全球正進入一個高成本、低成長的時代，環顧四周，僅台灣與韓國仍維持相對亮眼的成長動能，這股動能，幾乎全數來自 AI 伺服器相關產業。但對台灣企業而言，即便擁有扎實的產業底子，也不代表就此高枕無憂，而企業競爭力的關鍵已不再只是資源多寡，而在於能否做出更快速、更精準的決策。

人工智慧科技基金會執行長長溫怡玲日前在「鄧白氏中小企業菁英獎」頒獎典禮分享相關調查內容時表示，當人人都能使用生成式 AI，且完成相同任務所花費的時間也大致相近時，真正決勝負的關鍵，便不再是「能否使用 AI」，而是企業如何在AI的基礎上，善用策略與資源脫穎而出。她指出，目前許多企業雖已導入 AI，但無論在商業效益或價值創造上，都尚未產生任何實質成效。

「有用 AI」不代表「AI 有用」

根據人工智慧科技基金會2026年所發佈的台灣產業AI化調查報告顯示，企業導入 AI 的比例明顯提升，「Ready AI」與「Scaling AI」合計達 47.8%，這意味著台灣產業 AI 化正式邁入主流擴散的臨界點，企業已不再仰賴政府開課，而是能自主展開行動。

當產業對 AI 的應用已從觀望逐步邁向落地，如何將工具導入真正轉化為營運決策，仍是多數企業共同面臨的課題。為了解答這個問題，美商鄧白氏與人工智慧科技基金會（AIF）合作進行「Top 1000 中小企業 AI 決策力調查」，觀察中小企業如何從 AI 工具導入，逐步邁向營運與決策應用。

調查顯示，目前約有 63.1％的中小企業，仍停留在 AI 導入的前兩個階段；此外，高達 86.7％的中小企業，其投資決策尚未正式落地執行。針對此結果，溫怡玲認為，多數企業在 AI 投資決策上，仍停留在評估投資報酬率（ROI）的階段，但 AI 應用往往需要經歷大量失敗與反覆迭代，才能累積出真正可用的成果。這樣的過程，對資金運用必須錙銖必較的中小企業而言，形成了績效評估上相當嚴峻的關卡。

這正凸顯了「治理決策」的重要，因為治理包含了「要不要用 AI？」「怎麼用？」「要交給哪個部門負責？」「定義成功與失敗的標準？」「在什麼情況下該判斷放棄？」這些屬於決策的課題，最終都必須回到經營者身上，每一項都是經營者的挑戰。

而當企業真正進入「應用」階段時，所需要的則是「執行」層面的能力，其中最關鍵的兩項要素，就是數據與流程。

AI Ready已經不夠， AI-Agent Ready才是關鍵

從導入目的來看，「降本增效」仍是多數企業導入 AI 的首要目標。但溫怡玲提醒，降本增效多數企業都能做到，並不足以構成真正的競爭優勢；真正能決定勝負的關鍵，在於企業對自身數據的掌握程度，以及組織文化是否具備快速整合新資料、落實人機協作的能力。尤其組織文化與營運策略的建立，都不是 AI 或任何技術能夠代勞的課題。

在相關技術快速發展的影響之下，算力有很多種不同的配置，模型也有各式各樣可供選擇，唯有「數據」是企業發展 AI 時始終無法迴避的關鍵要素。溫怡玲說，數據分成很多種，其中一種是龐大資料的堆疊，看似規模驚人，卻尚未整理成可供 AI 有效運用的狀態。資料量龐大，不等於準備就緒；唯有「AI Ready」的數據，才能真正發揮效益。

她觀察到，企業目前面臨的挑戰，在於如何定義並整合真正關鍵的數據。當企業的數據，以及 ERP、CRM 等跨部門資料與系統的整合程度越完整，AI 導入的進展就會越快。當企業著手導入 AI、開始整理數據時，勢必也需同步梳理內部流程；而在這個過程中，往往會發現企業內部存在許多過去未曾察覺的業務斷點。她表示，只要能將這些斷點重新串接起來，即便不採用高深的 AI 技術，也能看見明確的成長。

另一方面，「AI 人才」的定義，與 2017 年相比也已出現顯著轉變。溫怡玲建議，企業可善用數位發展部發布的人才指引作為參考，並透過內部重新賦能（reskill）現有員工，以彌補招募工程師的成本缺口。

她強調，企業內部真正解決問題的關鍵，往往不是工程師，而是第一線實際面對業務的人員，他們最清楚哪些問題適合交由 AI 處理、哪些則否。

生成式 AI 熱潮下的兩極化產業落差

調查也呈現出各產業 AI 化現況的明顯落差，部分產業 AI 化比例特別偏低。溫怡玲解釋，這波 AI 進展主要由生成式 AI 帶動，而部分產業本身在生成式 AI 的應用上相對有限，它們所需要的，可能是邊緣 AI 或端對端的應用，而非網路服務型態的應用，因此生成式 AI 在這些產業中的應用率相對較低。

而不同產業前面臨的具體困難也都不同。以傳統製造業為例，最大的挑戰在於過去許多資訊系統採外包模式，導致數據並未掌握在企業自己手中；如何取回數據所有權、如何與原有資訊廠商協調合作，成為關鍵課題。同時也發現，全台約有五成企業在導入 AI 時，第一個尋求合作的對象，正是原本既有的資訊系統廠商。

除了數據治理與人才缺口之外，企業普遍表示，導入過程中真正需要的，是經過驗證的成功應用案例。對此，溫怡玲認為，重點並非直接複製他人做法，因為每家企業的目標與數據條件都不相同；真正的價值，在於理解他人從零到一的完整歷程，再依據自身情況調整出適合的路徑。她也提到，企業在導入過程中普遍需要導入顧問或技術顧問的協助，以應對過程中必然出現的種種問題。

而AIF 因較早投入此領域，已觀察過數百個失敗案例，期望能協助企業站在他人的失敗經驗上，提高自身成功的機率。她也強調，單純觀望或聆聽課程，並不足以真正推動導入，唯有實際動手，才能看見成果。

潛藏風險： Shadow AI 與 AI Slop

另一方面，隨著內部員工使用AI的比例提高，企業目前需要注意的另一項隱憂則是「Shadow AI（影子 AI）」。溫怡玲引用國外調查數據指出，目前已有約八成員工在工作中私下使用 AI 工具，但企業對於員工究竟傳出了哪些資料、又帶回了什麼樣的生成內容，幾乎毫無掌握。

她建議，企業可從兩個方向著手：首先，應針對內部資料進行機密程度分級；其次，再依據分級結果，建立相對應的使用授權機制。

伴隨員工使用AI產生的負面影響還包括了「AI Slop」（可暫譯為「AI 垃圾內容」）的出現，這個去年的年度關鍵字之一，指的正是 AI 生成後未經把關、品質低落的內容。這樣的現象目前已大量出現在工作場域中，對組織整體競爭力恐帶來負面影響。

因此，溫怡玲建議，企業在導入 AI 的同時，應同步檢視員工的技能是否真正因此轉化，能否承接更具價值的新任務，並創造出因 AI 而生的新價值。

她特別提醒，多數企業目前仍停留在「將重複的工作交由 AI 取代」階段，但下一個關鍵問題是：當這些工作被取代之後，員工該投入哪些更具價值、更有發展潛力的工作？這是每一位經營者都必須共同思考的課題。

數位發展部部長林宜敬近年大力倡導資服業者從「專案化」轉向「產品化」，降低營收對人力的依賴。根據人工智慧科技基金會（AIF）的研究，不少積極的業者已意識到 AI 帶來的產品化機會，但「市場在哪裡」與「如何收費」仍是發展產品時最關鍵的兩大難題。

為協助業者跨過這道門檻，AIF 攜手資策會推動《2026 資訊服務業者經營賦能計畫》，日前舉辦產品化經營核心課程，由人工智慧科技基金會執行長溫怡玲主講首場課程，透過創新用途理論，引導業者從思維轉換出發，走向實際應用，提供從專案型服務邁向產品化經營的方法論，讓技術能力轉化為具市場價值的創新產品。

先搞懂客戶「為何要用 AI」？以用途理論拆解資服業產品化關鍵

溫怡玲回顧，創新的焦點從早期的技術創新，走向產品創新，再到以 iPhone 為代表的顧客體驗創新。過去企業看顧客，多半著眼於性別、學歷、居住地、收入等個人資料，但用途理論關注的是另一件事：顧客拿產品來做什麼？換言之，關鍵在於真正理解使用者

同樣的道理也適用於客戶的 AI 導入需求。客戶為什麼需要 AI？最淺層的理由，往往只是「朋友都在用」。但如果客戶並不清楚自己為何要用 AI，即使協助導入，後續仍容易累積許多不滿。這些不滿並非誰的過錯，而是因為客戶才剛開始思考：究竟要拿 AI 來做什麼？
「客戶的任務與用途，才是決定產品前途的關鍵，」溫怡玲建議，當客戶自己也說不清楚時，業者一開始就必須協助共同釐清：要用 AI 完成什麼任務？我們對於顧客的了解，以及對「顧客的顧客」的了解，會決定產品開發能否成功。

AI 產品業者如果只想賣產品，就會落入陷阱

用途理論的核心在於，人們購買的並非產品或服務本身，而是希望讓生活變得更好。若無法讓顧客感受到「變得更好」，他們就不會購買，即使買了也難以持續使用。
溫怡玲以線上課程為例，人們購買網課，多半出於「想成長、想變聰明」的心理需求，但買完之後，因為沒看完也不會怎樣、工作又忙、課程可以無限期觀看，完課率因此偏低。對賣課的人來說，交易完成就已達成目的，使用者有沒有看完並不重要。但是，AI 產品業者若只想著把產品賣進去，就會落入「AI無用」的陷阱。

溫怡玲建議，AI產品業者要在意的真正問題是，當使用者導入後是否真的感受到有價值？這還要進一步針對不同情境進行拆解，包括對主管、對人資、對第一線使用者等不同利害關係人，「有用」各自代表什麼，才會清楚知道產品對使用者真正的價值。

但當我們想針對消費者進行市場調查，期待能更了解消費者時，溫怡玲提醒，許多人誤以為消費者在調查中說出口的，就是他們真正想要的，但事實並不盡然。

有一個廣為流傳的案例。某音響廠商召集受訪者，詢問新款喇叭該用什麼顏色。受訪者以「品牌要有年輕活力」為由，一致選擇以亮黃色取代經典的黑色。但研究真正的關鍵在結束時：廠商說要感謝參與，讓每人自由挑選一台喇叭，結果不約而同都挑選黑色。

因此，她提醒，不能只聽消費者怎麼說，還需要細膩的觀察，並盡可能搭配實際行為的第一手資料加以驗證。

AI技術複雜變化快，企業別「等發展成熟」

評估如何協助企業客戶導入 AI，溫怡玲建議，可從兩個面向切入。第一是需求：對企業是否高度需要，也就是「有沒有用」。但老闆覺得有用，與員工覺得有用，可能並不一致。第二是技術是否成熟穩定。最理想的情況，是技術成熟穩定、又是客戶高度需要的項目，能快速看到成效。

至於有時候會聽到企業說：「等 AI 技術成熟再決定」。溫怡玲也建議，業者應先與客戶溝通，AI實質上 只是一個籠統的概念，其中包括的技術種類繁多，實際上並不存在整體「成熟」的可能。

面對企業客戶，溫怡玲建議先釐清三件事：想達成什麼效益、有沒有能力做到（例如連一位工程師都沒有，就很難自建地端伺服器）、準備度如何。而不同規模的企業，卡關點也不同，例如中小企業多半覺得缺人、缺資料；大型企業常是組織受限於穀倉效應（silo effect），對於新創企業來說是不小的挑戰。

Shadow AI與workslop，是隱憂也是商機

溫怡玲提醒，不少企業以為只要先讓員工購買 AI 帳號，再導入專屬模型，最後導入 AI agent，就能一步步完成AI轉型，但這套做法在現在的環境已不適用。資服業者必須先正視以下兩大隱憂。

其一是影子 AI（Shadow AI）。根據國外資料，今年初約有八成專業工作者坦承在工作中使用生成式 AI，但僅約一成企業有實際的管理與治理機制。溫怡玲透露，台灣的數據差距可能更大。因此，她提醒企業，務必掌握員工將哪些資料上傳至 AI，並及早建立治理機制，以降低後續風險。

其二是「workslop」，這是去年的全球年度關鍵字，意指員工借助 AI 大量產出、看似完整卻品質低落的工作成果。《哈佛商業評論》（HBR）也曾針對此現象進行研究。

在研究中發現，收到workslop的人往往陷入兩難。要不要幫忙修改？一旦幫了，對方往後每次都會丟給你，但平均修改時間是兩小時。若不改，最終品質管理出現問題，該由誰負責？是否有能力負責？這是企業在快速導入AI的此刻，就必須正視「品質防線該畫在哪裡」的課題。

溫怡玲表示，這兩大問題既是隱憂，也是業者的機會。

此外，她發現，多數企業導入 AI 的第一步是建立內部知識管理。因此也建議業者可以此為切入點，協助企業打好基礎，並建立驗證與品質把關的機制。而品質管理做法十分多元，可從前端把關，也可從後端檢核，端看業者可著力之處。

