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。

當所有人都以為 AI City 是台北、高雄這些大城市的專利，雲林這個預算有限、人力不足的農業縣，卻不靠煙火式的表面應用，而是跳脫傳統標案、發包思考、深耕底層資料建設、打造跨越政黨輪替的治理大腦，走出一條令人獨特的轉型路。

然而，戰略方向清晰只是第一步。真正考驗組織轉型意志的，往往是執行過程中那些不為人知的困境。雲林縣政府計畫處處長李明岳在 AIF 主辦的 AI Café 中，無私分享了這段歷程背後的真實樣貌。

不同於資源優渥的縣市，雲林的轉型動力來自兩個真實且急迫的危機：早已超載的基層公務員工作量，以及希望協助返鄉青農擁有數據與技術支援，不再靠天吃飯。

預算不足的困境反而成為轉機

預算不足，在多數組織眼中是阻礙，但在雲林卻反而成為優勢。正因為各局處沒有各自發包的資源，反而避開了系統各自為政、資料格式不一、最終形成難以整合的資料孤島的困境。

李明岳說，雲林從一開始就不走個別標案的模式，而是以生態系的概念出發，先把大腦建起來，釐清整體架構，再有策略地招募合適的夥伴共同參與，各局處也在這個共同架構下逐一實踐。同時， AI 治理的願景，更透過每年縣長就職周年這種年度重要場合，向國中小校長主任、各局處科長以上的同仁正式宣示，讓整個組織都了解，縣府的 AI 導入有明確的方向與核心大腦，目標是建構一個開放共享的生態系，讓各單位的經驗互相流通，資料也可以彼此對接。

與其說服不動的人，不如找到願意行動的人

然而，再清晰的戰略，也難以避免執行層面的摩擦。李明岳坦言，跨局處的合作與資料索取，一直是推動過程中最辛苦的環節。承辦人員手上本來案件就滿載，還要協助委外團隊到各單位索取資料；即便確認權責機關，溝通層級的落差也可能讓推動成效打折扣。

同時，因涉及內部決策考量與長官態度，部分資料的取得往往難以一步到位，在時效上容易出現落差。組織成員的消極配合，往往就是最安靜也最積極的抵抗。

面對這樣的困境，李明岳選擇轉換策略，先從願意配合的局處開始，集中資源幫他們做出成效，讓成果說話，再以此吸引其他單位跟進，形成正向循環。他以流程機器人的推動為例，一開始向各局處詢問導入意願時，得到的回應普遍冷淡。直到社會處的就服中心積極響應，計畫處便把資源集中，快速協助他們做出成效，讓他們真正有感，最終成為其他局處與縣市爭相前來觀摩的示範點。

除了初期先鎖定單一單位協助減輕業務負擔，成功打造的「亮點案例」發揮示範效應，進而吸引其他部門主動跟進，形成推廣上的正向循環之外，更特別的是，團隊並未要求先期導入的同仁承擔後續的培訓工作，而是另行引進外部專業團隊接手教學。對此，李明岳解釋，若讓率先投入的同仁再分神去指導別人，恐讓他們原本的熱忱淪為額外的業務重擔，「反而得不償失。」

打造組織資料庫，讓經驗得以傳承

雲林的願景又是什麼？李明岳表示，可以想像得到四年後的雲林，各機關資料已完全整合，為每一位新進公務員建立起強大的數據庫、資料庫與知識庫。讓人員在面對新時代的挑戰時，能夠站在前輩經驗的肩膀上，而不必從零開始摸索。

同時，學習的方式也應該有根本的改變。他指出，由於現行制度要求公務員每年需要完成固定時數的訓練，但現實往往是開著線上課程、人卻還在處理公文。表面上達標，卻什麼都沒學到。李明岳希望未來透過 AI 工具，精準分析每位公務員的業務需求與知識缺口，精準推薦學習資源，讓學習從形式的時數填報，真正變成有效的能力補強。

農業縣的 AI 命題

「農業是整個國家最底層、最命脈的部分。人可以停電，但不可能不吃飯，」李明岳表示，在 AI 轉型的藍圖中，農業佔有不可或缺的位置。目前雲林正計畫為境內二十個鄉鎮分別建立標準氣象年資料，這些資料對農民的日常決策至關重要。

