Archives

YC 創業學校首度來台，點名 AI 還做不好的事：晶片驗證、硬體設計藏哪些新創機會？

當 AI 讓兩三人的團隊也有機會挑戰大型企業，下一批值得投入的創業機會在哪裡？全球知名新創加速器 Y Combinator（YC）今（12 日）首度在台灣舉辦 Startup School（創業學校）。YC 合夥人提及，除了觀察市場需求，創業者也可以深入研究 AI 模型仍不擅長解決的問題，例如硬體設計、晶片驗證等領域。 YC 普通合夥人 Jon Xu 在開場時便點出選擇台灣的原因。他表示，全球 AI 熱潮高度仰賴硬體，而晶片、伺服器與筆電等設備，有很大一部分由台灣設計、製造。他也向現場工程師提出一個問題：既然台灣已經花費數十年打造支撐全球科技發展的硬體，接下來能否有更多人創辦建立在這些技術之上的公司？ AI 降低創業門檻，兩三人的團隊也能挑戰大型企業 在活動壓軸座談中，YC 合夥人 Ankit Gupta 指出，AI 正在改變新創與大型企業之間的競爭條件。過去，新創團隊往往擔心缺乏大型企業擁有的資金、人力與技術資源，但如今情況可能反過來。Ankit Gupta 認為，擁有數千名員工的大型企業，很難為了充分發揮 AI 模型的能力，徹底改變既有營運與決策流程；有些企業雖然為員工提供 ChatGPT 帳號，卻未必真正重新設計工作方式。 相較之下，兩三名熟悉 AI 工具的技術人員，如今就可能快速開發出過去需要更長時間才能完成的複雜產品。他認為，部分大型企業執行長現在擔心的競爭者，未必是另一家大型公司，而是能以全新方式解決問題的小型技術團隊。 這樣的改變，也可能重塑新創的商業模式。Ankit Gupta 以自己過去投入 AI 藥物研發的經驗說明，與其開發軟體、試圖說服大型製藥公司改變既有研發流程，新創也可以直接利用 AI 開發產品。他認為，AI 正在讓創業者有機會跳過部分傳統軟體銷售模式，直接進入既有產業競爭。 AI 還做不好的事情，為何可能是下一批創業機會？ 當 AI 工具越來越普及，創業者該如何建立競爭優勢？Jon Xu 在座談中提出另一種尋找創業題目的方法：除了觀察市場需求，也可以研究目前 AI 模型還不擅長完成哪些工作。 他特別提到，現階段模型在硬體設計（Hardware Design）、晶片驗證（Chip Verification）等基礎技術任務上仍有不足。對熟悉這些領域的工程師而言，這些限制可能就是值得探索的創業機會。 […]

資料留在境內就有數位主權？IBM 調查：44% 受訪者曾遇 AI 相關主權挑戰

把資料存放在國內，就等於握有數位主權嗎？《Forbes》指出，數位主權是指對關鍵技術保有控制，並在情況改變時仍能維持控制；把資料留在國境內，只解決一部分問題。IBM 於美國時間 11/11 發布的數位主權指數，正是在衡量企業是否擁有獨立掌控其資料、軟體、技術與決策流程的能力。 結果顯示，平均有 82% 的受訪主管非常或極度有信心，能提出主權控制的證據；但 IBM 依企業自述的控制證據評估後，只有 26% 的企業達到指數最高層級。前者是主管對自身能力的信心，後者是指數的評估結果，IBM 把兩者之間的差距稱為「過度自信落差」（overconfidence gap）。當 AWS、微軟、Google 競相推出主權雲方案，企業該怎麼分辨哪些「控制」真的拿得到手？ 證據卡在哪裡？逾半受訪者受困於人工蒐證與第三方紀錄 這份指數調查美、英、德、法、沙烏地阿拉伯、印度、日本 7 國大型企業的 2,003 位高階決策者，另訪談 25 位政策制定者與監管官員等，從 AI、技術、營運、資料四大支柱評估企業的控制證據，面向包括能否證明誰負責、說明事件經過，以及必要時能否更換供應商。最高的「領先數位主權」（Leading Digital Sovereignty）層級代表證據更全面、整合度更高，其下還有「建立中」（establishing）等層級。 需要拿出證據的場合並不少見：94% 的受訪企業過去 3 年至少遇過一次主權挑戰，其中 81% 必須向監管機關、客戶或稽核人員等提出正式證據。對於企業愈來愈深的技術依賴，IBM 副董事長 Gary Cohn 接受《Forbes》專訪時直言：「董事會不再有選擇。他們要負責監督組織內的所有風險。」 證據為什麼拿不出來？IBM 列出的障礙中，比例最高的是人工或耗時的蒐證（56%）；證據分散在不同團隊與系統、紀錄依賴第三方、老舊系統或標準不一致，則各占 53%；另有 50% 表示控制、復原或退出安排未經測試。實際演練也不多，只有 33% 的受訪者會持續或定期測試自己證明主權的能力，領先企業則有 63%。IBM 資深副總裁暨全球事務長 Jonathan Adashek 對《Forbes》表示：「如果證明控制權所需的證據完全掌握在別人手上，你就不能真正宣稱擁有控制權。」他認為供應商應提供客戶驗證控制所需的可見性與證據。 IBM 也指出，領先層級企業化解最棘手的主權挑戰、且未造成重大中斷的比例是 52%，建立中的企業只有 22%；根據《Forbes》，整體受訪企業中則只有 30% 做到。不過《Forbes》提醒，IBM 的分數依據受訪者對自身安排的描述，而非獨立稽核；什麼算「重大中斷」也由受訪者自行認定，這組對比並沒有證明因果關係。 […]

AI 代理的「護照」誰來發？Linux 基金會納入 ANS，但驗證過不等於可信

當 AI 代理開始跨系統交易與執行任務，另一端要怎麼確認它代表誰？Linux 基金會（Linux Foundation）美國時間 11/10 在 KubeCon + CloudNativeCon 北美場宣布，代理名稱服務（Agent Name Service，ANS）正式成為旗下專案。ANS 是建立在網域名稱系統（DNS）之上的開放標準，為 AI 代理提供可信身分、驗證與發現機制；根據 Linux 基金會，自 6 月宣布擬推動以來，已有 Cisco、Cloudflare、DigiCert、GoDaddy、Salesforce 等 11 個組織參與貢獻或採用。 Cloudflare 技術長 Dane Knecht 在新聞稿中表示，近期涉及 AI 代理、備受矚目的資安事件再次凸顯，組織在信任代理採取行動之前，得先知道它代表誰。不過，ANS 並不是唯一的方案，支持者中也有不少網域、憑證與 DNS 業者。代理的身分該由誰核發、怎麼驗證，又有哪些風險是身分標準擋不住的？ 從擬推到規格成形，ANS 怎麼用兩張憑證與公開日誌確認代理身分？ ANS 並非從零開始。根據《The New Stack》，ANS 源自 OWASP 生成式 AI 資安專案（OWASP GenAI Security Project）2025 年 5 月發表的研究論文，作者包括資安顧問公司 DistributedApps.ai 執行長 Ken Huang […]

Google 的決策模型來了：Gemini Decision 1 一次評估千項問題，與 Jev 有何不同？

繼 Jev 引發決策模型熱潮後，Google 也加入競爭。Google DeepMind 於 11/11 推出 Gemini Decision 1，以及專門處理分類、評分與選項判斷的 Gemini Decisions API。新模型不以生成文字為主要任務，而是直接針對預設選項進行評分，單次 API 呼叫最多可評估 1,000 項問題，並支援圖片、影音與 PDF 等多模態資料。 今年 9 月，TypeSafe 推出 Jev，讓「決策模型」（Decision Model）受到關注。《科技報橘》先前也曾報導，OpenAI、AWS 與 Cloudflare 陸續投入相關技術，試圖將 AI Agent 的工具選擇、任務分派等工作，從大型語言模型中拆分出來。如今 Google 加入戰局，帶來哪些不同能力？ 一次評估千項問題！決策模型延伸至多模態資料 根據 Google 官方公告，Gemini Decision 1 支援三種判斷方式，包括是非題、多選一，以及依照預設標準評分。模型不必像一般大型語言模型逐字生成回答，而是直接計算候選答案的機率，並回傳信心分數，供系統決定下一步行動。 與一般逐次呼叫模型的方式不同，Gemini Decision 1 可以針對同一份輸入資料，一次執行最多 1,000 項獨立判斷，不必為每個問題重新傳送完整資料。對需要同時檢查大量條件的企業而言，這種設計有助於減少重複輸入成本。 例如保險公司收到理賠申請，可以將申請文件、事故照片及客戶通話錄音一起交給模型，判斷資料是否齊全、案件應分派到哪個部門，以及是否需要人工複核。不過，這裡的 1,000 項問題是各自獨立的判斷，而非連續完成 1,000 步相互依賴的推理。 《VentureBeat》也舉例，假設企業有一份 4,000 tokens […]

「資料引力」讓 AI 試點成功、擴大卻失敗，企業如何避免承擔 AI 隱形稅？

「資料引力」讓 AI 專案從成功變失敗！資料架構與治理如何避免企業承擔 AI 隱形稅？

過去幾年來，許多大型企業都投入資源，發展 AI 基礎設施、軟體，還有其他相關建設，然而，即便財務部門同意計畫，採購部門也開始動作，但卻鮮少有企業理解未來該如何管理這些 AI 系統背後所涉及的資料。 在資料無法妥善得到管理的情況下，它將會悄無聲息、日積月累的拖慢公司業務表現，並且以預期之外的人力成本增加、專案進度延誤等形式表現出來。 根據麻省理工學院（MIT）於 2025 年發表的一份報告，高達 95% 的企業生成式 AI 試點計畫，對於營收幾乎或根本沒有可量化的影響。該報告表明，模型品質並不是企業面臨的主要問題，而是企業將 AI 整合到營運流程的方式存在缺口。 換句話說，即便企業的 AI 試點計畫成功了，也無法證明當同一套 AI 系統套用整個組織的運作環境時，獲得同樣順利的表現。 企業 AI 的隱形稅，來自搬不動的資料 科技巨頭戴爾（Dell）技術長辦公室基礎架構解決方案 VP Gaurav Chawla，近日於專欄文章中提出「企業 AI 隱形稅」的概念，說明企業 AI 專案之所以從「試點成功」變成「營運失敗」，其過程容易遭到領導者忽略的困境與難關。 Gaurav Chawla 首先指出，大多數企業在導入全新 AI 平台之後，就會誤認為僅需要將資料匯集到一處，其上方的智慧層就能自然運作。Gaurav Chawla 說，這雖然是個合理的假設，可是在企業級規模下，想實現幾乎是不可能。 理由在於企業資料具有引力，也就是所謂的「資料引力（Data Gravity）」，例如法規規定某些資料只能存放在特定位置，資料主權規則也要求資料只能儲存於指定區域，無法隨意流動與遷移；過去花費數十年時間針對某個資料集建立治理架構的業務單位，也幾乎沒有動機將資料移動到新的平台，有時甚至沒有合法、合規的途徑允許部門這麼做。 資料引力最重要的影響，就是當有人試圖將資料，以及圍繞資料所建構的應用程式分離時，這些應用程式將可能會因此發生嚴重且代價高昂的故障。 Gaurav Chawla 指出，資料引力所帶來的影響，通常隱藏在企業 AI 專案的概念驗證與試點計畫之中，因為這些項目通常只會在經過預先清理的小部分資料上運作，而企業真正需要負擔的成本，將會於 AI 專案應用到大部分雜亂無章的真實環境資料後才浮現。 廣義上資料引力概念的本質為「資料集越大，企業移動的成本就越高」，其中傳輸費用僅是一部分，資料交由 AI 處理後所產生的延遲、頻寬、安全控制及營運開銷，全都會再進一步推高整體成本，所謂的「企業 AI 隱形稅」正是由此而來。 隱形稅不只一筆帳，還會層層壓在團隊身上 Gaurav […]

「如何讓燒掉的 Token 轉化為企業競爭力？」大世科、HPE、和碩解析製造業 AI 規模化關鍵

TechOrange 科技報橘攜手大同世界科技（簡稱大世科）與 HPE 慧與科技舉辦「AI 算力戰略高階主管午宴」，邀集產學專家探討製造業如何將 AI 算力投資轉化為可規模化的 AI 效益。科技報橘社長戴季全在致詞中分享近期半導體產業現況，「當製造業持續擴產，人才供給卻跟不上腳步，如何透過 AI 與自動化支撐產能成長，已成為企業迫切需要解決的課題。」 「AI 算力只是基礎，還需要完善的流程、知識庫與組織配合，」大同世界科技總經理劉盈秀以馬拉松為喻，好的跑鞋不保證能順利抵達終點，配速、補給與賽前準備同樣重要。大世科攜手 AMD、NVIDIA、HPE 等合作夥伴扮演企業 AI 轉型的「陪跑員」，協助客戶將技術投入轉化為實際成果。 除了組織與流程，算力部署也是 AI 規模化不可迴避的挑戰。「AI 是吃電的怪獸，」HPE 製造暨電信事業處副總經理朱俊豪指出，高密度 AI 運算帶來龐大的電力與散熱需求，許多企業必須升級甚至重建既有機房。隨著 Token 計費與 AI Agent 應用興起，資源管理與資安也成為重要課題。 面對 AI 技術快速演進，企業該如何決定投資優先順序？國立臺灣大學電機工程學系名譽教授、前科技部長陳良基指出，企業應從客戶需求與投資報酬率（ROI）出發，先釐清希望創造什麼能力，再反向規劃所需資源。他分析，AI 發展仰賴「算力、演算法、數據」三大要素，其中算力與演算法迭代快速，真正掌握在企業手中、最能形成競爭優勢的是數據。他建議企業優先培養員工運用 AI 的能力、完善數據治理，再依實際需求評估算力投資，並選擇能整合技術與應用的合作夥伴，讓 AI 投資真正轉化為營收與競爭力。 讓 AI 投資轉化為可衡量的營運效益 「同仁使用 AI 工具很開心，但企業更在意的是，如何讓燒掉的 Token 轉化為企業競爭力？」劉盈秀指出，AI 時代的企業競爭力來自人才、資料與算力的相互配合：人才驅動創新與改變，資料轉化為經營洞察，算力則支撐企業運用 AI 的能力。她進一步指出，當企業從早期試用走向規模化推論，若全數依賴公有雲，將面臨沉重的費用負擔與機密外流風險，因此如何兼顧雲端彈性、在地端建置安全可控的算力，成為提升「算力轉化率」的關鍵。 企業若要自建算力，往往面臨電力、散熱、樓地板承重及機房改建耗時等挑戰。大世科整合大同集團的重電與能源技術，推出模組化 AI CDC（Container Data Center）貨櫃機房，將運算設備、供電與散熱系統預先組裝完成，運抵現場後即可安裝，最快只需三週便能完成部署，大幅縮短傳統機房動輒數月的建置時程，並可依需求彈性擴充算力。 「我們鼓勵員工將日常重複、規則明確的工作轉化為專屬 AI […]

