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。

一年多前，多數人使用生成式 AI 工具的方式，還停留在問答聊天。然而，隨著 Claude Code 與 Cowork 的快速普及，這樣的圖像正在改寫。根據 Anthropic 最新發布的 2026 年《經濟指數報告》（Economic Index Report）指出，Claude 的使用模式已從單一的「對話」（Chat），迅速轉向能長時間自主運作的「代理任務」（Agentic Tasks）。

報告描繪 AI 使用量如何隨著全球工作週期起伏，並歸納出從商務書信到複雜程式碼生成，各類自動化產出（Artifacts）的樣貌。數據更指出，運算資源的消耗與職業薪資水準呈正相關，也就是薪資越高的職位，越傾向將高度自主性的任務交付給 AI 執行。

雖然資深專業人士對 AI 的信任仍相對保守，但與 Claude 協作程度最深的使用者，反而對其帶來的薪資成長與職涯發展前景，抱持最為樂觀的評價。

AI 使用數據與全球工作節奏息息相關

觀測數據顯示，Claude 的使用軌跡幾乎反映出全球使用者的生活樣貌，包括工作日與週末的界線、一天當中的作息更迭，甚至連現實世界的重要活動日期，都能在數據中留下清晰的痕跡。

例如在聊天與 Cowork 介面中，被歸類為「個人用途」的對話比例，從平日約 35%，在週末躍升至近 50%。任務性質也會跟著改變。例如使用者多半在平常日請 Claude 協助處理商業書信、行銷文案、簡報製作；但到了週末，話題便轉往情感支持、醫療諮詢與投資建議。

有趣的是，與創業相關的對話在週六、週日達到高峰，而求職與其他工作任務則在週末退燒。在程式開發領域，Claude Code 的使用也呈現類似消長：後端架構、API 除錯這類例行工作在週末減少，取而代之的是 AI 代理設計、量化交易與遊戲開發的明顯升溫。

不過，夜間或週末期間，仍有人持續讓 Claude 處理工作。數據顯示，這些任務多集中在高薪職業群，例如行銷經理、程式設計師；相對於電話行銷、文書處理等薪資較低的職業，其使用占比較小。這似乎暗示著，「隨時待命」的加班文化，在高薪族群中更為普遍。

使用數據，寫進了生活中的每個節點

除了每日與每週的規律循環，一些現實世界的重大時間節點，也在 Claude 的使用數據上留下明顯痕跡。以美國報稅季為例，隨著 4 月 15 日申報截止日逼近，稅務相關對話量出現劇烈飆升：4 月 14 日當天,相關請求量達到 5 月平均水準的 8 倍多，並在截止日隔天(4 月 16 日)迅速下降。

這些數據圖像顯示，AI 的使用軌跡，不再只限於技術使用，而是悄悄成為觀察現代生活作息與工作型態的新窗口。

產出價值越高，算力成本越高

報告中也指出，在代理任務時代，「數位產出」（Artifacts）的類型與複雜度，正在定義其創造的經濟價值。

其中一個關鍵數字是，在所有 Claude 對話中，高達 93% 都能被辨識出明確的產出成果，而最常見的三種用途分別是個人諮詢、課程學習等解釋說明（17%）、商業或學術等文件報告（15%），及個人生活、創意寫作輔助等指南建議（11%）

讓人驚訝的是，運算成本與工作本身的市場價值緊密相關。換言之，一段對話所消耗的 token 數（衡量運算成本的核心單位）)與對應職業的薪資中位數呈現正相關。

以行銷經理與編輯為例，時薪中位數約 80 美元的行銷經理，其對話平均消耗的 token 數是時薪中位數約 37 美元編輯的 2.5 倍。也就是說，薪資落差近乎兩倍，對應的運算落差卻拉大到 2.5 倍。

這樣的差距並非偶然。數據顯示，高薪職業的任務往往伴隨更複雜的產出內容、更多次數的來回互動，也更頻繁地啟用 AI 的「擴展思考」（Extended Thinking）功能。這三項因素相互疊加，使得運算成本相對提高，也讓「薪資」與「算力」之間，浮現出一條清晰可辨的曲線。

報告同時比較了 Claude Code 與一般對話介面之間的自主權（Autonomy）落差。在總計 31 類產出中，有 26 類在 Claude Code 上展現出更高的自主程度。以「部落格文章」為例，在一般對話介面中，使用者平均得歷經 13 輪來回討論才能完稿；換到 Claude Code 介面，往往一次指令便足以完成同樣複雜的任務。這種「高度授權」的協作模式，逐步將 AI 從輔助工具提升為獨立勞動力。

互動方式決定 AI 被授權的程度

報告中評估使用者提示（prompt）與 Claude 回覆的閱讀難度，意外發現，當使用者拋出的問題本身門檻較高時，Claude 給出的答案難度也會跟著提高。但大多時候，Claude 回覆所需的理解程度，平均都比使用者提示高出約一年的教育程度。