他進一步解釋，以往的氣象預報以全縣為單位，但雲林海線與山線之間的氣候差異極大，例如颱風來襲時，海線與山線面對的狀況與問題完全不同。因此，每個鄉鎮的農民，都應該有區域的氣象數據可以參考，而不是共用一份模糊的縣級預報。這是最基礎，也最需要在未來兩三年持續投入大量資源才能實現的事。

氣象資料只是起點。雲林更計畫進一步疊加地理資料、社會脆弱度數據與各類產業資訊，構建出一個多層次的預測模型。李明岳說，當這個模型完成後，政府提供開放的數據基礎，讓返鄉青農、農業科技業者乃至各類產業，都能在上面用 AI 發展符合自身需求的加值應用。

由政府讓公共資源成為民間創新的土壤

「政府搭建一個合適的舞台，讓不同的產業在好的制度下熱鬧地長出來，」李明岳認為， AI City 與 Smart City 不是政府包辦一切，而是讓公共資源成為民間創新的土壤，孕育出一個可以自然、有機生長的產業生態系。

清晨七點，一位創業者打開電腦：他的公司沒有員工，卻有200個AI 代理人。它們昨晚替他談下訂單、寫好財報、處理客訴，還和別家公司的AI 核對採購合約。他喝著咖啡，只做一件事，就是檢查AI 們「彼此交辦」的工作有沒有出錯。這不是科幻情節，而是正在發生的現實。它正悄悄動搖一個我們以為永遠不會變的東西：現代管理學的第一塊基石。

霰彈企業管理的根基：如何更有效地管理「人」

1976年，Jensen 與Meckling 提出「代理理論」(Agency Theory)，解釋了一件直觀的事：老闆把事情交給員工做，因為無法時時盯著，於是產生三種成本：監督、約束、以及盯緊了仍會有的損失(Residual Loss)。這個洞察成為現代企業管理的根基：從企業策略、領導力、組織設計、人資、財務、專案管理到生產管理，幾乎所有管理作為，都圍繞著壓低「人」這個代理人的成本。而哈佛商學院幾十年談的題目、MBA 教室訓練的能力，本質上都圍繞一件事：如何更有效地管理「人」。
可是現在，被管理的不是人了。

AI 代理人不會偷懶，並不等於沒有成本

這是我們研究團隊目前探討的核心論點。
直覺上會以為：AI 不偷懶、不抱怨、不需休息，代理成本豈不就消失了？但是，很遺憾並不會消失，只是換了一張臉。我們稱它為「演算法代理成本」(Algorithmic Agency Costs)。AI 確實不偷懶，所以傳統的人類代理成本會明顯下降(第一個假說)。但AI 會誤解指令、會最佳化錯誤指標、會產生幻覺、會在多步驟工作流中把小錯放大成大錯，於是你得花時間驗證它的產出、稽核它的決策、處理它的例外。這些是過去管理學從未談論的全新成本(第二個假說)。更關鍵的是第三個假說：AI 究竟讓組織總治理成本變高還是變低，不是絕對的，而是有條件的。當任務愈能被清楚定義、組織的AI 治理機制愈成熟，AI 才會真正降低總代理成本。反之，當組織同時跑著數十個AI 代理人，卻沒有完整的稽核與權責機制，新增的演算法代理成本，反而就會吞掉所有效率的紅利。

從管人到管AI，管理學的內容需要重新定義

這個結論的份量在於：它不只是補一個註腳，而是動搖了根基。
當「一人公司」的成本結構從「人對人」變成「一人對多AI」，再變成「AI 對AI」，管理學今天談的領導力、組織扁平化、KPI、激勵制度，全都得重新定義。再教未來管理者如何「激勵員工」，就像教打字員換色帶：技能還在，但戰場已不在那裡。未來的管理者，要學的是如何設計 AI 代理人之間的權責邊界、如何稽核一個你看不懂的決策、如何在多代理系統中找出「誰該為錯誤負責」。這是一套全新的、學術界還沒寫出來的管理學。

為下一個世代的管理者重新打牢基石

老實說，要去重構一個已經流傳近五十年、被無數論文反覆引用、被全世界MBA 課程奉為圭臬的理論基石，並不是一件輕鬆的工作。它意味著我們必須質疑自己過去所學、必須挑戰權威、必須接受一段時間內無法給出完整答案的不確定。
但我們相信一件事：當技術已經跑在前面，學術不能只是追著拍照。
如果今天不重新定義代理成本，明天的MBA 學生就會用過時的工具，去管理一個他們完全陌生的世界。AI 代理人帶來的不是效率革命，而是治理革命。它不會消滅管理學，但會逼著管理學變革。而這，正是我們研究團隊此刻在做的事：為下一個世代的管理者，把那塊已經鬆動的基石，一塊一塊，重新打牢。

