中國新創月之暗面 (Moonshot AI) 日前發布了開源模型 Kimi K3 (MoE 架構)，宣稱在性能上刷新開源模型的紀錄，更能以遠低於同類競品的價格，在效能上與 Claude Fable 5、GPT-5.6 Sol 等頂尖模型並列同級。不過，值得注意的是，Kimi K3 的詳細技術報告尚未公布，其實際表現與宣稱是否相符，仍有待第三方驗證，但光是定價策略本身，就已為大模型市場的價格預期帶來沉重的壓力。

在美國方面，新創公司 Thinking Machines Lab 推出了首款開源多模態模型「Inkling」。有別於業界盲目追逐基準測試（Benchmark）高分的風氣，Inkling 的核心賣點在於「以用戶為中心」的微調彈性。該模型特別設置了創新的「投入度調節」參數，讓開發者能根據實際需求靈活控制，大幅降低程式碼撰寫過程中的 Token 消耗量，為低成本、客製化模型樹立了新標竿。

這意味著，「頂尖」不再只由單一分數定義，而是由「CP 值」與「貼近實際應用場景的程度」來共同決定。當低成本模型逐漸達到「夠用，甚至好用」的水準時，企業與開發者對閉源巨頭高昂溢價的容忍度，勢必將面臨嚴格的重新評估。

二、模型開始重視生態圈整合，而非單點提升

OpenAI 剛正式全面開放全新的 GPT-5.6 系列模型（涵蓋 Sol、Terra 與 Luna 三大版本）。除了模型本身的迭代，OpenAI 更推出了類似 Claude Cowork 的「Work 模式」，並將 Codex 深度整合至 ChatGPT 桌面版，宣告其 SuperAPP（超級應用）的願景正式落地。

此外，同步亮相的新一代語音模型 GPT-Live，大幅減少了過往語音互動時的生硬與遲滯感，為用戶帶來宛如與真人交談般自然、流暢的沉浸式對話體驗。

SpaceXAI 則釋出了備受矚目的 Grok 4.5，這也是在收購知名 AI 程式碼編輯器 Cursor 後，雙方聯合打造的首款模型。該模型不僅在基準測試（Benchmark）跑分、執行速度與運算效率上展現強大實力，更搭配極具競爭力的定價策略，成功讓 Grok 再次躍升為業界的鎂光燈焦點。

三、可控性焦慮升溫：巨頭呼籲建立第三方安全測試機制

隨著模型能力與自主性的擴張，安全監管的呼聲也日益高漲。DeepMind 執行長 Demis Hassabis 近期提出一項計畫，建議仿照美國金融業監理機構模式，成立專責單位，負責在先進 AI 公開發布前先做安全測試，涵蓋欺騙行為、生物武器製造潛力與駭客攻擊能力。Hassabis 的提案目前仍停留在構想階段，尚無具體立法時程，但某種程度上也反映出，科技龍頭對現有自我約束機制的信心並不足夠。

四、系統穩健性工程，正成為隱形的競技場

當前的研究前緣不再只關心單一模型的智力極限，而是探討由多步驟、多模型交織而成的複雜系統，能否在現實世界充滿不確定性的環境中，持續維持穩定且精準的行為表現。

以下是近期在系統穩健性工程（Robustness Engineering）上的三大關鍵研究：

1. Google DeepMind 發表了論文《When is Routing Meaningful? Diversity and Robustness in Language Model Societies》，深入探討大型語言模型路由系統（LLM Routing System）的兩個核心維度：社會多樣性與 Routing 穩定性。

研究指出，有效的路由調度不應只看準確率，更需具備行為具差異化的「模型群體」，並確保在面對語義相同但表述微調的輸入擾動時，路由策略仍能保持一致。團隊發現，透過改編「階層式社會熵」（HSE）指標，只需不到十個精選模型，就能涵蓋大部分的行為多樣性，呈現顯著的邊際效益遞減。此外，實驗也揭示了常見的 KNN 路由器雖能提升專家模型的準確率，但面對變異輸入時卻極度脆弱；反而是基於提示詞（Prompt-based）的路由器，展現出更優異的抗干擾穩定性。

2. 威斯康辛大學麥迪遜分校 ＆ 微軟研究院發表的論文《Tracing Agentic Failure from the Flow of Success》，提出了一種名為 OAT（One-class Agent Tracing）的全新非監督式故障歸因方法，專攻 AI 代理系統失靈（Agentic Failure）的診斷難題。

傳統診斷往往依賴昂貴的人工標註，或耗時呼叫另一個強大的 LLM 來推論。OAT 的突破在於，它僅需利用「成功軌跡」來訓練，透過神經受控微分方程（Neural CDEs）建立系統在潛在空間（Latent Space）中的正常動態模型。推論時，系統藉由異常評分揪出偏離路徑的故障步驟，並結合共形預測（Conformal Prediction）技術設定可靠的偵測門檻。實驗證明，OAT 的診斷準確度不僅超越 GPT-5 等旗艦模型，推論速度更大幅飆升 200 至 5000 倍。

3. 紐約大學 ＆ AMI Labs發布的論文《AdaJEPA: An Adaptive Latent World Model》提出了一個專為潛在世界模型（Latent World Model）設計的「測試期自適應」（Test-time Adaptation）框架。

傳統模型在訓練完成後，權重便會固定，導致其在面對環境劇變或資料分布偏移時容易規劃失敗。AdaJEPA 則透過「規劃—執行—自適應—重新規劃」的閉環（Closed-loop）流程解決此問題。
在模型預測控制過程中，系統會將剛觀察到的狀態轉換作為「自我監督訊號」，即時修正預測誤差。這種方法僅需極少的運算資源與梯度更新步驟；實驗證明，這種動態調整機制能顯著提升模型在目標達成任務中的成功率與穩健性，有效克服未知環境的干擾。