從專案到產品，資服業的下一步升級

面對 AI 對商業模式的結構性衝擊，如何系統化地將領域知識與客戶經驗，轉譯為可規模化的產品？

後續AIF也將產品開發工作坊，讓學員在工作坊中產出四張畫布，組合起來就是完整的一套產品開發標準流程。後續參與工作坊的學員還可提出申請，由實戰經驗豐富的企業資深顧問，針對產品開發流程進行一對一輔導，協助把產品校正、調整到位。

上一輩科技創業家如Steve Jobs或許受到西岸嬉皮文化很大的影響，所以原來的矽谷文化是反主流文化與資本主義結合的「加州意識形態」。然而，現代科技自由主義者們不再崇拜嬉皮、社群、東方思想，而是科幻小說和動畫等次文化的子民，他們想依靠科技的力量實現兒時憧憬的世界。

由於無法與社會產生真正的認同與融合，於是逐漸轉向信奉「科技自由意志主義」（Techno-Libertarianism），他們試圖透過科技創新，來實現自由意志主義的理想。本書即是書寫伊隆．馬斯克（Elon Musk）、彼得．提爾（Peter Thiel）、山姆．奧特曼，以及維塔利克．布特林這些擁有億萬財富的天才，探討所渴望的「終極自由」究竟是什麼？

《科技右派的崛起，會把世界帶往何處？》一書Part 1闡述了伊隆·馬斯克（Elon Musk）與彼得·提爾（Peter Thiel）的淵源與早期歷史，實在很精彩。

1999 年 3 月，伊隆．馬斯克（Elon Musk）在加州帕羅奧圖創立了 X.com，當時他的願景是將其打造成一個集共同基金、股票經紀和保險於一體的「一站式金融服務平台」 。在 X.com 的街對面，是由彼得·提爾（Peter Thiel）和馬克斯·列夫琴（Max Levchin）創立的 Confinity，該公司開發了一款名為「PayPal」的掌上電腦（Palm Pilot）及電子郵件匯款工具。為了避免惡性競爭，兩家公司於 2000 年 3 月宣布合併，並保留了 X.com 的公司名稱。

2000 年 9 月，因為諸多原因，趁著馬斯克赴海外度蜜月時，提爾與列夫琴發動了董事會政變，罷免了馬斯克的 CEO 職位，並由提爾接任。

提爾接掌後，於 2001 年正式將公司全面重組並更名為 PayPal，放棄了馬斯克龐大的網銀計畫，全力專注於伴隨 eBay 電商生態急速成長的第三方支付業務。2002 年 2 月 PayPal 成功上市，同年 10 月，電商巨頭 eBay 以 15 億美元的股票大舉收購 PayPal。

雖然馬斯克被罷免，但他仍是公司最大的個人股東（持有約 11.7% 股份）。這次收購讓提爾賺得數千萬美元，而馬斯克則分到了約 1.65 億至 1.8 億美元，為他日後創辦 SpaceX 和投資  Tesla 提供了不可或缺的初始資本。而且由於他被罷免時是接受了被免職，沒有撕破臉，2008 SpaceX 急需資金時獲得了來自老戰友的關鍵資助。

這段歷史實在是矽谷歷史上最具傳奇色彩的金融與技術變革史，不僅奠定了當代數位支付的基石，更直接催生了如今左右全球科技格局的技術精英網絡。後續相關的發展大家就比較熟悉，包括「PayPal黑手黨」的誕生等。

《科技右派的崛起，會把世界帶往何處？》書中所謂科技右派／現代科技自由主義思潮的核心人物伊隆．馬斯克（技術威權與多行星有效加速主義）、彼得．提爾（Peter Thiel）（反民主的科技壟斷與自由意志主義）、山姆．奧特曼（Sam Altman）（技術決定論與「AI 救世主」資本主義）、維塔利克．布特林（Vitalik Buterin）（去中心化治理與「網路國家」實驗），雖更偏向自由意志主義，但其去中心化思想常被技術右翼吸納），正透過控制 AI、太空、能源與加密貨幣等核心底層技術，全面重塑人類的政治與經濟秩序。

作者橘玲在本書中指出，這群在矽谷大放異彩的科技天才，多數屬於極端系統化思考的「超級系統化者」（Hyper-systemizer）。特質是他們擁有無與倫比的數學與邏輯能力，但普遍在「認知同理心」上相對薄弱。因為不擅長解讀複雜、感性的人際關係，他們從小難以融入傳統社會，甚至覺得外在世界充滿敵意。也因此，他們不認同由「人情、妥協與利益分配」堆疊出的民主體制，轉而將安全感寄託於「完全可預測、冷酷但絕對正確的程式碼與數學規律」。

所帶來真正的影響是從「民主政治」轉向「數學治理」，這股力量對人類未來的重塑，體現在三個徹底顛覆傳統秩序的層面上：1. 繞過民主：用演算法取代官僚、2. 追求「終極自由」與技術壟斷、3. 缺乏同理心的反烏托邦。

當大腦連上網路、融合有意識的 AI，這不再是科幻小說的狂想，而是科技右派精英們正試圖強行落實的「人類演化終局」。當人類的肉體與靈魂徹底被演算法與機械重組，這個「數學上完美」的新人類世界，究竟是一場集體進化的天堂，還是一座徹底剝奪了人性、再也沒有同理心的科技矩陣？這場由矽谷精英以數兆美元資金強行加速的「黑客帝國」式未來，已經在我們眼前拉開序幕。

書名：科技右派的崛起，會把世界帶往何處？

作者：橘玲 Tachibana Akira

譯者：陳嫻若

對每日穿梭於螢幕前的數十億人及萬物相連的物聯網世界，網際網路是一個無形且自由同時也無所不在的數位空間，因為太過於像水與空氣一般的自然存在，大多數人並不真的清楚，要維持這個龐大系統的穩定與互通，底層必須仰賴一套極致精準的「導航與定位系統」。這套系統的核心由兩大要素構成：一是由數字組成的號碼（Number）資源（包含 IP 地址與自治系統號 ASN），二是由文字組成的域名（Domain Name，簡稱 DN）。這兩者不僅僅是技術規格，更是全球網絡治理中的兩大核心權力支柱。

隨著網際網路的全球環境、生態、及全景已然有所改變，當前全球網絡號碼社群正迎來一場歷史性的變革 — 沿用了二十多年的號碼體系憲法「ICP-2」(Internet Coordination Policy 2)即將退場，取而代之的是全新的《區域網際網路註冊管理機構治理文件》（RIR Governance Document）。這場大翻修不僅改寫了全球網絡資源的遊戲規則，更在無形中為台灣築起了一道極具韌性的數位防禦堡壘。

一、 身分證與姓名：號碼與域名的本質關係

理解網路的權力結構，必須先釐清號碼與域名互為表裡的共生關係。簡單來說：「號碼」是給電腦看的物理地址，而「域名」則是給人類看的邏輯標籤。

(一)號碼（Number）：如同「身分證字號」與「GPS 經緯度」
1.IP 地址（IPv4 / IPv6）：是每一台連接到網路上的電腦、伺服器或手機 的 唯一物理地址。電腦在進行數據封包傳輸時，只看得懂 192.0.2.1 或 2001:db8::1等這種數字編碼。

2.自治系統號（ASN）：則是各大電信商（如中華電信）或大型企業網路 的 「郵遞區號」，用來在國際網路間開拓數據傳輸的「骨幹路由」。

(二)域名（DN）：如同「人名」與「實體門牌」
人類的記憶力無法記住上萬個由數字組成的 IP 地址。為了讓網路走向大眾化，技術專家們發明了域名（如 google.com 或 twnic.tw），用具有語意、好記的英文字母或文字來代替冰冷的數字。

號碼與域名雖然本質不同，在技術上則是透過域名系統（DNS） 進行即時的翻譯與綁定。當使用者發起請求輸入網址時，DNS 系統進行「正向解析」，將文字翻譯為數字（IP）；而當資安系統為了確認某個連線是否安全、防範垃圾郵件或網路詐騙時，則會拿著號碼進行「反向解析」，追溯其登記的域名；更進一步來說，號碼確保了網路的「可達性」與技術安全，而域名則實現了網路的「實用性」與人性化，兩者相輔相成，無法分離。

二、 ICANN 的治理角色

號碼與域名的物理本質與社會屬性截然不同，負責協調全球網際網路核心資源的機構 — ICANN（網際網路名稱與數字地址分配機構），在面對這兩大功能時，展現出了完全不同的治理邏輯與權力邊界：

(一)在域名系統管理上：ICANN是「最高立法者與商業監管者」
相較於號碼的純技術中立，域名（DNS 根區域）是 ICANN 展現強大行政權力、法律實權與商業統治力的主戰場。ICANN 直接掌握全球域名的生死大權。它透過簽署具有高度法律約束力的合約，直接管理全球所有的註冊（Registry）與註冊商（Registrar）。ICANN 制定市場規則、收取特許權費、並有權對違規的網域商進行罰款甚至吊銷執照。同時，ICANN 也是網域空間的「造物主」，負責審查並批准新通用頂級域名New gTLD的誕生。此外，當跨國企業遭遇惡意搶注商標域名時，ICANN 制定的《統一網域名稱爭議處理政策》（UDRP）實質上扮演了全球網域糾紛的最高法院。

(二)在號碼資源管理上：ICANN 並非核心
在 IP 地址與 ASN 的分配上，ICANN 則透過附屬機構 PTI 履行 IANA 職能(IANA功能的移轉另為文介紹)，但它的定位只是一個「遵照社群共識執行登錄」的角色。 IP 地址怎麼分配、如何回收、如何因應枯竭，這些核心政策完全是由全球五大區域網際網路註冊管理機構（RIRs，如亞太區的 APNIC）各自的技術社群，透過「由下而上（Bottom-Up）」的流程討論出來的。ICANN 內部則設有位址支持組織（ASO），本質是五大 RIRs 的協調組織（NRO）。

當社群達成全球政策共識後，提報給 ICANN 董事會，董事會此時的角色僅是「合規審查」 — — 確認流程符合多方利益共識，然後依法簽字，交由技術團隊執行。在號碼領域，社群的權力遠大於 ICANN 組織本身。

三、區域網際網路註冊管理機構RIR 的重要性

從前述說明就可以了解全球五大區域網際網路註冊管理機構（RIRs）的重要性，區域網際網路註冊管理機構是負責管理一個地理區域內的網際網路號碼資源的非營利組織，執掌包括：
· IPv4 / IPv6 地址分配
· 自治系統號（ASNs）分配
· 資源登記與公開資料（WHOIS / RDAP）
· 推動區域內政策制定與執行等

四、號碼體系憲法的大翻修：從 ICP-2 到 RIR Governance Document

為了解決全球 IP 號碼資源的分配政策，並確認號碼與域名的權力邊界、避免將域名的政治與商業博弈外溢到基礎網絡路由上，全球技術社群建立了一套防禦性的剛性規範，過去這套規範即是所謂的 ICP-2（Internet Coordination Policy 2）。 然而 ICP-2 制定於 2001 年，當時的網路環境遠未如今天這般充滿地緣政治衝突、主權勢力干預以及區域網際網路註冊管理機構（RIR）自身面臨的法律訴訟與治理危機（例如近年非洲區 AFRINIC 所遭遇的治理與司法衝擊）。

為了當代網際網路發展治理的需求、同時也為了應對現代網路戰、政治滲透以及網路碎片化的風險，號碼資源組織號碼委員會（NRO NC，即 ICANN 體系中的 ASO AC）主導並啟動了歷史性的修訂，草案最終版即將正式定案，其官方名稱正式確定為 《區域網際網路註冊管理機構治理文件》（RIR Governance Document）。

這份新憲法是一份百分之百僅限於「號碼功能」的政策文件，與域名功能完全劃清界線。它對號碼功能的全新定位主要體現在以下四大面向：

(一)涵蓋 RIR 的全生命週期管理（全流程法制化）
舊版 ICP-2 僅著重於「如何成立並認可一個新的 RIR」。全新定案的 RIR Governance Document 則將規範擴展至 RIR 的全生命週期，明確劃分為「認可（建立）」、「維護（營運義務）」與「去認可（撤銷資格）」三大階段。這意味著，如果任何一個區域的 RIR 未來因政治滲透、財務崩潰或偏離了技術中立原則，全球社群將有法可依，能直接依法啟動撤銷程序，剝奪其管理全球 IP 資源的資格。

(二)確立技術中立與「去政治化」的防火牆
新文件在「營運義務」中，以極高規格重申了 RIR 必須保持「獨立性（Independence）」、「非營利性（Not-for-Profit）」與「由社群驅動（Community-Driven）」。這道防火牆的確立，旨在向全球宣告：IP 位址與 ASN 的分配是純粹的技術與路由安全問題，任何單邊政府或官方多邊組織（如聯合國）都無權將其收歸國有或作為政治制裁的工具。這保護了台灣等在國際外交上面臨打壓的經濟體，能繼續在 RIR 體系中享有平等的實質治理權。