「AI City」與「智慧城市」無疑是這兩年城市治理最熱門的關鍵字。不過，從民間企業到各級政府，AI 導入之路往往荊棘遍佈。無論是內部組織的適應陣痛、底層資料的雜亂無章，還是預算資源的相對匱乏，理想與現實之間總橫亙著一道道難以跨越的高牆。

然而，台灣的農業大縣——雲林，正在悄悄走出一條新路。

過去，鮮少有人會將「農業首都」與「創新科技」畫上等號。但這兩年間，這片土地上卻陸續出現令人眼睛一亮的專案成果。從創新的「社區 AI 知識系統」，到縣府官網全面上線的「多語言 AI 翻譯」，雲林縣將智慧科技的觸角深度延伸至農業、教育、產業、交通、公共建設與社會福利。不僅縮短城鄉數位落差，更大幅提升了整體城市治理的韌性。

讓 AI 成為城市治理的新幫手

在資源相對有限的條件下，雲林為何敢大步邁入 AI 領域？「我們一直在想，如何在資源不足的狀況下，打造城市的競爭優勢？而 AI 絕對是個機會。」雲林縣政府計畫處處長李明岳不諱言，當各單位還在遲疑、受困於傳統思維時，大膽探索 AI 領域、學習善用工具，才能累積更多實戰經驗，也是雲林「彎道超車」最快的方式。

傳統的城市治理想像，往往不脫「路平、燈亮、水溝通」的硬體迷思。但在這個基礎下，是否能透過 AI 解決城市治理的痛點呢？李明岳舉例，面對公部門新興業務暴增、基層人力不足的情況，地方政府可透過導入「AI 公文系統」、「知識庫智能檢索」與「法規檢索」等數位基礎建設，大幅降低新進人員摸索流程的心力，將基層公務員從繁瑣的文書泥淖中解放。另一方面在農業應用上，也能透過導入農作物生長模擬與氣候數據分析，協助返鄉青農在面對氣候與市場波動時，擁有精準的科學數據作為決策後盾，告別「靠天吃飯」的宿命。

跳脫傳統發包思考，而是選擇戰略合作夥伴

在多數組織的轉型經驗中，預算不足是最大的絆腳石，但在雲林縣，這項劣勢卻也意外促成了與民間企業的戰略合作。李明岳剖析，正因為沒有充裕的預算讓各局處各自尋找發包廠商，反而避過系統各自為政，最終導致資料格式不一，形成難以整合的「資料孤島」情形。

李明岳坦言，既然沒有讓各單位自己發包的本錢，雲林轉而尋求可信任、能長期協助同行的戰略夥伴。並以共同打造「Total Solution（全方位解決方案）」的宏觀願景尋求合作，跳脫僵化的「甲方開規格、乙方來投標」的傳統外包方式，與企業在共同的價值主張之下合作。過程中企業不僅是技術導入者，同時也提供宏觀的技術諮詢與戰略建議。

不做單點 AI 專案，更強調基礎打底工程

接下來，雲林並沒有急著推出五花八門的 AI 應用來美化政績，而是選擇深耕底層資料建設。首要就是釐清整體架構，其中涵蓋了跨局處資料的堆疊整合、中央與地方系統的對接，甚至包含在地學術研究資源的串聯。這些極度耗費心力的基礎工程，在李明岳眼中，正是落實「循證治理（Evidence-based governance）」的核心關鍵。

他坦言，目前仍是在打基礎的階段，光是跨局處的地理圖資整合，就足足耗費了三年之久。在這個圖資基礎上，未來還得持續疊加氣候變遷、社會脆弱度等多維度數據。他苦笑說：「實際投入後才發現，這件事情根本做不完，但它又極度重要。」

這些數據的堆疊並非紙上談兵，而是能直接應用於城市治理的痛點。例如在防災領域，縣府正致力於判斷各村里的「脆弱度」；去年雲林甚至透過黑客松活動，與高雄交流關於小學區「學習脆弱度」的評估模型。這些經驗也讓團隊深刻體悟到，資料才是一個城市治理最核心、也最艱辛的地方。