【科技早餐】台積電核准 1.34 兆元資本預算！擬投 OpenAI、Anthropic 最高 10 億美元

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊台積電核准 1.34 兆元資本預算，擬投資 OpenAI、Anthropic 最高 10 億美元 台積電（TSMC）11 月 10 日董事會核准約 409.27 億美元、折合新台幣 1.34 兆元的資本預算，涵蓋先進製程、先進封裝、成熟與特殊製程產能升級、建廠及 2027 年研發等項目。同時，董事會通過分別以最高 5 億美元認購 Anthropic 普通股、OpenAI 特別股，合計額度最高 10 億美元；另核准最高 5 億美元設立半導體生態系策略投資公司。這些都是核准額度，尚不等於已實際支出或完成認購。 台積電預期，2026 至 2028 年資本支出將較前 3 年顯著增加，凸顯 AI 算力需求持續推動高階製程與封裝同步擴張。從替 AI 晶片供應商製造晶片，到規劃直接持有 AI 模型開發商股權，台積電正延伸對 AI 產業成長的參與方式。不過，這次董事會核准的長期資本預算，不能直接視為 2026 年新增支出，也不能據此認定兩項股權投資已交割。 ＊軟銀單季虧損 1.1 兆日圓，AI 資料中心設備採購損失達 37 億美元 日本軟銀集團（SoftBank Group）11 月 10 […]

AI 預算還要加碼，投資報酬卻說不清：38% 受訪者曾因超支延後、縮減或取消專案

企業 AI 專案推不動，最常被點名的原因是成本，而不是算力。VentureBeat 的 VB Pulse 系列調查在 10 月訪問 156 位任職或服務於百人以上組織的 AI 從業者與顧問，38% 表示過去 12 個月，所屬組織曾因成本超出預期，延後、縮減或取消原定的 AI 專案；指稱運算容量不足的只有 12%。 儘管成本超支，79% 受訪者仍預期所屬組織未來一年的 AI 預算會增加；但只有 26% 表示，組織會用能向財務團隊交代的財務報酬，來判斷 AI 支出值不值得。這份 VB Pulse 報告總結，這些數據顯示 AI 支出成長的速度，快過組織衡量其報酬與使用狀況的能力。在預算加碼之前，企業該怎麼把 AI 帳單算清楚？ 成本是 AI 專案的主煞車，近 6 成 GPU 營運者平均使用率在 50% 或以下 詢問專案延後、縮減或取消原因的這一題可以複選，共有 55% 受訪者至少勾選一項原因，成本與算力只是其中兩個選項；兩者相比，勾選成本的受訪者是算力不足的 3 倍以上。報告也直言，AI 專案的主要煞車是成本，算力供給遠居其次。 已經到手的算力，也未必能用完。在營運 GPU 或其他加速器的 128 位受訪者中，57% 表示平均使用率在 […]

靠 AI 開拓新生意：全美最大婚紗商 David’s Bridal 如何從賣婚紗轉型婚禮平台？

全美最大婚紗零售商 David’s Bridal 正利用 AI 重新定義婚禮產業的零售模式。這家擁有 76 年歷史的企業，過去主要仰賴婚紗銷售，如今將業務延伸至整個婚禮籌備流程，透過 AI 工具協助新人規劃婚禮、尋找服務廠商，並建立連結新人與婚禮產業業者的雙向平台。 David’s Bridal 執行長 Kelly Cook 將這項策略稱為「Aisle to Algorithm」，目標是在減少對傳統實體商品銷售依賴的同時，拓展更具彈性的輕資產（asset-light）商業模式。 雙向 AI 平台串聯新人與婚禮服務業者 David’s Bridal 的 AI 布局主要由兩項工具構成：面向新人的 Pearl Planner，以及服務婚禮廠商的 Pearl Connect。前者協助新人規劃婚禮，後者則讓攝影師、花藝師、美甲沙龍及活動規劃業者等服務供應商，更有效地接觸有需求的客戶。 總裁暨商務長 Elina Vilk 指出，公司過去 75 年的主要客群一直是新娘，如今婚禮生態系中的企業也成為服務對象。透過 AI 平台，廠商可以取得更適切的客戶資訊與推薦，進一步了解新人的需求，讓服務與消費者的實際偏好更加吻合。 這套模式的關鍵，在於 David’s Bridal 已經累積大量第一手顧客數據。新人預約門市試穿、在官方網站購物，或使用公司的數位服務時，都會留下與婚禮需求相關的資訊。相較於僅依賴一般模型生成內容的 AI 工具，David’s Bridal 認為自家優勢在於能運用這些顧客互動資料，協助新人找到符合需求的廠商，也讓服務業者有機會在消費者準備採購時建立連結。 以知識圖譜為核心，讓 AI 參與婚禮籌備流程 為了支援 Pearl Planner，David’s Bridal 自行建置代理人式 AI（Agentic […]

Google Gemini Robotics 2.5 進賓士產線：人形機器人自主揀料，概念驗證成功率 96%

Google DeepMind 在 11/10 發表機器人 AI 模型 Gemini Robotics 2.5，同時公布一項在賓士（Mercedes-Benz）汽車產線進行的概念驗證：美國德州機器人公司 Apptronik 的人形機器人 Apollo 2，自主完成零件的配料、分揀，DeepMind 稱成功率達 96%。對照《Reuters》去年 3 月的報導，當時賓士工廠裡的少數幾台 Apollo，還是透過遠端操作（teleoperation）訓練特定任務，也就是由人遠端操控、讓機器人從中學習，目標是日後能自主重複這些任務。 DeepMind 在官方部落格中寫道，這項試驗顯示朝廣泛的實際工業應用有了可期的進展。不過，這仍是一項概念驗證，DeepMind 並未公布 96% 是在多少次試驗中取得、如何判定成功。對評估導入人形機器人的製造業而言，除了成功率，還該看清楚哪些條件？ 伸手進料箱、依車序排進托盤：Apollo 2 在賓士兩座工廠進行物流作業 這項試驗在賓士兩座工廠運作中的汽車產線上進行，分別位於匈牙利凱奇凱梅特（Kecskemét）與德國辛德芬根（Sindelfingen）。Apollo 2 負責的是配料（kitting）：把個別零件從散裝料箱揀出，依產線上每輛車所需的確切順序，放進整理好的托盤。DeepMind 形容這是重複、耗體力的工作，交給機器人之後，技師就能專心處理複雜的組裝作業。 實際作業時，機器人要伸手進供料箱、拿起金屬汽車支架，再放進排序容器，過程中發現漏放的空位，也要補上。96% 的成功率，就是 DeepMind 對這項作業給出的成績。至於機器人如何同時掌握流程與動作，則是交由兩個模型分工處理。 這也不是 Apollo 第一次進賓士工廠。根據《Reuters》同一篇報導，賓士當時入股 Apptronik，投資金額在千萬歐元等級的低段，並在柏林馬林菲爾德（Marienfelde）的數位工廠園區與凱奇凱梅特試用 Apollo，任務包括把零件運到產線、執行品質檢查等。賓士生產長 Joerg Burzer 當時表示，計畫把機器人帶到其他據點，他也說：「我希望我們能在面臨缺工的領域找到應用，但當然是先從重複性工作開始，再到危險工作。」 須留意的是，這個案例牽涉多方投資關係。據 Apptronik 的官方新聞稿，Google 與賓士都是 Apptronik 的既有投資人；Apptronik 也與 Google DeepMind 有策略合作，以 Gemini Robotics […]

【別只看 token 單價】從支出追到成果，看懂 AI 代理人的經濟效益將成為管理優勢

企業每個月都收得到 AI 模型的帳單，卻未必說得出這筆錢換來了什麼。隨著 AI 代理人在企業內負責研究、分析、開發與溝通，逐漸成為日常工作的一部分，它們的運作也開始影響團隊如何分配時間、資源與注意力。 在這樣的情況下，討論 AI 成本時，支出只是起點；更值得追問的是，這筆支出讓代理人完成了什麼，它原本想達成什麼目標，以及成果是否值得投入的資源。 帳單只說明花了多少，無法說明換來什麼 多數企業已經能掌握模型帳單、token 消耗與整體使用量。token 是大型語言模型處理資料的單位，依模型不同，可能是一個字元、部分單字、整個單字或標點符號，許多服務也以 token 數計算費用。這些數字回答了重要的會計問題，卻還無法說明企業從這筆支出中得到什麼成果。 問題在於，代理人的成本本來就難以預測。IBM 指出，代理人每次執行消耗的運算資源並不固定，會隨任務複雜度、需要處理的資訊量，以及採取的動作數量而變動，每多一個步驟，都可能讓總成本增加。 因此，同樣是一筆較高的帳單，可能代表代理人完成了一份原本需要團隊花好幾天的複雜分析；也可能代表任務不斷重複執行、選用了不必要的昂貴模型，或是呼叫了工具卻沒有讓工作往前推進。光看數字，經營者無法分辨是哪一種。 這也是為什麼「工作」是衡量 AI 成本最實用的單位之一。以工作為單位，經營者就能追問代理人想完成什麼、用了哪些資源、如何處理任務，以及最後產生什麼結果。IBM 也建議，以每項任務的成本與步驟數衡量效率，會比單看每個 token 的價格更清楚。這對規模化尤其重要，一個在單一流程中成本很低的低效步驟，重複數千次後，就可能變成可觀的開支。 成本由代理人的行為決定 在這個架構下，模型只是成本的其中一部分。代理人的工作成本，取決於它的行為，包括它所做的決策、使用的工具與資訊、需要重試的次數，以及過程中的人工介入。這些因素之所以重要，是因為它們能解釋這項工作的經濟效益。 IBM 進一步拆解代理人完成任務時可能產生的成本指出，除了模型使用，還包括在步驟之間攜帶的上下文與記憶、呼叫企業系統或第三方 API（應用程式介面）、搜尋資料庫等資料檢索、模型以外的雲端運算資源，以及失敗動作、重複嘗試與低效流程造成的浪費。換句話說，token 支出只是代理人營運成本的一部分。 舉例來說，代理人在高價值、時間緊迫的決策上使用頂級模型，可能是相當合理的取捨；但如果同樣的選擇用在例行的分類工作上，就值得重新設計。重點不是為所有代理人訂下同一個支出上限，而是讓這些取捨清楚可見，讓業務單位能依情境判斷。 這也改變了企業看待投資報酬率（ROI）的方式。代理式工作的投資報酬，很少能用單一數字衡量。有的團隊重視節省時間，有的重視準確度、處理量或回應速度，也有團隊看重的是能接手過去沒有人負責的工作。把成本與工作連結起來，各團隊就能依自己真正在意的成果，評估代理人創造的價值。 領導者可依固定順序分析並採取行動 經營者不需要為每個新指標都建立新的儀表板，而是需要一套可重複使用的方法，追蹤投資與活動之間的關係。分析的順序是支出、代理人、工作、行為、資源與成果，並長期觀察以持續最佳化。 具體來說，先確認這項工作花了多少錢，再找出負責的代理人與它要完成的工作。接著檢視產生成本的行為，包括它在模型、工具與系統之間的運作路徑，以及使用的運算、資料存取與人工審查等資源，最後再依該用途真正重要的指標檢視成果。 這套順序能讓成本討論更精確，分辨哪些工作流程成本雖高，卻帶來明確的商業價值，哪些則需要重新設計。財務、技術與業務主管也能針對同一個工作單位討論，不必再各自整合使用量、預算與成果等互不相連的資料。 要落實這套做法，第一步是挑選少數對業務重要的代理人工作流程，為每一條流程定義預期成果，並指定負責判斷成果是否值得投入的人或團隊。接著，讓工作可以追溯，成本資料必須附帶足夠的營運脈絡，顯示是哪個代理人產生成本、執行什麼任務，以及工作如何進行。 最後，根據證據做決策。證明有價值的工作可以擴大，成本與成果不成比例的流程則需要改善；在證據支持時調整模型選擇、工具使用或任務設計，並在經濟效益明確時，賦予代理人更多責任。 看懂代理人的經濟效益，將成為管理優勢 隨著代理式工作成為企業的新常態，AI 成本正從一筆技術支出，轉變為營運層面的問題。 這個轉變也改變了誰需要看到成本資料。傳統的 FinOps（雲端財務營運管理）著重預算、成本分攤與共用基礎設施，但代理式工作讓決策分散到各團隊。在組織較扁平的企業裡，最貼近工作流程的團隊，需要了解代理人產生的支出，才能預估一季能交付多少成果。他們不只是在追蹤用量，而是在決定產能、優先順序，以及代理人能承擔哪些更多的責任。 代理人會依任務與回應，動態改變模型呼叫、上下文、工具使用與執行路徑，兩個看似相同的任務，可能消耗不同的資源與成本。因此，企業需要在既有的 FinOps 基礎上延伸，針對代理人補上專屬的監測數據、控管機制與單位成本衡量，而不是另起爐灶。 當代理人成為企業運作的基礎，能看懂代理人工作的經濟效益，並據此有目的地投資，將成為企業的核心管理優勢。 【推薦閱讀】 ◆ 蘋果傳調降工程師每日 AI 額度，從 300 降至 200 美元：企業怎麼控管 […]

Anthropic IPO 前推出 AI 辦公套件：從試算表到會議協作，為何開始挑戰 Microsoft、Google？

AI 公司與傳統辦公軟體巨頭的競爭，正在從模型技術延伸到企業日常工作。正準備上市的 Anthropic，美國時間 11/10 宣布推出一系列 AI 辦公工具，涵蓋試算表、資料分析、數位白板與視訊會議，讓使用者不只能向 Claude 提問，還能直接與 AI 共同建立、修改工作成果。 根據《Bloomberg》報導，這項布局讓 Anthropic 與 Microsoft、Google 展開更直接的競爭，而後兩者同時也是 Anthropic 的投資人或合作夥伴。就在同一天，Anthropic 也正式啟動首次公開發行（IPO）路演，預計公開發行規模最高約 644 億美元。 從試算表到視訊會議，Claude 不只回答問題 過去，企業員工可以請 Claude 分析資料、產生文件或規劃專案，但往往仍需要將結果複製到其他軟體，才能交由同事修改、協作。Anthropic 這次希望縮短這段流程，讓 AI 產生的工作成果直接留在 Claude 中持續編輯。 根據 Anthropic 官方公告，新推出的 Claude Sheets 能依照文字指令建立試算表，支援公式、多個工作表、格式設定及下拉式選單。使用者可以讓 Claude 建立預算表或工作追蹤表，再與團隊共同修改。Claude Whiteboards 則能將討論內容整理成視覺化工作規劃，包括專案時程、負責人與待辦事項，並轉換為文件或簡報。 另一項 Claude Data，原名 Claude Dashboards，則從測試版轉為正式推出。它能連接企業資料倉儲或客戶關係管理（CRM）系統，依使用者提問產生儀表板、資料分析報告，甚至是附有旁白的影片。 其中，視訊會議助理 Claude Meetings 更直接呈現 Anthropic 想改變的工作方式。《TechCrunch》指出，Claude Meetings 能以可見參與者身分加入 Google […]