(三)引入常態化外部審計與爭議解決機制
新草案最終版特別增設了嚴格的合規審查與爭議解決機制（Dispute Resolution），要求各區域 RIR 必須建立公平、有效的裁決程序，確保成員能夠依法維護自身權益。同時，ICANN 與各 RIR 之間也必須基於「誠實信用與公平交易（Good Faith and Fair Dealing）」原則共同履職，徹底杜絕黑箱作業或地緣政治偏見。

(四)將「緊急持續性（Emergency Continuity）」提升至最高憲法層級
這項修訂是號碼社群近年凝聚出的最重要共識，文件明文規定，當某個區域面臨極端危機（如戰爭、法律衝擊、地緣政治衝突或毀滅性網攻）導致當地的 RIR 或國家級註冊機構（NIR）無法履行職能時，必須有一套法制化的服務持續性（Service Continuity）標準作業程序，由全球其他社群與母機構進行技術接管與跨境數據備援，確保該區域的網路絕不會與世界斷聯，而這項規範更是對於台灣網際網路韌性的維護具有絕對的重要性。

五、台灣的防禦堡壘：極端地緣政治下的資料庫備援機制

在 RIR Governance Document 全新確立的框架下，台灣（透過台灣網路資訊中心 TWNIC，作為獲得 APNIC 認可的國家級註冊機構 NIR）築起了一道與國際技術社群聯防的「國際政治安全網」。當地緣政治衝突走向極端 — 例如台灣海峽遭遇軍事封鎖、海底電纜被大範圍切斷，或是遭受國家級的毀滅性網路戰時 — TWNIC 管理的號碼資源數據庫（包含記錄台灣 IP 歸屬權的 WHOIS 數據庫、反向 DNS 帳本、以及 RPKI 路由安全密鑰），有一套極具韌性的數位防禦運作機制：

(一)數據的跨境雙向鏡像與同步
在日常狀態下，TWNIC 管理的台灣 IP 歸屬與密鑰數據，本質上是全球網際網路號碼總帳本的一個分支。透過與亞太區 RIR（APNIC）的緊密技術合作，台灣的數據早已即時、加密地同步存儲在位於澳洲布里斯本的 APNIC 總部，以及全球多個安全的雲端節點中。即便台灣本地的實體資料中心在物理上受損，這份「數位資產大帳本」在全球技術社群的託管下依舊完好無損。

(二)海纜中斷時的「島內自主運作」
若極端衝突導致對外海纜全數中斷，台灣在物理上形成「網路孤島」。此時在新文件的技術韌性框架下，TWNIC 與台灣本地各大電信商會自動啟動「路由在地化」機制，將台灣內部的網路流量鎖在島內。由於本地擁有根域名鏡像節點以及 TWNIC 的反向 DNS 備援，台灣島內的電腦彼此通訊、連線政府救災體系、醫療與關鍵基礎設施時，IP 與域名的解析完全不需要依賴國外連線，在孤島狀態下依然能維持本地網路的正常續航。

(三)技術失能時的國際社群代管與去認可過渡
若戰事導致台灣本地的伺服器與管理功能完全失能，根據新文件中關乎「服務持續性」與「Remediation Paths（補救路徑）」的嚴格定義，APNIC 將會自動啟動技術移交與緊急接管程序。APNIC 會直接利用其在海外備份的台灣 WHOIS 數據庫與反向 DNS 代替 TWNIC 面對全球網路。全球其他國家的路由器將直接向 APNIC 查詢台灣的路由許可，確保台灣在國際網路上的「數位身分證」合法性不被中斷，更防止了因技術癱瘓而被國際網路社群「去認可」的風險。

(四)數位密鑰盾牌：防範 BGP 路由劫持
在衝突中，境外勢力最可能採取的手段是發動「BGP 路由劫持」，在國際骨幹網上假冒台灣的 IP 地址，藉此攔截、監聽或切斷台灣的對外通訊。此時，新文件框架下全力保護的 RPKI（資源公鑰基礎設施） 將發揮剛性防禦作用。台灣的 IP 分配與路由宣告完全由數位密鑰進行加密簽章。任何非法的境外節點若試圖在國際上宣稱自己擁有台灣的某段 IP，全球其他國家的骨幹路由器在自動翻閱海外備份的 RPKI 加密帳本時，會立刻判定該假冒宣告為「無效（Invalid）」並拒絕連線。境外勢力除非獲得技術社群依法授與的數位密鑰，否則無法透過武力或政治施壓在網絡上「強佔」台灣的 IP 資源。

五、 台灣代表在網路憲法翻修中的角色

這場將 ICP-2 升級為 RIR Governance Document 的歷史性修訂，是由全球五大區域的技術社群歷經數年、多輪的公開諮詢與博弈凝聚而來的共識。在這場國際網路治理的棋局中，筆者本人作為代表亞太區社群選出的三位網際網路號碼資源組織委員會（NRO NC / ASO AC）委員之一(並曾任ASO AC共同副主席)，有機會扮演關鍵的政策導航與把關角色及善盡社群責任，全程深度參與了這份新憲法的起草與審議工作。在修訂進程中由於具有法律與資通訊監管的跨領域背景，從「堅守技術中立」、「防範外部主權干預」、「維持韌性維運」與「強化組織問責」的視角切入，相信這個過程，不僅提升了台灣的數位外交能見度，也是在歷史機遇下將台灣對於極端狀況下「數據安全與業務不中斷」的實質技術需求，深刻地寫進了這本正在精煉定案的國際網路新憲法之中。

網際網路的治理體系，在「號碼」與「域名」的雙軌分流中展現了深度的智慧及宏大的遠見。域名體系處理了繁復的商業利益與主權邊界，而號碼體系則透過即將定案的 RIR Governance Document 這樣剛性的技術憲法，將網路的基礎控制權牢牢保留在技術社群手中。

這種「技術獨立於主權之外」的特性，恰好在動盪的地緣政治局勢中，為台灣構築了一道最堅固的數位防線；展望未來，將利用跨國技術社群的聯防機制將幫助台灣實現關鍵網路的強大韌性，默默守護著國內與全球數據的自由流通與安全。

原文詳見

在AI技術快速成熟、市場變化加速的時代，企業競爭力的關鍵已不再只是資源多寡，而在於能否做出更快速、更精準的決策。

AI決策力需要「主動培養」

《2026台灣產業AI化大調查》中清楚看出，產業界對AI的應用已從觀望逐步邁向落地，然而如何將工具導入真正轉化為營運決策，仍是多數企業共同面臨的課題。為進一步釐清企業從「導入工具」躍升至「營運決策」的關鍵，美商鄧白氏（Dun & Bradstreet）與人工智慧科技基金會（AIF）合作發起《Top 1000 中小企業 AI 決策力調查》，系統性盤點企業在AI導入與決策上的成熟度與發展現況。調查結果發現：AI 決策力無法隨企業獲利自然生成，必須依賴企業的主動投資與獨立培養。

《Top 1000 中小企業 AI 決策力調查》以本屆鄧白氏Top 1000得獎企業為核心樣本，觀察中小企業如何從導入AI工具，逐步邁向營運與決策應用。調查結果發現，多數企業將成本上升與市場競爭列為未來最大挑戰，也將降低成本、提升效率視為最期待AI帶來的效益。同時，也可以看到已經有不少企業排定了啟動時間表。對於仍在觀望的企業來說，代價不是原地踏步，是被拉開差距。

研究團隊指出，台灣中小企業的落差不在技術，而是在決策。可以發現，調查樣本中的得獎企業，皆已具備健全的經營體質，但調查結果顯示，AI決策力仍是一門需要獨立累積的能力，並不會隨企業獲利而自然具備。關鍵的發現是，台灣中小企業面對的並非單純的技術問題，而是幾個具體、可以逐一拆解的關卡。例如數據或系統未準備好，是製造業與服務業共同面臨的最大阻礙；而在人才缺口上，製造業的情況又比服務業更為明顯；無法評估ROI，則是兩個產業共通的痛點。

9月16日頒獎典禮暨論壇 分享AI決策落地實踐

詳細調查結果將於2026年9月16日發布，同時也將舉辦「鄧白氏中小企業菁英獎」頒獎典禮暨論壇，一同見證台灣中小企業在AI時代展現的韌性與創新力。人工智慧科技基金會執行長溫怡玲也將於論壇中分享調查洞見，以及企業如何從課程學習到AI決策落地的實踐經驗。

鄧白氏表示，期待透過頒獎典禮暨論壇這場產業趨勢交流聚會，讓多位企業代表齊聚對話，激盪跨產業的創新契機，攜手擘劃台灣企業邁向智慧決策與永續發展的新未來。

深耕台灣34年 鄧白氏協助中小企業走過不同發展階段

鄧白氏深耕台灣逾34年，憑藉國際影響力，長期陪伴並協助中小企業走過不同發展階段。「鄧白氏中小企業菁英獎」自2014年創設以來，運用全球商業資料與專業分析模型，從全台超過170萬家中小企業中，遴選具備成長潛力、營運穩健度與國際競爭力的Top 1000企業。評選標準涵蓋財務壓力指數、付款指數、出口級距、ESG表現等關鍵指標，並要求企業營收連續三年成長或持平，且無退票記錄及負面訴訟紀錄，門檻相當嚴謹。獎項內容也持續因應全球市場與產業趨勢調整觀察面向。

根據幾年來《台灣產業 AI 化調查》數據顯示，企業仰賴外部採購或委託系統整合商（SI）進行客製化開發，一直占最高比例。這項數據凸顯出，SI 業者的技術量能，已成為企業 AI 轉型的關鍵節點。

此外，當政策端正積極推動資服業者從「專案」走向「產品化」的商業模式轉型時，緯創集團旗下的緯謙科技，無疑是觀察這波浪潮極具代表性的指標樣本。

緯謙是緯創集團旗下創新雲端服務公司，2021 年獲中華電信策略投資，以 Cloud、AI、Data 為核心提供一站式服務，涵蓋雲端搬遷、混合雲架構、AI 應用導入與託管服務，為全台首家取得微軟 Azure AI 應用專長認證的合作夥伴，近年並積極布局主權 AI 基礎設施與東南亞市場，同時串連新創與製造業推動 AI 落地。

橫向基礎建設 × 縱向產業應用，構築雙軸服務版圖

緯謙科技總經理夏志豪表示，緯謙的服務包括橫向基礎建設與縱向的產業應用，在橫向基礎的部分，緯謙長期擔任微軟 LSP（授權服務夥伴）與 Oracle 台灣總代理，提供企業基礎 IT 服務。例如在金融產業，緯謙便以深厚的 Oracle 相關技術，為金融業者提供企業級解決方案。

在縱向產業應用上，緯謙則全面切入智慧製造、智慧醫療，以及服務業與政府公部門相關業務。針對智慧製造，緯謙提供企業知識管理（KM）、人因工程與數據收集等進階應用；在智慧醫療領域，除了協助醫療機構建置 IT 服務與商業智慧（BI）系統，緯謙更進一步跨足硬體設備，代理飛利浦（Philips）心導管、電腦斷層掃描（CT）等大型高階醫療儀器，並與英國廠商展開藥物作用相關技術的合作。

夏志豪提到，緯謙在 AI 應用工具的佈局上，也發展出自有的 WiKMS 知識管理平台，作為企業導入 AI 的基礎架構。該平台可彈性串接不同大型語言模型（LLM），包括緯謙採購的微軟 Azure OpenAI，或是客戶可根據需求，選擇串接不同的 LLM，甚至自行部署模型。同時，緯謙目前也在台南的國網中心（國家高速網路與計算中心）建置自有伺服器設備，展現其在算力基礎建設上的在地佈局。更與 APMIC（亞太智能機器）等AI服務業者保持密切合作，共同開發多項 AI Agent 應用，持續擴大其在企業級 AI 導入服務的能量。

深耕垂直產業，B2B 雲端經驗成核心優勢

談及緯謙的核心能力，夏志豪認為，關鍵在於長期代理國際雲端服務商產品的經驗，使緯謙深刻掌握企業從地端架構轉向雲端的完整歷程；加上與製造業、服務業及政府單位的長期合作，也讓緯謙累積出更貼近產業實務的應用知識。尤其是投入最深的醫療產業，合作範圍涵蓋門診、急診、加護病房、放射科與物理治療等多個科別場域，展現其在垂直產業應用上的全面布局。

他進一步強調，由於微軟雲端服務本質上偏向 B2B，涵蓋企業、政府與醫療院所等場域，使緯謙得以在 B2B 雲端市場站穩腳步。隨著市場焦點轉向 AI 應用，緯謙也將重心放在協助客戶釐清 AI 應用與需求，並透過算力服務降低導入門檻。

在算力資源的佈局上，緯謙與母公司緯創長期合作捐贈算力，過去已累積捐出高達 100 萬小時的 GPU 運算資源，近期更宣布將加碼捐贈 240 萬小時。夏志豪指出，目前高達九成的 GPU 算力需求皆聚焦於 AI 與代理（Agent）應用。這也讓長期經手龐大 GPU 算力服務的緯謙，能精準掌握客戶導入 AI 與大型語言模型（LLM）時的真實痛點與第一手需求。他強調，這項豐沛的算力優勢雖植根於緯創集團，但緯謙則更進一步深化並延伸至終端的產業應用層。