在公務體系內，跨部門的資料索取往往會遇到本位主義的關卡。「有時候就算找對了局處，只要找不對承辦人，資料還是接不進來。」李明岳點出實務上的困境。為了打破僵局，團隊必須不斷與各單位溝通，讓對方理解調閱資料的目的。再加上人才匱乏的現實，由於沒有「資料科學家」與「資料治理」專家的編制，縣府只能仰賴現有的資訊人員硬扛這項跨局處的龐大工程。李明岳表示，基層承辦人員的熱情與溝通協調能力，才是推動雲林智慧轉型最根本的驅動力。

跨越政黨輪替的限制，打造永續經營的治理大腦（AI Agent）

在台灣的政治現實下，地方政府推動長期數位轉型，還必須跨越政權交替的關卡。每當縣市首長更迭，經驗無法傳承、資料散佚，甚至一切「打掉重來」的窘境，幾乎是常態。

李明岳直指問題核心：「一個新首長與團隊上任，通常需要耗費三年才能完成磨合與熟悉業務。」這對城市的長治久安與資源運用，無疑是極大的消耗。為了解決這個痛點，雲林縣府試圖透過 AI 技術與資料統整，建立一套能協助縣府持續運作的「治理大腦（AI Agent）」，穿透政治首長的屆期限制。

雲林的 AI 導入並不追求宏大的政績工程，而是優先解決基層人員的實務痛點，例如智能法規檢索、一站式計畫採購管理系統。當公務人員習慣甚至深度依賴這套系統，它的存續便不再受政黨輪替左右。

這套系統的設計主要以公務員的日常需求為起點。李明岳強調，雲林的 AI 導入並不追求宏大的政績工程，而是優先解決基層人員的實務痛點，例如智能法規檢索、一站式計畫採購管理系統。當公務人員習慣甚至深度依賴這套系統，它的存續便不再受政黨輪替左右。

與此同時，這座治理大腦也肩負收攏「歷史知識」的重任。過去跨越不同執政團隊所累積的委託研究與成果報告，是縣府極為珍貴的知識寶庫，卻長期散落在各局處承辦人的電腦硬碟中。如今，雲林透過統一資料格式，系統性地追溯並整合這些檔案，讓治理經驗得以永久保存、持續傳遞。

「這種將資料與 AI 結合的基礎建設，目的在打造一個具延續性的施政模式。」李明岳強調。透過這座跨越屆期的 AI 大腦，過去四年、八年的施政策略與經驗得以完整交棒，讓新團隊免於漫長的磨合陣痛，也展現了跨越黨派、知識傳承的可貴價值。

更多雲林的 AI 治理實踐與第一線經驗，將於 5 月 27 日的 AI Café 活動中完整呈現，歡迎報名參與。報名連結

面對全球 AI 浪潮，台灣產業正處於轉型與升級的關鍵轉捩點，然而「人才短缺」卻是多數企業普遍面臨的嚴峻挑戰。為突破此困境，數位發展部於 5 月 19 日正式發布「AI 產業人才認定指引 3.0」，攜手人工智慧科技基金會（AIF）、Hahow 以及台灣人工智慧學校等生態系夥伴，協助建立人才策略與培訓指引。

本次指引主要新增「AI 治理素養」及「AI 協作與開發」能力，協助人才建立人工智慧應用風險的框架與意識與強化人才與 AI 工具協作及開發的實務能力。同時，也邀請 AIF 聯名開發公版教材，以提供產業及民眾系統性學習與運用。

數位發展部部長林宜敬表示，產業的發展應由民間自由競爭，而非政府主導，「政府的角色是創造適合AI人才產業發展的生態系。」這也說明了指引3.0的設計精神並不是規定企業該做什麼，而是為各方建立共通的參考基準與對話起點。

AIF執行長溫怡玲指出，根據AIF發布的《2026台灣產業AI化大調查》，人才問題長期是企業普遍面臨的困境。面對全球AI浪潮，台灣企業亟需具備人工智慧實力的人才，然而幾乎每一家企業都說「我們缺人才」，但在人才培育與資源投入上卻相對不足，「原因可能是很多人還不知道應該要怎麼做。」