結語

綜觀本週的 AI 產業動態，我們可以發現，未來的 AI 霸主，不會是那個單純測試分數最高的模型，而是那個在充滿雜訊與突發狀況的現實世界中，最不會出錯、最能讓人信任的系統。 企業在擁抱 AI 自動化紅利的同時，建構完善的防呆與容錯基礎設施，將是下一階段的首要任務。

你是否曾發現，當我們向 ChatGPT 或 Gemini 尋求靈感時，得到的答案往往千篇一律？舉例來說，如果請它們寫一句「關於時間的隱喻」，你很可能會得到「時間是一條河流」或「時間是個織布匠」這類極為相似的說法。

事實上，目前多數大型語言模型（LLM）的回答比你想像的更容易預測，而且缺乏創意。這對寫程式或研究等任務來說或許沒什麼大礙，但當你在進行腦力激盪或規劃下一次度假時，這種「集體思考（Groupthink）」就會成為一個問題。

當AI給的回答越來越類似

一個橫跨華盛頓大學、卡內基美隆大學、AI2、Lila Sciences與史丹佛大學的研究團隊，發表了一篇題為《人工蜂群思維：語言模型（及其他領域）在開放式問題上的同質性》的論文。研究中發現，單一 LLM 在面對相同的開放式問題時，即使反覆詢問，提供的答案仍具有極高重複性，不同 LLM 間的答案也高度雷同。尤其面對開放式問題時，不同的 LLM 會趨向於給出非常相似的答案。這篇論文後來在2025年11月獲頒 NeurIPS 2025 最佳論文獎。

至於原因，研究人員並沒有給出確切定論。由於各家公司的訓練細節多屬機密，因而難以完全驗證。但推測可能與現今大多數LLM使用相似的訓練資料與流程有關，例如跨區域共用類似的資料來源，或是不同模型間互相沾染了彼此生成的合成資料。

而這種現象不免讓人擔憂，當愈來愈多人習慣用AI輔助發想與決策，長期下來是否會反過來讓「人類自己的思考」也變得同質化。就像團隊所進行的實驗中，即使測試25種不同規模與家族的模型，廣大的創意空間仍被壓縮到僅僅兩三個主流概念，顯示模型在抽象思考上的多樣性能力相當薄弱。

另一方面，當模型的創意輸出集中收斂於某些強勢的文化表達，也可能在無意間壓抑了其他世界觀、傳統文化與少數群體的觀點，導致觀點單一化、甚至助長既有偏見的傳播。

當中，最受關注的長期風險是，隨著數十億使用者越來越依賴語言模型協助創意寫作、腦力激盪與決策，長期接觸這些高度同質化的AI輸出，可能潛移默化地影響人類自身的思維模式，最終削弱整體社會的文化與智力多樣性，對人類創意發展構成長遠威脅。

AI 也會不自覺地喜歡「風格與自己相似」的答案？

如果說「人工蜂群效應」揭露的是AI創意內容的貧乏，那麼另一篇研究則指出一個更貼近日常商業運作、也更令人不安的延伸問題：當企業利用 AI 評估內容時，AI 是否也會不自覺地偏好「風格與自己相似」的答案？

來自馬里蘭大學、新加坡國立大學與俄亥俄州立大學的研究團隊，發表了一篇題為《演算法徵才中的 AI 自我偏好：實證證據與洞見》的論文，正面回答了這個問題。

由於當前有許多求職者會用LLM潤飾履歷，而企業端也同樣用LLM來篩選履歷，也就是說，AI同時處於「產出內容」與「評估內容」的兩端。研究團隊想知道，當評審者剛好也是LLM時，它是否會偏袒那些「讀起來很像自己會寫的」履歷？

研究團隊找來2,245份AI尚未普及前、由真人撰寫的履歷，讓GPT-4o、DeepSeek-V3、LLaMA、Qwen等7種主流LLM分別重寫履歷中的「自我簡介」段落，接著讓這些LLM輪流扮演「履歷評審」，比較「人類寫的版本」與「LLM生成的版本」誰比較優秀。結果發現：即使兩份履歷描述的是同一位候選人、內容品質相當，LLM評審依然壓倒性地偏好自己生成的版本。更驚人的是，即使人類標註者認為人類寫的那份履歷明顯寫得更好，AI評審依然選擇了自己生成的版本。

為了了解這在真實招聘場景中會造成什麼影響，研究團隊進一步模擬了24種職業的招募篩選流程。結果顯示使用同一款LLM來撰寫履歷的求職者，獲得面試機會的機率比同樣條件的人類求職者高出23%至60%。

研究者警告，若這種優勢在多輪招募中持續累積，可能形成「鎖定效應」（lock-in effect），使得某款主流LLM偏好的寫作風格會逐漸在求職者間僵固，變相懲罰那些沒有使用「對的」AI工具的人。
好消息是，這種偏誤並非無解。研究團隊測試了兩種簡單的緩解方法：一是直接在提示詞中要求AI「不要考慮或推斷內容是人類還是AI寫的，只評估內容本身」；二是讓評審模型與另外兩個「自我辨識能力較弱」的小型模型組成評審團，以多數決做出最終判斷。兩種方法都能有效降低偏誤，尤其是多數決機制，能讓偏誤幅度減少超過五成。

AI 時代，多元性更顯珍貴

對企業而言，這意味著導入AI輔助決策，無論是腦力激盪、內容審核，還是招募方式，都可能在看不見的地方，讓原本該多元、公平的判斷，逐漸收斂成一套愈來愈狹窄、愈來愈可預測的標準答案。

身為決策者，必須意識到，過度依賴 AI 模型進行戰略評核，等於是將公司的文化與身分認同「外包」給了特定模型的訓練權重。當全世界的聊天機器人都趨向於給出同一答案時，企業真正的核心競爭力，將存在於那些被 AI 系統遺漏、具備獨特視角的人類想法中。忽略 AI 自我偏好偏差的組織，最終將面臨「人才複製人」的窘境。我們必須將「自我偏好」納入 AI 公平性審核的必要框架，否則，在追求效率的過程中，我們失去的不僅是多樣性，更是組織在變局中生存的韌性。