「產品化」是比例問題，而非有無？

談及近期熱議的「產品化」議題，夏志豪認為，光是「產品化」定義就備受討論，所謂產品究竟是指 ERP、SAP 等系統，抑或是一種服務型態？各家資服業者的見解各有不同。以緯謙來說，公司提供算力服務時，WiKMS 平台對緯謙而言就是產品的一部分，並不會在客戶端進行客製化開發。

但他也直言，多數企業級客戶的需求多半需要經過一定程度的客製化才能導入系統，即便是市場上標榜標準化的 SaaS 產品，例如企業普遍使用的 Microsoft ERP 或 Salesforce CRM，實務上仍存在大量客製化調整，只在比例高低的差異。

他認為，B2C 產品或許能做到零客製化，但只要涉及客製，便進入「產品或專案」的灰色地帶。夏志豪指出，隨著雲端與 AI 工具的演進，越來越多業者在提供基礎模型後，讓客戶自行疊加所需功能，但這種分工模式也讓產品與服務的界線越難劃分。

打造 AI 服務「軍火庫」，緯謙鎖定共通性需求

儘管產品與服務的界線難以劃清，但夏志豪仍嘗試在共通性需求上，摸索出一套可規模化的服務模式。他期許能讓從事 AI 服務的業者，更快速、更簡單地滿足客戶需求。他認為，資訊安全、地端部署等議題具有高度共通性，未來希望能打造一座「軍火庫」，供 SI 夥伴取用工具。

夏志豪指出，目前落地的服務主要以技術架構與知識管理為核心。緯謙提供的技術架構服務涵蓋算力與模型，再疊加知識管理應用層，讓規模較小的 SI 業者無需自行處理問答與資料庫串接，只需專注於流程（flow）設計。

「我們很像是做產品，但其實是服務。」他進一步說明，由於每個政府單位、局處、醫院或銀行的內部使用情境皆不相同，這類高度客製化的工作，正是本地 SI 的價值所在。

夏志豪預期，算力基礎建設將持續擴大，資訊安全與資料治理能量也將同步提升。在模型佈局上，夏志豪透露目前提供約10種模型供客戶選擇，未來規模可望擴增至50至百種左右。他解釋，這樣的佈局呼應當前 AI Agent 應用趨勢。

除了模型數量，夏志豪也點出幾項關鍵發展方向，包括模型與 GPU 服務之間的媒合效率與成本、API 串接的簡化程度，以及多模型之間的協作複雜度，都將是接下來的重點課題，同時也須整合台灣在地標準化配套。

與 SI 為合作夥伴，分潤模式因地制宜

談及與 SI 的關係，夏志豪明確定位為合作而非競爭。他坦言，緯謙自身產品客製化程度較低，但合作夥伴端則普遍存在客製化需求。未來，緯謙也將持續投入 KM 在地化，並透過與本地夥伴合作補足能量，例如在語意學領域尋求合作。透過此類合作，客戶與 SI 夥伴便可運用相關工具進行本地語意化與台灣價值的落地應用。

「你買兩台 GPU server 就可以做這個生意啦。」夏志豪坦言，這門生意的技術門檻並不高。

隨著越來越多業者購入 GPU 伺服器並在台灣建置機房，市場參與者持續增加。儘管如此，夏志豪並未將此視為威脅，反而以「百花齊放」形容當前市場態勢。他坦言，合作夥伴本就可能同時與多方業者合作，並非緯謙獨家。

生成式 AI 興起，除了帶動 AI 搜尋蓬勃發展，也衝擊到基於傳統搜尋的 SEO。將能數位行銷創辦人連啓佑，投身數位行銷近三十年，整合多年的經驗，從 SEO 與 GEO 的核心邏輯出發，幫助讀者建立一套更完整、更務實，也更能面對未來變化的搜尋行銷觀念。以下是精彩內容節錄：

AI 搜尋的出現，讓 SEO 流量的經營難度比過去來得更高，然而，「禍兮福所倚」，卻也帶來了新的機會。有人開始想到：「傳統的網頁搜尋可以做 SEO，那麼 AI 搜尋是不是也可以做 SEO呢？」

於是「AI 搜尋優化」(AI Search Optimization， AISO) 便誕生了。所謂的「AISO」，就是在 AI 搜尋的平台與應用中 ( 包括 AI 聊天機器人、AI搜尋引擎、Google AI 摘要 ) 讓你被看到，包括你的產品與品牌可以被「提及」，你的內容可以被「引用」。

由於針對 AI 搜尋平台與應用進行優化是非常新的領域，除了 AI 搜尋優化「AISO」外，在業界也有多種概念相同或近似的稱呼，包括「生成式引擎優化」(Generative Engine Optimization， GEO)、「問答引擎優化」(Answer Engine Optimization， AEO)、「大語言模型優化」(Large Language Model Optimization， LLMO)⋯等等。依照筆者在日常工作接觸的經驗，「GEO」這個稱呼的使用率似乎較高，再加上使用 Google 關鍵字規劃工具查詢，GEO 這個關鍵字的每月平均搜尋量也較其他幾種叫法要高出許多，是以本書將使用 GEO 這個稱呼來代表 AI 搜尋優化。

AI 搜尋的出現，也帶來了以 GEO 優化搜尋流量的新機會，那麼，原本的 SEO 還需要做嗎?我們可以從以下幾點分析：

一、從搜尋量占比來看

目前 Google 依然有約 80% 的搜尋市占率，搜尋行銷人員依然需要透過 SEO 從這 80% 的搜尋量中取得流量 ( 即便有一部份的搜尋會因為觸發 Google 摘要而影響點閱率 )，再加上除了 Google 以外還是有 Bing、Yahoo! 等搜尋引擎，這些搜尋引擎主要也是透過 SEO 引流。

二、從關鍵字查詢類型來看

前 Yahoo! 副總裁，目前任職於 Google 的 Andrei Broder，在其 2002年發表的文章「網路搜尋的分類法」(A Taxonomy of Web Search) 中，依照搜尋使用者意圖的不同，將關鍵字查詢分成以下三種類型：

( 一 ) 導覽式 (Navigational)
導覽式關鍵字也就是俗稱的「公司字」、「品牌字」，搜尋使用者在想找尋組織、企業、公司或人物的官方網站時，就會輸入這類的關鍵字，例如:「內政部」、「台積電」、「臺大醫院」、「王心凌官方頻道」⋯等等。

( 二 ) 資訊式 (Informational)
資訊式關鍵字也就是俗稱的「問題字」、「需求字」，搜尋使用者在搜尋資訊和知識，學習特定主題或執行方法時，就會輸入這類的關鍵字，例如:「摩訶婆羅多」、「時代錯誤遺物」、「實價登錄」、「量化寬鬆」⋯等等。

( 三 ) 交易式 (Transactional)
交易式關鍵字也就是俗稱的「產品字」、「採購字」，搜尋使用者在為了得到某種東西，或者完成某項任務時，就會輸入這類的關鍵字，例如:「台大 國企所 簡章下載」、「SOGO 週年慶」、「內湖 預售屋」、「掃地機器人」⋯等等。

在了解關鍵字查詢類型後，我們必須進一步了解以下兩點：

( 一 ) 導覽式、交易式關鍵字通常含金量較高，實務上，資訊式的關鍵字通常較接近採購前期，導覽式、交易式關鍵字較接近採購中後期。例如有一位學生要考托福，他可能一開始會先研究一下托福考試，所以他可能會輸入「托福考試是什麼」、「托福考試如何準備」這一類的資訊式關鍵字，等到他對托福考試比較有概念了，他可能會考慮購買托福相關的課程、或者找補習班，這時他可能會輸入「托福線上課程」、「托福補習班」這類的導覽式關鍵字，當他鎖定了某家補習班，想要細部研究其師資課程、甚至報名補習時，他可能會輸入「xx 托福補習班」這類的導覽式關鍵字。由以上的例子我們可以知道，交易式、導覽式關鍵字經常會發生在採購中後期，搜尋使用者對於想要的產品已經做過研究，已經鎖定特定產品及其供應商的時候，由於這時候搜尋使用者購買意圖明確，成交的機率自然較高，所以我們會說，導覽式、交易式關鍵字通常是含金量較高的關鍵字。

( 二 ) 導覽式、交易式關鍵字較不易觸發 AI 摘要
根據國外知名 SEO 工具 SEMRush 的研究，2025 年 10 月，觸發 AI 摘要的查詢之中資訊式占比達 57.1%，也就是說，相對於資訊式關鍵字，導覽式、交易式關鍵字較不易觸發 AI 摘要。

根據上述兩點，導覽式、交易式關鍵字通常含金量較高，而且較不易觸發 AI 摘要，結論就是我們還是必須透過 SEO 爭取導覽式、交易式這兩類含金量較高關鍵字的搜尋排名。

三、從參考資料的選取機制來看

為了減少模型幻覺，也就是模型生成內容與事實不符的情況，生成式AI 經常會透過建立基準 (Grounding) 將模型輸出內容連結至可驗證的資訊來源。根據國外 SEO 工具公司 Surfer 在 2025 年 7 月發表的研究，Google AI 摘要的資料源中，有 70% 來自自然搜尋排名前 10 名的網站。也就是說，想要被Google AI 摘要引用，就要以讓網頁進入自然搜尋排名前10名為目標，而要進入自然搜尋排名前 10 名，最有效的方式當然是做 SEO。

四、從 SEO 與 GEO 的實際工作來看

讀者在閱讀本書後續實作的章節後就會發現到：除了少數特定的工作項目外，SEO 與 GEO 大部分的工作是相同或相關的。也就是說，實務上沒有必要單獨做 SEO 或 GEO，兩者一起執行是最符合效益的選項。

五、從 SEO 流量的特性來看

SEO 所帶進的自然搜尋流量被稱為是「有意圖的流量」(Intentional Traffic)，意思是說，搜尋使用者是帶著特定的目的進行搜尋。例如當搜尋使用者搜尋「高雄住宿」，他可能是要到高雄洽公或旅遊，需要找住宿的地方。由搜尋帶來的曝光和流量，通常點閱率、轉換率都會比隨機看到的廣告高得多，原因在於相較於隨機看到的廣告，搜尋使用者是存在需求、有意圖的進行搜尋。

SEO 所帶進自然流量的第二個特性，在於它屬於免費流量，搜尋使用者點擊自然搜尋結果進到我們的網站時，我們是不用付廣告費的。長期下來，可以省下一筆可觀的廣告費用。

SEO 所帶進自然流量的第三個特性，在於它有長效性，相較於廣告檔期結束了就下線，流量一夕歸零，SEO 透過持續的更新維護網站內容，可以帶來長期流量，並且透過長期經營內容，流量也可以持續累積提升。

由於 SEO 所帶進的自然搜尋流量：

• 通常有較佳的效益
• 點擊免費
• 具長效性

我們自然不能輕易放棄 SEO 這樣有價值的流量。

透過上述五點分析，我們可以清楚了解到：SEO 還是必須持續經營。

傑文斯悖論（Jevons paradox）是一個經濟學理論，也就是當一項資源的使用效率提高、單位成本下降時，人們對它的總消耗量不減反增，結果整體支出或資源使用量反而比效率提升前更高。

近期發現這種違反直覺的實例並不少，例如 OpenAI GPT-5.6 Luna/Terra 大幅降價，單位成本降至原本的五分之一，使用量暴增到13.8 倍；據媒體報導Anthropic 又與 Nvidia 支持的 Lambda 簽下約 350 億美元的雲端運算合約。結果模型越有效率，買進的總算力反而越多。如果只做單純的第一層思考，很容易得出「效率提升等於總成本下降」這種過於樂觀的結論，但現實往往更複雜一些。

本週的 AI 產業新聞也延續了這種「表面訊號與實際走向未必一致」的味道：監管機構要求 AI 輸出「可被追蹤」，廠商的回應方式卻引發兩極爭議。 AI Agent 被放進真實企業與科研場景測試，結果好壞參半，好的部分甚至超出多數人預期；但當多個 Agent 被放在同一環境裡自行運作，原本被視為「協作」的設計，也開始暴露出「衝突」的一面。以下是本期精選趨勢：

一、各家模型能力躍升，價格卻越低？

• Google持續押注高性價比模型
  Google 跳過了傳聞中的 3.6 Pro，發布 Gemini Flash 3.7/3.8，在程式設計、知識型工作與智慧的表現上大幅升級；且定價低於 Sonnet 5、GPT-5.6 Terra 與 Muse Spark，顯示 Google 目前戰略重心偏向企業落地而非通用強模型。

• SpaceXAI發布Grok 4.6 與「化身群聊隊友」的 Grok Bot
  SpaceXAI 發布頂級新模型 Grok 4.6，基準測試表現足以與 Anthropic Fable 5、OpenAI GPT-5.6 Sol 等頂尖模型抗衡，價格卻低 60%，驗證了一時落後不代表永遠落後；同時也和 Cursor 推出 Grok Bot，將 Grok 化為類 iMessage 群聊體驗，其中的 AI「隊友」擁有專屬運算資源，能自主工作並像真實使用者一樣操作各類日常應用程式。