原因在於，使用者的提問通常簡短、口語，而 Claude 則習慣以修飾過的流暢文字作答。這個落差在使用者要求 Claude「畫一張圖」「做一款遊戲」或「打造一個應用程式與網站」時最為明顯。

不過，當任務換成部落格文章、學術論文或電子郵件這類寫作需求時，提示與回覆之間的難度落差幾乎不存在，主要是因為這類任務中，使用者多半已在提示中附上草稿或參考素材，而這些素材本身的語氣、文體，就已經貼近最終成品該有的樣子。

此外，使用者「怎麼互動」也會左右 Claude 處理任務的方式。報告將協作模式歸納為五種：使用者幾乎「不干預」、放手讓 AI 獨立完成的「指令模式」；透過來回討論、持續給予回饋的「回饋迴圈」；由人類不斷微調輸出結果的「任務疊代」；單純想釐清概念的「學習模式」；以及用來檢查、驗證自身工作成果的「驗證模式」。

從難度到互動節奏中可以發現，Claude 不只是被動應答，而是持續在「讀懂」提問者，並悄悄調整每一次回覆該給到什麼程度。

勞動者對 AI 帶來的改變抱持複雜情緒

報告也針對約 9,700 名使用者進行調查，指出使用者對未來的展望，與其「授權 AI 的程度」高度相關。令人意外的是，重度授權 AI 的使用者，也就是高度自動化執行任務的一群人，反對未來抱持更樂觀的態度。他們普遍預期，AI 將為自己的薪資水準、就業安全感，乃至在勞動市場的整體競爭力，帶來正向影響。

這群使用者多半認為，AI 提升了自身技能的市場價值，讓他們得以從繁瑣瑣碎的事務中抽身，進而在工作中找回更多意義感與自主性。

資歷較淺的員工感受到最高的取代風險；相對地，擁有 15 年以上經驗的資深員工則普遍認為，AI 仍難以複製他們長年累積下來的知識，包括情境判斷、環境感知、人際信任建立與關係管理人等軟實力。

期待 AI 成為助力，而非取代者

隨著 Claude 從聊天對話框，演進為能自主執行任務的數位代理，我們正邁入一個人類智慧與數位勞動交融的時代，這不僅將改寫勞動者的工作節奏，更將重新定義成果被創造出來的方式與價值。

這份報告描繪出人們對未來十年 AI 經濟的願景，共同指向一個核心信念：AI 不該是勞動的替代者，而應成為助力。人們渴望在與 AI 深度協作的同時，保留人類職業獨有的價值與意義；也期待 AI 能扛下單調、枯燥的例行工作，釋放人類的創造力與自由時間。

當企業談論 AI 導入，最常聽到的問題莫過於「結果不夠精準」。但這句「不夠精準」背後，很可能不是模型不夠聰明，而是組織內部本來就缺乏清晰溝通與統一標準。當經營者、部門主管與第一線執行者之間存在巨大的認知落差時，技術再好也無法彌補管理的缺口，就算砸下重金，換更強的系統與模型，依然無法解決核心痛點。

這類「內部未對齊」的困境，在大型企業中屢見不鮮，以製造業常見的「良率」為例，不同部門往往各自訂出字面相似、內涵卻截然不同的指標；當大家依循的標準各不相同時，AI 產出的結果，自然難以符合所有人對於「精準」的期待。

緯創資通技術長沈慶堯於「2026 AI TAIWAN 未來商務展」國際趨勢高峰論壇分享內部轉型歷程時，就提到團隊在推動轉型的過程中才發現，公司內部光是良率就有 14 種不同的定義。因為各部門的定義都不同，而定義了許多字面相近的指標。

一個「良率」14種答案，企業本身的標準對齊了嗎？

沈慶堯回顧緯創自 2017 年啟動的數位轉型，將其總結為「數位化打底」、「建構企業架構（EA）」與「佈局 AI 基建」的轉型三部曲。初期，團隊的目標很單純，就是全面落實數位化；隨著底層基礎逐漸穩固，才系統性地建構企業架構；直到近幾年AI浪潮崛起、技術成熟，團隊才順勢展開AI基礎建設的全面升級。他分享緯創這段穩紮穩打的軌跡，希望能為正面臨AI導入焦慮的企業提供實用的建議。

第一階段主要透過「最小可行產品」(MVP)模式逐步試錯與推進。沈慶堯提醒，企業評估AI導入成效時，不應僅侷限於財務指標上的績效。若能把「組織文化改造」與「員工教育訓練」一併納入績效考核的範疇，反而更能激發團隊的共鳴，賦予員工持續推動轉型的動力。