隨著 AI 應用蓬勃發展，各界對 AI 的討論已從日常生活的便利性、底層算力的擴充、模型應用的落地，甚至延伸至太空運算中心。然而，過多碎片化的資訊，不僅難以建立系統性的理解，容易在不同層次的討論間各說各話。對此，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。

七層架構，重新定義 AI 發展地圖

七層架構分別是第一層實體層（Physical Layer）、第二層連結層（Link Layer）、第三層神經網路層（Neural Network Layer）、第四層情境層（Context Layer）、第五層代理層（Agent Layer）、第六層協調層（Orchestrator Layer）與第七層應用層（Application Layer）。

梁伯嵩說明，底層的能源供應、半導體與基礎建設宛如人體的消化、骨骼與神經系統，是支撐 AI 運作不可或缺的軀幹機能；而扮演核心「大腦」的大型語言模型則進一步被細分為第三與第四層。其中，「第三層」涵蓋模型的底層架構與海量數據預訓練（Pre-training），宛如人類的先天資質與基礎教育養成，會將知識深度「內化」至神經網路的參數（Parameters）中；「第四層」情境層則猶如人類累積實務經驗後的自我反思，主要仰賴記憶體中的「語境（Context）」來進行動態提取與學習。

但僅有三、四層並不夠，下一步透過第五與第六層的進階框架才能發揮價值。梁伯嵩說明，第五層「代理層（Agent）」宛如剛畢業初入職場的新鮮人，必須藉由提示（Prompt）、語境（Context）、代理（Agent）與迴圈（Loop）等工程技術進行專業培訓並賦予各類工具，使其打破單一語言模型的能力侷限。然而，僅靠單一的 AI agent，即使能力再強也難以完善處理處理龐雜的專案，因此第六層建構了「團隊協調機制」，透過多個專精不同領域的 AI 代理各司其職並高效協同運作，讓 AI 系統正式具備處理複雜商業任務的全面解題能力。第七層則是各類實際應用，讓 AI 系統能在各真實情境中發揮實質作用。

梁伯嵩指出，NVIDIA 執行長黃仁勳在2026年3月所提出的「五層堆疊架構」較偏向硬體視角，其中能源、晶片與基礎建設等硬體端就佔據了過半篇幅；而七層架構則更為細緻地拆解了軟體與模型端的運作邏輯，並將大腦模型分為「參數內化學習」與「記憶體語境學習」兩個層次，並將應用端進一步細分。

AI 發展不再只是先進製程競賽，而是系統整合的挑戰

當前的 AI 算力發展呈現兩大趨勢：一是規模擴大，二是運算速度幾乎以每月翻倍的速度飆升。尤其自2017 年 Transformer 架構問世後，算力與資料投入便開始狂飆。甚至到了2022 年底 ChatGPT 發布時，單一模型的訓練已需要 3,000 至 10,000 顆 GPU 的規模。時至今日，業界在規劃的「GW（百萬瓩）級」資料中心，其內部搭載的 GPU 數量更已來到 30 萬至 40 萬顆的驚人量級。

攤開各科技巨頭的佈局，梁伯嵩指出，如 xAI 約以 8 萬顆 H100 規模進行訓練，已是當前全球頂尖水準；而包含 Google、OpenAI 與微軟（Microsoft）等企業，在 2030 年的資料中心發展藍圖，若依趨勢推算，預期將達到等效於「400 萬顆 H100」以上的超大型運算節點，未來算力需求的龐大程度不言可喻。

面對龐大的算力需求，產業首先會撞上單一晶片的物理極限。梁伯嵩指出，算力擴張不可能只靠單一顆 GPU，因為單顆 IC 的算力有其極限。因此要進一步提升算力，勢必得透過封裝技術，將晶片與記憶體整合為單一晶片，這也是目前主流 GPU 的設計方式。接著再透過 scale-up network 將多顆 GPU 串聯成運算節點(compute node)，由眾多節點組成資料中心，並以 scale-across 架構串聯跨資料中心的運算資源。

梁伯嵩點出關鍵轉變，未來 AI 算力布局已不能只仰賴先進製程，後端同樣需要先進封裝，並搭配高速的 scale-up、scale-out 與 scale-across 三種網路架構。換言之，AI 的發展不再只是先進製程的競賽，而是牽動整個系統工程設計整合的複雜挑戰。

因此，未來的 AI 硬體設計將不再只專注於單一晶片（IC）設計，而需要考量諸多要素的系統級整合戰。對 IC、製程設計及各種軟體商來說，都是挑戰，也是機會。

從提示工程到循環工程：讓 AI 突破單一模型能力的技術金字塔

若將視角轉到上層的軟體發展，梁伯嵩表示，自 2022 年以來，AI 在語言對話、助理化應用與程式撰寫等能力上持續增強，已是眾所皆知的趨勢；然而除了模型訓練本身，產業界也發展出一系列技術，讓 AI 得以發揮超越單一模型的能力。

首先最基礎的是 prompt engineering（提示工程），透過指令與角色設定，讓模型理解任務並快速回應，是多數人接觸大型語言模型時最先採用的方法，但效果有限。第二則是 context engineering（語境工程）：當任務牽涉大量專業知識，例如要求模型回答整學期電子學課程內容。單純餵入完整資料並不足夠，還需要協助模型消化、整理並萃取重點，就像是學生準備考試時將整本教科書濃縮成一篇筆記或一張小抄，唯有經過篩選與組織的知識。才能被有效調用回答問題。

第三是 agent engineering（代理工程），當 AI 被賦予使用工具、上網、查詢資料庫等強大能力時，若缺乏約束機制，反而可能失控闖禍。因此必須同步建立 guardrail（護欄機制），確保 AI 在發揮能力的同時仍在可控範圍內運作。第四層則是近期備受關注的 loop engineering（循環工程），當 AI 完成任務後，往往會誤以為工作已經到位，實際上結果可能與需求不符,因此必須加入自我驗證（verification）與反覆疊代的機制，才能逐步逼近正確答案。