聯合利華再部署 40 多套 AI 數位分身：數百座工廠中，怎麼挑出值得導入的據點？

快速消費品巨頭聯合利華（Unilever）於 2026 年 6 月宣布，計畫在接下來 18 個月內新增 40 多套結合人工智慧（AI）的數位分身（Digital Twins）系統，擴大這項技術在全球製造網路中的應用。 目前，聯合利華已在美國、波蘭、越南及印度的 5 個製造據點導入數位分身，並累積減少生產廢料、提升產能及降低產品缺陷等成果。接下來，公司將以既有導入經驗為基礎，建立可供全球營運複製的應用模式。 優化品質與產能，AI 數位分身的實體導入成效 數位分身是實體設備與生產線的虛擬模型，透過收集工廠現場系統的即時數據，監控設備運作及製程表現，並預測可能發生的問題。聯合利華進一步結合 AI 洞察與 AI 代理（AI Agents），協助製造團隊及早辨識異常、加快情境模擬，並改善整個生產週期的決策效率。 這項技術已在不同產品線展現顯著成效。在美國北卡羅來納州 Raeford 工廠，數位分身能預測固體體香劑製程中 95% 的流程流動限制問題，使廢料減少 20%，產能提升 10%；在生產 Knorr 與 Hellmann’s 等品牌的波蘭波茲南（Poznań）工廠，數位分身能協助穩定美乃滋的黏度變化，將微小停機次數降低最多 20%，廢料減少近 30%。 印度 Gandhidham 個人護理工廠透過即時控制建議，在四年內將產品缺陷率降低 30%，相關數據於配送中心測量。此外，印度 Haldia 洗衣粉工廠運用能源數位分身優化熱能消耗，支持範疇一與範疇二氣候目標；越南 Cu Chi 家用清潔用品工廠則控制混料設備原料添加量，維持品質並節省 1% 至 2% 的高階原料成本。 選址關鍵在於改善潛力、數據基礎與可複製性 不過，聯合利華要將數位分身擴展至更多營運據點，首先必須判斷哪些工廠適合導入。聯合利華個人護理事業產品供應鏈長 Vicky Cuthbert 指出，公司在全球擁有數百座工廠，挑選導入據點時，主要考量數位分身能否顯著改善特定作業，並將重新設計的流程標準化，以便在其他工廠複製。 這意味著，導入決策必須與明確的營運需求連結。Cuthbert 表示，公司希望相關應用能直接對應業務成果，包括改善服務表現、提升敏捷性與回應速度，以及提高生產力與成長。若一項應用無法清楚連結預期效益，就難以判斷技術投資是否真正改善了工廠營運。 她也坦言，聯合利華在早期導入數位分身時，對於如何確保技術帶來可量化的成果，還沒有設定得足夠明確。因此，導入前必須投入時間，讓所有相關利害關係人清楚理解要解決的問題，以及衡量成果的方式。 […]

【科技早餐】Anthropic IPO 260 億美元認購草案曝光又撤回！台積電、NVIDIA 列名單

【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊Anthropic IPO 693 億美元發售草案撤回，台積電列入 260 億美元認購名單 美國 AI 公司 Anthropic 10 月 26 日已向美國證券交易委員會（SEC）提交首次公開募股（IPO）申請，計畫以 ANT 為股票代號在那斯達克上市。《Reuters》11 月 10 日報導，Anthropic 曾向承銷銀行流通一份上市文件，提出最高約 693 億美元的發售規模，包含既有股東售股。文件另提及約 260 億美元的私募認購安排，列名台積電、NVIDIA、Google、Microsoft、AMD、博通（Broadcom）與美光（Micron）等公司。 不過，Anthropic 隨後撤回文件，表示定價資訊不正確，將提供更新版本。《Reuters》無法確認哪些條件有誤，各家公司也未公開證實最終認購金額；上述金額和投資名單都不能視為定案。對 AI 產業而言，這份草案揭示的可能方向，是模型開發商向晶片與雲端供應商尋求策略資金，使算力採購、資本投入和供應合作更加緊密。實際投資條件仍須以後續正式申報文件為準。 ＊OpenAI 代理越權取得澳洲政府資料，澳洲擬強制通報 AI 異常行為 澳洲政府 11 月 10 日宣布，將提出前沿 AI 安全強制規範，並規劃設立專責監管機關，回應 OpenAI 實驗性 AI 代理今年 6 月未經授權存取政府醫療統計網站的事件。當時模型原本執行公共醫療支出研究，遭網站拒絕部分查詢後，仍自行採取其他方式取得非公開的彙整統計資料。OpenAI 表示，調查未發現病患個人紀錄遭存取的證據。公司 8 月發現事件，直到 9 月 10 日才向政府通報，延遲引發批評。 […]

日月光攜手 SAS 建構 Agentic AI 智慧營運中樞

推進「全員 AI」規模化，打造可治理、可協作的數位勞動力 半導體製造講求高精度、高一致性與即時反應，任何製程偏差、設備異常或排程失準，都可能影響品質與產能表現。隨著 AI 模型從單點部署朝向規模化與 Agent 協作，日月光以「全員 AI」為策略，攜手 SAS 導入 SAS Viya 平台，建構 Agentic AI 智慧營運中樞，串接既有資料、模型、演算法與 AI Agent，強化模型生命週期管理、智慧決策、治理及 Multi-Agent 協作能力。 日月光既有 AI 應用已深入生產排程、品質與設備管理等實際場景。以智慧排程與即時動態派工（RTD）為例，AI 能依據產線進度、設備狀態與生產需求，動態調整生產安排，並提前通知相關人員準備，減少設備等待與閒置，讓生產管理從被動追蹤轉向主動調度。此次雙方進一步以良率預測展開 Multi-Agent 概念驗證，探索不同 AI 能力的協作與管理模式，為後續規模化應用奠定基礎。 從「全員 AI」走向規模化管理 SAS Viya 串起模型、Agent 與智慧決策 日月光多年來持續推動 AI 應用，從早期的 AI for Expert，將專家經驗與 AI 模型結合，解決特定製程問題；接著進入 AI for Everyone，透過 No-Code 平台降低使用門檻，讓更多工程師能運用數據解決日常工作問題；現在更進一步思考如何讓 AI 不只提供分析與建議，還能承接實際工作任務，逐步形成可與人協作的數位勞動力。 日月光人工智慧應用整合處處長陳宥瑜表示，隨著企業內部模型與 Agent 數量持續增加，關注重點也從「建立更多 AI」，進一步走向模型治理、可靠度、生命週期管理，以及如何將成功經驗複製到不同場景與廠區。 這次與 SAS […]

從缺 GPU 到缺電：專訪亞灣超算姚延宗、耐能劉峻誠，企業 AI 算力上雲還是留地端？

專訪：戴季全撰稿：張哲瑋 過去大家問的是買不買得到 GPU，現在愈來愈常問的是電夠不夠用。《全新一週》主持人戴季全在節目開場點出這個轉變。根據 Gartner 預測，全球資料中心用電量將從 2025 年的 447 太瓦時（TWh），成長到 2026 年的 565 太瓦時，年增 26%。 本集在 2026 鴻海科技日現場，邀請鴻海集團亞灣超算（Visionbay.ai）創辦人暨執行長姚延宗、耐能智慧（Kneron）創辦人暨執行長劉峻誠對談。前者建置、營運 AI 資料中心（AIDC），後者開發專為 AI 運算設計的 NPU（神經網路處理器），兩人分別從基礎設施與晶片的角度，談算力與電力怎麼重新分工。這次關於產業鏈分工的訪談，對規劃 AI 基礎建設的企業而言，可以得到什麼啟發：哪些工作該交給雲端，哪些該留在自己手上？ 先有電、再放 GPU：AIDC 比的是部署節奏，效率改看每瓦電產出多少 Token 姚延宗認為，AI 產業鏈的分工是先後順序的問題，必須先有電力，「因為畢竟電力是最 Fundamental（根本）的事情」，接著備妥土地與建築外殼（Land and Shell），再把 GPU 放進去開始營運。他指出，一座 AIDC 的投資可能高達數億、數十億美元，有了資料中心卻沒有 GPU，或 GPU 到了、資料中心還沒準備好，「都會造成蠻大的資金的損失」。因此，他認為亞灣超算真正在解決的是供應鏈管理：把電力與晶片安排得當，讓 AIDC 以最快、最有效率的方式部署。 部署要快，電力需求也在攀升。姚延宗以 NVIDIA 產品路線圖估算，8 年間單一機櫃的功耗從約 10kW 增至將近 1MW（百萬瓦），成長約百倍。他提到，NVIDIA 發布 800 伏特高壓直流（800VDC）架構，目的是在「從電廠到 GPU」的過程中，盡量減少不必要的能量損耗。根據 NVIDIA 技術部落格，800VDC […]

Google 推 TPU 8tx、8i Max，一年推出四款系統：為何不必重新設計晶片？

Google 正在加快自研 AI 晶片系統的更新腳步，繼今年 4 月推出第八代 TPU 8t、8i 後，Google 再發表 TPU 8tx、8i Max，首度在一年內推出四款 TPU 系統，分別鎖定模型訓練、低延遲推論、機密運算與超長上下文處理，也進一步擴大與 NVIDIA 在 AI 運算市場的競爭。 為什麼 Google 加快產品更新速度？Google Cloud AI 與運算基礎架構副總裁暨總經理 Mark Lohmeyer 在發布前媒體記者會指出，Google 過去約每兩年推出一款 TPU 系統，後來逐漸加快至每年一款、兩款，如今一年推出四款。背後的重要變化，是 AI Agent 正讓企業運算需求更加多元，也推動 AI 硬體朝不同工作負載專門化發展。 AI Agent 帶來三大轉變，運算需求不再只有一種 AI 從聊天問答走向自主執行任務的 AI Agent，正在改變底層運算需求。Lohmeyer 在記者會指出，Google 觀察到三大轉變。 一是運算需求從「人類規模」（human scale）走向「代理規模」（agent scale），單一使用者的請求可能觸發數十、數百甚至數千次操作；二是 AI 從讀取、整理資訊，進一步轉向實際操作企業系統，帶來新的資料安全與法遵要求；三是從簡單問答轉向複雜的多步驟任務，需要長時間處理大量文件、程式碼等上下文，對記憶體及資料傳輸能力提出更高要求。 Lohmeyer 表示，Google 已觀察到企業對機密運算、記憶體容量等方面的新需求，因此選擇針對不同工作負載設計專用系統，而非假設單一配置就能滿足所有需求。 TPU 8tx […]

行銷科技平台 Brevo 後台遭刑事局封鎖，寄信 API、表單仍正常

行銷科技平台 Brevo 今（10）日在台灣出現管理後台無法登入的情況。《科技報橘》團隊上午嘗試進入 Brevo 後台時，發現網站顯示遭刑事警察局封鎖的訊息。經測試，目前郵件寄送 API、線上表單等服務仍可正常使用，封鎖原因則有待說明。Brevo 客服下午回覆《科技報橘》，目前已將此情形轉給內部技術與法務團隊處理；刑事警察局則在下午表示，封鎖預計在今日解除。 Brevo 是一家提供電子郵件行銷、客戶關係管理（CRM）及行銷自動化服務的法國企業，協助企業管理客戶名單、發送行銷郵件，也能透過 API 串接系統寄送訂單確認、會員通知等訊息。 Brevo 後台遭封鎖，其他寄信與表單服務仍正常 根據《科技報橘》團隊實際觀察，11/10 上午嘗試開啟 Brevo 管理後台網址 app.brevo.com 時，網頁顯示「此網域涉違反《詐欺犯罪危害防制條例》」，並註明經詐欺犯罪防制中心以「刑詐防字第 1156125563 號」函命令封鎖。 不過，管理後台遭封鎖不代表 Brevo 全面停止服務。根據《科技報橘》以 HiNet DNS 進行的測試，目前僅發現管理後台網域遭限制存取，寄信 API 使用的 api.brevo.com、線上表單，以及電子郵件內的連結與圖片等功能均未受到相同限制，Brevo 官網也能正常開啟。已在運作中的相關郵件寄送與報名流程亦未因此中斷。 對使用 Brevo 的企業而言，管理後台無法登入仍可能影響新增或調整行銷活動、管理客戶名單及查看寄送成效等操作，但具體限制仍待進一步確認。 更新：《科技報橘》在今日下午取得 Brevo 客服回覆，Brevo 表示這件事影響的是整個台灣連線到 Brevo，目前已將此情形轉給內部技術與法務團隊處理。 刑事局依《詐防條例》封鎖，原因尚未公布 根據《詐欺犯罪危害防制條例》第 42 條，為即時防止民眾接觸詐欺網站，主管機關或司法警察機關認為有必要時，可以要求網路業者停止解析或限制接取特定網站。 目前尚不清楚 Brevo 後台遭封鎖的具體原因，是否涉及特定帳號遭詐騙集團利用，或是其他情況。封鎖訊息也不代表 Brevo 公司本身已被認定涉及詐欺犯罪。 更新：《科技報橘》已向刑事警察局反詐騙諮詢專線 165 聯繫，並在今日下午取得回覆。刑事局表示，封鎖係接獲民眾報案，報案內容提及 app.brevo.com 網址，刑事局判斷該網址與詐騙網址相似，因此予以封鎖，不過將在今日解除封鎖。 Brevo 9 […]

Claude Fable 5.2 單價降 20%，企業就能省錢？推理設定讓每項程式任務成本差近 6 倍

Anthropic 在美國時間 11/9 發布 Claude Fable 5.2 與 Claude Mythos 5.2，宣稱新模型在幾乎所有評測過的能力上，都比自家的 Opus 5.5 略勝一籌；標準 API 價格也從前一代 5.1 版的每百萬輸入／輸出 token 10 美元、50 美元，降到 8 美元、40 美元。不過，在同一份官方公告裡，Anthropic 仍建議多數編碼與知識工作先從 Opus 5.5 開始。 《VentureBeat》也提醒，每項任務實際花多少錢可能是另一回事，因為真實的 AI 代理工作很少維持相同的用量。根據 Anthropic 公布的測試數據，同一個模型只要調高推理強度，每項任務的成本就可能相差近 6 倍。單價降了 20%，企業挑選模型時，該看的究竟是哪個數字？ 同一個底層模型、兩種防護：Fable 5.2 對外開放，Anthropic 稱多數自家評測領先 Fable 5.2 與 Mythos 5.2 其實是同一個底層模型，差別在安全防護。Anthropic 表示，Fable 配有較強的資安與生物防護來防範濫用，因此能開放給所有使用者；根據《VentureBeat》，Fable 已在付費 Claude 方案、程式開發工具 Claude Code 與 […]

第一線資訊科技榮獲第 24 屆金峰獎「十大傑出企業」　以「雲、網、安」整合服務助攻企業 AI 轉型

新加坡商第一線資訊科技有限公司台灣分公司（以下簡稱「第一線資訊科技」）於 10 月 30 日出席第 24 屆金峰獎頒獎典禮，獲頒「中小企業組十大傑出企業」殊榮。第一線資訊科技深耕企業 ICT 市場，以網路、雲端與資安整合服務協助企業穩固數位營運基礎。此次獲獎，不僅對其專業實力給予肯定，也彰顯公司在 AI 時代持續強化整合服務的發展方向。 金峰獎由中華民國傑出企業管理人協會主辦，自 1996 年首屆舉辦至今已有 30 年歷史，為國內具權威性與指標性的企業表揚獎項。「十大傑出企業」評選涵蓋企業理念與文化、經營績效、客戶管理及社會公益等面向，從企業整體經營與發展表現予以肯定。 承襲逾 25 年企業 ICT 服務經驗　結合國際資源與台灣在地服務 第一線資訊科技承襲原 DYXnet 香港商第一線有限公司台灣分公司逾 25 年的企業 ICT 服務經驗，長期協助企業建構跨區域、跨國營運所需的網路與資訊基礎架構。目前為 DYXnet 第一線在台灣的獨家代理商，結合台灣在地服務能力與國際網路資源，提供從網路連接、雲端應用、資安防護到 AI 相關服務，協助企業因應跨區域營運與科技發展需求。 「雲、網、安」整合　強化企業營運韌性 隨著企業 IT 環境日益複雜，網路、雲端與資安已成為支撐企業營運的重要基礎。第一線資訊科技以「雲、網、安」為核心，從企業實際營運需求出發，提供涵蓋 MPLS、SD-WAN、雲端管理、資料備份與災難復原、網路安全及端點防護等服務，透過單一服務窗口與整合式管理，企業可降低跨供應商協作的複雜度，並建立更具彈性與韌性的資訊基礎架構。 第一線資訊科技台灣區域業務總監吳國儀表示：「AI 時代下，企業面對的已不只是單一技術導入，而是如何整合網路、雲端、資安與 AI 相關資源，建立能支撐長期發展的架構。此次榮獲金峰獎，是對第一線資訊科技長期經營成果與服務實力的重要肯定，也更加確立我們持續強化整合服務能力的方向。」 AI 改寫企業 IT 需求　第一線資訊科技加速布局 隨著生成式 AI 快速發展，企業對 IT 基礎架構的需求已不再局限在連線與系統建置，而是進一步延伸至算力配置、雲端資源調動、資料安全及 AI 治理等面向。此次榮獲第 24 屆金峰獎「中小企業組十大傑出企業」，為第一線資訊科技在台灣企業市場的發展歷程寫下重要里程碑。 公司將持續以客戶營運需求為出發點，協助企業在快速變動的科技環境中，建立穩定、安全且具成長性的數位營運基礎。 […]

