隨著生成式 AI 大舉導入企業各項業務，企業的關注焦點已從「AI 能不能做」，轉向克服落地的現實瓶頸，包括能否低延遲、低成本、可治理地AI生成。

同時，AI 生產力的爆發促使生成速度遠超團隊的決策速度，也帶出工作流程的根本重塑，以及Token資源的極效運用兩大 AI時代的急迫命題。正因如此，「Token效率優化」已成為開發者與企業最熱議的核心議題之一；OpenRouter的Fusion、Sakana AI的Fugu等新技術的出現也預示著AI競爭的賽道正在悄悄轉換。

一、技術以驚人速度進化，更強、更快的模型出現

模型技術持續進化，不僅有更強的基準表現，還有將「生成速度」推向了新極限的模型。

1. Google 發布了 DiffusionGemma 開源模型
Google 發布了 DiffusionGemma 開源模型，能夠透過平行分塊技術，將文本產出速度一舉提升至原來的四倍。在單張 Nvidia H100 晶片運算下，它能達到每秒超過 1,000 個 Token 的驚人速度。在文本之外，Google 更將極速生成的戰場延伸至語音，釋出 Gemini 3.5 Live Translate 即時語音模型API，讓顧客試用，該模型能在保留說話者原生語調與語速的前提下，支援 70 多種語言轉換。

2. Anthropic 重磅推出的 Claude Fable 5
此外，模型的效能與安全機制也在不斷重塑市場標準。Anthropic 重磅推出的 Claude Fable 5（目前暫時被停用），首次向大眾開放其最頂級的 Mythos 層級模型。這款新模型不僅在幾乎所有的 AI 基準測試中展現出領先業界的效能，並針對實務應用配備了一套嚴格的安全護欄（Guardrails）機制。

二、不再追求最強模型，而是誰擁有最強的系統

面對價格高昂的 Token 成本與算力負擔，「Token 效率優化」已成為開發者與企業最熱議的核心議題。近期兩項引人注目的產品發布，完美詮釋了這股轉向「系統化」的新趨勢。

1. OpenRouter Fusion：打破成本與效能的零和博弈
OpenRouter 最新推出的 Fusion API 服務，透過將多個不同 AI 模型的回應，彙整輸出為單一答案的API 服務，改變了過去依賴單一模型的做法。基準測試顯示，這種模型組合策略在深度研究任務上的表現，幾乎能與 Anthropic 頂級的 Fable 5 媲美，但花費的成本卻大幅降低。在 Token 經濟學（Tokenomics）的考量下，這無疑為企業提供了一條更划算的解決方向。

2. Sakana Fugu：將複雜的多代理協作封裝為極簡 API
日本新創 Sakana AI 發表了一款新產品：Sakana Fugu，則是從另一個維度展現系統戰的威力。它將複雜的多代理協作（Multi-agent orchestration）完整封裝，對外僅提供單一 API 接口。當使用者像呼叫單一模型般發出指令時，Fugu 會在後台自動進行模型的挑選、任務分派、交叉驗證與答案彙整。官方不僅強調其綜合表現達到 Fable 5 / Mythos Preview 的同等水準，更關鍵的是，它不受美國出口管制影響，解決企業在政策與地緣政治上的硬傷。

三、領域知識將決定AI應用的成敗

當底層算力與系統架構逐漸成為基礎設施，企業間的競爭不再是「誰擁有更好的模型」，而是「誰能將 AI 與既有業務結合得最深」。近期的研究與頂級賽事應用，恰好展示了領域知識才是AI時代真正的競爭力。

1. Anthropic 實證報告：「人類專業」將決定 Agent 價值上限
Anthropic 最近針對 40 萬次的 Claude Code 對話進行深度分析，企圖探討人類與 AI Agent 之間的工作分工及成功要素。研究結果卻發現：使用者在特定領域的專業知識，比其整體程式設計水準更為關鍵。這意味著，AI Agent 的產出價值上限，並不完全取決於模型本身的智商，而是取決於使用者對該項業務「實際痛點與運作邏輯」的理解深度，才能給出最精準的指引與糾錯。

2. 2026 世界盃足球賽：精準結合領域場景的完美落地
在真實世界也看到了極致的應用典範。隨著 2026 年 FIFA 足球世界盃在墨西哥城揭開序幕，該體育盛事也是今年最成功的 AI 落地案例。Google 與聯想（Lenovo）等科技巨頭將 AI 技術深度融入足球賽事的特有領域中，包括輔助越位判罰、球隊戰術數據分析，到個人化的球迷互動體驗。這些應用之所以成功，正是因為技術團隊與體育專家深度協作，將 AI 完美嵌入了高度專業的賽事工作中。

四、學術新視野：賦予 AI 自主進化的能力

學術界與研究機構的最新研究顯示，未來的解方不再是無止境地擴大模型規模與耗費人力調校，而是轉向賦予 AI「自主進化」的能力。

1. 實體世界的自動研發閉環（ENPIRE）：
由 NVIDIA、CMU 與 UC Berkeley 共同提出的架構，旨在讓機器人在現實世界中自主優化精密操作技能。透過讓 Coding Agents 自主編寫並修補強化學習（RL）演算法，系統能形成「環境建構、策略改進、物理實測、演化優化」的循環。不僅克服了繁瑣的人力負擔，更讓機器人在插拔插針、剪斷紮帶等高難度任務中達到 99% 的成功率；其支援的分散式計算，也大幅縮短了訓練時間。ENPIRE: Agentic Robot Policy Self-Improvement in the Real World"

2. 虛擬環境的自我重構（Self-Harness）：
上海人工智慧實驗室則將自我優化的概念搬到了 LLM Agent 身上。過去銜接模型的系統提示詞、工具與編排邏輯等多由人工設計，難以跟上迭代速度。Self-Harness 架構讓模型能主動針對自身的失敗模式，進行「弱點挖掘、修改提案與回測」，實現運作環境的動態自我修復與優化。"Self-Harness: Harnesses That Improve Themselves"

五、地緣轉折：美國管制推動生態多元化

美國針對前沿模型的監管收緊，非但未能完全鎖死 AI 的擴張，反而意外推動了全球「主權 AI（Sovereign AI）」與開源生態的加速突圍。

1. Anthropic 的戲劇性暫停
Anthropic 執行長 Dario Amodei 近期發表了政策專文，強烈呼籲監管機構應加快步伐，甚至提議政府應具備「叫停前沿模型」的權力，並輔以全民基本收入（UBI）等社會緩衝機制來應對就業衝擊。諷刺的是，這項呼籲在不久之後便一語成讖。因為，Anthropic 自家最前沿的 Fable 5 模型，就真的被美國政府以「國家安全」為由下令暫停。這項極具指標意義的事件宣告了，在美國，頂尖 AI 的發展天花板不再是技術瓶頸，而是國安底線。

2. 開源與主權 AI 的反撲：Z AI 打破閉源壟斷
中國新創 Z AI 近期發表了全新的開源模型 GLM-5.2，在一系列基準測試中，展現出足以與 GPT-5.5 和 Claude Opus 4.8 等美國頂尖閉源模型抗衡的強悍實力。這項發布具備雙重意義：它不僅標誌著「開源模型」在效能上已實質逼近「頂尖閉源模型」，更是對美國國安封鎖政策的直接回應。透過將具備頂級競爭力的模型開源，Z AI 完美詮釋了「主權 AI」的戰略價值，讓其他國家與企業有了擺脫美國技術依賴的新選擇。

在一系列的產品與時事資訊中，皆透露出，技術的未來不再只是「誰能訓練出最強的單一模型」，而是「誰能設計出最聰明的自優化系統」。而這個轉變，正在悄悄改寫整個 AI 產業的競爭規則。

企業對人工智慧的期待正在轉變。AI 工具已不再只是對話回應式的介面，而是逐漸演變成能夠主動執行複雜工作流的智慧代理。

在 2026 AI TAIWAN 未來商務展上，Google DeepMind 研究副總裁紀懷新從 AI 推理的底層邏輯出發，深入淺出地說明了從序列轉換器到思維鏈的技術演進，並指出，我們正處於一場跨世代的技術轉移，而未來的終極藍圖將聚焦於「個人通用助理」的全面普及。

二十年的技術累積：向量模型到深度學習

要理解當今的 AI 浪潮，必須回顧過去二十年的技術演進。

從 1995 年至 2015 年，向量空間模型、索引技術和深度學習這三大創新理念逐漸滲透整個網際網路產業。Google 搜尋、Facebook、Instagram 等主要平台，以及 Apple App Store 和 Google Play Store 等應用商店，背後運作的推薦系統幾乎全部採用向量空間模型和餘弦相似度的方法。如果把這些平台的商業規模加總，其控制的市場價值已超過一兆美元。

紀懷新回憶，關鍵的技術轉折發生在 2013 至 2015 年期間。Google 發現「深度學習」可以大幅提升搜尋品質，為此投資開發了第一代 TPU（張量處理器）。值得一提的是，這一切的佈局甚至早於 2017 年 Transformer 模型問世之前。

從深度學習到生成式 AI：解碼 Transducer 與 Transformer

紀懷新說，要理解生成式 AI 的運作邏輯，必須先掌握「轉換器（Transducer）」的概念。

他以日常物理現象舉例。麥克風將聲波能量轉換為電訊號，喇叭將電訊號還原為聲音，人類的耳膜將聲波震動傳遞至大腦。這些都是能量與訊號的轉換（Transduction）。在人工智慧領域，科學家正是利用神經網路來完成這項轉換工作。

這也解釋了為何 Google 的劃時代模型會被命名為「Transformer」。它就如同生活中的變壓器，只是它轉換的不是電壓，而是「序列（Sequence）」。透過這項能力，AI 得以實現對語音、文本、翻譯甚至圖像的理解與轉換。

破除恐懼：理解序列到序列的本質

目前許多探討生成式 AI 的文章，其實並未真正理解生成的本質。紀懷新指出，大眾對 AI 的恐懼往往源自於對底層技術的陌生。

生成式 AI 的運作基礎是「序列到序列（Sequence to Sequence）」。當我們輸入一段文字時，模型會根據序列，一個字、一個字地推算並生成輸出結果。現今的模型雖然能將龐大的人類知識壓縮其中，展現出驚人的擬真智慧，但技術的侷限在於缺乏對長文的全局理解。

關鍵論文的出現：《思維鏈》

2019 年至 2022 年間，一篇論文的出現徹底改變了 AI 的發展軌跡，那就是《思維鏈》（Chain of Thought, CoT）。

紀懷新坦言，團隊最初在構思這個架構時，完全沒料到它會為業界帶來如此巨大的衝擊。如今，這篇論文已累積近兩萬次的學術引用，成為推動當代人工智慧發展的核心基石。

那麼，思維鏈究竟解決了什麼問題？過去的機器學習方法往往缺乏透明的解題邏輯，就像是一個只給出最終答案的黑盒子。思維鏈的突破在於，它將人類「套用公式、按部就班」的推導過程直接展示給機器看。