梁伯嵩直言，這樣的概念並不新穎，本質上與工程界行之有年的 PDCA（計劃、執行、檢查、行動）循環如出一轍，只是如今被應用在 AI 系統的自我修正上。

再往上一層，則進入大規模協作的階段。梁伯嵩以「火星任務」為例，這項複雜任務往往需要環境探勘、基地建設、太空船維修、生態維生等不同專業角色分工合作，而這正是 large-scale agent engineering（大規模代理工程）的核心精神；其中更重要的是要有 orchestration 的協調調度，讓多個 AI 代理各自發揮所長，如同交響樂團需仰賴指揮統籌才能合奏出完整樂章。

模型能力須靠不同層次的整合

梁伯嵩強調，大型語言模型的能力養成不能只看訓練算力。模型能力其實分布在不同層次，神經網路參數中的學習只是基礎的第一層，結構化的 context memory 則對應到組織與調用知識的能力；再往上，透過工具賦能的代理工程，以及多代理間的協作運作，才能讓 AI 展現超越單一模型的整體能力。他認為，當大型語言模型未來得以與真實世界正式聯動、具備自主學習知識的能力時，AI 的表現甚至有機會超越人類既有知識的範疇。

他指出，過去 AI 的進展主軸集中在算力模型與 scaling law(擴展定律)上，但發展重心正逐漸轉移；未來若要持續向上突破，關鍵將落在 recursive self-improvement(遞歸自我改善)機制，以及多個 AI agent 之間的協作運作。

從整體產業規模切入，全球半導體產業今年產值約可達 1.3 兆美元，其中約三成、0.4 兆美元屬於 AI 相關規模；若放大到整體科技產業投資，涵蓋硬體、軟體與通訊規模約達 6.3 兆美元，其中可歸屬於 AI 的部分已占 1.4 兆美元，占比相當可觀。梁伯嵩認為，主要來自於資料中心持續建置帶動的電力相關支出，同時軟體端應用占比也逐漸提升。至於通訊產業目前雖尚未有明確的 AI 產值數字，但隨著 6G 等技術發展，通訊與 AI 的結合預期將成為未來計入 AI 產值的一環。

在流量紅利見頂、演算法變幻莫測的時代，許多企業常陷入「有流量、沒轉換」或「有預算、沒方向」的數位迷霧，盲目追逐新工具，或試圖複製他人的成功經驗。然而，數位行銷的核心從不在於操作技術的繁複，而是在於「數據洞察的變現力」與「策略架構的穩固性」。

本書作者亞歷克斯．舒茲（Alex Schultz）現為 Meta 首席行銷長暨數據分析副總裁，負責全球行銷與數據分析業務。他以創辦全球最大紙飛機網站起家，自此開啟數位行銷職涯。他在數位行銷領域的實務與方法，深刻影響企業在數位時代的成長策略。

他曾經為包括Airbnb在內的多家新創公司提供顧問建議，並兩度受邀於史丹佛大學為Y Combinator創業學校系列課程講授成長相關的主題。

在本書中，他將複雜的數位生態體系拆解為可標準化、可規模化的核心邏輯，提煉出圍繞著「轉換優化」、「增幅效果（Incrementality）」與「數據信任」的實戰框架。廣告後台雖然充斥著繁雜的參數設定與數據指標，但唯有掌握底層邏輯，才能將漫天數據轉化為真正可驗證、可放大的企業增長。

以下為精選書摘內容：

想搞懂數位行銷，應該知道的兩大原則

第一個原則是：工具會演進，但原則恆久遠（Tools evolve ,but principles are timeless.）。不管技術如何變化，終究是在做行銷。進入這個領域之前，我是物理系的學生，必須從頭學習這些原則。我所承擔的每一項新工作，不論何時接手、運用什麼工具，《奧格威談廣告》這類書籍提供的建議都依然適用。整個職業生涯始終如此。

然而，有時人們看到新工具，會迷失在科技的複雜性裡。以手機應用程式的推播通知為例：你如何打造一個應用程式？怎麼請求推播權限？如何註冊push token（推播識別碼）？一開始要怎樣發送通知？人們可能問一堆這類問題。當推播通知開始風行時，許多公司確實也這樣做，卻沒有退一步思考真正讓這個工具有效、歷久彌新的行銷原則。

對我而言，以行銷為目的推播通知是直接郵件（direct mail或DM，是大衛．奧格威口中他的「初戀」和「祕密武器」）漫長系譜中最新一代的後裔。在1980年代和1990年代，這些DM廣告透過郵局寄送，被寄到某人家門口的信箱。DM必須讓人有想要拆信、閱讀和採取行動的吸引力。收件人地址必須是最新的，這是物流工作上的惡夢。而且，你身為行銷人員，必須證明「每一封多寄的信」帶來的額外效益，因為每一封信都必須付費。在1990年代和2000年代初，DM開始數位化。電子郵件免費，美妙的郵件標題可以誘使人們打開信件。不過，你還是需要正確的電郵地址，而且你的訊息可能被標注為垃圾郵件，這表示以後你可能再也沒辦法寄電子郵件到那個地址。

在2000年代和2010年代，像我這樣的行銷人員開始加入簡訊（SMS）的行列。簡訊能傳達的訊息空間更小，而且不像電子郵件，我們必須付費傳送，這點倒是和傳統郵件非常相似。我們仍然需要最新的正確地址（也就是手機號碼），也需要評估傳送訊息的增幅效果（incremental results）。此外，被標注成垃圾訊息同樣是個問題。