【被勒索後要停機多久】還原速度取決於備份設備與網路，企業應事先算出復原時間

勒索軟體攻擊發生時，企業最大的開銷通常不是贖金。Gartner 研究指出，攻擊後的復原、停機與商譽損失，加總可能高達贖金的 10 倍。 駭客入侵的管道，仍以網路釣魚、攻擊對外開放的系統，以及未經授權的遠端桌面連線為主。進入企業內部後，他們除了鎖住正式營運的系統，也會一併破壞備份，甚至直接偷走資料勒索。當備份也遭殃，企業能多快恢復營運，就決定了損失規模。 復原時間可以事先算出來 許多企業把復原規劃視為資安部門的例行工作，設好備份排程、定期測試就認為足夠。但復原其實是基礎設施問題，可以把需要還原的資料量，除以環境實際能維持的傳輸速度，再加上排序與驗證時間來估算。 真正出事時，這些數字往往比預期更糟。備份設備擅長存入資料，取出時卻慢得多；平常應付夜間備份的網路，遇到數十套系統同時還原也會壅塞；遭入侵的系統多半不能再用，資料得還原到乾淨的新空間，而這個空間可能還沒準備好。此外，身分驗證、DNS 與核心資料庫必須先上線，其他應用程式才能接著恢復。 舉例來說，以每秒 2GB 的速度還原 200TB 的關鍵資料，光是傳輸就要約 28 小時，還沒算檔案掃描與應用程式測試。如果恢復時間目標（RTO）是 24 小時，這份計畫在數字上就已無法達成。 用四項指標找出準備缺口 要判斷能否達成 RTO，可以量測四項指標。一是關鍵資料量，只計算維持基本營運不可或缺的資料。二是持續還原速度，涵蓋資料從備份設備、經過網路到寫入儲存空間的整段路程，並應模擬多套系統同時還原，採用實測數字而非規格表數據。 三是還原順序，釐清哪些系統得排隊、哪些能同時進行。四是驗證時間，也就是資料接回正式環境前，掃描並確認沒有殘留惡意程式的時間。 把資料量除以還原速度，再加上排隊與驗證時間，就能算出實際需要的復原時間。超出 RTO 的部分，就是企業的「準備缺口」。以前述例子來看，光是傳輸就已比 24 小時的 RTO 多出近 4 小時以上。 縮小缺口的三個做法 首先，依業務衝擊為系統分級，例如幾小時內必須恢復、可以等幾天，以及可以等更久，再為維持最低營運所需的系統與資料，另外保留一份受保護的復原副本，出事時優先還原。 其次，分別量測備份設備、網路與目的地儲存的實際速度，找出最慢的環節集中升級。同時要事先準備乾淨的儲存空間，避免事發時才臨時採購硬體。 最後，平時就定期檢查備份是否完好。不少企業要到準備還原時，才第一次確認備份能不能用，一旦發現問題，驗證時間就會拉長；若備份已被植入惡意程式，還原回去等於讓攻擊者重新進入系統。 把復原時間當成損失指標來追蹤 多數企業的 RTO 從未經過實際驗證，最直接的方法是挑一套關鍵應用程式，以正式環境的規模還原到隔離環境，記錄每個階段的時間，確認總時數是否低於 RTO。 把落差換算成停機時數後，也更容易判斷投資的價值。不可變備份（保存期間內無法被修改或刪除的備份），與獨立備份網路常因預算被刪減，但只要算出每停機一小時的損失，就會發現這類措施可能讓企業免於停擺好幾天，更像一份保險，而非單純的開銷。 企業應該像追蹤偵測與圍堵時間一樣，持續追蹤復原時間，並在資料量增加或基礎設施調整時重新計算缺口，向管理層呈報。勒索軟體的手法會持續變化，事先算過、實際測過並補上缺口的企業，最有機會在攻擊後保住客戶、營收與信譽。 【推薦閱讀】 ◆ 不必專職資安團隊，專家列出中小企業現在就能做的低成本防詐做法◆ 「住宅代理」成駭客攻擊新趨勢：能偽造到受害者所在區，企業的地理位置登入規則近乎失效◆ 【AI 代理會被說服，也能說服人】失控代理以假身分施壓開發者，專家：授權不能交給模型判斷 ＊本文開放合作夥伴轉載，參考資料：《Forbes》、《Gartner》，圖片來源：Gemini 生成 （責任編輯：鄒家彥）

電池不必等到故障才處理：AI 預測、模擬測試與電芯級數據如何讓風險提早現形

全球能源轉型與電動車市場迅速擴張，電池安全防護、研發效率以及車載管理架構正面臨深刻的產業變革。隨著整體技術鏈的推進，數據量能與智慧演算法正重構電池的運作邏輯，促使產業從硬體防禦轉向全生命週期的預測與管理。 安全防護升級，以智慧預測打造安全防線 過去業界處理電池安全議題時，多半將資源投注於事故發生後的損害控制、防爆隔離與災後處置，屬於被動防禦機制。如今，以三星 SDI（Samsung SDI）預計在 2026 年底導入儲能系統（ESS）產品的 Samsung Battery Intelligence（SBI）平台為代表，電池安全管理正式邁入智慧預測的新時代。 該 AI 平台具備強大的數據整合能力，能同時學習全球儲能案場累積的運轉數據與研發階段產生的模擬資料，在電芯出現異常行為前做出預測，同時評估剩餘電池壽命，實現從源頭預防的主動安全防線。 研發模式轉型：模擬技術與合成數據突破試錯瓶頸 隨著電池化學成分與應用情境日益多元，包含高鎳、磷酸鐵鋰以及固態電池等新技術相繼躍上市場舞台，使得過往仰賴反覆製作實體樣品進行測試的傳統開發模式難以為繼，昂貴的時間與資金成本成為技術突破的重大瓶頸。 三星 SDI 認為，反覆製作實體樣品測試已不敷使用，產業正轉向以模擬驅動研發，該公司也將模擬產生的合成數據納入 AI 訓練。密西根大學等研究團隊發表於《Nature》的發現式學習（Discovery Learning）系統，則展現了模擬結合歷史數據的潛力：僅需新電池前 50 次充放電循環（約數天到數週）的實驗數據，再結合歷史數據與物理模型模擬，便能預測電池容量降到設計值 90% 前可循環的次數；相較動輒 1,000 次循環、耗時數月到數年的完整測試，研究團隊估計只需約 5% 的能源與 2% 的時間。 車載架構落地，無線監控賦能單一電芯數據採集 在車載電池應用的實際落地層面，智慧化監控與數據擷取架構亦迎來顯著突破。 現代汽車（Hyundai Motor）在旗艦大型電動車 Genesis GV90 上首度導入亞德諾半導體（Analog Devices，ADI）開發的無線電池管理系統（wBMS）。這項技術透過直接附著於各電芯上的晶片傳輸資料，實現單一電芯層級（cell-level）數據的即時追蹤，建構出無縫且高度精細的數位數據串流。 這些極致精細的電芯層級即時數據，可望為雲端與邊緣端的 AI 安全演算法提供動態訓練集與即時分析基礎，讓潛在故障診斷與系統狀態評估更精準。 當電池安全預測、虛擬測試與車載數據採集逐步串連，產業競爭的關鍵也將不再只是電池能量密度或充電速度，而是能否及早從數據中辨識風險，並將分析結果回饋至設計、製造與使用管理。對電池業者而言，真正的挑戰則是如何讓分散在研發實驗室、車載系統與實際運行環境中的數據形成有效閉環，讓電池在投入使用前就能預判潛在問題，並在使用過程中持續修正對其健康狀態的判斷。 【推薦閱讀】◆ 連「有腸躁症的網紅」都找得到，AI 讓品牌選網紅更細，最後一關仍得靠人◆ 電動車電池有望變小、變便宜？Honda 開發「邊開邊充」道路，2027 年啟動測試◆ 【機器人電池革命】追求連續運作 8 小時，固態電池、換電、超快充三條路並行 ＊本文開放合作夥伴轉載，參考資料：《The Elec 1》、《The […]

【李牮斯專欄】為中小企業誕生的 AI：組織精簡、資料散亂，為何反而是導入優勢？

克卜勒太空望遠鏡 2009 年升空，不料短短四年後因關鍵設備故障，原有的觀測工作就被迫中斷。如今，望遠鏡雖已退役多年，天文學家仍持續從它留下的資料中發現新的系外行星，對科學的貢獻仍在延續。 AI 也是如此。 隨著民主黨在美國期中選舉勝出，支持限制資料中心擴建的政治力量也跟著壯大，市場因而擔心 AI 資本支出放緩。但就算 AI 投資今天就停下來，既有模型也有足夠力量，從此改變企業競爭的方式，甚至重寫人類的經濟規則。 企業競爭，說到底離不開速度、品質、判斷與創新。在不少知識工作上，AI 在這些項目上的表現，已能超越人類。隨著 AI 代理人在 2026 年逐漸成熟，AI 也從「有問必答」的工具，走向「使命必達」的執行者。一旦開始接手一整段工作，它的優勢就能迅速擴散到整個組織。 即使只有 1％的員工真正掌握這種工作方式，也可能帶動整體競爭力的倍增。 台灣使用強度落後星韓，只出口硬體恐「為人作嫁」 這也是台灣不能只專注硬體出口的原因。Anthropic 的 Claude 使用指數顯示，台灣的相對使用強度落後新加坡與韓國；今年日本的指數有所提升，台灣卻下滑。若台灣只出口產生智能的硬體，自己的企業卻沒用上這些智能，硬體出口愈多，國外對手愈有條件用 AI 升級，往後台灣企業面對的競爭，就可能愈嚴峻。這種「為人作嫁」的風險，值得警惕。 不過，我在製造業第一線推動 AI 導入的過程中，看到另一種可能：中小企業長期欠缺的白領幕僚與管理 know-how，以及手上規模不大、散亂的資料，反而成了使用 AI 的優勢。 我甚至認為，AI 代理人簡直像是為中小企業而生。 精簡組織反成優勢，補缺口比大企業更快 台灣不少中小企業，擁有世界級的工廠，在各自領域更是隱形冠軍；但公司的管理與幕僚編制，往往十分精簡。市場分析布局、法務、人資與資本策略，都壓在少數幾位主管身上，有時甚至無人負責。反正把訂單做好就夠了，也沒餘裕想五年後的布局，或是如何在產銷以外的領域與對手博弈。 在過去相對穩定的全球化環境下，這套做法還行得通。但企業主應該都已感受到，地緣經濟與科技正在劇變，遊戲規則也跟著改變。要確保公司長遠的成功，世界級的工廠就必須配上世界級的企業管理。 要補上這些能力，傳統做法就是聘人、成立部門，長期負擔固定成本。偏偏許多公司正是因為缺乏這些能力與資源，才無法再往上走。想要更快狠準，卻缺專業的企管人才，要養他們又得先有規模，成了雞與蛋的難題。 但到了 AI 時代，精簡的組織反而可能成為優勢。相較於部門與職責分工完整的大企業，中小企業少了許多既有編制的包袱，AI 代理人較容易直接補進那些原本就缺人的功能。例如一家原本沒有市場研究人員的工廠，可以開始掌握客戶產業的變化，評估過去沒空研究的生意。主管有了這些支援，也比較有餘裕替公司想得更遠。 這裡最重要的，是中小企業能比大型企業更快取得原本欠缺的能力。 資料不大不小，剛好是 AI 最擅長消化的材料 另一個優勢在於資料。企業一聽到 AI，常會直覺地找 IT 專家與外部顧問；接著談起的，往往是一套昂貴龐大的資訊架構。導入還沒開始，預算與工程就先擺在眼前，根本做不下去。 但中小企業的資料量對 AI 而言並不算大，還沒經過系統化整理的散亂資訊，也正是 AI 擅長消化的材料。對公司會用到的 […]

AI 紅利能延續到 2027？台經院估台灣經濟成長 6.45%、半導體產值上看 11.8 兆元

AI 投資熱潮帶動台灣經濟快速成長，到了 2027 年，這股動能還能延續多久？台灣經濟研究院發布 2027 年景氣展望與產業趨勢，將 2026 年經濟成長率預測上修至 12.34%，2027 年則預估為 6.45%，指出雖然成長速度放緩，但在連續多年高基期下，仍是相當強勁的表現。 台經院院長張建一形容，今年是令人驚艷的快速成長，明年則將轉為穩健成長，而超過 6% 的成長率同樣令人驚艷。不過，隨著 AI 投資規模擴張，企業籌資、應用獲利及國際政策的不確定性，也將成為 2027 年值得關注的變數。 2027 年四大變數：AI 能否獲利、中東與貿易政策成考驗 台經院景氣預測中心主任孫明德指出，AI 伺服器與半導體需求帶動台灣出口及企業設備投資，台灣的出口市場與產品結構也出現變化。他表示，中國占台灣出口比重已從過去約四成降至 24%，美國則躍升為第一大出口市場；出口產品也從過去以電子零組件為主，逐漸轉向組裝完成的 AI 伺服器。展望 2027 年，他提及儘管出口成長幅度可能不如今年，AI 需求仍是支撐經濟的重要動能，但全球景氣也面臨四大變數。 首先是中東局勢與聖嬰現象。孫明德表示，若荷姆茲海峽無法恢復通航，國際油價可能再度突破每桶 100 美元，全球經濟成長率甚至可能跌破 3%、降至約 2.9%。此外，2027 年若出現強烈聖嬰現象，糧價可能進一步上漲，使通膨壓力從能源延伸到食品。 第二是 AI 投資前景。孫明德指出，全球大型雲端服務業者持續投入龐大資金興建 AI 基礎設施，但目前仍存在供應快速增加、殺手級應用不足的落差。如果 AI 應用無法及時轉化為營收與獲利，相關投資與股市可能同步面臨修正。 第三是貿易碎片化，美國關稅政策與各國非關稅壁壘，可能持續改變全球供應鏈與跨國投資布局。第四則是財政脆弱性。孫明德提醒，各國高債務負擔可能限制政策調整空間，也削弱利率政策的傳導效果，增加政府與央行因應經濟變化的難度。 AI 軍備競賽轉向穩健成長，張建一：短空長多 對於市場近期擔憂 AI 投資放緩，張建一在會後受訪表示，過去大型雲端服務業者競相擴大資本支出，形成一場「軍備競賽」，但隨著資料中心建置成本提高、企業籌資利率上升，以及營收回收速度較慢，市場開始重新檢視投資的持續性。 美國期中選舉也增加了不確定性。張建一指出，部分民主黨政治人物對資料中心的態度在選後已有所緩和，爭議焦點並非完全反對 AI，而是大型資料中心是否排擠民生用電、推高居民生活成本。他認為市場可能反應過度，未來仍須觀察雲端業者如何與地方協調電力設施建置及成本分攤。 對台灣供應鏈而言，張建一認為，許多資料中心已取得建設許可，相關設備訂單也已下達，因此 2027 年上半年受到的影響有限；下半年則須觀察投資疑慮能否逐步消除。他以「短空長多」形容 AI 前景，認為產業從過去的高速擴張轉向穩健成長，未必是壞事。 […]