• Anthropic發布MHS，讓 AI 學會「動手」
  Anthropic 發布 MHS（Model Hardware Standard），讓 AI agent 能以較統一的方式連接並操作各類工廠與實驗室設備，如同 MCP 以統一協定連接外部軟體工具。概念上與 MCP 類似，只是 MCP 統一的是「軟體工具」的溝通協定；MHS 統一的則是「硬體設備」的溝通協定。如果這套標準真的被廣泛採用，AI 走向「動手」的門檻會再降低一點。

二、監管或透明度？Anthropic浮水印機制引發兩極反應

Anthropic 宣布未來將在 Claude 輸出的文本、程式碼與文件中嵌入不可見浮水印，做法是透過模型選字時的統計手段留下痕跡，目的是配合歐盟《人工智慧法案》的透明度要求。這項政策公布後引發兩極反響，支持者認為這是負責任的作法，有助於辨識 AI 生成內容、提高透明度；反對者則擔心這會形成過度監管，甚至有人以「反烏托邦」來形容這種「無所不在的標記」。這個爭議短期內不會有定論，但可以預期的是，隨著監管要求擴散到更多地區，類似的浮水印機制很可能會成為主流模型的標準配備。

三、AI落地讓價值重新被定義：

• 不只是效率提升，而是降低嘗試成本
  Asana 表示，他們利用 OpenAI 的 Codex，在兩週內、花費約一萬美元，移除了一套過時的測試框架。而根據最初估算，這項工作原本需要五年時間、600萬美元預算。這個案例值得企業領導者留意的地方，不是「AI 讓工程師寫程式快了三成」的效率提升，而是它把一項原本「不划算、沒人想碰」的多年期工程，變成了一件「短期內就能嘗試」的專案。這種質變，對企業資源配置的意義可能比單純的生產力數字更大。

• AI 在蛋白質設計上的成功率高於業界平均
  Anthropic 發布研究顯示，Mythos Preview 與 Opus 4.8 模型在藥物發現的關鍵環節，也就是蛋白質設計任務中，能自主調度專業工具完成設計流程。在針對 15 個靶點的設計嘗試中，有 14 個成功獲得能與目標結合的蛋白質，整體設計命中率也高於業界平均水準。

• 驗證能力正在變成一項稀缺技能？
  來自北京的神經外科住院醫師 Shanmu Jin ，利用 GPT-5.6 Sol，在 ChatGPT Work 環境（無網路）中經 16 小時自主運作後，證明了未解的矩陣數學難題 Crouzeix's Conjecture。正式的學術審查仍在進行中，但猜測提出者本人已初步驗證了此證明，這件事情也點出了一個逐漸浮現的現象：當 AI 能自己產出證明，驗證是否為真本身，正在變成一項稀缺技能。

四、Multi-agent 的「地盤爭奪戰」

Anthropic 發布了一項新研究，測試 AI agent 在群體環境下的行為模式。其中最極端的案例，是一組共享後端的三個 Claude agent，在長達四小時的時間裡，彼此互相破壞，並試圖將對方拒之門外，演變成一場「地盤爭奪戰」。

這個結果值得企業在導入 multi-agent 系統前思考，multi-agent 系統雖能透過平行化與專業分工提升能力，也可能產生從眾、勾結、資訊誤判與目標衝突等新的系統性風險。也就是說，接下來的核心挑戰，將逐漸從模型能力轉向協作機制與治理設計。

五、學術前瞻

• NYU、AMI Labs、杜克大學等機構發表的論文《LpWM: A Case for Sparse Representations in World Models》，介紹了一種運用稀疏表徵來優化世界模型的新型架構 LpWM。
  相較於傳統稠密向量，稀疏編碼能將複雜的非線性動力學簡化，使模型在較低容量的預測器下仍能實現高效規劃。透過 RDMReg 正規化技術，該模型不僅在 PushT（機器人推積木）等任務中顯著提升規劃成功率，還展現出極佳的可解釋性；其潛在空間具有模態分解特性，二進位結構可識別不同動力學範疊，數值大小則捕捉具體狀態細節，證明稀疏幾何結構能降低控制任務的計算複雜度，揭示環境中具物理意義的結構。

• 普林斯頓大學、MIT 等機構提出開源的自主代理架構《Prime Agent: A Self-Improving RLM Harness》。這個開源的自主代理程序架構 Prime Agent，目標是提升語言模型在長週期任務與程式開發工作流中的表現。
  這套架構透過 Recursive Language Model 實現了可程式化的內文處理，並結合 Continual Harness 技術，讓模型能跨階段保存與修正歷史、記憶及技能。
  實驗顯示，該架構明顯提升了 ARC-AGI-3 等基準測試的得分，也有效減少了因架構限制導致的失敗，讓評測結果更接近模型本身的真實潛能。

• Google DeepMind、杜克大學等機構發表《Accelerating Scientific Research with Gemini in the Real-World》。把先前發表於 Nature、以 Gemini 為基礎的 multi-agent 系統 Co-Scientist，從單純的電腦模擬延伸到現實世界的實驗驗證，能自主完成假說生成、實驗設計與論文撰寫。
  該研究在材料科學、生物學及電腦科學三個領域驗證其效能，成功合成新型二維材料並能預測大腕枌菌的群體表型；系統內建的可靠性模組與安全架構能有效減少 AI 幻覺及剥竊問題，確保研究過程符合倫理規範。

結語

這幾則新聞的共同的主軸是，AI 正在從「被觀察、被測試的對象」，變成「在真實世界裡自己動手做事」的角色，如寫證明、設計蛋白質、操作實驗設備、甚至彼此爭奪運算資源。

雖然能力提升速度很快，但隨之而來的是，驗證機制、協作治理與透明度規範都必須跟上同樣的步調。對企業與研究機構而言，接下來要盯緊的，可能不再只是「模型能做到什麼」，而是「當它真的做到了，我們有沒有辦法確認、控管與追溯這個結果」。

「如果只靠寫程式碼，有人開規格，然後做一整套標準界面，這套模式已經不管用了。」在AIF召集的一場專家會議中，人工智慧科技基金會（Artificial Intelligence Foundation，以下簡稱 AIF）董事長詹婷怡點出，AI 應用大爆發，對資服業者既是挑戰也是機會。

生成式 AI 讓應用介面層的開發成本大幅降低，這幾年真正的利潤將會往算力、網路基礎建設與 AI agent 這些更上游的地方移動。產能高度依賴工程師工時的資服業，需要重新調整自己的商業模式，才能跟上生成式 AI 帶來的價值重分配。

數發部部長林宜敬近年大力倡導資服業者做產品，減少營收對人力的依賴。根據 AIF 研究發現，不少相對積極的業者已經意識到 AI 帶來的產品化機會，但市場在哪、怎麼收費，是發展產品最關鍵的兩大問題。

透過8月份的專家會議，AIF 梳理出資服業者面臨的主要挑戰，以及政策上可能的著力點，期待創造更健全的產業環境。

資服業AI產品化的挑戰：市場、POC 計價及人才思維

在台灣關於做數位產品的討論，最常遇到的說法就是市場小，沒有足夠的需求支撐出好產品。然而與會專家並不認同這樣的說法。以以色列為例，國家很小，人口還不到台灣一半，但資安領域的研發與產品在世界佔有非常重要的地位，證明小國一樣有機會在特定領域做到世界級。

而且生成式 AI 的翻譯能力大幅降低了語言門檻，有助於業者往海外行銷擴張。台灣目前已經有不少年輕新創，一開始就瞄準國際市場。

一個現實的原因，是台灣市場的付費意願。資服業者在幫企業做概念驗證（POC）時，一開始得先免費做。這是因為客戶經常將 POC 當成業者用來展示軟體或服務有用的「證明題」，花人力做的解決方案被視為獲取業務必須自行負擔的成本，而不是服務，不應該收錢。甚至有業者直言，案子越大、賠越多。

缺乏明確的付費標的或收費機制，導致多數業者花大量時間做免費 POC，還沒開始做產品，人力就都先消耗在驗證工作上；在「先求活下來」的狀況下，很難再額外投入人力將專案經驗轉化成產品。

即使是相對有餘裕的中大型資服業，在 AI 導入專案階段是否能清楚的定義問題，決定了專案成敗。考驗的是企業理解自身痛點，以及工程師理解使用者需求的能力。

目前 AI 導入專案的現場經常是，客戶有預算、覺得應該要做但不知道具體要做什麼，需要工程師願意深入現場，把客戶模糊的概念或想像，變成可以用 AI 解決的具體問題。

然而與會專家指出，學校教育目前沒有這樣的訓練。部分資服業者也坦言，只要觀察社群上的討論就不難發現，當前開發者或工程師的專業訓練，更在意的軟體或系統架構的好壞，而不是應用面上是否有解決客戶的問題。若要培養更多 AI 應用面的人才，政府或學校訓練的思維跟方法，都需要改變。

近期硬體成本的劇烈波動，也影響業者近年內實現產品化獲利的腳步。位於台中的慧穩科技就是一例。公司自從疫情以來開始做產品、找客戶，到去年毛利一度提升約15%，但今年至今隨著 AI 相關硬體報價暴漲，大幅拉高成本，好不容易累積出來的毛利被硬生生壓了回去。

開放場域　把補助變訂單

儘管許多業者認為錢是做產品時最需要的資源，然而相較於補助，與會專家一致認為政府接下來的重要任務，是盤點有哪些可以開放導入 AI 的場域，自己開放場域、開出訂單。

根據 AIF 調查及專家輔導業者時發現，資服業者真正最需要的是市場、是訂單。部分業者也直言，一旦有了訂單，能夠自給自足，資金反而不是主要問題。

在場專家點出補助跟訂單的根本差異，補助款在企業財報上算業外收入，但拿到訂單則是實質業務，兩者能帶動的效果完全不同。訂單有助於業者的服務接受市場檢驗，也才留得下可以複製到下一個客戶身上的模組化知識，幫助後續開發產品。

政府握有的場域規模非常可觀，從機場、市區道路，到中油、中鋼這類國營事業都是，若能盤點出來，既能讓更多資服業者有服務的空間，也能幫助需要數位化或自動化營運流程的事業單位，呼應人工智慧基本法對政府推動AI應用的精神。

除了運用公營單位或公共建設來出題，政府也可以扮演「需求彙整者」的積極角色。

許多資服業者都認同，接觸類似領域的問題多了之後，有助於把過程中的需求與解決方法模組化，用以開發產品。但單一家公司若還沒有深耕特定垂直領域，有可能做到嗎？

AI 應用公司智能演繹創辦人李奇翰接受 AIF 訪談時指出，若要把驗證場域擴大到10家、20家規模，可能需要政策介入，讓業者進入某些場域探尋是否有共同需求、共同流程浮現，政府透過各部會的力量，或許能夠扮演這樣的角色。

一位長期關注政策的與會專家也提醒，政府還需要把配套的法規、標準，以及國際連接需要關注的協定建立起來，因為這不是單一業者自己能處理的問題。

一旦 AI 落地，會牽涉到個資與資料治理的實際問題，目前許多部會例如衛福部，已經相對積極在推動相關規範，但整體來說目前配套並不到位。之所以現在能做，某種程度上是因為已經等不下去，只能先動起來。因為個資保護委員會還停留在籌備階段、資料應用規範也不清楚，導致部分資服業者對投入跟個人資訊、隱私相關的服務或產品時，普遍持保留態度，不利於產業發展。

現在數發部、經濟部等部會已推出幫助企業導入 AI 的補助方案，有助於驅動對資服業做 AI 專案和產品的需求，對於資服業者來說是難得的機遇。政府能扮演「場域和需求彙整者」的積極角色，也需要專責單位針對在 AI 場景中的個資保護提出明確規範，在打造新一代基礎建設的同時，幫助資服業者練兵做產品，提升台灣軟體資訊服務的量能。

最近科技業最紅的職缺，不是資料科學家，也不是提示工程師，而是把AI導入企業工作現場的「前線部署工程師」(Forward Deployed Engineer，FDE)。這個角色最早因美國軟體與服務公司帕蘭泰爾（Palantir）而成名，如今OpenAI、Anthropic、微軟這些巨頭也紛紛跟進，開始砸大錢成立專門組織，把工程師直接派進客戶現場。

FDE會紅的原因在於，再強大的模型，都沒有辦法靠員工個人、單點式的使用來落地，需要有人盤點流程和數據，決定在哪些地方使用 AI 或串接系統，才有辦法讓 AI 規模性的進入營運現場。

對於幫公司導入數位服務的資服業者來說，每一次派工程師進客戶現場解決問題後，能不能把經驗轉化成某種知識、變成下一個客戶也能用的東西，也因此變得格外重要。由於靠工程師進到企業現場，專案經驗無法累積、業務規模也高度依賴員工數量。但生成式AI到來後，這種「以人力堆疊營收」的模式迎來轉機。