到了2020年代，我們可以使用推播通知。不管透過什麼管道，傳送、衡量和影響的原則始終不變。可以肯定的是，不管未來出現什麼新管道，這些原則照樣成立。這個指導原則在大多數線上行銷工作上都適用。理解這些共通性，能幫你運用幾十年來發展出的整體行銷知識，即便一開始面對新工具時仍會有點不知所措。

第二個指導原則是：增幅效果就是一切。增幅效果是指你可以證明因你的行動所產生的效果。換句話說，你要問的是：如果沒有做行銷，會產生任何效果嗎？理想的答案是「不會」。但通常如果我們適當的自我檢視，答案是「會」。真正的問題在於，沒有行銷的話，效果會降低多少？

這個指導原則最經典的例子，是加州大學柏克萊分校教授史蒂夫．塔德利斯（Steve Adelis）在eBay所做的線上搜尋研究，但當時我已經離開那家公司很多年。公司買下「eBay」這個關鍵字，讓用戶搜尋時會出現他們的線上市集。塔德利斯假設，那些點擊廣告的用戶，就算eBay沒有買這個關鍵字廣告，也照樣會轉換成銷售數字。因此，eBay等於把廣告費花在原本就會轉換為顧客的用戶身上。他隨後進行實驗，證明eBay行銷團隊以為透過搜尋「eBay」關鍵字而來的大多數用戶，其實本來就會使用這個平台。根據這個研究，eBay等於浪費錢做幾乎毫無效果的事，並沒有創造多少增幅效果。這就是「追蹤人們點擊廣告後的情況」與「透過實驗驗證廣告實際影響力」兩者的根本差異。

為何追蹤增幅效果如此重要，另一個原因是詐欺問題。Uber是我最喜歡的例子。在2010年代後期的叫車應用程式爭霸戰中，Uber投入數億美元的廣告費。行銷長凱文．弗里施（Kevin Frisch）發現，他關閉一些據稱會推動成長的廣告時，實際成長並未下滑。他震驚之餘，進一步挖掘數據，發現有些公司不當使用Uber的追蹤系統，冒領用戶註冊的功勞，藉機詐取Uber數百萬美元獎金。Uber提告並贏得訴訟，為公司省下後來幾年數億美元的費用。這類案件很少公開，也讓它成為大家喜歡援引的案例，因為至少有些細節可以公開討論。

「工具會演進，但原則恆久遠」以及「增幅效果就是一切」，這兩個指導原則在我的職業生涯都發揮功用，不論你的事業規模大小，同樣適用。儘管我經常分享這些建議，但它們其實只觸及數位行銷驚人力量的一點皮毛。實踐的細節複雜而且微妙，如果只給你這兩個原則就讓你自行摸索，將會誤導你。的確，這兩個原則引導我所有的工作，但要真正掌握數位行銷的精髓，需要一整本書，就像你此刻手中拿的這本書。

本文節錄自《點擊成長：Meta行銷長親授，數位廣告投放、轉換、數據分析全攻略》由天下文化 授權提供。

過去幾年，以大型語言模型（LLM）帶動的生成式 AI 掀起全球產業革命。如今，產業界正積極嘗試將原本存在於雲端的運算能力植入實體設備之中，讓 AI 真正走進物理世界。在 AI TAIWAN 未來商務展上，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，2030 年前後有機會成為 Physical AI 技術成熟與商業落地的甜蜜點。

他也強調，在這波「具身智能（Physical AI）」浪潮中，機器人所需的實體操作數據，這些無法單純從網路上取得、僅存在於工廠等封閉環境中的「特定場景實體數據」，將成為產業競爭的核心關鍵。率先掌握這類數據的公司，有機會在這波浪潮中建立難以複製的資產與競爭優勢。

迎接第三波「具身智能」革命

機器人的發展並非一蹴可幾，回顧歷史，全球機器人產業共經歷了三波關鍵的演進浪潮。第一波興起於 1960 年代，主要與汽車工業發展相關，美國 GM、日本豐田等大型製造商投入大量資源，發展出至今仍在工廠中運作的大型工業機器人。2005 年前後則是第二波，美國國防高等研究計劃署（DARPA） 因應國防需求，贊助了多個國家實驗室，技術外後溢帶動大量新創公司誕生，包括協作型機器人、iRobot，以及 KIVA、Boston Dynamics 等自主移動機器人（AMR）。

徐宏民指出，近兩年興起的第三波浪潮，主要受惠於大型語言模型的進步，產業開始嘗試將大模型能力導入硬體，發展出「具身智能」（Embodied AI）。這不僅是目前最受矚目的焦點，也預期將對第一代、第二代的機械帶來破壞性衝擊，為產業帶進許多新的創意與機會。

以電商龍頭 Amazon 為例，目前全球的物流中心中，共有超過 100 萬台機器人與人類協同作業，每日運送超千萬個包裹。然而，徐宏民指出，這波效能躍升背後最大的關鍵並非技術本身，而是工作流程（Workflow）的徹底改進。不過，目前的第二波機器人仍存在侷限性，多數只能在工廠或倉庫設定好的固定路線行進，缺乏真正的「完全自主性」。

他認為，要跨越固定路線、實現真正的完全自主性，意味著機器人能在開放場景中完成指定任務，不需要人類一步步教導，在特定場景中甚至能持續執行超過一小時以上的連續任務。而這能力躍升的關鍵，就在於於視覺-語言-動作模型（VLA, Vision-Language-Action）的重大突破。

讓機器人從自動化到完全自主的 VLA 模型

徐宏民進一步說明，VLA 主要由兩個部分構成：一是負責思考判斷的「VL」（視覺語言）組件，功能類似人類大腦；二是負責執行動作的「Action」組件，類似小腦或脊髓的反射機制，並延續過去機器人研究的成果，讓機器人得以執行長序列動作。兩者協同運作，是近幾年最關鍵的技術進展。這類模型大小約 3 億到 50 億參數規模，卻已可在終端裝置上即時運算，但真正困難的部分在於，模型如何在實體世界中執行動作、並提供毫米級誤差的三維定位精準度，這才是技術落地的最大挑戰。