繼 OpenAI、Anthropic 之後，DeepSeek 也要建外掛市集：三家拉攏開發者的規則差在哪？

中國 AI 公司 DeepSeek 旗下 Harness 的官方帳號，11 月 8 日（台灣時間）在 X 發布長文指出，這套開源 AI 代理（AI agent）執行環境以使用官方 API 的用戶計算，每日活躍用戶已達 154 萬；接下來要建立官方外掛程式（plugin）市集，並籌備以 Token 補助支援外掛開發者。不過，在 AI 代理平台上經營外掛生態，DeepSeek 並不是第一家：OpenAI、Anthropic 旗下的 AI 程式開發工具 Codex、Claude Code 都已支援外掛，Anthropic 9 月也宣布新版 Claude Marketplace，把外掛與連接器、代理與產品，以及服務夥伴整合在同一處。 三家都在拉攏開發者把服務做成外掛，但開放程度、審核與管控方式不盡相同。DeepSeek 為什麼連內建功能都開放給外掛取代？對想把自家服務接進 AI 代理平台的軟體業者而言，三家平台的規則又各有什麼不同？ DeepSeek 稱 Harness 每日活躍用戶達 154 萬，約六成製作或安裝過第三方外掛 Harness 的 v0.1 版本於 8 月 13 日上線，桌面版在 9 月 29 […]

【DEAT 專欄】納管網路叫車平台：臺灣智慧交通的轉捩點

文／台灣數位平台經濟協會（DEAT） 打開手機、輸入目的地、確認車資，再看著車輛沿著地圖靠近。今天很多人已經很難想像，在網路叫車平台普及以前，搭計程車曾經高度依賴路邊攔車、電話叫車，甚至需要憑經驗判斷哪個路口比較容易等到車。 十多年來，科技已經大幅改變臺灣計程車的服務方式。消費者可以事先知道車輛、駕駛與預估費用，駕駛可以透過系統尋找附近需求，車隊也開始利用數據管理派遣與營運效率。計程車仍然是計程車，但支撐一趟旅程的產業結構已經改變許多，而現在，這個產業又走到下一個轉折點。 交通部近期預告修正《計程車客運服務業申請核准經營辦法》，規劃將具有實質派遣能力的網路叫車平台納入計程車客運服務業直接管理，同時解除同一車輛加入派遣業者的家數限制。主管機關希望藉此強化平台責任、保障乘客消費權益，並促進產業良性競爭，這些政策目標值得肯定。然而，如果把時間往未來再推五年、十年，交通產業面對的變化恐怕會比今天更大。 電動車持續普及，自動駕駛技術逐漸成熟，Robotaxi 已經開始在部分國際城市進入真實道路環境。未來一趟叫車服務，可能同時牽涉車輛營運者、數位平台、自動駕駛系統、支付服務、保險與資料管理。今天熟悉的「計程車」、「車隊」與「叫車平台」，角色與界線都可能持續改變。因此，這次修法值得討論的問題，可以從「平台應該怎麼管」再往前一步：臺灣準備用什麼樣的制度，迎接下一個世代的移動服務？ 叫車平台進入臺灣，也帶動了計程車產業數位化 回頭看臺灣計程車市場的發展，網路叫車平台帶來的影響，其實早已超過「多一種叫車方式」。即時定位、線上媒合、電子支付、預估車資、乘客評價、安全功能與客服紀錄逐漸成為日常使用經驗；傳統車隊也持續推出 App、電子支付與數位派遣服務，整個市場的服務標準在競爭中往前移動。這段產業數位化的歷程，也應該被放進今天的政策討論裡。 數位平台與既有計程車產業多年來共同發展，市場也逐漸形成平台、車隊、駕駛彼此分工的服務結構。科技降低了乘客尋找車輛的成本，也讓更多供需能夠即時媒合。當消費者已經習慣透過手機完成一趟旅程，交通政策需要處理的範圍，自然也逐漸從「如何管理一支車隊」，延伸到「如何治理一個數位化的移動服務生態系」。 現行《汽車運輸業管理規則》其實已經反映了一部分變化，將多元化計程車定義為透過網際網路平台整合供需資訊、提供預約載客服務。科技早已進入法規，只是產業演進的速度仍在持續加快，也讓既有制度如何因應下一階段的市場變化，成為更需要提前思考的課題。 一張更完整的智慧交通藍圖 這次修法受到近期網路叫車市場變化的關注，也讓政府重新檢視平台與車隊的管理關係。但臺灣交通產業目前面對的課題，其實分散在更多制度之中。例如，計程車牌照的數量與取得方式，會直接影響市場供給能否回應乘客需求；一車多車隊開放後，駕駛與不同車隊之間的管理關係需要重新設計；車輛電動化牽涉充電基礎設施與營運成本；自動駕駛進入商業服務後，車輛事故責任、保險與營運資格也都會出現新的問題。 臺灣目前已經有自動駕駛車輛道路測試的相關規範，交通法規也持續因應新的技術調整。未來移動服務所需要的制度元件，其實正在不同法規中逐步形成，接下來更重要的工作，是把這些制度放回同一張產業藍圖思考。當政府決定重新檢視網路叫車平台，也可以同步盤點車牌制度、車隊制度、自動駕駛、保險、資料治理與消費者保護，思考這些制度到了下一個移動世代，應該如何彼此銜接。 若每出現一種新的服務，就修改一條既有規定；下一種技術出現，再增加另一套管理方式，長期下來容易形成零散的制度拼圖，也增加市場參與者理解與遵循規範的成本。從這個角度來看，這次網路叫車平台的修法，也可以成為政府重新盤點智慧交通整體政策架構的契機。 管理數位平台，可以從它實際做了什麼開始 這次草案另一個值得討論的地方，是如何定義平台的角色。交通部規劃將具有實質派遣能力的叫車平台直接納入「計程車客運服務業」管理。背後的考量可以理解：當平台參與派單、媒合甚至其他營運環節，確實已經影響乘客安全、駕駛權益與市場運作，政府自然需要確保有人承擔相應責任。 問題在於，數位平台與傳統車隊所掌握的資源、執行的功能與能夠控制的風險並不完全相同。在數位經濟中，同一項服務經常由不同業者共同完成。一趟叫車服務背後，可以有實際提供運輸的駕駛與車隊、負責媒合的數位平台、處理支付的金融服務，以及提供導航、雲端或其他技術的業者。監理制度如果能依照各個參與者「實際執行的功能」與「能夠控制的風險」分配責任，會更容易讓權責對應。 這樣的治理思維，在其他高度數位化的產業並不陌生。金融機構將部分資訊系統委由科技業者處理時，金融機構仍承擔其法定業務責任，受託科技業者則依其功能負擔資訊安全、資料保護與系統穩定等義務。產業可以分工，監理責任也依不同角色配置。 交通服務同樣可以思考這樣的方向。涉及車輛安全、駕駛資格、運輸服務等責任，可以依實際營運角色配置；平台若掌握派遣、交易資訊與數位系統，就應對資料報送、資訊揭露、系統安全、個資保護，以及其實際參與的營運行為負擔相應義務。如此可以維持政府對平台的有效監理，也讓規範更貼近數位服務真正的運作方式。此外，監理制度也應考量不同規模業者的法遵能力。若一體適用的管理要求帶來過高的營運與法遵成本，可能使資源有限的中小型平台難以持續經營，甚至形成新進業者的市場進入障礙，長期而言將影響市場競爭、服務多元性與整體產業的創新發展。 車隊本身也正進入數位化時代 這次修法的另一項重要政策，是開放同一輛計程車加入一家以上的派遣業者。這項變化增加駕駛選擇與接單彈性，也會改變過去「一名駕駛對應一個車隊」的管理邏輯。交通部在草案中明確將解除家數限制列為促進產業良性競爭的措施之一。 當一名駕駛可以同時使用不同平台、接受不同車隊的服務，車隊如何掌握駕駛的服務與安全紀錄？其中一家車隊停止派遣後，其他業者如何取得必要資訊？教育訓練、申訴處理與高風險駕駛管理又應如何銜接？這些問題顯示，在提升乘客保護的同時，車隊管理制度本身也需要跟著數位化。 未來的管理工具可以有更多想像。例如，在兼顧個資與必要性的前提下，透過數位系統確認駕駛資格與必要安全資訊；讓跨平台、跨車隊的重大安全事件具有清楚的通報機制；利用標準化資料介面降低業者與政府重複報送資訊的行政成本。當市場的工作方式持續改變，監理工具也需要同步更新，才能讓消費者保護真正落實在每天發生的數位交易與移動服務中。 Robotaxi 到來以前，臺灣可以先決定自己想要什麼樣的交通市場 今天討論網路叫車平台，很容易把焦點放在平台與車隊應該如何分類。但再過幾年，這個分類本身可能又會面臨新的挑戰。假設未來一輛自動駕駛電動車接受平台派單，在城市裡提供 Robotaxi 服務：誰是「駕駛」？誰是「車隊」？負責自動駕駛系統的公司應承擔哪些責任？叫車平台又需要負責到什麼程度？ 這些問題距離臺灣並沒有想像中遙遠。目前道路交通安全規則已經存在自動駕駛車輛道路測試的制度，相關技術也持續發展。因此，2026 年這次網路叫車平台修法，可以被視為臺灣重新思考智慧交通治理的一個契機。臺灣已經擁有高度普及的智慧型手機、數位支付、成熟的交通服務，以及相當完整的科技產業，接下來的政策挑戰，是讓制度也能跟著產業往前走。 政府強化乘客保護、建立平台責任，是智慧交通發展的重要基礎，同時也需要一張更長期的產業藍圖，讓平台、車隊、駕駛、電動車、自動駕駛、保險與資料治理逐步進入同一套政策思考。過去十多年，網路叫車平台與計程車業者共同推動了一輪服務數位化，也讓乘客對便利、安全與透明度有了更高期待。下一輪交通轉型已經開始，主管機關可以延續這股產業進步的動能，在監理與創新之間建立更能回應技術變化的制度。 當臺灣談「智慧交通」，App、演算法與自動駕駛車輛是其中重要的技術基礎，而制度本身也需要具備回應新型態服務的能力。理解新的產業分工、讓責任跟著功能與風險配置，並為下一個世代的移動服務預留發展空間，將是臺灣智慧交通持續往前發展的重要一環。 社團法人台灣數位平台經濟協會 社團法人台灣數位平台經濟協會（DEAT）集結了台灣社會關心網路協作與共享經濟發展趨勢的業者、學者、法律專家，致力推動有利創新的商業模式與法規環境、促進社會支持、以及推動本地數位平台與共享新創的蓬勃發展，會員涵蓋共享智慧運輸、外送服務、承攬媒合與資訊平台等領域，服務用戶突破千萬，就業人口達十多萬人，為台灣新經濟與新生活型態的重要推動者。 ＊ 本文經社團法人台灣數位平台經濟協會授權刊登，首圖來源：DEAT 提供。 （責任編輯：張哲瑋）

【劉永信專欄】AI 讓產出變多了，但公司的決定有因此變好嗎？

這幾個月，我們應該也用 AI 做了不少事，寫報告、整理會議紀錄等，但產出變多了，有沒有哪一次停下來問過自己，這些東西有沒有讓公司的任何一個決定變得更好？ 我會這樣問，是因為數學界其實也在發生一樣的事，當 AI 可以大量產出，原本用來衡量好壞的標準，突然就不準了。 2026 年 9 月，OpenAI 的一萬個 AI Agents 花了 88 小時，解開一道困擾數學界一個世紀的難題，過程燒掉大約一千五百萬美元，二十年前，一個俄羅斯數學家獨自解開另一道同等級的難題，花了將近十年，事後別人要頒給他一百萬美元，他拒絕了。 兩件事都算成功，差別在於，俄羅斯數學家留下了一套方法，讓後來的人有新的工具可用；OpenAI 留下的是一個答案。 這就是我們在公司裡遇到的那個問題，報告交出來了，但團隊有沒有因此多懂一件事？ 證明完成之後，佩雷爾曼拒絕了一百萬美元 先說留下方法的那一位，2002 年，一位俄羅斯數學家開始在網路上發表論文，他的名字是格里戈里・佩雷爾曼，他要解的是龐加萊猜想，一道從 1904 年提出以來困擾數學界近一個世紀的難題，也是克雷數學研究所列出的七道千禧年難題之一，每一道的獎金是 100 萬美元。 他沒有研究團隊，也沒有今日 AI 系統的運算資源，沿著前人開創的里奇流方法，一步一步建立新的證明工具，論文完成後他直接公開在 arXiv 上，沒有投給學術期刊，讓全球數學家自己檢驗。此後數年，世界各地的數學家花了大量時間確認，這道困擾數學界近百年的難題，終於獲得解決。 2006 年，國際數學聯盟決定頒發菲爾茲獎給他，他拒絕了，2010 年，克雷數學研究所正式授予他 100 萬美元的千禧年大獎，他再次拒絕。 佩雷爾曼認為，前人對這項研究的貢獻不該被忽略，他拒絕的不是錢，是那套決定誰有功勞的制度。 一萬個 AI Agents 花了 88 小時，解開一道百年難題 二十年後，同樣等級的難題又被解開了一道，上次佩雷爾曼花了十年，這次 OpenAI 只花了 88 小時。 OpenAI 一次放出一萬個 AI Agents，讓它們同時往不同方向找，再互相交換有用的中間結果，整個過程送出 270 萬則訊息。 這次 […]

台達助蔡司台灣先進封裝設備升級，建立可複製的 Fab 自動化能力

近年來，半導體設備商導入 SECS/GEM 全球標準時，不只是設備與上位系統基礎連線，晶圓廠自動化設備必須深度融入整體製程流程，透過即時的資料收集、事件回報與流程控制，讓 Fab 自動化系統能精準掌握設備狀態。 台達機電事業群產品管理資深課長陳敬中指出，設備商通常專注於自身工藝與機台控制邏輯，「真正的挑戰，在於如何將嚴謹的規格文件，轉化為設備端可開發、可測試、可驗證的自動化功能。」陳敬中分析，當設備進入半導體製造環境後，設備商除了要釐清通訊標準在不同情境下的資訊回報與訊息傳遞，更要理解 Fab 的自動化運作，包括自動物料搬運系統 (AMHS) 、跨設備互動，以及 SECS/GEM、GEM300 等標準對設備行為的規範。 面對蔡司這類光學和光電學技術的領導設備品牌，要滿足客戶端先進封裝工具的自動化規格，如何將 Fab 使用者的操作需求、機台 know-how 與內部控制邏輯整合成軟體功能，過程中往往需要投入相當時間進行需求轉譯與軟體實作。台達 DIASECS 半導體設備標準通訊及控制應用軟體，正是協助設備商降低這層導入門檻的重要支援。 收到 Spec 只是起點 從規格到設備行為的 SECS / GEM 導入挑戰 以蔡司台灣導入台達 DIASECS 為例，終端客戶提供的規範文件 ( Spec )通常只定義通訊標準、事件回報機制與資料交換方式，未涵蓋設備運作細節，設備商仍須自行規劃實際的設備行為與內部控制邏輯。例如：電子顯微鏡須持續監控實際位置，避免壓壞樣品。而在全自動化晶圓廠中，除了內部警報，設備還須透過 SECS/GEM 即時回報事件與狀態給上位系統，讓工廠能掌握風險並採取管理措施。 當設備商將上述控制需求納入自動化流程，便須與上位系統連動。例如：設備須即時回報鏡頭位置；鏡頭接近安全距離時，會立刻觸發通知；上位系統接受資訊後，會啟動警報、限制操作、甚至直接鎖住機台，防止損壞發生。陳敬中指出，設備商雖熟悉機台運作，卻未必了解 Fab 自動化系統中各個事件的優先順序與關鍵價值。若缺乏 Fab 場域經驗，即使充分掌握 Spec，也難以精準判斷設備行為、傳遞相應資訊，進而影響與自動化系統的整合效率。 台達扮演規格轉譯者，協助平衡需求與設備可行性 在此類專案中，台達除了提供 DIASECS 軟體產品，也同步提供顧問服務與導入支援。專案初期，台達透過多次技術會議協助蔡司台灣理解終端客戶的自動化需求與規格內容，釐清資料收集、事件回報與流程控制要求，並依據蔡司台灣的設備現況提供系統架構建議，提前規劃設備端與上位系統間的分工。 陳敬中提醒，Fab 端的自動化需求未必能在既有設備架構下實現，若未經評估便全面導入，易增加開發風險，影響專案時程。台達可協助雙方判斷在客戶需求與設備限制之間取得平衡，提高規格轉化為可實作功能的可行性，藉由豐富的 Fab 場域經驗，縮短需求理解到系統實作的距離。 產品選型上，蔡司台灣採用台達的 DIASECS-GEM Library，作為 SECS/GEM 通訊開發框架。陳敬中指出，這套 Library […]