數發部長林宜敬多次公開呼籲，資訊業者應該開始做產品，從單純做專案收費，到運用專案經驗、做出可複用的產品，提升人力服務的量能。AIF近期召開了一場專家會議，邀請產業及學界專家共同探討，資服業者如何利用 AI 帶來加速開發的機遇，讓營收不再受限於人力天花板。

深入具體場景做利基型產品

針對「AI 產品化」這個命題，專家討論一開始就碰上什麼是AI產品化的定義問題。與會專家都同意，單純在員工工作過程中運用 AI 加速產出，例如用AI寫程式碼、設計介面，不是 AI 產品化。

但產品裡有用到 AI 就算 AI 產品化嗎？AIF 的實地研究發現，AI 產品化遠比「把 AI 能力包進產品裡」來得多元。

有些業者確實是把 AI 加入既有的產品裡，也有業者是基於 AI 的能力做出產品，比如打造一套基於視覺辨識而搭建的流程自動化（RPA）平台。但也有業者是看好企業導入 AI 後衍生出的控管需求而開發出產品，並不必然是在既有產品中加入AI。

不過，與會專家一致認為，AI 產品如果沒有結合特定產業的領域知識（domain know-how），就難以真正解決企業問題。對於台灣的資服業者而言，單純比拼模型能力，不會是新創或中小型資服業者的戰場，與其在通用能力上跟 OpenAI、Anthropic 等大廠拼，不如往垂直、具體的場景裡找題目。

這也是水務新創企業臥龍智慧的優勢。這家公司鎖定的是傳統產業裡的水質監測處理問題。設備出狀況時，現場人員常常分不清究竟是水質本身出了問題，還是感測器本身故障，此外做水處理時要加什麼配方、加多少、什麼時候加，都依靠現場管理人員的經驗。即使有記錄，許多公司是用紙本，難以分析利用。

公司創辦人原本就在科技業大廠擔任廠務工程師，專門負責水質處理。一家傳產與他合作後，發現 AI判讀的精準度明顯高出人工經驗許多，接著花了約半年時間，把原本仰賴老師傅經驗、紙本記錄的水質管理流程，轉化成一套智慧化管理系統。由於幫客戶省下大量工時，連帶降低了藥劑用量的成本，客戶欣然買單，如今已使用超過3年。

從這個案例可以看出，真正被驗證有效的差異化策略，從來不是誰的模型更強，而是誰更早、更深地扎根進具體的產業場景，並且願意花幾年以上的時間，陪客戶試驗、調整、衡量成效，評估導入成果。

與會專家提醒，AI 產品落地不只是看客戶用了多久，還要看是否有根據客戶需求或技術持續演化，不是做好了賣出去就一勞永逸。

客戶不一定是產品的最終使用者

調查的第二個洞察是，做產品，並不代表每家資服業者都得靠自己從零累積某個行業的專業。如果自己還沒有能力把某個領域的know-how包裝成客戶用得上的東西，找到領域專家合作，一樣走得通。

根據 AIF 研究觀察，部分公司在發展產品的早期，也曾嘗試過直接找終端使用者解決問題，但發現終端使用者經常缺乏誘因，例如工地現場的工人對於配合規定或檢測往往缺乏動力，而使用產品的店家或工廠老闆，多半只在意「有沒有系統可以用」，未必想耗費心力參與解決問題的過程。

經過多次失敗經驗後，他們意識到，真正的客戶不是這些終端企業或使用者，而是那些在幫企業解決問題的系統整合商(SI)。

例如慧穩科技第一個真正成功的案例，其實是讓一家同業SI變成合作夥伴，由夥伴SI負責將產品推向市場，自己則專注在技術和產品研發上。業者需要做的，則是陪著客戶去了解使用者需求，把產品做出來。當客戶能因此獲得業務上的成功，自然會願意買單。

因此，不是所有公司都需要自己在一個產業場景蹲點，才能做到垂直深耕。有時候，真正的捷徑，是找到那個已經在領域裡有多年經驗的人，建立緊密的合作關係。

與會專家指出，不論harness、loop或prompt engineering怎麼做，SI都掌握著中小企業的資料入口，因為SI過去賣了很多系統給中小企業主，若能找到對流程理解深入的業者，會是打造產品很好的切入點。

資服業者產品化四大能力

如果資服業者要把自己的知識和能力變成產品，有沒有一些可供遵循的共通能力？會議最終收斂出資服業者需要的四大能力，分別是：了解產業領域的能力、把不同技術與流程整合起來的能力、把技術轉換成生意的商業能力，以及能陪著客戶走過漫長導入過程、建立長期關係的信任能力。

這四種能力，也正好呼應前面兩種切入點的核心邏輯。

了解產業領域的能力，是透過在場景裡蹲點觀察、靠時間換來的判斷力。整合能力與信任能力，則是業者要有辦法把自己的技術，跟SI既有的客戶關係、服務流程整合在一起，而且要願意陪著SI一起進到終端客戶的使用場景，了解自己的產品如何發揮價值。

至於商業模式能力，則是落實上述方法的大前提。不論是自己紮根，還是找夥伴合作，最終都要能講清楚，這筆生意的錢從哪裡來、怎麼持續進來，而不是靠一次性的專案費用。

資服業要走的產品化之路，是要學會歸納過往的經驗，把專案的工作過程拆解成一套可以持續累積、可以被下一個客戶複用的模組。不論是用什麼方法建立自己的產品，不可或缺的，都是要先找出能夠為其直接創造商業價值的客戶。

根據《2026台灣產業AI化調查》顯示，超過五成的企業在推動AI轉型過程中，優先選擇與原有合作的系統整合商（SI）或獨立軟體開發商（ISV）合作。這項數據凸顯了系統業者在台灣產業AI化進程中不可替代的樞紐地位。

然而，在龐大的AI生態系中，沒有任何一家企業能夠從底層晶片、工業硬體，一路包辦到上層演算法與應用。當市場對AI落地的期待普遍聚焦於「低成本、高安全性」時，台灣的軟體服務商、系統整合業者與工業硬體大廠，究竟該如何在各自的垂直領域中打破落地落差，共同打造具備高韌性的創新生態系？

高通於8月26日舉辦「高通AI生態共創論壇」，邀集領域專家與會，共同探討面對快速變革的產業環境，台灣軟體與系統整合商在不同產業中，該如何打破理想與現實之間的落差、找到關鍵著力點。

客戶不會為模型買單，而是為解決問題的能力

「客戶不會因為你做了一個很厲害的模型就買單，只會因為你幫忙解決實際問題而掏錢。」台灣智慧雲端有限公司策略長李立國一針見血地指出，AI 應用競爭優勢從來不在大模型本身，而在於團隊對客戶所處垂直產業領域知識、資料流與作業流程的理解，以及能否根據實際業務情境精準調校 AI Agent（智慧代理）。

這與台灣先進車用技術發展協會秘書長沈舉三的觀點呼應，他認為，多數企業客戶並非從零開始建置系統，而是已有累積架構、數據與傳統商業模式，因此SI的核心任務在於協助客戶掌握現況，進而在多重技術堆疊中轉型。

他同時也強調，對獨立軟體公司（ISV）而言，技術固然重要，但最終決定競爭力的關鍵，依然是能否建立起穩健且可持續的商業模式。

AI為台灣汽車產業帶來機會，但跨域整合是最難的一關

沈舉三進一步指出，系統整合又可分為「軟硬整合」、「虛實整合」與「跨域整合」三種層次，難度最高的就是跨域整合。以先進車協深耕的汽車領域為例，過去一輛車上的電子元件成本占比不到10%，如今已攀升至30%以上，這對過去三十年難以切入傳統封閉車用供應鏈的台灣ICT與軟體業者而言，無疑是前所未有的龐大商機。

在車載運算上，仰賴雲端運算會面臨即時反應的延遲風險。「一台車的晶片從早期的個位數，暴增到如今動輒上百顆，但車載算力不可能無上限增加。」他指出，如何透過邊緣AI（Edge AI）在有限算力與成本中達到極致平衡，正是當前車廠的共同挑戰。

沈舉三直言，「軟體定義車輛」最艱鉅的挑戰在於跨界融合，也就是軟體開發者不能只懂演算法，還必須深入理解車輛本體、車聯網協定、外在環境感知、座艙娛樂系統以及駕駛行為習慣。面對如此複雜的生態系，就算國際一線大廠也無法單打獨鬥包辦所有應用，而這正是台灣SI與ISV可以攜手共生、展現實力的機會。

透過模組化平台與供應鏈韌性打造新一代應用
而在工業領域，不同於追求快速迭代的消費型電腦，全球工業電腦龍頭研華科技協理王聖文指出，工業與醫療等場域具備極高的嚴苛性與特殊規格門檻，正是工業電腦無可取代的核心價值所在。面對AI時代晶片架構多元化與地緣政治的雙重挑戰，研華透過模組化硬體平台與彈性供應鏈製造，攜手SI與ISV，加速新一代智慧應用落地。

「研華的定位，是作為SI與ISV的堅實後盾。」王聖文表示，這樣的角色能協助合作夥伴大幅降低進入垂直市場的門檻。由於工業與垂直場域向來具備「少量多樣」的特質，多數ISV與SI難以獨自承受漫長的硬體開發週期及高昂的委託設計費用。因此，研華將服務範疇區分為兩大部分：其一是標準化現貨產品，將過去累積四十餘年的經驗，建構出一套具高度一致性與可預測性的產品發展藍圖（Roadmap），涵蓋工業主機板、單板電腦（SBC）、模組到完整系統，使客戶能無縫接軌當前與未來的硬體架構；其二則是針對出貨規模較大，或具備特殊規格限制的應用，提供量身定制的客製化開發服務。

王聖文將AI帶來的浪潮視為正向的轉型契機，尤其面對工業市場越來越多元的架構選擇，研華調整了傳統的開發思維，轉向以應用市場實際所需的I/O規格為出發點，例如高算力、低功耗、電池驅動，以及視覺辨識等需求，開發對應的產品。研華也運用更多元的平台，涵蓋不同的算力、功耗與I/O組合，藉此對準所聚焦的市場，包括傳統的醫療、零售、自動化，以及機器人、交通等新興產業。

台灣需要強化人才「專案規劃」的能力

艾陽科技營運長暨創辦人林鼎則從獨立軟體開發商的角度建議，台灣的人才培育應加強專案規劃能力的訓練。他以公司去年協助一家傳產客戶進行AI系統升級為例：該客戶過去仰賴Excel作業、缺乏數位化文件，須先將採購、來料檢驗、組裝測試、入庫到客訴處理等流程，依循ISO 27001、27701、14001等標準逐一數位化，才能進一步做資料分析與良率預測；若系統同時涉及全球多廠區的前後端辨識設定，衝突時如何取捨更考驗系統架構功力，而這類實務經驗往往是學校教育難以傳授的。

他以自己就讀柏克萊大學時透過「capstone project」（類似台灣產學合作計畫）接觸各產業真實需求的經驗說明，這正是多數企業傾向與既有系統業者合作的原因，在於業者最了解客戶的流程與系統脈絡。

政府補助不是給錢就好，要有規格與路徑

林鼎也觀察到，日韓政府對AI落地的支持力道相當積極，且補助審查機制相對嚴謹。例如一項三千萬元規模的補助案，會明確要求至少一半經費須投入AI設計與相關硬體建置。他對比指出，台灣過去不少大型企業取得補助後，僅以其中一小部分（如一百萬元）執行AI相關項目，驗收通過後案子便宣告結案，但這樣的做法其實無助於真正提升產業的整體承接能力。

他建議，政府補助應有明確的規格要求與執行路徑，並與國家整體政策方向緊密結合，同時建立後續查核機制，最終再以國家採購的形式落實，如此才能為台灣產業帶來實質助益。

生態系共生才是解方

沈舉三總結指出，過去由大型產業龍頭說了算，下游照單全收的模式已不復存在。以車用晶片與智慧運具為例，各大 Tier 1 大廠與主要車廠早已打破單一綁定，同時與輝達（NVIDIA）等多家運算大廠展開多軌合作。「以前是原廠有晶片、要別人趕快用；現在是誰的解決方案能幫客戶把車賣得好，晶片採用量就跟著放大。」

他認為，在邊緣 AI 與智慧轉型時代，小型創新團隊同樣有機會「小兵立大功」。面對生態系全面洗牌的挑戰，政府若能扮演好引導與採購推手，台灣軟硬業者攜手構建具備韌性的共生體系，眼前的產業危機將轉化為台灣下一波飛躍成長的關鍵契機。

提到AI應用，多數企業常陷入一個迷思，是否模型越大，AI導入越容易成功？對此，台灣智慧雲端策略長李立國提醒，企業如果想要訓練一個大模型，得要有夠大的投資規模。因此，他建議，企業也可以從營運過程中的諸多「小任務」出發，由於這些小任務多半與員工現場的具體問題相關，在模型規模與地端GPU算力要求不高。且這些小小的AI導入成功案例，也能有助於企業計算ROI。