正是為了回應這個根本性的困境，AIF推出以「產業AI化」為核心的教材體系，以軟體業者及AI工程生態系夥伴的實務經驗為基礎，提供其他產業與企業作為系統性參考依據。這套教材是AIF自2016年起持續累積，長期深耕產業教育與輔導，歷經十年淬煉的經驗結晶。

「它不是只有坐著上課，也不只是一套理論教材，而是一個協助建立人才策略、導入AI，並與企業營運策略相互串接的橋樑。」溫怡玲強調，這套教材內容涵蓋逾10小時、300多頁教案，並搭配教學手冊、個人能力評估工具，以及企業整體AI化能力診斷系統，是一套非常完整的產業AI教學方法。

產業實證，中小企業也能畫出自己的AI能力地圖

而這套方法論也已經在不同產業場景驗證，成效明確可見。溫怡玲提到，例如AIF與中衛發展中心在過去一年展開深度合作，由於中衛發展中心長期致力於輔導中小企業推動數位轉型與AI轉型，雙方人員全程共同運用這套教材進行能力評估、繪製企業現有能力地圖，在台灣最具代表性的中小企業群體中積累了完整的實務經驗。中衛發展中心後續也將持續針對不同產業的中小企業提供更具針對性的輔導，讓這套方法論能更廣泛地在產業中扎根落地。

面對瞬息萬變的高競爭時代，AI 門檻的降低為產業帶來了絕佳的轉型轉機。溫怡玲感性表示：「非常榮幸能在這個關鍵時刻，分享我們累積多年的教材與經驗，與大家一起參與這項台灣百年的人才基礎工程。」

技術不是真正產生價值的地方，應用才是

談及台灣的AI發展定位，溫怡玲提出了一個務實而清醒的觀點。她坦言，國外技術走在前面是不爭的事實，但一味追逐大廠技術並非台灣的正確路徑。「技術不是真正產生價值的地方，真正產生價值的地方在於應用。」這也正是此次各方齊聚一堂的核心意義，給產業一個方向感，讓不同產業、不同企業能從這個共同的觸發點出發，找到各自的需求與解方。

溫怡玲進一步分享，近年來不斷有非美、非中陣營的國家主動來台取經，探詢台灣如何將既有的「硬體優勢」結合「人才培育」，迅速轉化為 AI 時代的競爭力。她強調，台灣在推動 AI 產業化的道路上，不僅累積了豐厚的實戰經驗，更培養出不容小覷的底氣。

《AI產業人才賦能公版教材》下載連結

2025年中，行政院宣布以「AI新十大建設」作為實現智慧科技島願景的重要戰略，並明訂「主權AI」為數位基磐的核心方針。然而，政策藍圖與執行現實之間，往往橫亙著難以忽視的鴻溝。台灣儘管坐擁獨特的地緣政治條件，並掌握全球AI伺服器硬體供應鏈的關鍵優勢，政府部會在主權AI的實踐路上卻仍步步為營。當AI應用方案真正落地政府機關，現實的挑戰遠比想像中複雜。

人工智慧科技基金會（AIF）日前在TWIGF台灣網路治理論壇上，邀請政府實際建置主權AI系統之產官學界專家，聚焦主權AI的內部實戰，剖析公部門在建制AI解決方案時所遭遇的核心困境，以及實際探索之後的應對對策。

台灣發展主權AI的必要性

人工智慧科技基金會董事長詹婷怡表示，主權AI的討論核心，不僅在於國家對科技自主的掌握度，更涵蓋了資料、算力及AI基礎建設的自主權。實務上也做不到全面「一條龍」自主研發或閉門造車，而是在「部分自主、風險可控」的前提下進行策略性布局。

她進一步分析，面對潛在的數位斷網威脅、國安與機敏資料外洩等風險，加上 AI 產出的數據將深刻形塑未來的認知與文化，台灣必須爭取自身文化價值的話語權。因此，發展主權 AI 不僅具備可行性，更有其不得不做的迫切性。

法務部主任秘書余麗貞表示，目前市面上的生成式AI工具多以英文語料訓練，對台灣法律體系相對陌生，在資安與精準度上均有不足。由於司法代表國家主權，今年開始建立「法務主權 AI雲」主要是在捍衛司法主權，將法律文本的自主詮釋權掌握在台灣手中，其核心原則為「機敏資料絕不外流、偵查案情不出境」，並深度結合本土文化與檢察體系。