為了解決這個問題，業界普遍採用「模仿學習」（Imitation Learning），企圖讓機器人在動作（Action）端的表現更加精準確實。但因為機器人訓練所需的資料，與大型語言模型的資料本質不同，大模型仰賴全世界網路上的文字、圖片與影像資料進行訓練，機器人卻缺乏對應的網路規模資料資料可供訓練。

掌握特定場景資料將有絕大機會

徐宏民指出，礙於成本與現實考量，目前不論是美國或中國的核心新創企業，都已將資料採集重心轉向兩種替代方式：其一是讓人穿戴外骨骼裝置與 IoT 感測器，記錄人類完成任務時的動作軌跡與手部細節，藉此教導機器人具備自主完成任務的能力；其二則是借助網路上大量的 YouTube 影片，透過演算法將影片中的人類動作，轉換為機器人可執行的運動軌跡。這兩種方式，也是目前業界克服資料荒最普遍採用的做法。

正因為實體環境的資料規模遠低於大型語言模型所需，幾乎所有團隊如今都已將重心轉向機器人落地後的「線上學習」（Online Learning）。也就是讓機器人在實際運行環境中持續學習與優化。不過，徐宏民坦言，這仍是一項許多團隊仍在嘗試突破，且尚未解決的開放性問題（open question）。

因此，他也提醒，若企業手中握有特定場景，或工廠具備成為落地應用的條件，並與獨特的實際場景緊密結合，這對以製造業見長的台灣而言，將是一個值得把握的重要機會。

「關節」與「靈巧手」是硬體考驗

除了軟體之外，硬體是否也需要變革呢？徐宏民說，不同於自駕車的成本集中在電池與馬達，機器人的成本核心在於驅動關節的致動器（Actuator），主要由馬達、減速器、編碼器三大元件構成，用以控制力道與速度，再搭配輸入端量測與驅動器（driver）控制機械運作。一般人形機器人約有 25 到 30 個自由度（關節），其中雙手就約佔 12 個；致動器成本約佔整體機器人成本的五到六成，是目前技術尚未完全成熟、卻極為關鍵的一環。

另一個關鍵瓶頸則是「手」。徐宏民坦言，這是他的實驗室今年（2026 年）才真正意識到的一大障礙。團隊已嘗試讓機器人開面板、開鎖、甚至畫畫，卻發現即使 AI 模型已具備足夠的思考推理能力，實體端的硬體卻「做不出來」：也就像是大腦知道該怎麼做，手卻無法配合執行。因此，靈巧手（Dexterous Hand）在這一兩年間變得格外重要。靈巧手必須在極小的體積中容納多種關節，每根手指還需搭載不同的觸覺感應器（tactile sensor），用以偵測抓取過程中的壓力、溫度與濕度等細節，藉此進行更精緻的控制。然而，這項技術目前成本仍高、開發路線尚未收斂，也因此蘊藏大量硬體創新的機會。

受惠電動車產業，預期 2030 年將迎來「黃金交叉」甜蜜點

那麼，整體硬體成本何時能大幅下降？徐宏民預估，將在 2030 年前後迎來「黃金交叉」的甜蜜點，總成本有望降至約 1.6 萬美元。由於機器人的關鍵零組件與電動車高度連動、規格要求相近，受惠於電動車產業的大規模量產，將帶動整個具身智能硬體成本持續下降。他也補充，VLA 模型與多模態大模型的能力，同樣預期在 2030 年左右趨於成熟，意味著屆時軟硬體有機會同步到位，達到可以大量生產商業化的條件。

除了硬體，徐宏民也點出目前最難突破的技術瓶頸：長序列（Long-horizon）任務。他指出，機器人執行單一重複性任務，如物件分類的表現已相當不錯，且能持續運作超過一小時；但面對需要主動拆解、規劃的複合任務，難度則大幅提升。他以「請機器人裝水喝」為例，看似簡單的三個步驟，實際上機器人需要拆解成 15 到 20 個子任務才能完成，且過程中經常遭遇無法預期的突發狀況，暴露出機器人在深度推理與臨場應變上仍有明顯落差。相較之下，數位 AI agent 在「連續完成長時間任務」的能力上，近一兩年已有顯著提升，部分模型已能連續完成相當於人類工作八小時份量的任務。徐宏民認為，physical agent 距離這樣的水準目前仍有困難，但仍具突破潛力。

最後，安全法規將是實體 AI 邁向大眾產品前的最後一道關卡。徐宏民以自動駕駛產業為例，車輛在過去三年間，歷經 ISO 26262 等一系列極為嚴謹的法規驗證程序，才得以確保軟體控制下的行車安全，並獲准在各主要市場銷售。他預期，機器人產業接下來也將經歷類似的嚴格驗證歷程。

2026 關鍵佈局：硬體與資料

徐宏民認為，若產業普遍預期 2030 年將迎來成熟的商業轉折，那麼現在的 2026 年，正是產業必須大舉佈局的關鍵時刻。硬體方面，致動器與「手」的技術演進，將是決定機器人發展走向的核心變數，目前尚未出現絕對壟斷的硬體方案，這些零組件的技術進展值得持續關注。應用場景則不會一次到位，而是從特定場景開始，預估 2030 年後才能逐步擴散至更廣泛的場景。

他強調，機器人所需的實體資料，並非單純連上網路就能取得，而是來自網路無法生產、僅存在於工廠等封閉環境中的實體場景數據。徐宏民預期，在這波浪潮中，率先擁有特定場景實體數據的公司，將建立起難以複製的巨大資產，成為 physical AI 時代中最具特色的競爭優勢。