透過向 AI 示範完整的解題路徑，機器得以進行真正的「推理（Reasoning）」，而非僅僅依賴模式匹配。這才是引爆近期 AI 發展的真正突破口。

通用 AI 助理的未來景象

基於思維鏈的推理能力，未來的「通用型 AI 助理（Artificial General Assistant）」將能深度介入人類的工作與生活，並具備精準的多語翻譯，跨越語言障礙，提供高品質的翻譯服務；複雜文本的邏輯摘要，從冗長的文章中提煉核心要點；與高階語意搜尋，理解用戶的真實意圖，而非僅進行關鍵詞匹配等三大能力。

最關鍵的差異在於，未來的 AI 助理不再只是單純依賴資料庫的「記憶檢索」，而是建立在掌握「思維鏈」底層推理能力的基礎之上。這意味著 AI 不只能記住知識，還能像人類一樣理解和推導。

代理型 AI：下一個技術突破

紀懷新認為，真正的技術突破在於將所有的搜尋、翻譯、生成和應用功能完美整合至單一模型中。過去兩、三年來，全球頂尖科學家傾注心力於「代理型 AI（Agentic AI）」的研發。

這項新技術聚焦五個核心方向，分別是1.多步驟推理與執行：模型不再只是單次問答，而是能夠自主規劃並執行複雜的連續性任務；2.工具整合與動態調用：AI 學會了靈活調用環境中所有可用的軟體與資源，就像人類自然地使用工具一般；3.任務排程與優先級管理，具備自動評估、調整優先順序和時間管理的宏觀調控能力；4.自主推理與問題解決；5.個人化與持續學習：根據用戶需求不斷優化，並從每次互動中學習和改進

從工具到夥伴的未來

紀懷新強調，從這些技術的演進中可以清晰地預見，人工智慧的下一步將全面朝向具備高度自主性的代理化發展。而唯有看透這層底層邏輯，才能在面對這波 AI 浪潮時，做出最精準的決策與佈局。

《連結》透過人類大歷史的長鏡頭，深刻檢視「資訊網路」與「資訊流」如何引領我們步入當今的 AI 紀元。作者哈拉瑞（Yuval Noah Harari）帶領讀者穿越時空，從石器時代的早期部落出發、歷經《聖經》正典化、印刷術發明、大眾媒體崛起，一路走到當代民粹主義的重燃。書中犀利剖析了羅馬帝國、秦朝、天主教會及蘇聯等龐大體制，如何駕馭資訊技術來實現其政治與社會目標，無論是好是壞。

哈拉瑞提醒我們，資訊，既不是真理真相的原料，也不只是權力與武器；《連結》一書探索了許多極端之間、充滿希望的中間立場，在鐵幕落下、矽幕升起之際，重新發現我們共有的人性。以下為本書精選：

「後人類」官僚機制

儘管資訊科技持續突飛猛進，但人類卻愈來愈難在「事實」上達成共識。更令人憂心的是，我們也愈來愈難建立對彼此的信任。整個世界充斥著假圖像、假影片、假新聞，現在甚至還有假人類，也就是AI假裝自己是人。為了想讓使用者更投入，機器人程式與演算法刻意在國內與國際間，煽動極端主義與敵意。而隨著國際情勢日益惡化，也就更難達成全球共識來規範AI、確保AI的安全性。

特別是經過2024 年的總統大選，美國這個全球AI強權的領導者，就是對政府監管過敏、也敵視國際合作，一心只想把自己的權力抬到最高，並建立新的帝國世界秩序。川普政府的言行舉止，向世界各國發出訊號：國際法與協議不再能夠信賴，領土征服再次成為常態，唯有軍事力量是真正的安全保障。也是現任的美國政府，正在授權一小部分企業家，做著可能是人類史上最重要的決定。自上臺以來，川普政府猛烈攻擊國家的自我修正機制與人類員工，掏空監管機構的權力，解雇數萬名活生生的人員；與此同時，卻將前所未有的權力拱手交給馬斯克這樣的科技大亨、以及他們研發的演算法。許多過去人類公務員的任務，現在雖然還會繼續，但已經交給了AI。川普與馬斯克把自己打造成反抗官僚機制的形象，但實際上，他們只是把權力從人類官僚手上，轉移到數位官僚的手中。

正如《連結》所解釋，從政府、軍隊、乃至民間企業與醫院，任何大型組織的運作都不能沒有官僚機制。醫院當然是以醫師與護理師為核心，但還是得有人來支付醫師與護理師的薪資、收取掛號費、管理收支、面試求職者、編寫各種合約規定、監控違規情事，以及蒐集與分析大量資料數據。這可能會讓你想起第3章〈文件〉提過的醫師史諾——他蒐集霍亂病人的資料，希望找出1854年倫敦霍亂爆發的原因；那時他做的事更像是一位醫學官僚，而非醫師。他挨家挨戶蒐集資訊的時候，並沒有任何人得到救治；但他在官僚機制中發揮的力量，最終拯救了幾百萬人的生命。

官僚機制正是新興AI的理想發展環境。目前，通用AI還只是個夢想，而在世界各地大行其道的AI，也還只是聽命行事的愚蠢僕人。雖然在專門特定領域，像是診斷乳癌、撰寫文章、下西洋棋，這些AI絕對能力過人，但說到一些高度複雜的活動，像是獨立進行科學研究計畫、管理公司、指揮軍事行動，AI就還缺少必要的「通用智能」。然而，只要進到官僚體系的機制，即使只是個聽命行事的愚蠢僕人，只掌握了特定狹隘領域的專門知識（例如能夠判斷某一張保單能支付哪些醫療服務），就能對世界產生相當大的影響。

好萊塢電影裡，那些機器人大舉反抗人類的場景，幸好仍屬於科幻小說的範疇，但現在已有數以百萬計的AI官僚，正在迅速掌控人類的種種醫療、法律、金融、文化與軍事領域的官僚機制。目前已經愈來愈會是由AI銀行員來決定是否核准貸款，AI法官決定是否把人送進監獄，軍事AI決定是否轟炸人類的家園，AI編輯決定要讓哪些故事來提供娛樂、或是提出警告。很多時候，也是AI在負責讓系統更有效率、甚至是更公平。

理論上，AI還能為人類提供更理想的教育、娛樂、司法、安全與福祉。然而一旦出問題，結果就可能是大災難，特別是AI官僚往往比人類官僚更不透明，也更難究責。我們生活的世界，就是由一個又一個官僚機制交織疊合的網格結構；AI一旦不受監管，就能在官僚機制中，累積巨大的權力 —— 並造成巨大的破壞。

本文節錄自《連結（增訂版）：從石器時代到AI紀元》由天下文化 授權提供。

提起大型醫學中心，人們腦海中浮現的往往是門診大廳人潮洶湧的景象。患者在批價、抽血、領藥的隊伍中來回穿梭，將大把時間耗費在漫長的等待裡；急診室更常因一床難求，使得病患只能無奈地躺在走道上。為求一張病床，各種請託、拉關係的電話更是讓院方應接不暇。不過隨著AI技術的介入，這樣的現象正慢慢改變。

醫療服務直接關係生命安全，在世界各國都有嚴格法律規範，不容許任何環節出錯。在導入科技、整合系統的過程中，一開始最重要的是確認目標。

推動AI不是要讓醫院變大，而是讓醫療變偉大

「推動轉型跟AI不是為了讓醫院變大，而是讓醫療變偉大，」臺中榮民總醫院院長傅雲慶直言，資訊設備的增加會讓醫院變大，但唯有結合人文關懷、以病患為中心，將科技轉化為照護人心的力量，才是醫療真正偉大的價值所在。

首先，中榮將降低醫護負擔做為推動數位創新的首要目標。傅雲慶指出，用科技取代繁瑣的行政與體力工作，將醫護人員從勞務中解放，回歸臨床照護。這是提升工作滿意度、留住人才的關鍵。

其次，優化流程與床位運用。 在有限的資源下，透過智慧化管理減少不必要流程，以既有資源服務更多患者。

為此，中榮隨著技術的導入，也逐步土成立「智慧醫療委員會」和全國首創的「數位醫學部」，建立穩固的組織與數據基礎。透過精準的痛點分析與務實的目標設定，中榮為數位轉型規劃了清晰的願景與方向藍圖。然而，要將藍圖化為現實，必須先建立穩固的組織與數據基礎。

資料治理：標準化、整合到串接國際

組織架構確立後，中榮面臨的核心挑戰是：如何確保醫療資料的品質、安全與國際互通？

過去20年，中榮已累積厚實的數據基礎。從2000年後的影像無片化、病歷無紙化，到建立中央資料儲存庫，再到支援電子病歷、智慧門診、智慧病房等各種臨床應用，都為AI的導入奠定了基礎。

但真正的關鍵，在於中榮的「3C」原則，也是確保資料品質的基礎。分別是Connection（連線）、Collection（收集），以及 Cleaning（清理）。

• Connection（連線）：確保醫療儀器與感測裝置能夠穩定、自動地將數據傳輸到中央系統。
• Collection（收集）：系統化地收集所有必要的臨床資料。
• Cleaning（清理）：建立自動化的資料清理工具，數據格式標準化、去除雜訊，並填補遺漏值，確保資料的完整性與一致性。

有了高品質的資料，中榮將院內資料轉換為國際標準格式OMOP，讓來自不同來源的數據能互通。進一步朝向FHIR架構發展，與國際醫療機構和大廠（如TriNetX）對接。

但國際合作最大的挑戰是隱私保護。中榮採用「聯邦式學習」，在不移動原始資料的前提下，與其他醫學中心共同驗證AI模型。這樣既能保護患者隱私，也能確保AI模型在不同文化、設備與環境下都能準確運作，避免「一地有效、一地失效」的風險。

最後，中榮設立AI品質管理單位，由智慧醫療委員會與數位醫學部負責持續監測與改進，確保資料與模型能跟上臨床環境的變化。

資料治理不是一次性的工作，而是AI長期有效與安全的保障。

讓醫護回歸專業本質

建構完整的資料基礎建設之後，中榮以病人為核心，也逐步從醫療作業、護理、醫事與行政等四個構面導入數位智慧科技，已經有相當明顯且卓越的成效。例如，中榮院內全面導入電子紙床頭卡，每張病床上記錄患者基本資料、特殊註記、導管紀錄與照護團隊。過去護理師每床每天要花19分鐘手寫更新。

這19分鐘看起來不長，但乘以全院的床位數，全院一天共節省423小時。換句話說，這一項改革相當於多聘了53位護理師。表面上看起來，是為護理師省下手寫更換紙本卡片的時間，但真正的意義是：被解放出來的護理師，終於有時間坐在患者床邊，去理解、關懷、照顧病患。

提升患者體驗，降低感染風險

除此之外，中榮的檢驗自動化軌道系統，同樣是運用科技與醫療專業協作，有效節省時間、減少錯誤風險的整合案例。

過去患者驗血時經常要同時抽二、三管，分送不同檢驗單位。中榮與宏碁等科技大廠合作，導入全自動化軌道系統後，患者只需抽一管血，系統就能完成分類、離心、傳送、冰存等全部流程，全程零接觸，大幅降低人為錯誤與感染風險。而全國首創的智慧監控中心，醫檢師只要透過六塊電子看板，就能即時監控檢體流向、儀器狀態、試劑庫存與品管數據，為每一支檢體建立完整的數位履歷，所有環節透明可追溯。