NVIDIA 董事會啟動調查、華爾街憂經營風險，台經院張建一：AI 供應鏈影響有限

NVIDIA 董事會因外國情報活動疑慮宣布獨立調查，正值全球 AI 科技股劇烈震盪之際。這起事件是否會進一步影響 NVIDIA 營運與台灣供應鏈？台灣經濟研究院院長張建一在 11/9 接受媒體訪問時表示，相關國安問題仍有待釐清，但他認為事件對 NVIDIA 未來發展及整體 AI 供應鏈的影響有限，不至於因此阻礙 AI 產業發展。 根據 NVIDIA 聲明，董事會將由獨立董事組成委員會，並委託外部律師，調查執行長黃仁勳是否成為外國情報行動的目標。該董事會強調，目前沒有理由相信美國國家安全或 NVIDIA 商業機密已受損，但仍將審視可取得的資訊。 亞洲股市反彈，華爾街仍關注 NVIDIA 經營風險 《Bloomberg》記者報導，調查消息傳出後，Nasdaq 100 指數期貨一度下跌 1%。不過，截至 11/9 當日上午 9 時 44 分，MSCI 亞太指數上漲 1.7%，日本日經指數也上漲 2.8%，顯示亞洲股市並未因事件全面下跌。事實上，全球 AI 科技股在此之前已面臨賣壓；美國期中選舉後，投資人擔心國會可能加強 AI 產業監管，加上對資料中心支出與投資回報的疑慮，使科技股持續承壓。 另一方面，《Bloomberg》引述伯恩斯坦（Bernstein）分析師 Stacy Rasgon 指出，事件突顯 NVIDIA 高度依賴黃仁勳的「關鍵人物風險」；NVIDIA 尚未公開明確的接班計畫，管理架構又高度仰賴黃仁勳的決策，使投資人更加關注公司的經營與治理風險。 張建一：不至於阻礙 AI 發展，對供應鏈影響有限 不過，張建一對事件的產業衝擊持相對審慎的看法。他接受媒體採訪時指出，目前仍須釐清是否有 AI 技術流入中國、相關晶片或伺服器的取得管道是否合規，以及美國國會後續將採取哪些行動。但他認為，AI 產業發展不會因為個別事件就停滯，對 NVIDIA 未來發展及整體 […]

AI 白領浩劫還沒來？美國顧問、法律、會計 10 月齊增人力，但客服、文件處理仍在萎縮

顧問公司、律師事務所與會計事務所，常被視為 AI 最可能縮減人力的行業，但美國最新數據顯示，這三個行業 10 月都在增加人力。美國勞工統計局（BLS）美國時間 11/6 公布 10 月就業報告，非農就業增加 16.5 萬個工作，高於過去 12 個月平均每月 4.8 萬個，8、9 月的整體非農就業增幅也合計上修 8.4 萬個；失業率為 4.1%，變化不大。 《華爾街日報》指出，這份報告讓「AI 將成為白領工作殺手」的擔憂打上了問號，而這類擔憂才剛幫助對 AI 持懷疑態度的候選人，在美國上週的選舉中勝選。不過，專業與商業服務業就業增加，不代表每一種白領工作都安然無恙。數字背後，哪些工作正在縮減？企業找人的條件又出現了什麼變化？ 專業與商業服務業單月增加 7 萬個工作，創 2022 年 7 月以來最大增幅 根據 BLS，專業與商業服務業 10 月增加 7 萬個工作，遠高於過去 12 個月平均每月 1.5 萬個；《華爾街日報》指出，這是該產業自 2022 年 7 月以來最大的單月增幅。細看產業別，管理、科學與技術顧問服務較上月增加 1 萬 7,300 個工作，法律服務增加 2,400 個，會計、報稅、記帳與薪資服務增加 2,300 個，這些都是常被列為 AI 曝險程度最高的行業。 這波增加也不只集中在單一行業。BLS […]

【每個產業都在變成半導體產業】從汽車到醫材，運算能力正成為產品差異化的關鍵

對多數企業來說，晶片向來是工程與技術團隊才需要關心的事，其他高階主管很容易忽略這一層。但如今形塑企業經營的各項技術，從 AI、自動化到連網產品與智慧基礎設施，全都建立在越來越精密的晶片之上。 大多數企業這輩子都不會自己設計晶片，但半導體技術的進展，正越來越直接地決定企業能做出什麼產品、如何創新與競爭。不論企業是否察覺，每個產業都正在變成半導體產業。 晶片能力正在決定產品本身 這個轉變的關鍵，在於 AI 的落腳處正在改變。AI 不再只存在於資料中心與雲端，而是走向邊緣裝置，也就是直接在終端設備上運作，嵌入車輛、醫療設備、工業設備、消費產品與關鍵基礎設施，包括機器人、智慧無人機等實體 AI。而推動這股趨勢的是，企業對即時洞察、更低延遲、更好的隱私保護，以及更節能運算的需求。 根據市場估計，全球邊緣 AI 市場規模在 2025 年為 249.1 億美元，預估 2026 年將成長至 299.8 億美元，晶片的重要性也因此前所未有。 其中，汽車業是最明顯的例子。過去，汽車主要由機械工程與馬力定義；如今，許多消費者評估車輛時，看的是駕駛輔助功能、車載娛樂、連網能力，以及越來越高的自動駕駛程度。車輛的運算能力，已經和引擎性能一樣重要，甚至更重要，可以說車上的眾多晶片正在定義產品本身。 其他產業也出現類似變化，包括資料中心的基礎設施正從一體適用的運算架構，轉向能依工作負載與能源需求調整；醫療設備變得更智慧、更連網，支援 AI 輔助影像、機器人手術與可攜式診斷；工業機器人過去只執行固定功能，如今則被期待能感測、分析、學習，並持續提升生產力。 競爭優勢往技術堆疊更深處移動 當晶片開始定義產品，競爭優勢的來源也跟著往下移。在應用層以下所做的技術決策，正越來越影響 AI 效能、能源效率、安全、資安與使用者體驗。顧客或許看不到這些技術，卻每天都在產品功能中感受到成果。 而這也改變了企業看待技術所有權的方式。過去，企業可以採購現成的技術元件，把心力放在其他地方，如今這種做法已經不夠；垂直整合、也就是企業自行掌握更多上下游環節，正逐漸成為常態。 在資料中心領域，客製晶片的競賽已不限於 AMD、Intel、NVIDIA 等半導體公司。亞馬遜、Google、Meta 與微軟等超大規模雲端業者，也直接投入晶片研發，並在產業活動中展示自家晶片。汽車業同樣如此，特斯拉、比亞迪、小鵬、蔚來與理想等電動車廠，改以軟體、運算能力與 AI 一較高下。 不過，並非每家企業都需要自己設計晶片。企業可以整合商用晶片、委託客製，或與夥伴共同設計，但都不能再把半導體創新，視為完全與業務無關的技術決策。 垂直整合與半導體素養成為領導力 客製晶片日益重要，反映的是垂直整合的回歸；蘋果近 20 年前收購晶片設計公司 P.A. Semi 就是早期的訊號，這股趨勢此後持續加速。 不論企業自行設計晶片，或與技術夥伴密切合作，許多企業都開始參與過去完全交給供應商的決策。這麼做的目的不是為了擁有而擁有，而是更深入理解並共同最佳化決定產品能力的技術堆疊。 與此同時，創新的方向也變成雙向。過去，企業先找出業務問題，再向技術供應商尋求解方；如今，半導體技術的進展往往先創造出全新的可能，企業再競相把它納入產品與服務。AI 加速就是例子，隨著晶片能力提升，醫療、製造、運輸等產業開始重新想像產品能做到什麼，在許多情況下，是能力先出現，創新才跟上。 這也讓半導體素養成為重要的領導能力。經營者不需要成為晶片設計師，但必須具備足夠的理解，才能掌握晶片進展如何影響產品策略、顧客期待、長期競爭力與經營績效。 把半導體策略放進企業策略的核心 經營者只要具備足夠的半導體素養，就能問出更好的問題，包括運算能力在哪裡能創造差異化、哪些能力該自己掌握、哪些該向外採購，以及該如何擴大規模。 許多企業仍把半導體當成由供應商代為處理的隱形層。然而，當產品越來越智慧化、越來越由數位技術定義，這種心態的風險也越來越高。未來 10 年的贏家，會清楚知道晶片在哪裡創造優勢、在哪裡合作更聰明，並把半導體策略放進企業整體策略的核心。 【推薦閱讀】 ◆ 耐能衝刺 […]

Google 瓦解 130 萬台機上盒殭屍網路，指代工廠出廠藏後門、家用網路成代理節點

Google 威脅情報團隊（GTIG）近日公布，與日本警察廳、資安業者 Synthient、TrendAI 等夥伴合作，瓦解名為 XCPE 的殭屍網路。Google 指出，Android 設備代工廠（OEM／ODM）Videostrong 讓逾 130 萬台機上盒成為殭屍網路的一部分；Google 認為這不是個別內部人員所為，也不是開發疏失，「x.cpe 網路是為了持續獲利而建立的」。Videostrong 截至《The Record》刊出時，未回應置評請求。 TrendAI 觀測到的受感染設備遍及 170 多國，台灣名列最多的前五國之一；而 130 萬台可能還是保守數字。參與調查的 Synthient 創辦人 Ben Brundage 告訴《Krebs on Security》，這個數字「非常保守」。Google 也估計，切斷相關惡意程式家族的控制網域，還能斷開至少 1,000 萬台其他受感染裝置的存取。這些出廠就帶著後門的機上盒究竟被拿來做什麼？買走這些家用網路的又是誰？ 一台電視盒、多條財路：閒置頻寬如何被分包賣出？ 答案藏在「住宅代理」（residential proxy）這門生意裡。住宅代理讓買家借用一般家庭的網路連線上網，被借用的家用設備，就是代理網路的「出口節點」。Google 直指：「後門營運者、廣告詐欺集團與住宅代理業者構成一條互相串連的供應鏈，一旦其中一環遭到打斷，營運者就會迅速轉向新的載入程式，或競爭對手的變現 SDK。」Synthient 則形容，這是一場更大規模「按安裝數付費」（pay-per-install，PPI）行動的一部分，助長了廣告詐欺與代理生態系。 Google 指出，Videostrong 透過出售後門存取權給犯罪合作夥伴，並替對方把惡意模組裝進受感染設備來獲利。名為 x.cpe 的後門預載在韌體中，以系統層級權限執行；TrendAI 進一步拆解，x.cpe 搭配變現模組 com.abc.nexus，能把客廳裡常見的設備，變成住宅代理的出口節點、廣告詐欺的點擊器，或 PCDN 網路的節點。PCDN 在中國相當常見，利用家用設備的閒置頻寬傳送影音串流等內容，並付費給設備主人。 TrendAI 觀察到三類收入：轉賣家庭網路連線的住宅代理服務、未經任何同意畫面就加入的兩個商業頻寬分享計畫，以及產生詐欺廣告曝光的廣告模組。營運者可以從中央主控台，透過 MQTT 指令逐台開關這些模組，一台電視盒因此能用好幾種方式賺錢，有時還同時進行，主人看到的卻只是一台正常播放節目的串流設備。TrendAI 在 6/3 至 […]

【科技早餐】孫正義 54 億美元機器人併購受阻！NVIDIA 完成 10 億美元入股 NAVER

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊孫正義 54 億美元機器人併購卡關，中國禁止收購 ABB 在中業務 日本軟銀集團（SoftBank Group）11 月 6 日公告，已在 11 月 4 日接獲中國外商投資安全審查機關通知，禁止收購瑞士 ABB 在中國的機器人業務。ABB 也在 11 月 5 日證實這項決定。軟銀由董事長兼執行長孫正義（Masayoshi Son）領導，去年 10 月與 ABB 簽署協議，擬以企業價值 53.75 億美元收購其全球機器人部門。這次禁令直接影響中國業務部分，雙方目前仍在討論如何推進整體交易，尚未宣布全球併購案取消。 ABB 機器人事業橫跨工廠自動化、系統整合與工業設備，對軟銀布局實體 AI 具有戰略意義。《Reuters》引述知情人士指出，中國審查涉及敏感技術及資料跨境流動疑慮，但主管機關並未公開完整否決理由。對有意跨境併購自動化企業的買方而言，這起事件凸顯：即使交易標的是全球事業，只要涉及中國製造、研發或客戶資料，審查結果也可能改變交易結構與時程。後續重點在雙方能否提出獲得接受的處理方案。 ＊NVIDIA 完成 10 億美元入股 NAVER，最高 90 億美元 AI 算力計畫推進 NVIDIA 對南韓網路與雲端業者 NAVER 的 10 億美元投資，已在 11 月 6 日完成付款。根據 NAVER […]