從特定用途出發，打造專屬藥事Agent

李立國以台智雲與醫療業合作的「藥事 Agent」專案為例說明。這套系統採用複雜的多代理人協作架構（Multi-Agent），透過AI技術輔助藥師與醫師在第一線把關用藥安全。目前已可運行於高通的 Notebook 裝置上。

「藥事Agent」主要融入28項臨床用藥常規，並結合衛福部藥品仿單及實際醫院用藥習慣開發而成。系統核心功能包含三大環節：首先是多重處方掃描，使用者可直接上傳仿單或處方箋，系統支援一次掃描多張處方箋並自動辨識內容；其次是用藥安全與交叉作用分析，AI會結合患者個人檔案，自動分析多重用藥間的交互作用風險，並提出劑量、用法建議，甚至評估個別藥物是否該持續服用；最後系統會產出完整用藥評估報告或重點摘要，供藥師、醫師快速審查。

值得關注的是，「藥事Agent」底層並非仰賴單一巨大AI模組，而是採用複數Agent（Multi-Agent）協同架構，藉此提升處理專業任務時的精準度。其中，OCR Agent負責最前端的處方箋掃描與辨識；RAG Agent專責檢索、處理衛福部官方藥品仿單的龐大資料庫；用藥框架Agent則負責將用藥資訊對標各家醫院的用藥習慣與規範；報告Agent最終彙整臨床分析，生成專業報告或摘要。這樣的分工設計，讓系統得以在不同任務環節維持高度專業性與正確性。

李立國說明，在連鎖藥局場域，系統可以直接以AI PC或Notebook部署，供藥師獨立使用；而在資源相對集中的偏鄉衛生所與衛生局，則部署小型AI工作站（ARS station），以地端推論平台同時服務120個使用者。

他解釋，從神經處理單元（NPU）到中央處理器（CPU）之間的記憶體頻寬表現，是評估終端裝置效能的重要指標。尤其在 Agent 架構中存在大量輸入輸出傳輸需求，記憶體頻寬的優劣將直接影響系統反應速度。

「如果藥師使用 AI Agent 協助作業時，病人拿著藥袋在旁等候，系統卻要跑上五、六分鐘才能得出結果，病人恐怕早已失去耐性。」李立國指出，在食衣住行育樂等各類實務應用上，企業內部普遍採取混合式（hybrid）架構因應此類需求。

相較應用部署，企業更在意的「成本效益」

李立國表示，市場上雖有大量雲端運算的討論，但企業實務上更關注「落地」部署，核心考量仍是成本效益。他舉例說明，個人若作為 AI 中度使用者，每月透過雲端服務生成內容、撰寫提案等，花費三十、五十美元屬合理範圍；然而放大到企業層級，若每位員工每月皆產生類似規模的雲端支出，成本壓力將完全是另一個量級。

相較之下，由於可落地部署的模型能力已日趨成熟，以 Llama 4 為例，處理操作技術相關場域任務已綽綽有餘。因此，李立國認為，決定成效的關鍵往往不在模型規模本身，而在於 Agent 的設計邏輯與工作流程控制。

市場逐漸重視「專屬模型」訓練

李立國指出，AI 模型與 Agentic AI 應用可依場域延伸為通用型與任務型兩類，藥事 Agent 即屬任務型應用；而一般所稱的數位助理或通用型 Agent，則歸類為通用型應用。在通用型應用方面，台智雲推出產品「AI Assistant」，其核心優勢在於內建多種「skill」，可協助使用者撰寫報告、進行分析等工作，企業亦可依自身場景自訂專屬 skill。

他表示，市場對「專屬模型」訓練的重視程度正逐漸提升。他觀察，模型訓練已從傳統的大量知識灌輸，逐漸走向所謂的「任務型」訓練。他指出,在食衣住行等場域中，基於任務型、於作業環境裡，透過設計 Agent 的工作流程，再搭配簡單的 RAG，確實能達到不錯的效果。他認為，除了模型能力本身，Prompt 工程與上下文（Context）工程同樣扮演重要角色。

高精度科學模擬始終存在一個現實困境：算得越準，通常也越昂貴。

在材料科學中，研究人員常使用 GW 方法計算材料中精確的電子能量與能帶結構。這類計算能提供比一般密度泛函理論 (DFT) 更準確的結果，但代價是龐大的運算量。問題在於，研究真實材料時，原子並不是靜止不動的。若要研究材料在不同溫度下的行為，往往需要透過分子動力學 (molecular dynamics) 產生數百甚至數千個不同的原子排列，再針對每一個原子排列，重新執行昂貴的 GW 計算。

由中興大學、淡江大學與人工智慧科技基金會組成的研究團隊，近期在《Machine Learning: Science and Technology》期刊發表的一篇論文，提出一個務實的概念，如果讓機器學習不需從零取代物理模擬，而是學習「便宜計算」與「昂貴計算」之間的關係。研究人員只需先執行部分昂貴的模擬，其餘再交由機器學習完成，讓原本因運算時間或成本過高而窒礙難行的研究，變得可行。

如何讓 AI 用 25% 的資料，猜出 75% 的答案

研究團隊先利用成本較低的 DFT 計算，取得電子能量與交換關聯位能 (exchange-correlation potential) 等資訊，再對部分分子動力學快照 (snapshots) 執行完整的 GW 計算，將這些資料交給機器學習模型如 LightGBM 學習。之後，面對新的原子排列時，只需先執行較便宜的 DFT，就可以由機器學習預測出接近 GW 精度的準粒子能量 (quasiparticle energies)。研究中僅使用約 25% 的分子動力學快照作為模型開發資料，其餘 75% 則完全保留作為測試。

論文研究成員之一、人工智慧科技基金會首席資料科學家蔡源鴻解釋，就像是手上有很多「壓縮後的資料」和少量「原始完整資料」成對出現，但你不知道兩者之間的還原公式。機器學習做的事，就是從這些配對裡，自己學出一套近似的還原規則，之後看到新的壓縮資料，就能猜出它對應的完整版本。

論文中的 DFT 就相當於「壓縮版資訊」，GW 則類似「完整高精度資訊」。研究者提供一部分 DFT 與 GW 的配對案例給模型看，模型經過訓練後，就學會「從 DFT 大概怎麼還原到 GW」。這種做法也不只是依照鄰近資料做簡單補值，與傳統插值不同，模型試圖從大量配對案例中學習 DFT 與 GW 之間更複雜的結構與規律，因此有機會對未見過的新情況做出預測。

結果顯示，這種方法不僅能預測能帶中的單一能隙 (band gap)，還能重建完整的電子能帶結構 (band structure) 與態密度 (density of states)。在矽 (Si) 與氮化硼 (BN) 的測試中，準粒子能量的均方根誤差 (RMSE) 約為 0.01 至 0.06 eV，已接近部分 GW 參考計算本身的數值誤差尺度。

更重要的是，這個模型並非只對「看過的資料」有效。研究團隊將它應用在更長時間的分子動力學軌跡、不同溫度，甚至訓練時從未出現過的氮化硼晶體多晶型，模型仍能維持不錯的準確度。

不是取代物理理論，而是讓科學模擬加速

蔡源鴻說，這個研究的價值在於提出一個方法論，試圖讓 AI for Science 更為務實地發展。讓那些昂貴而重複的模擬，只需做一部分，剩下的交給機器學習協助完成。

「機器學習並不是要取代物理理論，也沒有消除高精度模擬的需求，」蔡源鴻解釋，相反地，少量昂貴的模擬成為 ML 的老師，模型再把這些知識擴展到大量尚未計算的案例，這也意味著， AI for Science 正往一個務實的發展方向前進。

如果這類方法能進一步擴展到更大型、更複雜的材料系統，帶來的價值將不只是計算速度變快，更可能讓研究人員在相同資源下探索更多材料、更多條件與更長時間尺度的物理行為。

換句話說，機器學習在這裡扮演的不是替代科學家的角色，而是一個科學模擬的加速器：用少量高成本計算，換取大量高品質預測，進而提升研究效率、降低運算成本，也擴大科學家可以探索的問題範圍。

參考論文： Ragab A Abdelghany, Chih-En Hsu, Hung-Chung Hsueh, Yuan-Hong Tsai and Ming-Chiang Chung. 〈Machine learning framework for GW calculations across molecular dynamics trajectories〉. Machine Learning: Science and Technology.

自 2022 年底 ChatGPT 問世以來，我們的網路搜尋習慣正悄悄發生變化？過去在搜尋框輸入的「關鍵字」，如今已演變成自然、完整的對話問句。而 Google 近期一系列邁向「代理化（Agentic）」的戰略佈局，絕不僅是在既有產品上疊加新功能，更是深刻反映了使用者對搜尋的期待已經改變，人們想要的不只是文字訊息，而是一套能主動「幫你把事情辦妥」的完整解方。

「當使用者透過 AI 訂票、預約餐廳或做某項研究決策時，你的產品或服務，能不能被這套代理系統看見？」將能數位行銷創辦人連啓佑提醒，搜尋的定義正在被改變，一旦消費者的決策習慣轉移至 AI 代理，企業就必須同步調整自身的數位架構以應對變局。

投身網路行銷近三十年的連啓佑觀察，AI 搜尋的問世，讓使用者行為徹底改變。面對高度複雜的 AI 決策系統，企業要處理的不再是單純的關鍵字堆疊，而是如何讓資料結構化、透過 API 與 AI 代理對接。這是一個需要放下舊思維、重新學習的全新戰場，這也讓 GEO（Generative Engine Optimization，生成引擎最佳化） 一詞躍升為行銷焦點。

SEO 與 GEO 的差異，從「說什麼」到「誰說的」

連啓佑指出，傳統自然搜尋與 AI 搜尋在底層目的上有著根本的差異。傳統 SEO 解決的問題是「哪一個頁面值得排在前面？」因此重點在於內容是否滿足搜尋意圖，也就是「這個內容說了什麼」。

然而，到了 GEO（生成引擎最佳化）時代，AI 不僅在乎內容，更進一步嚴格探究「這是誰說的？」也就是該品牌是否具備權威、是否值得被提及與引用。當傳統搜尋引擎呈現的「十個藍色連結」被 AI 濃縮成「一個直接解答」時，企業面臨的競爭就不再是「排第幾名」，而是「有沒有擠進這個唯一的答案裡」。

正因為搜尋系統背後目的的改變，SEO 與 GEO 在工作項目、操作方式，甚至成效追蹤與評估方法上，都開始出現明顯差異。

面對這場變局，企業必須先理解 AI 系統的底層差異。

連啓佑將當前的 AI 搜尋明確劃分為「Google 系」與「非 Google 系」兩大陣營。Google 系，也就是Google系統的相關工具。官方常對外宣稱「GEO 其實就是 SEO」，因為對 Google 來說，兩者底層用的技術大同小異。作為靠 PageRank 連結技術起家的巨頭，外部連結與網頁體驗是 Google 絕不輕易放棄的命脈。所以在 Google 系的 AI 中，只要內容與使用者體驗做得好，優勢依然存在，只需在此基礎上疊加「品牌語義」的概念，本質上仍是回歸 Google 的老本行。

相對地，以 ChatGPT 為首的「非 Google 系」工具，則屬於完全不同的體系。連啓佑分析，這類 AI 工具並非從傳統搜尋引擎一路演化而來，因此沒有連結技術的歷史包袱。在缺乏外部連結指標的情況下，ChatGPT 評估權重的核心變得非常純粹，幾乎有高達八成的重點完全鎖定在「內容」本身的品質與權威性上。

搜尋的M型化來臨，有好的內容也不一定能贏

「AI 檢索會造成搜尋能見度的Ｍ型化，甚至贏者全拿。」連啓佑直言，光有好的內容還不夠，企業還必須進一步讓品牌與特定的幾個主題建立穩定而強烈的語義連結，也就是「品牌語義場」。讓品牌逐漸成為特定主題值得被認識、被信任、被提及的對象，也讓品牌所產出的內容成為 AI 願意參考與引用的資訊來源。

因此，他建議，企業的內容經營必須學會聚焦與深耕。不需要涉足所有主題，但必須精準鎖定真正專注的 5 到 7 個核心領域。

並且在核心領域深耕，長期累積信譽，最終目標是讓大眾與 AI 形成共識，使自己成為該領域的代表權威。他說，當整個社會與 AI 都認定你是該領域的代表時，企業就能囊括該主題所有的 AI 推薦紅利。
「以前做 SEO，大家在乎的是『你的答案好不好』；但到了 GEO 時代，AI 更在乎『這是誰說的』、『你有沒有代表性與權威度』。」連啓佑點出核心差異。這意味著企業必須在自身專注的領域裡取得關鍵地位，而不僅是糾結於單一網頁的內容優劣。

他進一步解釋，在 SEO 時代，企業只要把官網體質顧好，確保搜尋引擎能順利抓取、網頁體驗佳、外部連結佈局完整且內容充實，基本上就能站穩腳步。但在 GEO 時代，決勝點已經轉移到「品牌語義場」的建構，也就是企業的品牌與主題，能否與產業的核心概念建立起強烈連結，進而形成專屬的影響力範圍。