透過系統整體協調，更能專注照顧每一個患者

除了臨床端的智慧化，中榮也透過數位管理措施全面優化醫院的營運效率。例如，術前準備中心（PPC）透過流程再造，讓多數病患無需提前一天住院準備。傅雲慶說，很多手術要求前一天住院，只是做些常規檢查和簽署同意書，實際上並不需要。在重新安排流程之後，患者只要手術當日進院就可以，而這使得全院每天增加150張可運用床位。再搭配「智慧控床」與「一站式出院服務」，急診轉住院停留逾 48 小時的比率降至 0％、逾24小時比例只有2.3％，也是全國最低。

技術的導入只是第一步，中榮還有許多成功的科技整合應用，例如導入護理交班系統智慧填寫、智慧藥櫃、電子紙靜脈輸液標籤、AI急性腎損傷輔助軟體、僵直性脊椎炎AI影像判讀系統、和鴻海合作開發護理機器人Nurabot等。

烤地瓜理論：讓科技協助有溫度的服務

傅雲慶用「烤地瓜」來比喻，冷硬、零散的醫療數據與作業流程像是生的地瓜難以消化，缺乏溫度。而智慧科技在當中所扮演的角色，就像是「加溫」的過程，必須讓醫護人員都知道也體驗到，透過AI與物聯網的賦能，可以將數據轉化為有「溫度」、有意義的洞察與便捷的服務。

透過這些過程，將醫護人員從繁瑣、重複的工作中釋放出來，讓他們有更多的時間回到病房診間，去理解、關懷、照顧病人，也使醫療回歸到尊重生命的偉大本質。

中榮推動智慧醫療至今，護理師的離職率只有7%，遠低於全國平均的12%。2025年還有500多位合格護理人員主動申請加入，在全臺護理人力荒的當下，這幾乎是不可能的成績。同年年，中榮的護理團隊還獲得了臺灣護理界最高榮譽「南丁格爾團體金獎」。這樣的數據證明了，只要推動方向正確，數位轉型能夠讓醫護、患者與家屬和整個社會，都感受到更溫暖、更貼心的照顧。

企業對人才的瞭解方式和投資決策，將可能決定其長期競爭力、人才留任率和創新能力？當前許多企業將 AI 視為降低成本與營運效率的關鍵工具，卻未看到 AI 導入其實正是檢視和升級人才結構、競爭力的契機。取代員工或賦能員工？這個落差正是AI是否能夠打造企業競爭力的關鍵。

企業對人才的理解和投資，將決定長期競爭力

越來越多的行業領導者開始意識到，以員工能力提升為核心的AI戰略，不僅更符合可持續發展的倫理要求，更能創造競爭對手無法輕易複製的護城河。

MIT經濟學家達龍·阿塞莫格魯（Daron Acemoglu）、大衛·奧托（David Autor）和賽門·強森（Simon Johnson）2026年2月在美國布魯金斯學會漢密爾頓項目上，發表一篇研究報告《構建有利於勞工的人工智慧》，指出企業對人才的理解方式和投資決策，將決定其長期競爭力、人才留任率和創新能力。

用機器替代人，可能留下許多未開發價值

賽門．強森解釋，「有利於勞工的AI」是指那些提升勞動者能力、使人類技能和專業知識更有價值的AI應用。這類AI，透過增加對人類專業知識的需求，讓人力資本和專業知識都變得更值錢，僱主也因此需要提供更有競爭力的薪資。

當前絕大多數企業導入AI的策略，多半用於自動化，以更快的速度、更低的成本、更少的人手完成現有任務。但是並非所有生產力提升都「有利勞動者」，生產力提升本身是中性的，關鍵在於提升生產力的路徑，是降低對人類專業知識的需求，還是協助創造專業知識具有更高價值？這是兩條完全不同的道路，將引導出截然相反的社會後果。

強森指出，用機器替代人的想法不需要太多管理想像力，這條路阻力很小，卻很可能留下許多未開發的價值。

有利勞動者的AI將讓勞動者的技能與知識更值錢

報告中將AI技術分為五大類：勞動力增強型、資本增強型、自動化型、專業知識平等化型和新任務創造型技術。其中，只有新任務創造型技術是「明確的有利勞動者」技術，因為它們為新形式的人類專業知識創造需求，而不是使現有專業知識變得不必要。

其他四種技術各有不同影響，勞動力增強型工具幫助員工更快速完成當前任務；自動化工具將該任務從員工轉移到機器；專業知識平等化工具則能協助經驗較少的員工做到過往需要專家技能的事。

以脈搏血氧計為例，這個看似簡單的設備，改變了整個醫療檢測的生態。曾經，患者的血氧水準測量需要靜脈穿刺師、實驗室技術人員和醫生或護士分工合作。如今，一名醫療技術人員用脈搏血氧計就能迅速完成同樣的任務。乍看之下是效率的勝利，但仔細觀察會發現，效率的提升是以削弱原有專家的專業價值為代價的。這就是為什麼研究人員將其定義為「專業知識平等化」而非有利於勞工的技術。

新任務創造型技術則完全相反。它們不是簡化工作，而是擴展人類可以發揮價值的工作範圍。以電氣工作為例，乙太網、光纖電纜和占用感知型供暖照明系統的出現，並未減少電工的需求，反而增加了現代建築的複雜性，為規劃、安裝和維護這些系統的專業知識創造了全新需求。原有的電工知識變得更加寶貴，而非被貶低。這才是真正有利於勞動者的AI應該做的事。

AI 評估的關鍵檢驗

「如果擴展人類的能力去做人類以前未曾做過的新事情，那麼你往往會提高人類專業知識的價值，」強森認為，這也是評估AI的關鍵檢驗。

然而，有利於勞動者的AI導入既是技術挑戰，也是管理挑戰。因為同樣的技術，取決於領導者如何部署，可能創造價值，也可能摧毀價值。管理者必須在AI倡議初期就做出根本選擇：想用AI替代人，還是要用AI擴展人的能力？ 這個決定，將決定一切。

有利於勞工的AI實現需要企業和政府的雙重努力。強森建議，在政策層面，政府應加大對醫療、教育等戰略領域的投資，強化AI評估能力，支持以工人為中心的工具開發，並通過稅收改革、反壟斷執法和職業許可改革來保護勞動力。但企業不應該坐以待斃。

實際上，商業領導者現在就可以改變組織內部的三個根本選擇：工作如何被重新設計，能從優化成本轉向優化價值；AI優化什麼，例如從效率轉向能力發展。以及轉變看待員工的態度，從成本轉向資產。

最關鍵的是，企業應在AI導入初期就提出三個問題：

1. 這是否讓員工能做更有價值的事？
2. AI是否增強而非替代人類判斷？
3. 是否創造新的職業機會而非減少現有角色？

「企業需要理解AI具有真正的變革潛力，但如果只是用機器替代人，就不會充分實現這種潛力，」強森說，有利勞工的AI不是未來的奢侈品，而是企業在AI時代持續競爭的必要條件。那些最早做出轉變、用AI拓展而非替代員工能力的公司，將在競爭中獲得最大優勢。

《無限機器》一書主角，哈薩比斯是Google Gemini的主導者，憑藉創立的DeepMind在2016年讓AlphaGo擊敗棋王李世乭，隨後持續在AI領域深耕，最終破解蛋白質摺疊難題，於2024年榮獲諾貝爾化學獎。

本書作者塞巴斯蒂安·馬拉比則是兩度入圍普立茲獎的財經作家，曾任職於《經濟學人》與《華盛頓郵報》。他擅長統整海量資訊，呈現深入淺出的分析。馬拉比耗費三年心血、與哈薩比斯三十小時的深度對話，以及超百位關鍵人物的訪談，以作者的眼光，爬梳以哈薩比斯為中心的AI發展脈絡。

更值得關注的是，書中點出眾多商業巨頭思考AI應用在道德面上的態度，從馬斯克的想法、奧特曼的激進、佩吉的「適者生存」觀點，以及蘇利曼致力於AI為善；還有眾人一邊高舉「監督」大旗，又在商業利益的誘惑下放棄立場的描述。對於「理想與商業」的衝突，以及各方對AI倫理的論述，本書都多有著墨。

對於已接觸AI領域相關著作的讀者來說，本書無疑是串連各方資訊的重要拼圖，能讓人更清晰地洞察AI的前世今生與未來大局。以下本書精彩節錄：

GPT 競賽

2023 年4 月底，我拜訪了哈薩比斯，問他近況如何。

「現在是戰爭狀態，」他回答道，「OpenAI 和微軟根本是直接把坦克車開到我們的草坪上。」DeepMind 發表了Sparrow的論文，詳細說明模型的安全機制，讓競爭對手也能運用，為業界樹立了良好的典範。哈薩比斯認為，DeepMind 在將聊天機器人推向消費市場前選擇了放慢腳步、謹慎評估，也是為業界立下另一個典範。然而，奧特曼卻只是聳了聳肩，一股腦兒的往前衝。

哈薩比斯不禁想，究竟是什麼樣的人才會做出這種決定？

早在模型尚未成熟之前，人工智慧領域的先驅就在學術界默默耕耘、參與奇點峰會，讓他們著迷的是打造AI 的過程：那既是科學的探索，也是創造出全新認知形式的哲學震撼。然而，隨後加入浪潮的這批人，則是將這項加速發展的技術，視為值得利用的大好機會：帶領他們追逐權力與財富。早期，奧特曼曾公開表態，將自己塑造為富有遠見的領導人，承諾將為全世界打造安全的AI。然而，在推出ChatGPT，並以全球巡迴之旅進一步點燃AI 熱潮的同時，他逐漸暴露出其他的動機。

哈薩比斯想起了保羅．格雷安（Paul Graham），也就是奧特曼職業生涯中最親近的導師之一。「山姆非常擅長獲取權力，」格雷安觀察道，「你可以把他丟到一座充滿食人族的島上，五年後再去看，他大概已經當上國王了。」

「我認為，任何試圖打造AGI的人都必須回答一個問題，」

哈薩比斯說，「為什麼你要打造它？」

「我的理由是科學追尋。但有些人很顯然是為了別的目的而來。」

哈薩比斯不僅感到憤怒，他更充滿了鬥志。OpenAI 已經點燃了戰火，就算哈薩比斯希望能放緩AGI 的進程也無濟於事，只能被迫全力衝刺。除非他選擇退出業界、成為毫無實權的旁觀者，否則他與Google 的同事在這場競賽中就跟其他參賽者一樣，幾乎沒有任何主動權可言。實際上，他們起步緩慢，後來卻下定決心全速衝刺，正好印證了科技決定論的力量。