團隊也是在這個時期，逐步摸索並釐清了公司內部資料的關聯性，同時深刻體認到，數位轉型中最重要的一環，便是確立「共同標準」，各項指標都要有清楚一致的定義。內部在這個階段也大量投入資源，最高峰時一年甚至推動了兩、三百個專案。團隊從實戰中釐清資料的關聯與輸入邏輯，成功奠定了底層基礎，建構起緯創的「資料治理 1.0」。

有了第一階段的基礎後，緯創自2021年起，系統性地透過數位長與IT部門的結合，建置公司的基礎架構，串連第一階段各個專案累積的資料，再進行AI化的部署。

讓掌握領域知識的第一線人員參與，才能找到實務中的痛點

沈慶堯特別指出一個重要概念，許多企業推動數位轉型時常犯一個致命迷思，就是把數位化視為IT或MIS部門的責任。他坦言，緯創轉型初期也是由數位長與IT團隊主導開發；然而團隊推行兩、三年後發現，即使IT部門開發出不少工具讓員工使用，系統與實際業務需求之間，卻始終無法完全契合營運核心。原因在於，技術團隊未必真正透徹了解各部門的實務運作與真實痛點。

為了解決這個困境，緯創的做法是把各部門的人一起拉進來，由真正掌握Domain Know-how(領域知識)的第一線人員參與，協助判定哪些資料具有實質商業意義、哪些資料的關聯才符合實務邏輯，這才能淬鍊出真正能讓AI發揮價值的「高品質數據」。

即使一開始會需要面對非技術部門的抗拒，例如「不懂大型語言模型，也不知道該怎麼做」，但沈慶堯認為，隨著AI工具門檻大幅降低，企業只需將各領域主管拉進專案，透過適當引導與解釋，他們很快就能掌握工具的應用價值。

把「給人看」的資料變成「給AI看」的資料

他特別強調，隨著企業全面邁入AI時代，眼前的課題是，如何把「給人看」的資料，轉換成「給AI看」的資料。無論是當前熱門的大型語言模型或提示工程，AI所需要的指令結構、上下文關聯與數據餵養方式，都與人類習慣閱讀的傳統報表、數據格式截然不同；若只是把過去的資料庫直接倒給AI，往往得不到理想結果。而這目前仍是正在進行中的任務。

沈慶堯解釋，過去企業管理的數據多半以結構化的文字與數字為主，但在高度智慧化的製造廠房裡，無時無刻都在產生龐大的監視器影像、機台運作語音等非結構化數據。要把這些多模態資料整合並轉譯成AI能理解的格式，中間的串聯過程相當複雜。但是，他認為，面對AI轉型，沒有一蹴可幾的捷徑，唯有腳踏實地，一步步完成這項繁重的資料整併工程，才能真正釋放AI的潛力。

治理、算力與資料治理2.0

除了資料本身，沈慶堯也提到另外兩個同樣關鍵的面向。首先是 AI治理(AI Governance)。他認為，每個企業都要注意資安與自身規範，衡量哪些資料可以外流、哪些不行。若因為擔心資料外洩而連ChatGPT、Google都不敢用，反而過度保守。

與資料治理的邏輯一致，必須先界定清楚什麼是公司機密資料，再規劃當工具開放給使用者時，哪些範圍要納入管制，哪些可以讓員工自由運用。

緯創為此建立了包含七個模組的Responsible AI架構，以管理內部所有與AI相關活動的監控與設定，包括模型如何設計、如何監控、哪些行為不被允許；由於公司規模大，對性別、種族歧視等敏感議題也格外謹慎，目標是不能等到商品化之後出事才善後。

另一方面則是AI運算基礎架構。緯創自建了AI Data Center以滿足內部算力需求；沈慶堯建議，規模較小的企業未必需要自建，亦可評估將算力外包給雲端業者或原廠代理商，並在採購與成本控管上尋求專業協助，避免每月帳單失控。

比技術更難的是文化與人的轉型

沈慶堯坦言，最終需要突破的仍是文化與管理層面的養成。緯創目前的做法是鼓勵員工先用工具，就算用了後出現問題也不要緊。公司大概有2000多位工程師，光是寫程式的就有2000多人；這兩年全面推廣AI工具後，他觀察到整體撰寫程式碼的效率與正確率都提升不少。一年半下來，軟體生產力大增。但這也帶出新的課題：當AI做完過去需要大量人力完成的工作後，這2000多人接下來該如何轉型或轉調，將成為讓管理層頭痛的問題。他認為，這對台灣企業而言會是不小的挑戰。

對於「AI會不會取代員工」的顧慮，他認為，若因此綁手綁腳，反而會拖累公司整體的競爭力。他認為，AI既然這麼好用，就該先用，用了之後衍生的問題再逐步想辦法解決。先用再說，才對得起公司未來的競爭力。整個文化的塑造，以及組織層面該如何隨之變革，他認為比技術本身還要更重要。