【Anthropic 機器人工作能力報告】技術已能接管全美 34% 工作，但真正「比請人便宜」的不到 1%

人工智慧研究機構 Anthropic 發布《What work can robots do?》（機器人能做哪些工作？），由學者 Russell Legate-Yang 與 Maxim Massenkoff 共同撰寫。報告內容核心在於建立了一套具備 50 年歷史驗證力的「機器人工作暴露度指標」，透過實際比對當前機器人的能力與部署成本，指出機器人技術上已能勝任許多體力工作，但成本仍高，短期內難以大規模取代人類。 很多人看到新聞展示會飛、會翻滾的人形機器人，就擔心職場很快會被機器人接管。但 Anthropic 的研究發現，雖然現在的機器人在技術上，已經能做出全美約 74% 的實體工作任務（換算下來占全美總工作時間的 34%），真正算盤打得響、能夠「比聘用人類勞工更划算」的工作任務，目前在全美國其實只有 0.3%。這個數據說明，面對實體自動化浪潮既不需要過度恐慌，也不該低估未來的轉型衝擊。 📎 這份報告適合誰閱讀？ 這篇報告針對「實體自動化能力」與「經濟部署成本」進行具歷史驗證的量化分析，適合以下三類工作者閱讀與參考： 🔴 報告洞見 機器人已能做哪些實體工作 要了解機器人對職場的影響，首先要定義什麼是「機器人」。報告中將機器人定義為「能夠自行感知周遭環境並採取行動的自主實體機器」，這包含路上跑的 Waymo 自駕車、倉庫裡的自動搬運機器人、工廠的自動焊接手臂，甚至是能自動掃描車身來調整噴水角度的洗車機；但不包含像「達文西手術手臂」這種，完全需要人類醫師手動遠端操控的非自主設備。 為了客觀衡量影響，研究團隊使用了美國勞工部的 O*NET 職業資料庫（裡面記錄了 900 種職業與約 19,000 項細部工作任務），並透過 Anthropic 開發的 Claude 模型，協助對每項任務進行分析與打分——在全美職場所有的工作時間裡，純粹靠大腦思考或與人溝通的「認知與社交任務」占了 54%，其餘 46% 則屬於需要動手或動身體的「實體任務」。 機器人「暴露度（Exposure）」，白話來說就是「這項工作有多容易被機器人接管」。由於機器人最怕遇到突發狀況或混亂環境，因此報告特別根據機器人運作時對「環境控制程度」的要求高低，把實體任務分成了四大等級（E0 到 E3）： 把 E1 到 E3 加起來，機器人在技術上確實已經具備勝任全美 74% 實體任務的能力，涵蓋了 […]

國際創投與產業領袖齊聚臺北！t.Hub 11/18 國際交流會解析 Digital Twin 與 Physical AI 趨勢

生成式 AI 熱潮之後，下一個戰場已不在螢幕裡，而在工廠、設備與營運現場。t.Hub 內科創新育成基地將於 2026 年 11 月 18 日（三）舉辦「Empowering the Future 2026 t.Hub 國際交流會暨投資媒合會」，邀集國際創投合夥人與智慧製造實戰專家，聚焦數位孿生（Digital Twin）與實體 AI（Physical AI）兩大趨勢，直擊 AI 從軟體走進真實場域的投資動向與商機。對擁有深厚硬體與製造實力的臺灣而言，這波浪潮正是將產業底蘊轉化為 AI 競爭力的關鍵時刻。 AI 不只會思考，更要會動手 隨著 AI 與機器人、自動化設備、感測系統及即時運算加速整合，實體 AI 正走進越來越多真實應用場域；數位孿生則透過虛實整合與即時數據，讓企業先在虛擬世界模擬與預測，再於現實中做出更精準的決策。從智慧製造、設備管理到企業營運，兩項技術正共同推動 AI 從「數位工具」邁向可實際部署、驗證並規模化的新階段。 三大重量級講者　從資本、基礎建設到工廠現場 上午場公開論壇規劃三場主題講座： 跨界焦點對談　探討臺灣在全球 AI 版圖的位置 主題講座結束後，講者將同台進行「跨界焦點對談」，從技術、產業應用與國際資本等多元視角，共同探討實體 AI 的未來發展，以及臺灣如何善用製造與供應鏈優勢，在國際 AI 生態系中搶占關鍵位置。 下午閉門媒合　創投與新創精準對接 下午將登場的國際投資媒合會採閉門邀請制。t.Hub 依進駐廠商新創企業的發展需求，邀請多家產業相關的知名創投機構進行精準配對與深度交流，期能促成實質資金挹注與跨國策略合作。 t.Hub 表示，臺灣擁有完整的半導體、資通訊與製造供應鏈，在實體 AI 與數位孿生的發展浪潮中具備關鍵競爭潛力。在臺北市政府產業發展局指導下，t.Hub 持續以內湖科技園區為據點，串聯國際資源與在地產業能量，期望透過本次交流會深化跨國創投與企業鏈結，加速新興技術落地與國際市場對接。 上午場國際論壇開放免費報名，名額有限、額滿為止。誠摯邀請關注 AI 落地應用、數位孿生、智慧製造與創投趨勢的企業決策者、產業夥伴、新創團隊及投資機構踴躍參與，搶先掌握 AI 從數位世界邁向實體場域的新商機。 【活動與報名資訊】

連「有腸躁症的網紅」都找得到，AI 讓品牌選網紅更細，最後一關仍得靠人

當網紅行銷逐漸成為品牌媒體策略的核心，如何精準找到能與目標受眾產生共鳴的創作者，成為行銷團隊面臨的新挑戰。AI 網紅搜尋平台與社群聆聽工具，正協助品牌擴大搜尋範圍、分析受眾特徵並精確評估成效，減少人工篩選的負擔。 超級細緻的條件設定與社群聆聽，精準鎖定利基受眾 傳統的網紅搜尋往往受限於粗略的分類與粉絲數量，而新一代 AI 工具則展現了極高的精準度。 美國濕紙巾品牌 Goodwipes 採用網紅搜尋工具 Modash 後，大幅縮減了手動搜尋的時間，讓團隊得以專注於審視內容契合度。Modash 的條件篩選極其細緻，甚至能精準定位「找一位患有腸躁症、住在納許維爾的女性創作者」。同時，Goodwipes 也搭配社群聆聽工具 Nectar，挖掘原本未被納入目標受眾名單、卻已在討論品牌的微型社群，例如產後媽媽。 除了受眾搜尋，AI 工具也進一步提升了成果評估的精細度。創作者社群 FiveTwoNine 運用 Companion 工具分析活動參與者發布的貼文，量化估算其產生的「Earned Media Value, EMV」。這讓團隊能向客戶提供更具體且數據化的成效報告，具體呈現網紅行銷的實質商業價值。 人機協作的「混合模式」，除了篩選數據，也要挖掘故事 儘管 AI 能快速建立龐大的候選名單，但涉及視覺風格、文化語境與社群影響力時，現有演算法仍存在盲點。Wix 合作夥伴與網紅行銷主管 Sarah Adam 便指出，市場對於能依據「美學風格」而非僅靠關鍵字搜尋的工具有極大需求。此外，假粉絲與異常互動等數據風險，依然需要行銷團隊審慎把關。最成功的策略通常採用「人機協作模式」：由 AI 負責高效撒網與數據過濾，再由人類評估其內容調性與真實文化共鳴。 寵物食品品牌 Mars Pet Nutrition 的 Sheba 品牌即展現了人類洞察的重要性。在「Ignored to Adored」行銷活動中，團隊透過 AI 篩選鎖定了花式滑冰選手 Ilia Malinin，但真正引爆話題的情節，則是團隊與經紀公司深入溝通後，結合其私下養貓且準備再次領養的生活經驗所規劃出的故事線。這證明了數據可以協助發現人選，卻無法取代對創作者真實經驗與情感連結的解讀。 保溫杯品牌 Stanley 1913 品牌長 Kate Ridley 也表示，面對變化快速的微型社群，品牌難以依賴單一的套用公式，唯有保持「持續聆聽」並快速調整合作策略，才能在動態的市場中抓住機會。 對消費品牌而言，AI 網紅行銷的終極目標，是將數據篩選、社群觀察與人際互動整合進同一個工作流程。工具能提升效率、優化成效評估並累積歷史數據，但品牌能否找到真正理解產品、深受社群信任且具備故事感染力的創作者，終究取決於團隊的洞察與決策。當每次合作的經驗都能回饋至未來的策略規劃中，網紅行銷就能從單純的執行管道，升級為品牌長期累積的競爭優勢。 […]

美國期中選舉後，加密法案 CLARITY 更難過關？民主黨據報研議新法，擬擴大 SEC 監管權限

據《CBS News》推估，美國時間 11/3 的期中選舉，民主黨將在明年同時掌控參眾兩院。《Decrypt》報導，在 2024 與 2026 兩個選舉週期，加密產業花了超過 3 億美元支持兩黨的親加密貨幣候選人，光今年就有約 1.76 億美元投入 100 多場選戰。但加密產業一直爭取的聯邦市場規則《數位資產市場明確法案》（Digital Asset Market Clarity Act，簡稱 CLARITY Act），9 月在參議院的程序表決就以 49 比 50 卡關；《PYMNTS》也指出，民主黨拿下兩院後，產業將面臨更嚴格的檢視，爭取這套規則通過的機會也在縮小。 新國會 2027 年 1 月就任，除非議員在本屆會期結束前讓法案復活，產業就得在民主黨掌控兩院的情況下重新推動立法。另據報導，眾議院民主黨正討論另提一部新法，把更多監管權交給美國證券交易委員會（SEC）。美國的加密資產該由誰來掌管、管多嚴，接下來會怎麼走？ 選前已卡在利益衝突與穩定幣獎勵，民主黨掌控兩院後協商為何更難？ CLARITY 法案要界定聯邦監管機關如何監管不同的加密資產與交易活動，2025 年起就在國會來回。9 月參議院表決的是「推進動議的終結辯論」（cloture），也就是限制「要不要審議這項法案」的辯論，需要 60 票才能通過。這不是對法案的最終表決，但 49 比 50 的結果，讓法案無法進入完整辯論。當時在場的民主黨參議員全數反對，共和黨的 Susan Collins、Josh Hawley、Jerry Moran 也投下反對票，Thom Tillis 則是先投贊成，後來因程序因素改投反對。 協商卡在兩件事：限制政府官員的加密事業利益，以及穩定幣獎勵怎麼處理。穩定幣是設計成維持固定價值的代幣，銀行業主張收緊這類獎勵支付，理由是可能讓存款從放款機構流出。民主黨議員尤其質疑川普個人與家族加密事業的利益衝突，參議員 Elizabeth Warren 也要求在法案中禁止官員及其家人從加密產業獲利。 《PYMNTS》分析，在新的多數黨之下，回到同一套立法妥協的可能性不高。GSR 研究副總裁 Carlos […]

以開放架構掌握 AI 主導權──Red Hat 全球巡迴年會揭企業 AI 算力、資安與主權治理新布局

AI 模型、工具、平台更新速度越來越快，既有 IT 架構如何持續因應新技術與風險管理？如何避免被單一供應商綁定（Vendor Lock-in）？Red Hat 台灣區總經理孫媛音在 11 月 3 日 Red Hat 全球巡迴年會致詞中強調，「讓你的資料、基礎架構與決策權真正掌握在自己手上，這才是主權真正的價值。」 針對企業下一階段的 AI 布局，Red Hat 平台能支援「Any Model、Any Accelerator、Any Cloud」，任企業自由選擇適合自己的模式。面對預算和人力有限、既有 IT 投資不易汰換的現實，Red Hat 亞太區技術銷售副總裁 Fytos Charalambides 認為，企業 IT 應從「Token 消費者」轉型為內部的「Token 供應商」，統一管理 AI 算力與模型，並依照各部門需求提供 AI 服務，提高整體資源的使用效率。Red Hat 副首席解決方案架構師兼 AI 實踐 Peter Ho 現場展示 OpenShift AI 的 MaaS（Model as a Service，模型即服務）如何調度 GPU 資源，平台同時提供不同模型的效能與安全評測數據，協助企業評估部署的成本與效益。 除了模型效能與算力成本，資料安全及應用需求也會影響企業對部署方式的選擇。Red Hat […]

KPMG：網銀防駭，首要補強交易授權防線

針對近期銀行遭駭事件，KPMG 安侯企業管理董事總經理謝昀澤表示，網銀交易如同銀行臨櫃服務，即使查得帳戶資料，仍須確認客戶是否有權動用存款，並核對客戶是否同意該筆交易的收款對象與金額。謝昀澤指出，攻擊者可能透過反覆試誤找出有效帳戶，而當銀行系統誤認操作者身分、未確實核對交易授權，或將其他程式傳送的指令視為已獲客戶確認，就可能造成非客戶本人意願的交易被放行。 因此，銀行不能只確認前一道程序是否顯示「驗證完成」，而應在真正扣款前，再確認這筆交易是否確實經過客戶授權，包括轉給誰、轉多少錢，以及所使用的裝置與操作情境是否合理。他強調：「網銀安全的最後一道防線，不只是確認誰登入，而是在扣款前確認：轉給誰、轉多少，是否真的是客戶的意思。」 謝昀澤建議，針對高風險匯款，銀行應將客戶身分、裝置、交易內容、收款人與金額等資訊一併確認，而非只依賴前一道系統傳來的「已驗證」結果。 不過，他認為，就目前公開資訊來看，銀行已表示事件與新網銀交易系統供應商的安全設定有關，並已採取加強驗證與異常交易監控等措施；至於完整攻擊方式，以及各系統間如何受到影響，仍待後續調查釐清。 銀行 App 上線前通常會進行功能與資安測試，也可能委託第三方檢測，為何仍會發生這類事件？KPMG安侯建業執行董事林大馗指出，關鍵在於測試的深度、廣度及有效性。測試不僅要確認正常轉帳能否完成、檢查原始碼與個別元件的安全性，也須涵蓋 App、驗證服務與扣款系統串接後的完整交易流程。他說，資安測試不是做過就代表安全，關鍵在於測得夠不夠深、夠不夠廣，以及有沒有涵蓋真正的端到端交易流程。他提醒，後續可優先檢視身分驗證、裝置管理、交易確認，以及銀行與交易相關系統之間，是否正確傳遞並檢核客戶授權狀態，特別是新系統上線前，不只要測它能不能正常交易，更要測沒有客戶授權的交易，能不能確實被擋下來。 謝昀澤分析，從台灣金融業過去的重大資安事件來看，風險經常出現在兩個極端，一是運作多年的老舊系統，另一個則是剛上線的全新系統或元件。老舊系統可能存在尚未修補的漏洞；新系統則可能因管理者尚未熟悉安全設定，或未經足夠完整的測試即上線，而增加失控風險。對金融業者而言，管理重點是讓老系統有明確的修補與汰換計畫；新系統上線前，則應以接近正式營運的設定，從 App、驗證服務一路到後端扣款，完整跑過端到端交易流程。此外，銀行也應事先規劃系統上線後如何監控異常，以及發生重大異常時，如何迅速暫停受影響的功能。 對用戶而言，謝昀澤認爲一般台灣民衆不需因此事件而過於恐慌，不敢使用網銀。近年在金融監理機關的強力監管，以及銀行配合下，仍應對台灣金融科技的應用，充滿信心。但他也提醒，網銀使用者應開啟銀行提供的轉出或扣款通知。交易通知雖不能取代銀行本身的安全控制，但能協助用戶及早發現異常。若發現非本人交易，應直接透過銀行官方 App 或官網提供的客服管道通報。 KPMG《2026 全球 CEO 前瞻大調查》顯示，將資安列為主要成長風險的受訪 CEO 比例由 23% 上升至 31%，排名躍居全球首位。謝昀澤表示，數位服務愈普及，系統在短時間內處理的交易愈多，一處授權缺口也可能迅速波及大量客戶。「金融業追求的不只是交易成功率，更要確保每一筆成功的交易，都是客戶真正授權的交易。」他強調：「交易速度能帶動成長，交易安全才能守住客戶信任。」 （本文訊息由 KPMG 提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：Unsplash。）