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 的發展仍然朝著能夠「變現」的路上邁進。

一、產品發布從智慧展示到強調工作力部署

1. Anthropic宣稱推出更具agentic 特性且價格更親民的模型：
   這次所發布中階模型系列的 Sonnet 5，官方不強調推理分數，而是稱其為「迄今最 agentic 的 Sonnet」，它能操作瀏覽器、操作終端，並執行更長時間的任務。更重要的是，定價更親民。
   這意味著，當模型已經「夠聰明」,下一步的競爭力將來自能不能撐過長時間的任務、是否能夠自己動手操作環境，以及能否以合理的成本大量部署。

2. Meta 正朝向穿戴式裝置領域投入
   Meta 則推出Brain2Qwerty v2 ，這是一套非侵入式腦部掃描系統，與初代只能辨識單字的版本不同，新版本能讀取完整的單字及其語意，準確率逼近過去需要手術植入裝置才能達到的水準。另一方面，Meta 與 EssilorLuxottica 合作，推出售價 299 美元的新款智慧眼鏡「Meta Glasses」，提供多種顏色、鏡片與鏡框組合，內建 Muse Spark AI，以提供更聰明的問答與更強的視覺理解、路線導航和即時翻譯功能。這顯示，Meta 正積極投入AI 穿戴式裝置領域，企圖將 AI 從螢幕裡的助理，變成戴在身上、隨時待命的日常工具。

二、地緣政治與監管：AI 產業正在半公共化

之前 Anthropic 的 Fable 5 模型因美國商務部的出口管制一度暫停使用，如今管制解除，Anthropic 已恢復其使用權限。該模型回歸時採用了更嚴格的過濾機制，同時 Anthropic 也承諾向美國政府提供其未來模型在發布前的訪問權限。有趣的是，沒過多久，資安研究員 VittoStack 仍費盡九牛二虎之力（耗時 20 小時）再度越獄成功，這顯示防護機制確實更強了，但攻防競賽並未停止。

《金融時報》也報導，OpenAI 曾討論讓美國政府取得 5% 股權，並提議其他美國 AI 公司也採類似安排。這很難不讓人聯想，AI 公司與政府間的關係正變得更緊密，且 AI 基礎設施逐漸不再被視為單純的商業產品，而是被當成一種「準公共資產」來看待與管理。

三、小而準的模型與模型的內心話

AI 新創 Thinking Machines Lab 近期攜手全球最大的對沖基金橋水基金，共同發布一項研究結果，該研究針對金融分析師日常的「新聞篩選與投資任務」，實測了多款頂級規格的閉源大語言模型（LLM）。結果顯示，一款基於橋水基金內部專業判斷所訓練出的小型客製化 AI 模型，不僅在表現上超越所有前沿大模型，更大幅壓低了運算成本。

這項實測再次印證了一個關鍵趨勢：在高度垂直、重複性高的企業工作流程中，「小而精準」的專屬模型往往勝過「大而全能」的通用模型。這意味著，深度客製化與領域知識（Domain Knowledge）的賦能價值，已然超越了單純的模型參數規模。

Anthropic 的最新研究也揭示，大語言模型（如 Claude）並非只是將海量數據扔進神經網路的黑箱中處理；而是在模型內部會「湧現（Emerge）」出一個微型、且可被特定工具部分讀出的內部思考工作區，研究團隊將其稱為「J-space」。

當模型在執行多步驟的任務時，那些沒有轉化為文字輸出、僅在「心裡盤算」的推論過程，會部分在 J-space 中浮現。這宛如認知科學中的「意識存取（Conscious Access）」現象：人類將潛意識接收到的特定感覺或資訊，從無意識的處理階段提升至大腦高級認知處理階段，可被多個認知系統取用。這項發現並非證明 AI 有意識，但是對 AI 安全性（AI Safety）具有重要意義。過去，我們只能被動檢視 AI「最終說了什麼」；如今，我們終於有機會打開手電筒，直接觀測 AI「當下正在想什麼」。

四、如何讓 agent 可靠地工作

以下幾篇論文多半圍繞著同個核心挑戰：模型會生成答案已經不難，難的是怎麼確保它做的事符合人類意圖、也真的可信賴。

• 阿里 Qwen 團隊的《The Verification Horizon》指出，隨著模型推理能力提升，生成解方不再是瓶頸，但如何精準驗證是否符合人類意圖才是主要挑戰，而且固定的獎勵機制容易引發 reward hacking (作弊)。為了應對此難題，該論文提出了驗證系統需與生成模型共同演化的架構 (類似 GAN)，並從可擴展性、忠實度與穩健性三個維度衡量驗證品質。研究分析了四種驗證模型：單元測試驗證、互動式代理評測、使用者驗證機制與長途徑任務的動態代理評分。實驗證明，透過整合自動化測試、行為軌跡監測與使用者驗證等多層次驗證，能有效引導模型學習真正的軟體工程實踐。
• 耶魯與 Google Research（Yale & Google Research） 所提出的《RLMF》則想解決 LLM 常見的過度自信與幻覺問題，提升模型表達不確定性的真實性。透過後藉認知回饋 (Metacognitive Feedback) 機制，獎勵模型準確評估自身表現的能力，而不僅僅是產生正確答案。作者設計了兩階段架構，先利用 RL 校準數值信心評分，再將其轉化為自然且具備情境適應性的語言不確定性表達。實驗結果顯示，這種方法在多樣化的任務中均達到頂尖的校準效能，同時能有效保留模型的運算準確度。
• 史丹佛的一篇論文介紹了《AutoMem》架構，將記憶管理當成一項可訓練的認知技能，藉此提升主 LLM 處理長程任務的表現。該架構將檔案操作整合進模型的行動空間，並透過雙層外循環進行自動化優化：第一層由 Meta-LLM (閉源商用模型) 檢視完整執行紀錄並改良記憶架構，第二層則針對內部記憶專家模型的記憶操作熟練度進行微調。實驗顯示，使用 32B 參數的開源模型，在複雜遊戲任務中效能提升二到四倍，說明比起單純擴大 LLM 規模，精確的記憶控管更是強化長時程決策能力的關鍵要素。