然而，建置實務上仍面臨重重關卡。余麗貞指出三大痛點：其一是預算與算力的落差，GPU設備價格高昂，加上公部門預算編列體制僵化，往往跟不上技術更新的速度；其二是資料清理與標注的人力耗損，國際模型對繁體中文的推理能力有限，同仁須投入大量人力進行法律文本的結構化標注；其三是效益量化的兩難，基層對AI存有過高期待，而生成式AI又難以用傳統指標加以衡量，驗收標準與驗證機制都必須重新建立。

台灣大數據的兩大痛點：本位主義與資料孤島

在資料整合層面，內政部統計處處長饒志堅指出，台灣推動大數據面臨兩大核心困境：一是各機關本位主義導致橫向整合困難，二是數據孤島現象造成資源重複浪費。

饒志堅解釋，即便透過行政命令解決了機關「不想做」的意願問題，實務上仍會碰上體制「無法做」的技術瓶頸。現行的「去識別化」機制過於僵化，使得多方資料的深度串聯形同不可能的任務。舉例而言，若想同時比對「特定身心障礙者在單親家庭中的實際收入狀況」，就必須串接內政部、衛福部與財政部三方資料。然而在現行框架下，各機關只能進行一對一的去識別化，頂多完成兩兩局部串接（A+B 或 B+C），始終無法拼湊出涵蓋三方的全貌（A+B+C）。這正是台灣大數據治理目前最難突破的實務盲點。
饒志堅也建議可引入合成資料（Synthetic Data）作為替代方案，在確保隱私的前提下，保留真實數據的統計規律與樣態。目前，內政部正積極推動未來五年的AI自動化轉型藍圖，全面導入AI進行資料抓取、圖表分析與智能決策輔助，並期盼能盡快建立國家級的數據中心。

AI評測不能流於表面，必須回歸真實任務

除制度面外，蔡宗翰也對國內AI模型的評測方式提出批評。他指出，目前坊間常見的評測，多是以「高中教科書」題目測試AI，無法反映真實能力。

他提醒，大語言模型（LLM）的真實評測，必須讓AI執行真實任務。以法務部建置的AI為例，就應實際測試其「撰寫判決書」的能力，並與人類法律專家的判斷進行比對驗證。好比要打造一台新車，絕不會只在實驗室量引擎轉速就宣稱評測合格，必須讓車子貼滿偽裝膠帶，實地在台灣街道上山下海跑過幾萬公里，才能取得真實的環境數據上市。AI模型的評測也應如此，不能流於紙上談兵。

蔡宗翰期盼，未來能結合產學界力量，在相關組織的協力下，為台灣主權AI建立一套真正可行、可靠的實戰評測標準。在此基礎之上，才有辦法確保公部門主權AI雲的可信與可靠。

我們正經歷一場橫跨過去、立足現在、奔向未來的劇烈轉型。儘管各產業的規模與業態大相徑庭，關切的痛點亦有所不同，但共通的現實是：AI 的未來不再由單一企業壟斷，也非單靠學術殿堂的人才培育就能破解所有未知。

「2026 年臺灣產業 AI 化大調查」發布會特別廣邀產官學界人士，以跨界對話的形式，共同凝聚對當前問題的認識與共識。

AI 不只是 IT 的事

AI 時代最常見的企業落差，來自於許多管理階層在面對 AI 時，仍沿用過去導入傳統 IT 系統的舊思維來評估新工具。最常見的誤區，是以「準確率」作為唯一驗收標準，但在缺乏客觀定義的情況下，驗收往往流於形式，導致專案看似順利結案，實際上線後卻乏人問津。這也引出了另一個值得深思的議題：面對 AI，企業究竟該建立哪些評斷標準？

對此，高通行銷資深總監江昆霖指出，現代企業的 AI 專案與過去的數位轉型相同，都高度仰賴「流程再造」與「組織再造」，企業必須先打好數位化與數據基礎，才有機會進一步發展 AI。過去傳統 IT 思維是「邏輯導向」，系統完全依循既定的代碼死板執行。然而，生成式 AI 卻打破了這項規則，其內部的「黑盒子」運作邏輯，往往連開發者都無法完全預測。

若企業內部缺乏專業人員進行持續的推動與優化，就無法確保 AI 大模型穩定、正確地輸出，起伏不定的表現甚至會誤導同仁，造成運作混亂。這也是近年「提示詞工程」（Prompt Engineering）應運而生的主因。