在過去幾年內，Google 尤其受到一種與競賽誘因相反的力量所牽制。Google 的發展策略受制於所謂的「創新者困境」。過去的創新成果，也就是強大的搜尋技術，使Google 在追求創新突破時反而受到限制：他們不能冒險展開實驗，而危及了主要利潤的來源。這些限制以三種形式呈現。首先，Google 在搜尋領域的主導地位，有賴於他們提供可靠資訊的聲譽，因此不能貿然推出會產生「幻覺」的聊天機器人。其次，Google 的營收來自搜尋結果旁投放的廣告，而Google 對於如何將廣告整合到聊天功能中尚無明確的方案，因此聊天機器人的開發暫緩。第三，一旦得罪政治人物、媒體記者或廣告合作夥伴，Google 廣大的市占率（許多人稱之為非法壟斷），便會岌岌可危。如果AI 一邊大量散播有害內容，一邊表現出詭異的自我意識，無疑會將企業推向自我毀滅之路。

這三種「創新者困境」對Google 的決策影響重大。畢竟，Google 發明的transformer 架構，開啟了生成式AI 革命。隨後，他們更利用這項架構建立內部的語言模型。Google 的領導階層，尤其是桑德•皮蔡，多年來深知AI 總有一天將徹底顛覆搜尋業務，因此竭力阻止DeepMind 脫離Google。事實上，矽谷的每位科技主管都對「創新者困境」瞭若指掌，就如同羚羊對獅子般警覺。他們都對全錄帕羅奧圖研究中心（XeroxPARC）的警示寓言耳熟能詳：這間企業研究實驗室在1970 年代極富盛名，發明了電腦滑鼠與圖形使用者介面，卻從未推出任何個人電腦，因為他們認為無紙化辦公將損害母公司的影印機業務。然而，理解創新者困境是一回事，要抗衡這股力量又是另一回事。即使公司的謹慎立場讓頂尖科學家因備受挫折而離職，Google 仍覺得有義務將內部語言模型保密。

至於DeepMind，則是受到另一種創新者困境的制約：「藍天科學」所帶來的路徑依賴。如果說Google 的前車之鑑是全錄研究中心，那麼DeepMind 的對照則是貝爾實驗室（BellLabs），這間研究機構孕育出眾多榮獲諾貝爾獎的科學家，還在1940、1950 年代率先研發出矽電晶體，卻始終未將這項發明商業化。DeepMind 在創立之初，採用貝爾實驗室的運作模式看似再理想不過。畢竟通往「無限機器」的道路完全未知，首要任務是建立一個致力於探索性研究的平臺，且貝爾實驗室已經證明這是可行的方法。然而，大型語言模型的問世卻打亂他們原先的計畫。如今，前方的道路已清晰可見。真正的挑戰在於踏上這條道路，並以最快的速度向前推進。

「在1960 年代後，你不會再用貝爾實驗室那套全面的物理學探索去發明微處理器，」哈薩比斯解釋道，「你不會再去思考，是不是該用電子管？還是某種新的材料？因為答案已經擺在那裡了！」

「現在也是同樣的情況，」哈薩比斯繼續說，「大致而言，我們已經知道如何打造強大的AI。儘管眼前仍存在許多未知數，但探索的範圍已經縮小許多。」

「因此，現在DeepMind 必須從探索邁向開發、從科學走向工程，並從研究轉向產品。而這樣做並不容易。」

ChatGPT 帶來的衝擊迫使 Google 和 DeepMind 改變，跳脫過去全錄研究中心與貝爾實驗室的思維模式。創新者困境的束縛瞬間瓦解：ChatGPT 的一億次下載量已清楚顯示，聊天機器人就是未來：Google 要麼順勢而為，要麼被時代淘汰。桑德・皮蔡意識到搜尋業務正面臨致命威脅，隨即進入危機應對模式。他召開一系列緊急會議，就連平時鮮少露面的賴瑞・佩吉與謝爾蓋・布林也出席了，凸顯出事態有多嚴重。佩吉特別強調，Google 必須不惜一切代價全力追趕，否則將毫無立足之地。

同時，在倫敦的哈薩比斯也開始動員團隊，準備調整策略方向。在一次全員會議上，他宣布 DeepMind 長期布局的各項前瞻研究計畫必須大幅縮減。公司將不再公開發表關鍵研究成果，以免競爭對手輕易仿效，此外，他們要把重心轉向工程開發，而不僅僅是科學研究。研究人員也必須改變心態，從和平模式切換到戰爭模式。

本文節錄自《無限機器：Gemini推手哈薩比斯的超級智慧長征》由天下文化授權提供。

本週的科技世界步調緊湊。GTC Taipei & Computex 2026、微軟 Build、Apple WWDC 26 接連重磅登場，各大巨頭爭相勾勒未來藍圖，龐大的資訊浪潮席捲而來。與此同時，從美國國會到梵蒂岡，從頂尖研究室到四大科技公司執行長的聯名公開信，另一邊的聲音正在提出截然不同的顧慮：這場技術加速，我們準備好了嗎？

一、Agent之年，科技巨頭們的新盤算

(1.) Nvidia：讓 AI 住進你的筆電

在 GTC Taipei 與 Computex 2026 的舞台上，Nvidia 執行長黃仁勳帶來一系列令業界矚目的新產品與概念。其中最受關注的，是搭載 RTX Spark AI 晶片的新一代筆記型電腦，這款筆電整合了 Blackwell GPU 與 Grace CPU，意味著過去必須仰賴雲端伺服器才能運行的 Agentic AI 任務，如今可以直接在本地端完成。

表面上看來這是硬體規格的升級，但從應用的觀點來看，則是 AI 部署邏輯的典範轉移。當「在地端執行 AI」成為可能，使用者的資料隱私、運算延遲與離線使用能力都將大幅改善，過去大家所疑慮的保密與成本問題找到明確解方，對企業與個人用戶的影響同樣深遠。

黃仁勳同時定調了兩個重點觀點：Token 現在是有利潤的收入單位，以及 AI 工廠（AI Factory）不再是一個比喻，將落地為真實運作的商業模式。在他的描繪中，未來的資料中心將像工廠一樣持續生產 AI 推論結果，並按使用量計費獲利。這個框架，正在重新定義雲端服務商、晶片廠商與企業客戶之間的商業關係。

此外，他也預告機器人與 AI Agent 將迎來同步爆發的時代。未來全球將會有數十億個代理式系統運行，AI 不再只是螢幕上的聊天工具，而是觸摸得到且能行動的新一代機器人與智慧設備。

(2.) OpenAI：微軟 Build 2026：全端 Agent 時代正式宣告

微軟在年度開發者大會 Build 2026 大會上，全力推進全端代理人工智慧技術，除了發布七款全新的 Microsoft AI 模型、還有首款始終在線的 Microsoft Scout (類似 OpenClaw)，類似於持續監控並主動介入的智慧管家，而非被動等候呼喚的語音助理。

此外，也展示了 Majorana 2 量子晶片，並強調該晶片的設計過程中有 AI Agent 的深度參與，意味著 AI 正在協助設計下一代 AI 的運算基礎。

針對開發者與 AI 工作負載，微軟則推出了 Surface RTX Spark Dev Box，這是專為高強度 AI 運算打造的迷你電腦。更重要的是，微軟正式將 Windows 與 Microsoft 365 定位為 Agent 的控制層（Agent-first Platform），亦即未來的作業系統，將是讓 AI Agent 調度工具、執行任務的指揮中樞。

(3.) Apple WWDC：Siri AI 終於來了

蘋果年度開發者大會 WWDC 的核心亮點，是由新一代 Apple Intelligence 驅動的 Siri AI。這個新版 Siri 並非過去那個只能設定鬧鐘、查天氣的被動語音助理，而是一個具備主動情境感知能力的 AI Agent，它能理解使用者當下的狀態，並預判需求，主動提供協助。

更關鍵的是，新版 Siri 深度嵌入蘋果的整體生態系，能跨越 iPhone、Mac、iPad 與 Apple Watch 協同運作，整合行事曆、郵件、健康資料與第三方 App，打造出更無縫的個人 AI 體驗。對於長期在 AI 助理領域落後於競爭對手的蘋果而言，是一次重要的戰略追趕。

二、AI 個人化的新邊界

(1.) OpenAI 的全新記憶

OpenAI 在 ChatGPT 中推出了一項名為「Dreaming」的全新記憶機制，這是個人化 AI 體驗的重大突破。過去的記憶功能偏向零星記錄，彼此孤立，缺乏系統性。但新的機制會將使用者過往的聊天記錄轉化為持續更新、按類別分類的使用者檔案。換言之，AI 不再只是記住幾個孤立的事實，而是建立起一份關於你的整體圖像，包括你的偏好、習慣、關注領域、溝通風格，以便能根據上下文不斷調整與更新。
當 AI 對你的了解更加全面，使用者需要思考的不只是「AI 能幫我做什麼」，還有「我願意讓 AI 知道多少」。

(2.) 圖像生成的新維度：Ideogram 4.0 與 Reve 2.0

圖像生成領域同樣迎來新進展。兩家 Image Labs 剛發布了新模型：Ideogram 開源了最新的 Ideogram 4.0，目前登上開源排行榜首位；Reve 則推出了 Reve 2.0。這兩款模型共同的設計方向，都是強調更注重佈局邏輯與更智慧化的迭代流程，讓使用者在創作過程中擁有更多輸入空間與創作控制權。

三、警鐘響起：AI 的風險正在快速逼近

(1.) Anthropic 的自我警告

就在各大科技公司競相展示 AI 的驚人能力之際，Anthropic 卻選擇發布一份名為《當 AI 自我建構時》的報告，聚焦探討遞歸式自我改進 recursive self-improving (RSI) 系統。

報告援引 Claude 接管部分程式碼生成工作的內部數據，指出當 AI 開始能夠改善自身的能力時，其進化速度可能遠超人類機構的應對能力。更令人警惕的是，這樣的系統一旦發展成熟，將帶來難以預測的未知風險。目前業界尚未找到一個切實可行的暫緩方案。

(2.) CEO們的聯名信：警告AI可能協助設計生物武器

OpenAI、Anthropic、Google DeepMind 與微軟的執行長們共同簽署了一封公開信，呼籲美國國會要求合成 DNA 供應商對每一位買家與每筆訂單進行嚴格審查。信中明確警告，AI 技術已可協助不法分子設計危險的生物武器，這一風險不再是遙遠的科幻想像。

(3.) 美參議員提案，AI 財富重分配議題興起

美國參議員 Bernie Sanders 在《紐約時報》發表評論文章，預告即將推出的《美國人工智慧主權財富基金法案》。這項法案擬將大型 AI 公司「一半」股份注入公共基金，並將收益回饋給美國一般民眾，以降低普通民眾無法從 AI 發展中受益的擔憂。

該法案靈感來自阿拉斯加長期向居民發放的石油紅利制度。提案的核心關切，是 AI 紅利分配嚴重不均的問題：當少數幾家科技公司壟斷了 AI 發展的大部分經濟成果，大多數民眾卻可能面對工作位移而分不到任何好處。無論最終法案走向如何，Sanders 的提案已成功將 AI 的財富分配問題推向主流政治辯論的核心。

