解讀三種AI分析框架，找尋台灣產業定位（下）

溫怡玲 -

用《日經》的四層架構來檢視，台灣的位置很清楚也很侷限。台積電在最底層的半導體環節扮演關鍵角色，但往上看，不管在雲端服務、基礎模型、應用方案，幾乎看不到台灣企業的名字。全球雲端市場由美中企業主導，基礎模型的參賽者名單上沒有台灣，應用層也尚未出現具國際影響力的平台型產品。

日經的框架呈現了一個必須面對的現實：台灣在AI產業生態系中很重要，但目前的重要性高度集中在單一環節。這也跟國際間的AI國力評比結果類似：當產業的價值重心持續往上層移動時，只守住底層必然有其風險存在。

如果說《日經》的分析指出台灣AI發展的瓶頸，那麼黃仁勳的五層蛋糕則點出台灣發展AI實際的限制：能源。黃仁勳的五層蛋糕分析之所以把「能源」從半導體中獨立出來，正是因為電力是AI基礎設施擴張難以跨越的限制，這個限制在台灣目前大環境的脈絡下很顯尖銳。

台灣的電力系統本就面臨供需緊張的挑戰，半導體用電量不容覷，而大規模AI資料中心的用電需求將進一步加劇壓力。資料中心選址、電力配比、再生能源配套，都已成為各方角力的議題。在台灣最有優勢的硬體領域，能源也可能成為發展的天花板。所以台灣不得不考慮的重點在於，AI全球賽局重點不只在晶片設計，更在能源政策。

從另一種框架 看見發展機會

如果只看前兩種框架，台灣的處境似乎相當被動。但梁伯嵩的七層模型打開了不同的視角。

代理架構與多代理協調，目前全球競爭格局相對開放，還沒有被少數巨頭壟斷。而且需要的核心能力不是訓練更大的模型，而是對特定產業場域的深度理解：什麼業務流程適合用AI Agent處理、多個Agent如何分工、什麼情境需要人類介入。

更值得注意的是，台灣還有一個獨特的可能切入角度。從硬體出發，透過硬軟體協同設計，將晶片設計的基礎與產業 AI 落地經驗串接起來，而台灣在硬體供應鏈累積數十年的複雜系統整合能力，可能正是實現串接的關鍵條件。根據《產業 AI 化大調查》，2025年時台灣已有三成企業已進入AI實作階段，這些企業正在累積「把 AI 接上真實業務」的場域知識，而這種知識恰恰是中間層競爭所需要的能力基礎。

梁伯嵩的框架指出了一條不需要跟全球巨頭正面對撞的路徑。但也必須誠實面對：從「有能力製造硬體」到「理解 AI 如何在真實場域運作」之間，仍然存在不小的認知與能力落差，這不是短期內可以跨越的。方向值得探索，但路途比想像中遠。

從分析到行動：政策與企業的下一步

而在這段探索的路程中，政府和企業需要做什麼呢？

首先，建議政府將代理與協調層納入國家 AI 戰略的視野。台灣目前的 AI 政策大量聚焦在兩端，也就是底層的算力基礎設施和上層的產業AI化，但對代理架構、多代理協調這些讓AI真正運作起來的系統層，關注相對不足，而這恰恰是全球AI賽局中台灣有發展、也有優勢的空間。建議將Agentic AI的系統整合能力列為重點培育方向，及早建立技術社群與人才管道。

其次，思考建立屬於台灣自己的AI產業發展願景以及框架。不是為了競爭話語權，而是拿回定義未來發展的能力。過去幾年台灣一直在大算力、大模型、大數據集的賽局中競逐，也從硬體建置的需求中獲利。但下一步必須有更完整的AI政策目標，據以從台灣自身的產業條件出發，重新思考整體產業結構，也許能夠看到更獨特的發展利基。

這三種框架也可以轉化為企業的策略自我檢視工具，其中關鍵的問題是：代理與協調層有沒有機會？用梁伯嵩的框架來檢視，企業目前的領域知識能否在這個範疇中，創造出獨特價值？對擁有豐富產業知識的台灣企業來說，這或許是可以避開AI天文數字投資的差異化路徑。

但在探索這個機會之前得先確認：企業目前在AI價值鏈的定位是否清楚？資料治理、跨系統整合等基礎條件是否已準備好？

生成式AI的出現帶起產業轉型大浪，台灣政府和產業也在過去二、三年間投入為數可觀的資源，比對三種不同的分析框架，正好提供了一個重新思考的機會：過去我們習慣用來理解 AI 產業的那些框架，並不是中立的地圖或標準答案，更不是台灣未來發展的侷限。

看清這一點之後，台灣才有可能從「在別人的框架裡找位置」，走向「為自己畫一張更準確的地圖」。

資料來源：