小結

從這兩週的 AI 發展可以發現，業界的競爭焦點，已從單純比拚「模型智商」，轉移到了「系統續航力、工具調用、落地部署與可信賴度」的全方位考驗。無論是 Sonnet 5 的 agentic 定位、Meta 眼鏡的日常穿戴化、橋水客製模型的降本增效，或者另外三篇論文皆不約而同針對「可驗證性」進行討論，所有的進展都指向，技術不再只是實驗室裡的展示品，AI 產業正在認真地把「展示能力」換算成「交付價值」，變現的路徑也因此越來越清晰。

許多企業都深知資料是驅動人工智慧的關鍵。然而，近年台灣企業在積極推動 AI 轉型的過程中，卻普遍面臨相同的困境：即便導入了高階工具與模型，實際成果仍不如預期中的理想。

對此，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。

在 MIT 針對美國重型機械巨頭卡特彼勒（Caterpillar）的研究簡報《Data Liquidity Levers at Caterpillar》中證實，資料流動性高的企業，不論在客戶體驗、產品上市速度或數據決策表現上，都遠優於同業。真正拉開競爭差距的，是誰能讓資料跨越部門與系統的壁壘，無阻礙地被 AI 模型重複調用。然而，資料流動性不會憑空發生，若企業沒有針對基礎架構、資料準備與數據治理做出「刻意的策略布局與長期投資」，組織很難大規模重複運用資料，這也限制了企業能從數位與AI投資中獲取的價值。

資料流動性是驅動 AI 商業模式的核心引擎

所謂的資料流動性，是指資料資產在不同應用情境與組織邊界之間，被重複使用與重新組合的容易程度。在高度流動的資料環境中，資料能夠自由流轉，讓員工、系統和 AI 模型都能順暢地調用數據，而不會產生不必要的摩擦、延遲或重複開發的浪費。

研究團隊指出，在當今的數位經濟中，資料流動性正是驅動 AI 商業模式、打造無縫客戶體驗與自適應營運（Adaptive Operations）的核心引擎。資料流動性高的組織，不僅能更高效地重複利用資料、大幅降低因資料重複而產生的成本，更能讓關鍵洞察在企業內部更廣泛地共享。

重機具巨頭 Caterpillar 的資料轉型

為了解企業如何大規模釋放資料流動性，Wixom及其合作研究員Joaquin Rodriguez、Gabriele Piccoli和Cynthia Beath 針對全球重機具製造巨擘卡特彼勒（Caterpillar）展開了為期多年的追蹤研究。

這家公司面臨的挑戰極具代表性，既要處理全球數百家經銷商的繁雜介面，又要迎接來自龐大物聯網（IoT）感測器的海量數據。 這種「資料高度複雜且分散」的狀況，正是傳統製造業的典型痛點，對於許多同樣以製造業起家、正處於轉型十字路口的台灣企業來說，具有極高的借鏡與參考價值。

做為擴大服務業務核心策略的一環，Caterpillar 鎖定了三個關鍵的實務著力點，用以決定資料究竟會成為可複用的戰略資產，還是繼續困在部門孤島之中。這三個著力點分別是資料架構、資料準備和資料權限。

一、打造可重複使用的資料架構（Data Architecture）

Caterpillar 面對複雜且分散的資料環境，包括各部門應用系統各自為政、擁有數百個相互獨立的經銷商介面，且全球營運中的機具每天都會產生數百萬條詳盡程度不一的聯網感測訊號（Telematics）。為解決該痛點並支援多元的 AI 與業務應用場景，Caterpillar 重新設計了一個模組化平台。該平台採用清晰的分層設計：包含輕量化的「應用層」、提供彈性對接的「服務層」，以及專為重複使用而建置的「資料層」。

資料會經過不同階段流動，從原始擷取到驗證、標準化，再進入具有明確所有權的穩定主資料集或組合式衍生資料集。這樣的架構讓Caterpillar能建立可重複使用的資料產品，例如車隊清單資料集，減少重複作業、加快開發速度，並提升顧客體驗的一致性。

二、深化「資料準備」（Data Preparation），精準對齊營收策略

Caterpillar 優先整理可重複使用的資料，特別是能夠直接支援其服務收入策略的客戶、聯絡人和資產主數據。包括記錄了設備擁有者的客戶資料；公司需要聯繫的客戶聯絡人資料；紀錄客戶全部設備的資產資料。這些資料集結合起來，讓公司能夠解答關鍵商業問題，像是「當某台特定大型機具需要汰換時，該由哪一位客戶聯絡人負責」。

為了確保這些資料資產具備可靠性，Caterpillar 成立了資料品質專責小組（Data Quality Group）。該團隊制定了四個品質等級，並將演算法、統計學及機器學習技術轉化為「可重複調用的服務」，用以驗證資料。同時，系統會持續監控資料品質，一旦偵測到異常欄位或錯誤紀錄，便會立即發出警示，交由資料管家（Data Stewards）進行即時修復與校正。

三、兼顧安全與效率的「資料權限控管」（Data Permissioning）

存取權限是資料流動性能否真正創造價值的最後一道關卡。Caterpillar遵循「最小權限」原則，只給予員工完成任務所需的最少存取權限。

團隊也辨識出敏感或機密資料，確保只有特定角色的員工能夠存取。一個存取申請入口網站，協助員工了解自己角色可用的資料集、權限與物件範圍。

把資料當資產，才能持續創造價值

建立高度的「資料流動性」，從來都不只是 IT 部門的事，而是一項需要全面協調技術、流程與治理的領導層管理課題。透過精心建構資料架構、投資戰略性的資料準備，並確保安全訪問，組織可以提高資料重用率，並加速從數位化和分析計畫中獲得價值。

Caterpillar 的經驗提供一個值得思考的視角，當企業不再把資料僅視為系統運作後留下的記錄，而是可重複使用的資產時，才能更有效地擴大創新規模，創造持續性的商業價值。