(4.) 教宗 Leo XIV 的道德警示

新任教宗 Leo XIV 向天主教會 14 億信徒發布了首部通諭《Magnifica Humanitas》，直接點名 AI 治理的核心問題。

教宗在通諭中警示，如果道德標準由少數科技巨頭決定，所謂的「道德 AI」便毫無意義。他呼籲建立健全的法律框架、獨立的監督機制、知情的使用者，以及一個不推卸責任的政治體系；並明確表示，致命性決策，尤其是戰爭，絕不能委託給 AI 系統執行。

四、學術前線：AI 的自我認識正在深化

(1.) MIT：真正的「發現」需要打破框架

麻省理工學院發表的研究《自我修正的科學發現系統：能動人工智慧的範疇論框架》，提出了一個關鍵性的概念區分：「檢索」、「搜尋」與「發現」在結構上是根本不同的事情。

該研究指出，真正的科學發現，不只是在既有框架內做最優化，而是涉及表徵體系的本質性轉換，亦即引入新的類型、運算邏輯，或是驗證機制。這個基於範疇論（Category Theory）的數學框架，為評估 Agentic AI 在科學研究中的真實能力提供了更嚴格的標準，也隱含著對當前 AI「發現」能力的審慎質疑。

(2.) EPFL、劍橋大學：預測「自己的想法」比預測文字更有效

由 EPFL、劍橋大學與約翰霍普金斯大學合作的研究，探討了生成模型如何更有效地學習數據的分層潛在結構。發現一個對 AI 學習機制具有啟發的新可能：讓模型預測自身的潛在表徵（Latent Representations），比預測下一個 Token 要有效率得多。這與目前主流 LLM 的訓練方式截然不同，也與 Meta 的 JEPA 架構理念相近。

理論分析與實驗均顯示，這個方法能將樣本複雜度降低至常數級別，大幅提升學習效率。研究者提出的看法是，人類大腦之所以具備驚人的樣本學習效率，例如一個孩子只需看幾次就能認識「貓」這個概念，極可能是因為大腦利用局部的突觸可塑性，在抽象的潛在空間中持續預測自身的狀態，而非死記每一個感官輸入的細節。

(3.) 賓州州立大學：自我進化的能力不等於從進化中受益

另一項來自賓州州立大學的研究，對 LLM 代理的自我演化能力提出了更細緻的分析。研究發現，「能讓系統進化的更新能力」與「能從進化中獲益的能力」是兩件截然不同的事：前者在不同規模的模型間表現相近，即使是小型模型也能產生有效的系統更新；後者則呈現非線性關係。中階模型從自我演化中獲益最顯著，頂尖模型受限於性能天花板獲益有限，初階模型則因執行能力不足而難以真正受惠。

這個發現對 AI 系統設計具有重要的實踐意義：能「自我改進」不代表能「從改進中學到東西」，兩者之間存在一條往往被忽略的鴻溝。

小結：技術不斷加速，監管速度如何跟上

縱觀近幾週的 AI 浪潮，可以隱隱察覺到，技術的加速，已快過制度準備的速度。

當晶片更強了，Agent 更聰明了，記憶更深，圖像更美的同時，Anthropic 在警告失控的遞歸式改進，教宗在呼籲道德監管，Sanders 在質問財富分配，科學家在釐清「發現」與「搜尋」的根本差異。

雖然技術的躍進令人振奮，但那些來自不同角落的警示聲音，也同樣值得我們認真傾聽。因為最終決定這場 AI 革命走向的，不只是下一代晶片的算力，而是我們集體選擇如何使用它。

2026 年 5 月，星巴克證實終止一項在北美門市僅部署 9 個月的 AI 自動盤點計畫。該系統由新創 NomadGo 開發，結合 LiDAR 與平板相機，旨在自動計算糖漿、乳製品等庫存。

這項計畫原為執行長 Brian Niccol 上任後推動「Back to Starbucks」轉型藍圖的核心，期望藉自動化解決缺貨痛點。然而實際導入後，系統卻頻繁出現誤數與漏判，例如混淆不同種類的牛奶，或無法偵測架上瓶罐。

更讓門市人員困擾的是，為了配合機器的辨識死角，員工被迫反覆調整後場儲物配置。原本立意省時的工具，反倒使盤點流程更加繁瑣、加重基層負擔。最終，星巴克宣告結束此項作法，將相關原物料盤點全面回歸人工作業。

技術落地，從來不只有技術問題

如果連星巴克這樣具備充沛資源的全球連鎖的零售企業都走得磕磕絆絆，台灣零售業的情況只會更棘手。根據《2026 台灣產業 AI 化大調查》，零售貿易服務業雖然在今年出現顯著的 AI 化成長，「Unknowing AI」企業佔比從去年的 74.2% 降至 32.3%，但這波動能主要源自個人層級的生成式 AI 工具使用，例如內容創作、社群行銷等基層場景，但距離庫存管理、供應鏈優化等核心流程整合，仍有相當遠的距離。

即使是產業內的領先者，處境同樣不輕鬆。這些企業雖已具備一定的數位化基礎，也完成了外部 AI 工具的初步導入，卻普遍反映效益難以具體衡量。問題不只是缺乏明確的 AI 策略，更在於資料仍分散於各個系統之間，無法有效串接，跨系統整合能力尚未建立，治理框架也付之闕如。

相較於星巴克面對的「工具與流程脫節」，台灣零售業還需要跨越的門檻更為前端的基礎工程，也就是資料的整備與整合，否則後續所有的 AI 投入都可能重蹈星巴克的覆轍。

有工具但沒有培育能使用的人

除此之外，還有嚴峻的人才不足問題。調查顯示，零售貿易服務業的 AI 人才發展策略得分僅 16.94 分，高達 58.1% 的零售業者至今尚未制定任何 AI 人才培育做法。數字凸顯企業有轉型意圖、也陸續導入工具，卻始終找不到能夠承接、執行與深化AI應用人才的現實。

缺工已是台灣服務業心照不宣的集體困境。少子化浪潮持續壓縮人才供給，零售、餐飲、物流等第一線業者正同時承受「找不到人」與「難以長期留用」的雙重壓力。

而 AI 浪潮的興起讓情況更加棘手，當生成式工具快速滲透職場，零售服務業卻是台灣各產業中 AI 人才策略最為薄弱的一環，不只缺人，更缺乏能夠帶領組織駕馭 AI 的領導人才。

調查也發現，這個困境的根源之一，是企業根本不清楚自己需要什麼樣的 AI 人才。許多企業直覺找幾個 AI 工程師，就能將公司的 AI 化全部交給他們了。但工程師熟悉演算法與數據，數據的意義、企業核心要解決的問題，都必須由深入理解業務場域的人才能定義。一旦將這件事全數外包給技術人員，往往會出現表面配合、實則消極抵制的隱性阻力，讓轉型工作陷入停滯。

除了上課之外，還有其他人才培育的方法嗎？

AI 導入從來不是坐著上課或買套工具就能完成的事，而台灣零售業的轉型受限於資本或產業能量，光靠單家企業單打獨鬥、買工具、試工具，已不夠用。慶幸的是，台灣產業界已出現具體行動的回應。例如三商家購聯合三商投控、三商餐飲、三友藥妝等集團企業，攜手零售、餐飲、科技、物流等跨域夥伴，共同成立「社團法人台灣新世代團隊領袖發展協會（ANGEL LAB）」，聚焦人才培育、產業交流與人才媒合三大主軸，並導入 AI 應用與數據整合，試圖在企業與人才之間建立可持續運作的正向循環。

星巴克的案例提醒我們，即使是全球最具規模的零售企業，也可以在九個月內宣告一套 AI 工具「退場」。AI本身是一項試錯的工程，能否在每一次的錯誤中學習，找到適合組織的人才承接、流程配合、組織治理方法才是關鍵。

備受矚目的蘋果全球開發者大會（WWDC 2026）於上週（8）日盛大登場，儘管整體評價不如大眾預期，卻全新 Siri AI釋出的消息仍然值得關注。加上上週甫落幕的 Microsoft Build 2026，以及輝達執行長黃仁勳於初夏接連釋出的前瞻布局，科技世界的節奏愈發緊湊。各大巨頭競相描繪未來藍圖，龐大的資訊浪潮滾滾而來。但這三場大會，卻都共同指向了幾個清晰的時代訊號：

一、Agent之年，典範正在轉移

首先是三場大會都強調一件事：AI 不再只是幫忙完成單一任務的工具，而是能夠理解意圖、自主規劃、跨應用執行的「代理人」。

例如蘋果新釋出的 Siri AI 不再是過去那個只能設定鬧鐘、查天氣的被動語音助理，而是一個具備主動情境感知能力的 AI Agent，它能理解使用者當下的狀態，並預判需求，主動提供協助。甚至能看到你的帳單並完成付款分攤。

稍早Nvidia 執行長黃仁勳就已定調，未來的軟體不再是被動的應用程式，而是由大型語言模型 (LLM) 作為大腦，結合管理架構 (Harness)、外部工具與短期/長期記憶系統所組成的「代理人 (Agent)」。使用者不再需要頻繁點擊和打字，而是向 AI 解釋「意圖」，AI 會自動編寫程式碼或調用工具（如試算表、瀏覽器、資料庫庫或 CUDA X 函式庫）來產生結果。

微軟在 Build 2026 年度開發者大會上，同樣全力推進全端代理式 AI 技術。除了一口氣發布七款全新的 Microsoft AI 模型，更推出首款長效代理 Scout，能在使用者的 M365帳戶內以獨立身分持續運作，跨 Teams、Outlook 等應用自主處理工作，更像一位不需要被呼喚、隨時待命的智慧管家。方向與其他巨頭完全一致：人只需表達意圖，執行的事交給 AI 自己完成。

二、邊緣算力興起，雲端不再是唯一解

同時可以看到 NVIDIA 的 RTX Spark、微軟的 Surface RTX Spark 與 Windows 本地端模型、蘋果對舊機型的效能優化，都在說同一件事：強大的 AI 能力必須能在本地設備上運行，因為延遲、隱私、成本憂慮，都是阻礙 AI 代理真正普及的現實障礙。

這同時也暗示了，去中心化、雲地整合的算力布局，將是下一階段的關鍵基礎設施競爭。

三、能源效率將是未來指標

當 AI 從實驗室走向大規模部署，能耗效率從技術細節變成了商業戰略。

可以看到三家公司不約而同強調，能源效率決定 AI 的商業可行性。例如黃仁勳直接強調，「 Token 數等於營收」；微軟以「Tokens per Dollar per Watt」作為雲端設計的核心框架；蘋果則透過 CPU 排程器優化讓舊機型繼續被支援。

四、安全、隱私與監管，未來你更信任誰？

在代理式 AI 時代，隨著 AI 自主執行操作的能力越強，安全與信任機制就越必須是架構層的設計，而非事後補丁。三家公司皆已注意到相關趨勢。例如蘋果大篇幅介紹兒童安全機制，包括「瀏覽前詢問」、內容攔截與更細緻的螢幕使用時間管控；微軟則推出了 MDASH 多代理安全掃描系統，以及能為代理人設置執行沙盒的 MXC 隔離機制。