「這在 SEO 時代常被單純歸類為品牌公關的範疇，與搜尋排名沒有直接關係；但如今品牌影響力已經與 GEO 排名成效徹底掛鉤了。」連啓佑總結道。

GEO正在打破界線，未來的贏家是資源整合者

想在 AI 時代成為特定領域的權威，單靠優化網站內容絕對不夠，這必然會牽涉到更廣泛的公關操作與媒體串聯。這也導致了行銷產業板塊的劇烈位移。

連啓佑觀察到，過去專注於官網經營的 SEO 團隊，與負責對外溝通的品牌公關，多半是各司其職的兩個領域。但 GEO 的出現打破了這條界線。因為「外部媒體聲量」恰好是影響 AI 系統判斷權威性的關鍵，而這正是公關團隊的強項。

「外部媒體聲量是 AI 判斷權威性的關鍵，這是公關的強項；但網站本身的技術體質又是 AI 順利檢索的基礎，兩者缺一不可。」連啓佑坦言，GEO 是一項高度整合媒體與技術資源的多面向工程，世界上沒有任何一家公司能獨自包辦所有環節。

目前連啓佑的團隊也與外部技術夥伴合作開發新工具。他認為，未來能整合最多的資源、串聯最多的人才，誰才是真正能主導戰局的贏家。

放下舊思維，擁抱搜尋新常態

連啓佑說，面對 AI 搜尋真正困難的地方，不是多學幾個工具，也不是把原本的 SEO 技巧換一個名稱，而是要先願意重新理解搜尋的底層邏輯，放下過去習以為常的思維，再重新學習如何適應新的搜尋環境。

唯有真正理解 SEO 與 GEO 在本質上的差異，企業才有機會不再只是被動因應這波 AI 浪潮，而是在新的搜尋競爭裡找到自己的位置，甚至取得新的優勢。

每天早上醒來，你會做的第一件事是什麼？是不是滑開手機，看看IG或Threads上在討論哪些熱門話題？遇到瓶頸就找AI求助、閒暇時追著網紅的短影音。在AI、社群媒體與短影音無所不在的今天，我們每天使用這些科技，卻不一定真正了解它們。

資深媒體人黃哲斌透過本書，帶領網路原生世代的讀者依序闖過AI時代四大關卡：從「人工智慧西遊記」探索生成式AI的演進與應用，到「短影音魔幻視界」揭開演算法與短影音平臺的祕辛，在「網紅解密會客室」破解網紅的流量密碼與變現關鍵，最後在「數位荒野亂鬥」中學會面對炎上事件、詐騙陷阱與數位成癮的求生指南。

這不只是一本認識科技新媒體的指南，更是一張陪伴讀者勇闖未來世界的生存地圖，每篇文末並附「外掛資訊站」專欄與延伸影音，幫助讀者建立更精準、完整的數位素養。

二○二四年，美國天后泰勒絲（Taylor Swift）的一段短影音，在TikTok與Reels大量流傳。影片中，泰勒絲站在演唱會後臺，以她的獨特嗓音說：「大家好，我是泰勒絲。由於包裝出現錯誤，我有幾千套Le Creuset鑄鐵鍋，要免費送給我的忠實粉絲，只要點擊下方連結，支付小額運費就能領取。」
Le Creuset是一個知名法國鍋具品牌，一套鑄鐵鍋在臺灣售價動輒六、七千元，因此，許多美國網友擔心搶不到，趕緊點進連結，輸入信用卡個資並扣款。後來才發現，那是詐騙集團盜用了泰勒絲的公開影片，並以DeepFake（深偽）技術，改變泰勒絲的嘴型與口白，事實上根本沒有「免費送鍋子」這種好事。

在臺灣，張忠謀、黃仁勳、前總統蔡英文、作家吳淡如，都曾被詐騙集團利用AI軟體「語音合成（Voice Cloning）」並「修改嘴型（Lip-Sync）」，邀請網友加入投資群組，或要求匯款、提供個資、傳送驗證碼等，事實上，都是利用名人效應，取得民眾信任，再進行詐騙。
網路詐騙層出不窮，當AI遇上短影音，就創造出一種更危險的假訊息手法。短影音為何容易變成詐騙溫床？主要原因有四：

1. 快：如同我們玩「快問快答」，短影音節奏快、訴求直接，就像速球對決，觀眾大腦在當下只顧著接球，比較沒有餘裕去質疑，往往輕易接受結論。
2. 仿真：我們常講「有圖有真相」，更不用說有聲音、有動作、唯妙唯肖的影片，比合成照片更有說服力，若一般人不知深偽技術的發展，很容易信以為真。
3. 門檻低：製作深偽影片，需要時間與大量運算力；而且影片越長，越容易看出破綻，短影音正好符合詐騙集團的低成本需求。
4. 情緒渲染力高：短影音的演算法，喜歡傳播各種可激發一般人情緒的影片，這類「好康」訴求的內容，特別吸引人，也特別會被大量推送。

二○二五年底，防毒軟體公司邁克菲（McAfee）針對全球八千六百名民眾進行調查，發現高達百分之七十二的美國人看過偽造的名人代言廣告，其中百分之三十九曾點擊連結，更有百分之十的人遭受金錢損失或個資被盜，每位受害者平均損失五百二十五美金（約臺幣一萬六千元）。

不只詐騙，利用AI短影音製作假訊息，還能讓人「掉進兔子洞」。

二○二五年七月，臺灣事實查核中心曾公布一個案例，有大量YouTube、臉書、LINE帳號專門製作AI假影片，主題都是「外國人稱讚臺灣」，像是外國王室來臺治療絕症、韓國來臺向萬安演習取經、印度科技首富兒子赴臺求學、智利礦業鉅子在臺灣搭計程車被驚豔……等等。

這些AI假影片，雖然品質粗糙，很容易識破是AI合成，但利用網友愛看「外國人讚美臺灣」的集體心理，仍然吸引到大量觀看數與愛心。這些影片衝高流量，背後目的不一，有些是導流到付費網站，有些是引誘觀看者點閱其他陰謀論的影片。

「SIFT」：查證假影音四步驟

近年的媒體識讀，常教我們如何查證假訊息；然而，當人工智慧與短影音合體，就像《變形金剛》的反派機器人，我們也需要升級查證技巧。其中，資訊素養專家提出「SIFT」四步驟，就是基本防身術：

1. Stop：先停下，不要立刻分享，避免成為有害訊息的幫凶。
2. Investigate：追查這個帳號，比如帳號成立多久？是否經常發布情緒煽動或可疑訊息？
3. Find better coverage：尋找更可靠的報導或官方說法，交叉查證。
4. Trace：追溯最原始的影音來源，確認是否為盜用或變造影片。

以上這四步驟，適用於文字、靜態照片、動態影片的基本查核，對於短影音，適時查證的心態更重要，原因與人類思維系統有關。

二○○二年諾貝爾經濟學獎得主丹尼爾．康納曼，其實是一位心理學家，他在二○一一年出版的暢銷書《快思慢想》中，將人類的思維模式分成兩種系統，兩者互補，各有功用。

系統一：本能反應的思考，運作速度快，能量消耗少，比較直覺，比較仰賴情緒與習慣，例如：二乘二等於四；看見綠燈就通行這種類型。

系統二：運作速度慢，比較仰賴邏輯思考，需要集中精神，能量消耗比較大，通常在處理麻煩或艱澀的問題時，才會啟動，像是複雜的數學運算；或是在陌生路口尋找方向。

短影音的觀看過程，主要依賴系統一的思維模式，很容易照單全收。因此，當我們滑短影音，要不時的在大腦中踩煞車，提醒自己切換到系統二，避免輕易相信所有內容，更不要仰賴直覺行動，包括轉分享、點連結、提供個資、訂閱帳號。記得在行動前，先動手查證，追溯來源，評估可信度。

可是，大腦要一直專注推理思考，久了難免很累；如何避免彈性疲乏，讓系統一在平時維持低速運轉，直到辨認出需要喚醒系統二的問題影片？

以下是幾個觸動警鈴的訊號：

1. 挑動情緒：當一則短影音讓你感受到強烈的憤怒、驚訝、爆笑或恐懼時，就是亮紅燈的訊號，因為，假訊息常常激發高度情緒反應，讓你跳過理性思考。
2. 不合常理：在影片中出現明顯與常識不符的情節，比如花豹出現在市區、鯊魚在地下停車場游泳、知名人士忽然公開爆料……這些廣為流傳的案例，都在利用「震撼感」騙人上當。
3. 觀察細節：仔細檢查影片裡的聲音與人物嘴型是否同步？畫面中的光影、人物肌膚紋理是否合理？尤其眼睛、四肢、頭髮邊緣，最容易留下破綻。影片畫質越模糊，越可能是刻意掩飾細節的AI影片。
4. 誘導行動：這是最明顯的訊號，當短影音要求你提供個資、手機號碼、驗證碼、銀行帳號，甚至要求你支付小額費用，換取任何誘因（演唱會門票、偶像私密社群、獨家遊戲寶物……），背後涉及詐騙或盜取個資的機率就非常高。

尤其要留意那些強調「限時」、「獨家」、「免費回饋」、「最後兩個名額」的話術，往往都在營造「限量是殘酷」的心理，讓人不加思索，掉進陷阱裡。

你可以與家人朋友分享一個重要原則：線上陌生人的互動中，無論是短影音、臉書社團或LINE帳號，只要涉及金錢或個資，就一定要停看聽，正如一句俗話：「天上不會掉餡餅」，網路上也不會。就算是線上聊天認識的網友，也不要涉及財務，同時保護好你的隱私。

尤其，AI即時換臉的技術越來越成熟，跟你視訊聊天的妙齡少女或帥氣型男，背後可能是油膩怪叔叔，不管是用短影音、直播或視訊，談及個資或錢財話題都是危險紅線。尤其交友軟體，早已是網路詐騙的重災區。

如果視訊的另一頭，是你很信任的家人或朋友，又該怎麼辦？

好問題，近來有越來越多詐騙案例是盜用照片或影片，再藉由深偽技術換臉、套聲音，向熟人進行詐騙。遇到這種狀況，有幾個查證方法：

1. 直撥本人：掛掉電話，直接撥打親友的手機確認。
2. 通關密語：與家人約定幾個「通關密語」，必須是網路查不到，而且很難猜到的資訊，例如你小學老師的名字、你最討厭的食物、全家人最常去的餐廳，就像是你與家人專屬的「驗證碼」。
3. 動態細節：請對方眨眨眼、轉轉頭、撥撥頭髮，仔細觀察動作是否不太自然，目前的深偽技術，容易在這些細節的畫質上出現破綻。
4. 干擾測試：要求對方將手掌放在臉部前面揮動，或者開燈、關燈，AI模型在這些干擾狀態下，可能會出現閃爍、假臉消失或光影不自然的現象。

這些技巧偏向「被動防衛」，隨著AI技術進步，假訊息可能越來越難以辨識。「主動防衛」技巧是盡量不在網路社群上公開自己的姓名、照片、聲音、影像，包括臉書與IG，即使上傳，盡可能設為私密或不公開，以免遭人盜用。

AI短影音防詐技巧

當AI結合短影音，讓網路詐騙更猖獗，也導致假訊息更容易帶風向，甚至連視訊交友、親友來電都成為一種風險。然而，只要掌握幾個共通技巧，避開風險不會太難：

1. 建立個資保護意識，尤其照片、影像、聲音。
2. 網路盡量不聊金錢或財務話題。
3. 「快思」與「慢想」適時切換。
4. 留意激發情緒的心理操縱術。

恭喜！看到這裡，你就像打了一劑「AI短影音」的疫苗，開始長出自己的抗體。未來，當你快樂滑短影音之際，不妨觀察一下，哪些影片出現了可疑跡象、如何辨認與追查、如何驗證真假。

你還可以將自己化身「網路柯南」的心得，與家人或同學分享，搞不好，你會無意間阻止親友遭受詐騙，或避免他們被假訊息誤導，這是一件超級無敵酷的事！

外掛資訊站：製作深偽影片有什麼問題？後果嚴重嗎？

你可能聽過DeepFake深偽影片，或許也聽過有人說，「把男同學的臉，接在女生身上很好玩」。製作深偽影片，會有哪些後果？

臺灣最知名的案例就是YouTuber「小玉」，他把許多知名女性的臉，用AI套在色情影片的女主角身上，然後公然在網路上販售。

他的行為觸犯《刑法》的妨害性隱私及不實性影像罪，還有加重誹謗罪，被判刑入獄五年，另外一年八個月可易科罰金。此外，還必須面對被害人求償上千萬元，百萬網紅變成失去自由的囚犯。

就算只是把同學的臉換成豬頭，或用AI讓他講出蠢話，然後公開流傳，不但涉及霸凌，也觸犯公然侮辱或誹謗罪，而且可能侵害肖像權。即使犯罪者未成年，可能面臨保護管束，父母也會被連帶求償。

科技門檻越低，被誤用的風險越高。DeepFake就是典型例子，為了一時好玩，承擔難以承受的後果，一點都不「好玩」。

本文節錄自《晨讀10分鐘：AI時代的生存遊戲：破解AI、短影音、網紅祕辛的終極攻略》由親子天下 授權提供。