沈慶堯提到，緯創這幾年累積的AI能力，最終落地在四個方向：智慧製造、算力、設計與模擬，以及社會責任。

目前，緯創已訓練出專屬模型「緯創大腦」，可回答公司內部的專業問題。他也建議，企業未來要訓練自己專屬的模型，方法與技巧其實很多，開源是其中一種可行的做法。在這套模型之上，建立排程、客服回覆、報價等各式Agent，能在無人值守時持續運作，必要時也可呼叫外部更強大的語言模型協助完成任務；藉由被稱為「Agent Harness」的架構，員工的角色逐漸從親自執行，轉為設計Agent去取代部分工作。

但支撐這一切的根本仍是資料與知識庫，這些資料訓練成專屬模型後，部署於地端運行，既能避免資料外洩的風險，未來要更新資料也更方便；底層則奠基於緯創為智慧製造建立的中台架構，把機台資料收集、初步判讀等工作串接起來，目標是提升生產力與良率，同時降低出錯機率。

AI 治理是近幾年最熱門的企業議題之一。圍繞著人工智慧的治理產業正悄悄成形，各家公司也紛紛建立相關措施，例如建立目錄列管旗下的 AI 模型、導入系統為資料標記歷程、設立儀表板監控模型行為，以及組成風險委員會審查。這些政策、合規主管設置、董事會報告，表面上看起來已經大幅擴充了治理的基礎設施。

然而，若進一步叩問這些宣稱已落實治理的企業領導者：「當 AI 系統引發危害時，誰有權限真正按下停止鍵？」如果主管無言以對，那便突顯出當前 AI 治理最大的盲點：組織投入大量資源建置了「看得見」的治理工具，卻沒有建立「能行動」「能負責」的管理結構。

現有的治理工具確實對法規遵循與有效治理也至關重要，例如模型管理表則能有助掌握目前有哪些 AI 系統存在、各自的運作邏輯；風險分類框架能告訴你哪些系統需要最嚴格的審查；資料歷程(data lineage)系統則能追溯輸入資料的來源；以及數據是否乾淨可信。這些都是真實且必要的基礎設施。
但問題在於，知道系統在哪裡、知道風險有多高，並不等於在系統出錯的那一刻，有人能夠、也敢於把它關掉、啟動備用方案，或者決定任何實際減輕損害的行動。而那些名義上該負責的角色與編制，例如「首席 AI 倫理官」，或是資料治理委員會、負責任 AI 小組，往往被安排在開發團隊之外，有建議權，卻沒有決定權。當真正需要做出困難決定的時刻來臨，他們在組織裡的話語分量，通常不足以撼動一個已經準備上線的產品。

為什麼這個問題刻不容緩？

隨著歐盟的《人工智慧法案》（EU AI Act）正式生效，它要求企業拿出來的不能只是紙上作業，而是「實質有意義的治理」：包括有紀錄可查的決策過程、清晰的責任歸屬，以及在事後能明確交代「是誰、基於什麼理由，做出了這項關鍵決策」。也就是，一份政策文件或風險控管清單是遠遠不夠，主管機關要的是一個具體要負責的「人名」。

與此同時，AI 導入的速度之快，更放大了這個問題的嚴重性。現在多數大型企業在組織的各個角落，可能同時運行著數百個 AI 系統：客服、招募、內容審查、定價、防詐欺偵測，甚至是基層員工為了貪圖方便而私下導入的工具，都涵蓋其中，有許多系統甚至連高層都未必掌握全貌。
加上這些系統多半是在時間壓力下趕鴨子上架的，「治理」大多數時候被當成「以後再說」的麻煩事。然而，那個所謂的「以後」，現在已經找上門來了。

檢驗企業的 AI 治理是玩真的還是做表面的三個問題

解決之道並非要放慢導入 AI 的腳步，而是應該嚴肅看待「組織架構設計」的問題。每一個 AI 治理專案，都應該要能清楚回答以下三個問題：

1. 誰有權限強制停止一個 AI 模型的運作？
2. 這個人清楚知道這就是他的職責嗎？
3. 當行使這項權力，卻與其他部門的產品藍圖（Roadmap）發生衝突時，他是否有足夠的組織層級與底氣去堅持喊卡？

工具只能告訴你系統哪裡出了錯；但只有建立清晰、獨立且握有實權的當責架構，才能確保在系統失控的那一刻，真的有人願意且敢於伸出手，勇敢按下那個「停止鍵」。如果一家公司答不出這三個問題，那麼你們擁有的就不是一套治理計畫，而只是一堆紙上作業。

能夠順利挺過未來五年 AI 監管與公眾檢視考驗的企業，不會是買了最昂貴、最複雜 AI 工具鏈的公司；而是那些紮紮實實在技術底層真正把「人的當責架構」建立起來的企業。

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。