與此同時，監管壓力也開始實質影響產品落地的節奏。蘋果明確宣布，初期 Siri AI 將不會在歐盟與中國市場的 iOS／iPadOS 裝置上提供，背後反映的是各地隱私法規與市場准入的現實考量。AI 能力的邊界，不再只由技術決定。

五、不是誰的技術強，而是誰整合更多生態系

技術能力之外，三場大會還透露了一條更隱微的競爭路線：誰能讓開發者與企業最自然地將 AI 能力嵌入自己的產品，心甘情願地留在自己的生態系裡。

三家公司走的路徑截然不同。蘋果開放 App Intents 與 Core AI 框架，甚至允許在裝置端運行 Gemini 等外部模型，看似開放，但入口始終掌握在 Siri 與 Apple Intelligence 手中，使用者體驗的最上層從未鬆手。NVIDIA 走的是基礎設施路線，透過開放 Agent Toolkit、Neotron 3 開源模型與 Isaac Groot 機器人參考平台，目標是讓整個產業都跑在 CUDA 架構上。

微軟則從企業工作流切入，GitHub Copilot、M365、Azure、Windows、Fabric 全面接入代理能力，Rayfin SDK 讓開發者一鍵部署企業後端，降低的是離開微軟生態系的意願。

只是這三條路徑終將在同一個問題上交會，那就是當 AI 代理成為數位生活的核心，使用者最終會把信任交給哪一個入口？這個問題，才是真正的關鍵競爭核心。

在人工智慧浪潮席捲全球的今日，AI的發展已不再僅是技術競技，更是國家主權與資訊安全的延伸。尤其對司法體系而言，一旦將法律解釋權交給不懂台灣法律的境外模型，司法主權形同虛設。配合政府「AI新基礎建設框架」與甫施行的《人工智慧基本法》，法務部正式啟動司法專屬主權AI計畫，積極打造一套屬於台灣、深植民主法治價值的原生AI系統。而這項計畫的起點，不是技術，而是人。

科技始終來自人性，法務部導入 AI 的起點

「我們導入AI，不是為了AI而AI，而是為了解決人的問題。」法務部綜合規劃司副司長古慧珍開門見山地說。目前，法務部連同所屬共127個機關，去年刑事案件與行政執行案件合計超過1,600萬件；檢察官平均每人肩負500件案件，第一線行政執行同仁一年要處理5.6萬件。更關鍵的是，第一線人員逾三成的工作時間，不是花在法律判斷上，而是耗費在重複的文書與行政程序之中。

面對這樣的現實，許多人的直覺反應是：「用ChatGPT不就好了？」古慧珍指出，境外 AI 以英語語料為訓練基礎，本就不懂台灣法律；尤其在偵查不公開原則下，機密文件一旦上傳境外雲端，資安與國安風險便同步引爆。「法律是一個社會長期積累的文化與價值判斷。」她強調，將法律解釋交由境外演算法處理，輕則誤導判斷，重則讓司法詮釋的話語權流向一個無從問責的黑盒子。於是，法務部決定從零開始，打造一個可控、安全、可落地的司法專屬AI體系。

*** 三層式架構，打造從算力到應用的生態系**
古慧珍說，法務部在技術架構上參考NVIDIA執行長黃仁勳提出的「AI產業五層架構」概念，設計一套由下而上的三層式系統。

第一層的基礎設施包含算力的建置與資料中心的規劃，法務部要求這套算力必須能支援參數規模達120億以上的大型語言模型，且支援至少150人同步上線使用。更關鍵原則是所有運算與資料儲存必須完全在地部署，資料全程不離開法務部的安全環境。

第二層的 AI 大腦則是整個計畫最核心也最具挑戰性的部分。法務部要打造一個懂繁體中文、懂台灣法律程序、懂法務行政業務邏輯的專屬模型。且因為國安考量使得部分境外高效能模型無法使用，法務部採取了彈性的技術策略，結合不同參數規模與特性的開源模型，搭配小型語言模型與增強式學習技術，在推論品質與運算成本之間取得平衡，同時持續以繁體中文及偵查相關資料進行模型微調，讓模型隨時間持續進化。

值得注意的是，法務部也計劃建立自有的評測資料集與評測方法，確保模型不被單一技術供應商綁定，具備可攜性與可替換性。

第三層是應用服務。 在共享的底層基礎設施之上，各業務單位可以依據自身需求，開發針對性的應用工具，解決各自的痛點。例如在檢察官業務，AI可以協助處理公然侮辱、妨礙名譽等高度類型化案件的書狀草稿生成，並自動標籤卷證、擷取判決書關鍵欄位。

而在觀護人業務上，AI則能協助製作訪談記錄與輔導報告初稿，將觀護人從繁瑣文書中解放，轉而投入更深度的個案輔導。此外，在行政執行與政風、國會業務方面，則提供自然語言法律搜尋、例行書狀自動化生成，以及採購合規文件稽核與國會議程記錄的自動化處理。

*** 三階段穩健推進佈局，讓AI融入日常**
由於 AI 導入是場長期戰爭，法務部採取三階段的穩健推進策略，而非一次性的系統建置。古慧珍坦言，第一階段因為沒有太多預算，花了三、四個月的時間向國發會申請到基金後，在主委跟副主委的帶領下，全員動起來，並選了一些代表性領域試行。「由於技術迭代快速，團隊只能邊走邊看，摸著石頭過河，」她說。

115年為試辦期，以爭取到的9,203萬元循環基金啟動，選定代表性領域進行驗證，邊做邊調整。116年為推廣期，在確認技術可行且安全的前提下，申請正式科技計劃預算，擴大推動範圍。117年進入深化期，目標是讓AI真正融入法務部的日常運作，形成完整的AI應用生態系。

*** 第三方管理與AI資料治理委員會，構築完整制度防護網**

為確保計畫不淪為技術孤島，法務部同步導入第三方專案管理團隊，負責控管進度里程碑、跨單位協調與獨立驗證。同時成立「AI資料治理委員會」，在導入AI的前、中、後三個階段，協助落實《人工智慧基本法》與可信任AI的七大原則規範，構築完整的制度防護網。

決策與價值仍由人決定

古慧珍指出，導入這套系統最直接的效益，是讓第一線同仁從重複性文書工作中解放；再者則是讓省下來的時間能回流到同仁身上，使其更專注於核心工作，例如提升檢察官及行政執行等相關司法的品質與效果。

更長遠的目標，是藉由這套可控、安全、可持續的系統，掌握台灣的司法數位主權。古慧珍說，法務部希望在整個導入過程中，將《人工智慧基本法》可信任AI的七大原則真正落實於實務，並成為其他部會可以參考的治理典範。她強調，科技始終來自於人性，導入AI不是為了取代人類，而是作為輔助工具，最終的決策與核心價值仍須由人類做決定。

剛落幕的 Computex 2026，以「AI Together」為題，吸引來自全球 152 個國家與地區、逾 11 萬名買主來台交流。輝達、AMD、英特爾三大晶片巨頭齊聚台北，AMD 更宣布在台投資逾百億美元。台灣作為全球 AI 硬體供應鏈核心節點的地位，再度獲得世界確認。

然而，硬體製造的絕對優勢，並不自動等同掌握了國家的「數位主權」。放眼當前的全球 AI 戰局，焦點幾乎全數集中於美國的底層大模型創新與中國的算力軍備擴張。在美中兩強爭霸的夾擊下，如台灣、荷蘭這樣的中小型經濟體正面臨獨特的戰略困境，既無法在規模上與兩強正面抗衡，卻又無法置身事外。製造端的強大是入場券，但未必是長期的戰略護城河。

台、荷共同面對的困境

在這樣的背景下，人工智慧科技基金會（AIF）於 Computex 期間與來訪的荷蘭企業代表團進行交流，雙方聚焦於荷蘭與台灣在半導體及軟體層級的戰略合作可能，試圖從彼此的經驗中，找到中小型經濟體在這場 AI 競賽中的立足之道。

近期在歐洲政策圈引發廣泛討論的《EuroStack Report》，報告中將整個數位基礎設施概念化為由下而上、緊密相連的七層堆疊架構，從最底層的原物料、能源與水資源，依序向上延伸至晶片、網路、物聯網設備、雲端、軟體，直至最頂層的數據與AI服務。

參照這套架構，AI的領導地位取決於對這條垂直價值鏈的掌握程度。對荷蘭這樣的中小型經濟體而言，全面制霸絕對不切實際，但在特定層次上建立不可取代的地位，卻是具體可行的路徑。值得注意的是，這條價值鏈上的重心並非靜止不動，例如應用層正持續向健康、能源等垂直領域深化；晶片層的戰略價值也持續升溫，包括更先進的製程、更小的封裝、更高效的架構，硬體本身正在成為 AI 競爭力的核心變數。

AI 的快速發展帶來了難以迴避的能源壓力

而 AI 的快速發展也帶來了能源消耗的議題。新世代大型語言模型對運算資源的需求呈指數成長，不僅衝擊各國電網基礎設施，更對全球氣候目標構成壓力。若依現有軌跡持續發展，AI運算的能源消耗將持續攀升，成為整個產業難以承受之重。

荷蘭應用科學研究組織（TNO）與荷蘭科技組織TechNL共同識別出量子運算、神經形態運算等多種未來運算典範，試圖從物理層次改寫 AI 的能源方程式。這些典範並非相互競爭，而是各有功能定位，未來最有可能以混合共存的形態出現，針對不同工作負載調用最適合的運算資源。

TNO 目前特別聚焦於其中兩種方向。量子運算擅長處理高度複雜的最佳化與模擬問題，短期內不會普及至一般消費市場，而是集中應用於國防、太空探索等對運算精度要求極高的專業場景。神經形態運算並非某種人工超級智慧，而是受到大腦啟發的網路架構，讓AI架構在能源使用上極為高效。將傳統運算中循序進行的處理與儲存整合為可同時平行運作的單一架構，大幅降低AI推論所需的能源消耗。

由於目前業界缺乏能夠統一調度量子、神經形態與傳統雲端運算的中介軟體。雲端運算領域已有成熟的平台扮演這個橋樑角色，但對新興運算典範而言，這個基礎層幾乎仍是空白。TNO目前正主導一項研究專案，試圖建立跨越不同運算架構的統一中介層，讓特定領域的運算需求得以在最適合的架構上執行。

在生態系建構上，荷蘭於2026年1月正式成立神經形態運算聯盟（Neuromorphic Computing NL），串聯從材料、元件、電路設計、硬體到演算法與應用的完整價值鏈。TNO也積極參與其中。目前荷蘭在研究端與應用端均有相當實力，但兩者之間的產業轉化仍是待補強的環節，這也正是聯盟行動計畫亟欲打通的關鍵節點。