江昆霖強調，要發揮 AI 的最大效果，關鍵不在於技術本身，而在於「人才素養的普及」。此外，企業絕不能抱持 AI 產生的結果，就由引進系統者負責的消極心態。

目前業界常見的治理做法是，在要求 AI 生成解決方案的同時，也命令其同步產出詳盡的測試計畫（Test Plan）來反向檢驗。企業內部必須有明確的人員被授權、被課予責任，針對 AI 的輸入與輸出進行實質短控。唯有建立起清晰的當責機制，AI 才能在安全的軌道上為企業創造價值。

AI 時代，硬體、軟體與人無法切割

在 AI 時代，硬體、軟體與「人」是無法被切割開來的。AXON 勤工執行長林少顗從自身導入 AI 的經驗分享，指出 AI 轉型的關鍵，終究必須回歸到「服務人」與「解決人類問題」的核心需求。

林少顗認為，AI 導入的核心目的，應該是為了解決同仁在工作上覺得不方便、繁瑣或痛苦的地方。舉例來說，過去同仁為了訂定年度目標，必須花費高昂的時間與資金去研讀大量零碎、甚至過期的報告；如今透過 AI 針對公司需求自動梳理雜亂資料，當同仁真切感受到工作痛點被實質解決，對新工具的使用意願自然會大幅提升。

而在實踐的做法上，企業則需要採取漸進式策略，將大問題切成小部分執行。轉型不能太過貪心，若總想著要一次到位解決所有問題，反而容易在現實中遇到挫折、甚至引起同仁抗拒。AXON 勤工採取的方法是先培訓出幾個「種子同仁」，讓他們學著將複雜的流程切開，一個個小步解決眼前的具體問題。當大家看到實質成效、發現「這工具真的能解決問題」時，抗拒心便會瓦解，進而帶動整體組織轉向。

AI 無法一次解決所有問題，ROI也不是唯一解答

面對 AI 浪潮，許多企業常陷入數字迷思，急著追問同仁的 AI 能力與效率提升，到底該怎麼對應到實際的 ROI（投資報酬率）？對此，林少顗坦言，AI 對於 ROI 的直接拉動，現階段確實很難用單一數字量化，但這並不代表企業是在「賠錢做」。

林少顗強調，企業看待 AI 的投資，不該抱持「投入一塊錢，產出就要立刻增加一塊錢」的傳統 IT 心態，而是應該用「直化」的方式去評估。企業需要從根本重新架構組織流程，並觀察 AI 帶來的實質改變，例如：同仁有沒有因為 AI 改善了繁瑣的工作流程？跨部門的流程重構有沒有往好的方向發展？與客戶的溝通是不是變得更簡單、更精準？

林少顗認為，目前企業大多仍在摸索，只要願意多往前一步、多嘗試幾天，就可能比別人更早找到出路。重點在於，是否透過 AI 看到以前看不到的事情、找出以前沒發現的錯誤、並發現以前沒想過的可能性。

AI 正在打破科系與部門壁壘

在 AI 時代，未來人才最重要的特質，是必須具備「跨語言、跨領域的視野」，並學會整合各方資源。例如，AXON 勤工內部主導 AI 技術的同仁是森林系畢業的；國立政治大學傳播學院副教授陳宜秀也提到，自己有新聞系畢業的學生，如今在科技公司擔任 AI 工程師。

這些案例反映出，不同科系的人才正持續跨界流動。在國外，這種趨勢早已十分普遍。大學就讀什麼科系，既不代表畢業後只能從事該行業，更不妨礙跨入科技業或其他產業的可能。

陳宜秀認為，AI 時代真正困難的挑戰，絕不是照著既有套路解題，因為每個行業、每家公司都有其獨特的痛點。未來需要培養的人才，是當他面對產業獨有的問題時，有能力將其「轉化」為 AI 可以協助處理的形式。她強調，無論是大學教育還是產業轉型，我們都不曾失敗，最重要的是保持好奇心，勇於探索、勇於創造屬於「人」的新價值。

隨著 2026 年產業 AI 化調查的發布，臺灣企業正集體邁入一個不再回望過去、而是向未來五十年索取價值的關鍵時刻。正如與會專家所言，這場轉型不只是為了技術領先，更是為了為下一代留存更具意義的社會價值。