6G：串聯 AI 堆疊的傳輸層

另一方面，TNO目前也是荷蘭FNS（Future Network Services）6G計畫的主導單位。這項計畫預計實施至2030年，由荷蘭國家成長基金支持，第一階段獲得6,100萬歐元補助，2026年3月荷蘭政府進一步核准第二階段的1.42億歐元，加計企業投入，整體規模超過3億歐元。

6G的核心價值不只在於更快的網速，還包括將AI運算能力直接下沉至網路邊緣裝置，如攝影機、感測器、工業設備等終端節點，都可以在不依賴中央雲端的情況下即時完成複雜的AI推論任務，即「邊緣AI」。TNO在6G的四大應用市場中，最看重「AI for 6G」，也就是透過AI實現裝置的自動化操作、預測性維護與自適應服務，速度將遠超現有5G架構。

從 ASML 與台積電共同奠定的半導體製造基礎，到神經形態運算、量子中介軟體與 6G 網路的下一代布局，台荷之間的合作正在從「設備供應」走向更深層的基礎設施共建。對台灣而言，荷蘭的經驗也提示了一條可能的路徑：在大國主導的 AI 賽局中，真正的戰略位置，不在於跟上別人的節奏，而是成為別人無法繞開的關鍵節點。

台北國際電腦展 Computex 2026 親自來台參與盛會的，還有高通（Qualcomm）執行長艾蒙（Cristiano Amon），並在主題演講中宣示，2026年是「Agent 之年」。他指出，AI 已從被動回應提示的工具，蛻變為能主動理解意圖、自主規劃並執行任務的 AI 助理（Agent），從手機、PC、穿戴裝置到汽車、機器人，所有個人運算設備的底層架構與人機互動模式都將重塑。這個宣示，對於以手機晶片起家的高通和所有硬體廠商而言，都是重大轉變。

AI 助理將取代手機成為數位生活核心，顛覆行動產業生態

艾蒙指出，未來的 AI 助理將具備高度的自主性與個人化特質，透過跨裝置的無縫協作，在工作層面，協助使用者掌握行程與待辦事項，主動標記需要決策的環節；以及在個人生活中扮演貼身助理，自動彙整最新資訊、協助安排日程、替所有事務排定優先順序。就像一個真正的夥伴。

他認為，Agent 將取代手機躍升為數位生活核心，手機與其他裝置退居為圍繞 Agent 運作的端點。Agent 不隸屬於任何單一生態系，任何能與之相連的媒介都將成為新的互動接點。「行動產業不是靜止的，一直以來都在演變，」全球約有 60 億部手機、20 億台個人 AI 設備、20 億台 PC、5 億輛聯網汽車，這些設備都將成為使用者接觸Agent 的端點。

邊緣設備全面升級，迎接 Agent 時代的架構革命

Agent 的運作邏輯是以意圖為行動基礎，主動將目標拆解為具體步驟、制定計畫，並跨系統、跨資料集協調執行，同時調用本地裝置資料、個人知識圖譜與雲端資源，全程持續驗證修正，直至任務完成，這將牽動整個技術堆疊的重構。艾蒙在演講中花了一些時間說明，在AI Agent轉換為數位生活核心的過程中，不僅硬體需要重新設計以支援自主運算，作業系統與應用程式同樣面臨全面迭代，所有設備都將為 AI 時代而升級換代。例如若 AI Agent 同時在背景持續運行，功耗壓力將成倍提升，這正是目前手機需要面對的核心挑戰。

艾蒙預言，當雲端與邊緣運算兩者融合為一套完整的協作系統，現有的「雲端或邊緣」討論框架也將自然退場。要實現這一願景，裝置端的 NPU 與 GPU 算力不可或缺，而感測器資料與情境脈絡（context）的即時掌握，則將成為 Agent 能否真正發揮價值的關鍵所在。

值得注意的是，不同裝置類別的升級方向各有側重。個人裝置由於裝置隨身攜帶、本質上即為移動，極致節能是首要前提，同時需高度聚焦於使用者個人的感測情境與高速連線能力。汽車與機器人則著重於在最嚴苛的環境條件下維持持續算力，並須具備在斷網情境下獨立運作的能力。至於資料中心，隨著 token 需求呈指數級攀升，推理運算將邁向前所未有的規模，功耗效率與算力密度將成為核心競爭指標。

艾蒙指出，Agent 並不屬於任何單一裝置，無論切換到手機、PC還是穿戴裝置，Agent始終跟隨使用者而存在。他指出，正如OpenAI 已可在 Snapdragon 平台運行，Perplexity Computer 正建構連接設備的協調層，Google 透過 Gemini 整合進 Android，整個產業正以前所未有的速度收斂於同一方向。手機未來將同時承載兩種運作模式：由人類主動操作的傳統模式，以及由 Agent 自主驅動的新模式。其中 AI 眼鏡因天然貼近使用者的眼、耳與口，將成為 Agent 感知與互動最直覺的載體。

物理世界是主戰場，機器人技術為關鍵制高點

艾蒙提到，這波 AI 浪潮並不侷限於個人運算裝置。也開始往物理世界的汽車、機器人與工業系統延伸，且挑戰維度更為嚴苛，延遲必須以毫秒計、精度以毫米計，因為每一個數值都與安全直接相關。

機器人是物理 AI 最具代表性的技術收斂點，融合了個人運算的感測整合能力，以及汽車產業的工業級精確度、功能安全與冗餘設計。艾蒙指出，機器人運算系統分為三個層次：即時反射執行、動作落地規劃、高階推理判斷，三者環環相扣。智慧的分散式部署同樣關鍵，中央運算、運動控制、致動器與末端感知系統須協同運作，方能發揮效能。高通已與 Vin Motion、Neura Robotics、Institut 等廠商深度合作，並預告即將公布與 Figure AI 的合作進展。

進入應用場域，例如與工業相關，「從來不缺需求，缺的是足夠成熟的解決方案，」艾蒙直言，視覺 AI 攝影系統已能監控安全合規、分析城市交通並自主觸發行動；安全頭盔、防護眼鏡、員工識別徽章，都將成為 AI 感知端點。當電腦視覺與 Agent AI 深度結合，整個系統將具備「看見、理解、決策、行動」的完整閉環能力，相關應用很快就能在零售、倉儲、建築、能源與智慧城市中逐步落地。

為 AI 時代而生的 6G 無線世代

而在如此複雜交錯的AI Agent環境中，通訊設備必然是維持環境順利運作的要角，既構成AI的服務底層，也受到AI技術應用的影響。

高通早在今年世界行動通訊大會（MWC）上，便將 6G 定義為「第一個為 AI 時代設計的無線世代」。艾蒙在這場演講中再度點明，6G 的到來將徹底改變整個產業的方程式。

他指出，6G 建立在連接、分散式運算與感知三大支柱之上，其中後兩者是電信產業從未有過的全新能力。連接層面，6G 以 AI 需求為設計基準，支援裝置、機器、Agent 之間的持續情境交換；分散式運算則讓整張網路化身超大型 AI 基礎設施，在基地台、中央機房與資料中心之間分散部署運算與推理能力。

最具顛覆性的，是「感知」支柱。6G 將把每一個無線連線化為雷達，在同一時刻提供數億個即時信號，經過三角定位與融合運算後，足以建構涵蓋整個國家的數位孿生，追蹤道路上的每輛車與每位行人，並將電腦視覺與 Agent 智慧整合其中。艾蒙直言，這一切最終都將化為 Agent 在所有裝置端點上即時運作所需的情境基礎，讓邊緣端真正成為 AI 運算發生的核心場域。

Agent 將重新定義 AI經濟學

「Token，是 AI 時代的新貨幣。」艾蒙最後指出，Agent 正在從根本上重新定義 token 的需求規模，也重新定義著 AI 的架構與經濟學。他解釋，今天的軟體、作業系統與應用程式，從設計之初便是以「人類操作」為前提，而Agent的出現徹底改寫這個我們所熟悉架構。

Agent 與軟體的互動速度遠超人類，且能同時跨越多個服務並行運作，每一個工作流都以機器速度生成 token。從單輪對話的約 1 萬個 token，到多輪推理的 10 萬個，再到 Agent AI 自主多步驟運作的百萬量級，兩個世代之間 token 需求成長約 100 倍。2026 年每 10 秒的全球 token 需求約為 317 億，到 2030 年預計將躍升至 1.27 兆，成長 40 倍，全球年度 token 總需求更將達到 4000兆（quadrillion）。

面對雲端與邊緣的長期論戰，艾蒙認為這場爭論本身就是偽命題。以手機 App 為例，沒有人會去追究每個應用程式的運算跑在本地還是雲端，Agent AI 的運作邏輯將與此完全相同：智慧調度所有可用算力，在效率最高之處處理對應工作負載，整條運算連續體都將為 AI 所用。

為因應人工智慧（AI）快速發展，並落實政府推動「主權AI」及智慧科技島政策方向，法務部 3 日於臺灣高等檢察署博愛講堂舉行「打造可信任的法務主權AI：法務專屬大型語言模型啟動儀式暨論壇」，正式啟動「法務專屬大型語言模型計畫」。並邀集產官學研及法務部所屬機關代表共同與會，展現法務部推動可信任AI、強化司法科技量能與數位治理的決心。

行政院近年積極推動AI新十大建設，並將「主權AI」列為數位基磐之關鍵項目；對於司法、國安及公共治理等高度敏感領域，尤其因應新型態詐騙持續演變，行政院「新世代打擊詐欺策略行動綱領2.0」亦明確要求運用AI科技強化防詐與打詐工作。

法務領域導入AI，除涉及行政效率提升，更關係到偵查不公開、個資保護、程序正義及人民權利保障等核心價值，因此，法務專屬大型語言模型的建置，不只是數位建設，更必須是「可治理、可稽核、可信任」政府AI系統的重要工程。

法務部部長鄭銘謙表示，推動AI並非是要取代法律專業或司法判斷，而是希望透過AI協助第一線同仁減輕重複性、耗時性的行政工作，使專業人力能更專注於案件研判、風險辨識及人民服務。面對詐欺犯罪、跨境案件及大量文書處理需求，法務體系對AI輔助已有高度實務需求。

鄭銘謙強調，法律領域導入AI涉及人民權利，不能只追求速度與效率，更須兼顧資料安全、結果可覆核及責任可釐清。對司法而言，AI不只要「聰明」，更必須「可信任」。因此，法務部所推動的AI系統，將以「可信任AI」為核心，落實隱私與資訊安全、透明可解釋，但最終判斷與責任仍由人來把關及確保公平並避免偏見等三大原則，並導入第三方驗證機制，確保AI應用建立在安全可信的制度基礎上。

本次啟動之「法務專屬大型語言模型計畫」，將採「底層資源共享、應用服務分流」架構，未來將逐步建置AI運算資源管理、資料湖管理及法務專屬模型推論服務，並優先應用於文件摘要、法規檢索、逐字稿整理、資料比對及風險提示等實務場域，以提升行政與案件處理效能。

未來法務部也將成立資料治理委員會，針對資料蒐集、使用、保存、權限控管及風險評估等建立治理機制，穩健推動AI於法務場域之應用，讓AI成為協助法務同仁、提升司法韌性及保障人民權利的重要助力，共同打造可信任的數位法治未來。

「人類對技術的短期影響傾向高估，對長期影響卻傾向低估。」史丹佛大學教授 Roy Amara 的這句名言，道盡了過去四十年科技發展的真實軌跡。從 1980 年代在 MIT 使用百萬分之一算力的設備模擬神經網路，到如今生成式 AI 滲透日常，這條科技發展的曲線，永遠比預期更加陡峭。

人工智慧科技基金會常務董事、前微軟亞洲研究院副院長張益肇，日前在台灣大學人工智慧研究中心所舉辦的 AI 論文研討會上引用這段話，同時也回顧圖靈獎得主 Jim Gray 於 1999 年提出的「A Dozen Systems Research Problems（十二項系統研究議題）」。可以發現，包括語音識別、機器翻譯、電腦視覺等清單上的所有難題都已解決，唯獨「資訊安全」至今仍是未解的議題。

詹姆斯·尼古拉·「吉姆」·格雷（James Nicholas "Jim" Gray），是一位美國資訊工程學家，以資料庫與交易處理研究奠定學術地位，並於 1998 年獲得圖靈獎。他在得獎後發表的這份清單，列出了十二項他認為電腦科學領域值得長期挑戰的目標。這些都是當年只覺得「可以做、也值得做」，卻沒料到這些項目在人們還沒充分意識到的時候，已一項項成為現實。

從雲端到 AI，十一道綠燈逐一成真

張益肇在研討會上逐一檢視這十二項議題，並將其中十一項標示為「綠燈」。他認為，從基礎建設層面來看，系統擴充性（Scalability）如今早已不是難題，透過 AWS、Google Cloud、Azure 等雲端平台，運算規模可以從單一機器輕易擴展至百萬節點。無故障系統（Trouble-Free Systems）與系統永遠在線（AlwaysUp）同樣列入綠燈，現今的雲端平台已大量導入 AI 進行自動化管理與維護，規模之大，若沒有 AI 根本無法透過人工應付。

而在人機互動層面，也有多項里程碑相繼跨越。圖靈測試（Turing Test）方面，張益肇以當今電話詐騙的高成功率為例，「AI 騙人的能力，是遠遠超過大家想像的。」語音辨識（Speech Recognition）在多數情境下甚至已超越人類水準。因為機器不會疲勞、記憶不會衰退，拿一段錄音來轉換文字，人與機器的表現基本一致。語音合成（Speech Synthesis）當前也已經能生成幾可亂真的各類人聲，電腦視覺（Vision）則讓隨手一張照片交給 AI，場景、物件幾乎無所不識。自動化程式設計（Automatic Programmer）亦已列入綠燈項目。

知識與記憶的層面也不遑多讓。個人記憶庫（Personal MemEx）的概念最早由研究者 Gordon Bell 以 MyLifeBits 計畫具體實踐，如今戴上 Meta Ray-Ban 智慧眼鏡持續拍攝、再交由 AI 處理辨識，技術上已完全可行，唯一尚待解決的是隱私問題。

世界記憶庫（World MemEx）則已化身為 ChatGPT、Claude 等大型語言模型，成為隨問隨答的龐大知識庫。遠端臨場感（TelePresence）方面，從 Teams、Zoom 到 Apple Vision Pro，虛擬會議的臨場感與表情細節已達相當逼真的程度。

越來越複雜的資安問題

Gray 當年所有的想像，幾乎都已有可解方法。唯獨資訊安全，至今仍亮著紅燈。安全漏洞層出不窮，AI 既可被用來自動搜尋系統弱點，也可透過社交工程話術騙取密碼。更棘手的是，其他十一項的技術進步，反而為攻擊方提供了更強大的工具。例如語音合成讓詐騙更逼真，電腦視覺讓身份驗證更脆弱，大型語言模型讓攻擊腳本自動生成。

生成式 AI 的蓬勃發展，讓社交工程、深偽（Deepfake）詐騙等惡意攻擊變得更容易執行，使這道未解的難題隨著技術躍進愈來愈困難。張益肇直言，「要讓資安變成綠色非常困難，但也因為如此，這是當前最值得投入的研究機會。」

好研究的標準，也是好研究者的自我提問

張益肇不只以 Gray 的議題為鏡，也以他的研究哲學勉勵大家。Gray 認為，一項值得投入的研究目標應具備五大條件：能讓自己的媽媽也聽得懂（Understandable）、具有挑戰性（Challenging）、對社會有實質影響力（Societal Impact）、可被測試驗證（Testable），以及進展可被量化（Incremental）。

他指出，科學研究與文學創作最大的不同，在於進步是可以被測量的。一部小說寫得好不好，難有客觀標準；但在電腦科學領域，今天做到十倍速度、明天挑戰十五倍，差距清晰可辨。

他進一步從三個面向勉勵在場年輕研究者進行職涯自我檢視。第一是成就感（Fulfillment）：做研究不是每個環節都令人愉快，但如果相信這件事有價值，Fulfillment 就會支撐你走下去。第二是影響力（Impact），張益肇提到，Gray 一生幫助過超過五百位研究者，研究方法被廣泛應用於多個領域，影響力遠不止於技術成就本身。第三是信任（Trust），也是張益肇認為最關鍵的一環，Gray 的合作對象幾乎都樂於與他共事，因為他慷慨分享、也願意花時間在別人身上。

張益肇將這三個維度化為給年輕研究者的自問清單：我做的事，是否讓自己覺得有意義？是否對社會有所貢獻？而我，是否成為一個讓人願意信任、樂於合作的人？這三個問題，也是 Jim Gray 一生的縮影。

近年來，生成式 AI 能力大幅躍升，企業導入的技術門檻也隨之降低。然而，許多人在興沖沖使用之後，卻還是覺得不好用。這時候真正該檢討的，可能不是工具，而是一個更根本的問題：在把任務交給 AI 之前，有沒有先根據自己的工作流與實際需求整理好資料？

什麼是工作流？業務腦中的隱性知識，AI 看不懂

工作流（Workflow）是近來討論 AI 應用時頻繁出現的詞，但究竟指的是什麼？人工智慧科技基金會首席資料科學家蔡源鴻，以日常業務場景為例說明，假設今天有客戶來議價或詢價，資深業務通常能憑藉過去與客戶交手的經驗，或是客戶對話中透露的線索，例如是否提出具體需求，來決定下一步的報價策略。這種透過既有資料或經驗，看穿客戶意圖、進而調整應對策略的過程與模式，就是業務腦中的「工作流」。

然而，這些潛藏在對話背後的隱性特徵，通常不會出現在 CRM 系統中。原始資料多半只會冷冰冰地記錄「客戶曾來詢價」或「歷史成交紀錄」；這些數據背後代表的意義，多半只有第一線業務能意會。

因此，如果企業將未經處理的原始資料直接丟給 AI 判斷，它無法分辨 A 客戶與 B 客戶的差異，因而只能給出制式的報價與推薦回覆。但在真實商業場景中，面對不同特性的客戶，本來就應該有不同的應對方式。所以，唯有將這些隱性知識轉譯為 AI 能夠參照的工作流，它給出的建議才會符合需求。

用「情境卡」把業務經驗變成 AI 看得懂的知識

過去要訓練出具備良好預測能力的 AI 模型，往往需要龐大的數據量，這讓許多缺乏資源與人力的企業望之卻步。隨著生成式 AI 的興起，企業導入 AI 的門檻大幅降低；如今不再需要從零開始訓練專屬模型，只需將現有資料交由大型語言模型（LLM）綜合解析，便能快速獲得結果。

然而，大型語言模型並不了解企業自身的業務邏輯與工作流程，若只是單純匯入資料而未加以梳理，AI 產出的成果往往差強人意，難以真正契合商業需求。蔡源鴻指出，當業務在處理客戶時，往往需要同時查閱多個系統的歷史資料，再加上自己的判斷，才能決定下一步怎麼做，但這個整合的過程通常不會被記錄下來。因此，需要設計一套方法，將這些散落各處的經驗系統化。

蔡源鴻提出「情境卡」作為一種具體範例，說明企業如何將真實案例系統化，記錄下三件事：看到了什麼資料、在什麼條件下、觸發了什麼行動。將這些案例讓 AI 自己參照。當 AI 看過一百張情境卡，等於參與了一百個真實專案的處理過程；遇到新案例時，它會自然地比對最相似的歷史案例，進而給出適合的建議。這份累積下來的案例集，相當於企業的「經驗庫」。

不過，蔡源鴻補充說明，情境卡只是萃取隱性知識的方法之一，而非放諸四海皆準的標準流程。要將業務腦中無形的判斷經驗真正外化成可用的知識，往往需要「知識工程師」的介入，透過訪談、影子觀察、案例回顧等方式，協助業務員將直覺與經驗轉化為結構化資料。這個過程有兩項不可忽視的成本：建立時需要投入大量人力，建立之後也必須持續維護與更新，以因應法規異動、產品調整等現實變化。

這套做法或許讓人聯想到早年的專家系統（Rule-based），但本質上有所不同。傳統規則系統是照表操課，有則執行、無則放棄；而現在的 LLM 具備綜合與泛化能力，能夠在沒有完全吻合的案例時，仍從相似經驗中推導出合理判斷。這正是情境卡與經驗庫在 LLM 時代得以發揮價值的關鍵所在。

情境卡除了提供判斷邏輯，也能用來定義「邊界」，也就是告訴 AI 哪些情況不能自行處理，哪些情況應提出反問而非逕自給出建議。例如，設定只要牽涉跨部門，就暫停等候人工決策，確保 AI 不會在超出處理範圍的複雜案例中貿然行動。這些邊界同樣是企業專屬的領域知識。

AI 好用的關鍵不只是精妙的提示詞

蔡源鴻強調，每間公司、每個部門的業務流程都不一樣，不可能套用一份通用的提示詞解決所有問題。真正有效的做法，是將業務流程與實戰經驗沉澱成一份「知識文件」。當深度的領域知識已經內建於文件中，供 AI 隨時參照時，使用者反而只需下達相對通用的提示詞，就能精準驅動 AI 執行任務。

也就是說，資料、提示詞、以及完善的評估與管理框架，都是AI 變強的關鍵。

至於許多人擔心「貢獻了自己的知識，是否就會被取代」，蔡源鴻認為不必過慮。AI 工具終究有其邊界，其最大的價值在於快速處理常規狀況，將人類從繁瑣的一般案件中釋放出來。一旦遇到超出邊界的棘手特例，或是需要跨部門協商的複雜情境，依然需要仰賴人類無可取代的專業判斷與溝通智慧。

更重要的是，即使企業建置了轉化後的深度知識庫，背後仍需要能持續學習與更新領域知識的「人」來把關，這正是人類無法被 AI 取代的價值所在。當資料梳理得愈完善，AI 能承擔的常規任務就愈多；而人，也就能從繁瑣的日常中解放，將心力專注在真正需要人類智慧與決策的地方。