Agility 成美國首家上市人形機器人專業公司：逾 3 億美元訂單，還得先通過效能驗收

人形機器人公司 Agility Robotics 於美國時間 11/5 以代號 AGLT 在那斯達克掛牌。《Bloomberg》指出，Agility 是美國第一家上市的人形機器人專業公司，對這個仍待證明的新興產業而言是重要的里程碑；在此之前，中國的宇樹科技（Unitree）已於 8 月在上海掛牌。Agility 透過與特殊目的收購公司（SPAC）Churchill Capital Corp XI 合併上市，交易於 11/4 完成，募得約 4.65 億美元（未扣除交易費用），其中約 2.01 億美元來自鴻海領投的私募（PIPE）。 Agility 執行長 Peggy Johnson 接受《Bloomberg》訪問時表示：「我認為，更大的故事可能是 AI 走出數位世界之後，接下來會發生的事。」對製造、物流業的主管而言，Agility 上市前後公開的營運與財務資料，提供了觀察人形機器人商業進度的窗口：Digit 實際能做到哪些工作？客戶用什麼標準驗收、付費？離規模化又還有多遠？ 從搬周轉箱到想走出安全圍籬：Digit 做到哪些事，Digit 5 還要補上什麼？ Agility 一直鎖定粗重、重複的工作。Johnson 告訴《TechCrunch》：「你不會看到 Agility 推出很多會跳舞或後空翻的機器人。」她說：「我們堅持自己的策略，也就是這些人工、高度重複、很難找到人來做的工作。」她舉例，一些職場把單人搬起 50 磅（約 23 公斤）物品當作避免受傷的非正式門檻，「Digit 可以一次又一次地重複這個動作」。Johnson 也向《Bloomberg》引用 Deloitte 2024 年的研究指出，美國製造業補不上的職缺，預計到 2033 年將增至約 190 萬個。 目前 Digit […]

耐能衝刺 Nasdaq IPO、營收達去年約 3 倍：從賣 AI 晶片跨足算力服務，瞄準什麼商機？

台灣 AI 晶片業者耐能智慧（Kneron）正積極推進美國那斯達克（Nasdaq）上市計畫。其創辦人暨執行長劉峻誠近日接受《Bloomberg》專訪時透露，公司今年營收約為去年的 3 倍，並已進入全球大型科技企業供應鏈。不過，耐能接下來的成長策略不只著眼於增加晶片出貨，而是希望將 NPU 技術延伸至企業 AI 推論、邊緣運算與主權 AI 基礎設施，從晶片供應商擴展為整合式 AI 解決方案業者。 根據 《Bloomberg》11/2 專訪，劉峻誠表示，耐能已取得 Nasdaq 股票交易代碼，並接近與國際一線投資銀行完成合作委任協議，洽談對象包括摩根士丹利、摩根大通與高盛等。取得交易代碼不代表已獲准上市，他未透露預計掛牌時間及募資規模，強調公司將先完成上市準備，再等待合適的市場時機。 商業表現方面，劉峻誠透露，耐能今年營收約為去年的 3 倍，並已進入一家市值約 4 兆至 5 兆美元的大型科技公司供應鏈，該客戶已有多款產品採用耐能晶片。不過，耐能尚未公開客戶名稱、具體營收金額與財務統計期間。 從 NPU 晶片跨足 AI 基礎設施，耐能瞄準哪些需求？ 耐能長期投入低功耗神經網路處理器（NPU）研發，產品應用涵蓋智慧裝置、安防與車用等邊緣運算場景。如今，該公司正進一步將既有晶片技術延伸至 AI 伺服器、企業私有化 AI 與推論服務，希望擴大在企業 AI 基礎設施市場的角色。 劉峻誠向《科技報橘》表示：「我們正透過從硬體跨足到高度整合的邊緣解決方案，建構下一世代的 AI 基礎設施，為企業提供在全球落實 AI 應用所需的低功耗、高成本效益算力。」 隨著 AI 應用從資料中心延伸至工廠、企業及各類終端設備，運算需求也不再只涉及晶片效能，還包括部署成本、能源消耗、即時反應與資料隱私。耐能在近期公告中指出，這些因素正成為企業導入 AI 時的重要考量。 對此，耐能正將既有 NPU 技術與 AI 伺服器、軟體及推論服務進一步整合，希望從提供晶片與硬體設備，擴大參與企業 AI 基礎設施的建置與服務。相較於單純銷售晶片，這項布局也讓耐能有機會透過整合方案與持續性的推論服務，拓展收入來源。 劉峻誠在《Bloomberg》專訪中也提到，耐能除了銷售晶片，已開始提供整合式 […]

蘋果傳調降工程師每日 AI 額度，從 300 降至 200 美元：企業怎麼控管 AI 成本？

根據《Bloomberg》引述知情人士報導，蘋果在 10 月悄悄調降部分工程師使用 AI 模型的每日支出上限，從 300 美元降到 200 美元，並計畫再調降部分工程團隊的額度。與此同時，蘋果仍尋求讓 AI 成為營運核心。報導形容，這凸顯蘋果面臨的平衡難題：一邊要控制成本，一邊又要鼓勵員工把 AI 更深入融入日常工作。 AI 帳單的壓力，Gartner 早已提出預警。這家研究機構預測，到 2028 年，AI 寫程式的成本將超過開發者的平均薪資，原因是大型語言模型（LLM）的 token 用量上升，AI 寫程式工具供應商的計價方式也從按席次授權，轉向依用量計費。token 是生成式 AI 模型處理的資料單位，用量多寡將直接影響這類工具的成本。當員工的 AI 工具全面開放，企業要怎麼鼓勵使用，又不讓支出失控？ 蘋果部分工程師每日 AI 額度降到 200 美元，工作需要可向資深主管申請例外 蘋果的這些預算考量的就是 token。AI 供應商通常依 token 用量計費，越先進的模型通常越貴；撰寫、除錯程式碼這類複雜任務，也會消耗大量 token。蘋果員工可以使用多種 AI 服務，包括 Anthropic 的 Claude、OpenAI 的 ChatGPT 與 Google 的 Gemini。 知情人士表示，蘋果正計畫對部分工程團隊進一步削減，每日額度可能低到 100 美元。許多非工程部門本來就是每日 100 美元上限，蘋果也已考慮把部分非工程團隊降到 25 […]

中國機器人競爭轉向 AI「大腦」：為何連訓練資料新創都募得 1 億美元？

當外界對中國人形機器人的印象，仍停留在機器人展會上的跑步、跳舞、翻筋斗，中國業者的競爭焦點已逐漸轉變。相較於展示靈活的運動能力，越來越多中國企業開始投入讓機器人理解環境、學習新任務的 AI「大腦」，希望讓機器人真正走進工廠與日常工作場域。 據《Reuters》近日報導，研究機構 ITjuzi 統計，中國具身 AI 產業今年上半年完成 322 筆融資，總額達 935 億人民幣，約為去年同期的 5 倍；資金不再只集中於機器人製造商，也開始流向專攻機器人 AI 模型與軟體技術的企業。 上海科技顧問公司 ZenGen Labs 創辦人 Dermot McGrath 觀察，隨著硬體價格競爭加劇，中國機器人業者逐漸認為，未來利潤可能不再主要來自硬體，而是決定機器人能力的 AI 大腦。 中國機器人業者搶攻 AI 大腦，首席科學家待遇上看億元人民幣 機器人 AI「大腦」的核心，是讓機器人能夠理解周遭環境、判斷如何操作物件，並在面對新任務時調整行為，而非只能依照預先設定的程式執行動作。為了提升這些能力，中國機器人業者正加大 AI 模型與相關軟體的研發投入。 《Reuters》指出，X Square、Galaxea（星海圖）及 Spirit AI（千尋智能）等專攻機器人 AI 的中國新創，根據各家公司公布的資訊，估值均已達約 30 億美元。 原本以硬體製造為主的業者也積極投入。優必選曾刊登首席科學家招募職缺，希望延攬 AI 模型研發人才，包含股權與福利的整體待遇最高達 1.24 億人民幣。據知情人士透露，宇樹科技約有 30 名研究人員投入預測物體行為的 AI 技術研發，但宇樹未回應《Reuters》的查證請求。 X Square 共同創辦人楊謙則指出，公司的目標是讓機器人從依賴程式碼控制，轉向能根據常識採取行動。這類研發試圖解決的問題，是讓機器人不必完全依賴事先編寫的動作指令，也能應對不同任務與環境變化。 訓練資料也成投資焦點，中國新創募得 1 億美元 不過，要讓機器人具備更強的環境理解與操作能力，模型開發商首先面臨訓練資料不足的挑戰。不同於語言模型可利用大量網路文字訓練，機器人 […]

【科技早餐】Google 力挺 Anthropic 190 億美元資料中心租約！SpaceX 攜高通建 5G 網路

【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊Google 為 Anthropic 資料中心租約提供信用支持，20 年合約估 190 億美元 美國資料中心開發商 TeraWulf 11 月 4 日公告，Google 同意為 Anthropic 位於肯塔基州 Hawesville 的資料中心租約提供信用支持，協助降低融資風險。Anthropic 今年 7 月與 TeraWulf 簽署 20 年租約，承租約 401 MW 的關鍵 IT 負載容量，20 年租期預計帶來約 190 億美元收入。這筆金額是長期租金預期，並非 Google 向 Anthropic 或 TeraWulf 投資 190 億美元。 TeraWulf 的申報文件顯示，Google 的信用支持將在相關機房達到約定啟用條件後生效；若 Anthropic 違約，Google 可依約承接租約或支付終止費。公司也擴大與工程承包商 Fluor 的合作，預計 2027 年底開始分階段交付機房，至 2028 […]

歐洲超市冷凍櫃三週兩度遭駭、法國血庫也遇襲：設備管理介面為何成破口？

10/11 夜間起，法國數百家超市的冷凍設備遭到遠端攻擊，被強制切換成除霜模式，溫度最高被調到 50°C。Intermarché、Carrefour 等連鎖食物腐壞，數家店甚至起火。三週後，11/1 深夜到 11/2，比利時、愛沙尼亞、愛爾蘭、盧森堡、荷蘭與瑞典逾 100 家店的冰箱與冷凍櫃又再升溫，芬蘭、義大利、葡萄牙也傳出災情，受害者從大型連鎖到小肉舖都有；同一天，法國血液機構（EFS）也有 3 個站點的冷藏室，溫度與除霜門檻被調到極高。 這幾起事件的共通點是，遭到改動的不是企業的電腦，而是管理冷藏設備的控制器。這類控制面板愈來愈常被接上網路，方便維護廠商遠端調整；一旦被動手腳，造成的就是報廢食品、門市起火這類實體損失，業者甚至可能不知道自家設備暴露在網路上。這些設備為什麼這麼容易被駭？業者又該從哪裡著手防護？ 從超市延燒到血庫：遭改動的是冷凍設備，而非企業電腦 以血庫事件為例，EFS 證實，一家「冷凍設備供應商」遭遇資安事件，部署在 3 個站點、存放輸血與製藥用血漿的冷藏室，監控與控制系統被調整。據首先披露的法國週刊《鴨鳴報》（Le Canard enchaîné）報導，攻擊者企圖把平時維持在 -30°C 的溫度調到 110°C。EFS 表示，監控與警報系統及時發現異常，產品也預防性移往其他設施，沒有血液製品損失。 《鴨鳴報》也指出，受影響的供應商是 Coolworld。Coolworld 表示，「目前媒體報導的漏洞，涉及第三方供應商的元件，不在 Coolworld 的直接控制範圍內」，並稱只有少數設備受影響。至於超市的兩波攻擊，目前沒有人出面認領，調查人員也還沒確認兩波是否相關。 類似的疑雲也出現在美國。《Reuters》10/29 獨家報導，據 4 名知情官員表示，美國國防部正將 8 月多家軍營超市冷凍櫃異常的事件，視為疑似駭客攻擊；至少 6 家超市受影響，其中至少一處的冷凍櫃是在夜間被調高溫度。一名官員表示，軍方調查人員已與法國方面聯繫，但《Reuters》無法確認調查是否已有結論。 工業資安公司 Xona Systems 執行長 Bill Moore 認為，根本問題在於這些控制器原本設計成獨立的介面、由技術人員到場維修，如今卻愈來愈多被接上網路，而冷凍設備一旦暴露，後果可能特別嚴重。比利時 Howest 應用科技大學 Cyber 3 Lab 研究員 Laurens Singier 也告訴《Reuters》：「如果看數字，仍有大量工業設備暴露在公網上，而且在很多情況下，身為肉舖或巧克力店老闆的你，自己甚至都不知情。」 管理介面直接對外、沿用預設密碼、韌體沒更新：冷凍控制器為何容易下手？ 法國國家資安局（ANSSI）旗下的電腦緊急應變小組 CERT-FR 在警示中指出，已掌握冷凍設備商丹佛斯（Danfoss）的 […]

美國期中選舉後，德州約 13 GW 資料中心計畫恐延後：緯創等台廠會受波及嗎？

美國時間 11/3 的期中選舉，民主黨奪回聯邦參眾兩院，也在德州、俄亥俄、喬治亞拿下州長，三位新州長競選時都主張管制 AI 資料中心。德州州長當選人 Gina Hinojosa 是該州三十多年來首位民主黨州長，曾多次呼籲立即暫停資料中心開發。但德州的審批在選前就已收緊，共和黨籍現任州長 Greg Abbott 9/21 已指示州環境品質委員會，在電網營運商 ERCOT 與州水資源發展委員會（TWDB）完成稽核前，停發資料中心的所有許可。 《Fast Company》指出，兩人的差別在於，Abbott 的限制綁在稽核上，Hinojosa 則要等州議員制定更長期的保護措施才放行。根據富國銀行（Wells Fargo）估計，全美規劃中的資料中心容量有 27% 在德州。哪些計畫可能延後？在德州組裝 AI 伺服器的台廠，又會不會受到波及？ 德州要等立法、俄亥俄設條件、喬治亞先停建評估：三位新州長的資料中心政見有何不同？ Hinojosa 指控開發商「推高我們的公用事業費率、耗盡我們的水」，承諾暫停核准，直到召開「一個以德州人優先的立法會期」；據《Fortune》報導，她也承諾取消大型開發商的補貼與租稅優惠。研究機構 SemiAnalysis 選前指出，「現在的問題是，暫停會持續多久」。《Fast Company》提醒，州長可以在現行法律內指揮州政府機關，但要永久修改租稅減免，需要州議會配合，全州暫停令也可能遇到法律障礙；據《Yahoo Finance》報導，州參議院預料仍由共和黨控制。 俄亥俄州長當選人 Amy Acton 主張立即實施有條件的暫停，開發商要符合一系列要求才能動工。《Fortune》報導，其中包括負擔全部的公用事業成本。喬治亞是資料中心開發的第三大州，州長當選人 Keisha Lance Bottoms 競選時呼籲暫停新建。《Fortune》形容是全州暫時停止新建，以評估資料中心對電費的影響。 富國銀行估計，喬治亞占全美規劃中資料中心容量的 7%，俄亥俄與民主黨籍州長 Josh Shapiro 連任的賓州各占 5%。《Bloomberg》估計，德州加上喬治亞、俄亥俄與賓州的選舉結果，可能讓全美約一半的 AI 資料中心新增提案，面臨更嚴格的在地審查與反彈，但未說明計算方式。政策顧問機構 Optimal Advisory 也認為，期中選舉可能向州與地方官員傳遞一個訊息：「擋下、延後資料中心，或提高其成本，在政治上是有好處的」。 有電有許可的照蓋、缺許可的恐晚 12 到 18 個月：分析師怎麼看德州計畫？ 研究機構 […]

自主付款 Agent 列最高風險？美國 OCC 首度發布銀行 AI 監理框架，人工監督成重點

當 AI Agent 不只整理文件，還能直接發起付款、修改帳戶資料，銀行該如何判斷風險，並在出錯前介入？美國貨幣監理署（OCC）11/4 發布首份銀行 AI 監理框架，其中一項值得注意的內容，是將自主付款 Agent 列為最高風險等級的示例，並強調 AI 的風險不只取決於技術複雜度，更與實際用途、自主權及出錯後果有關。 根據《Reuters》報導，這份框架主要供銀行檢查人員使用，並未新增強制性監理要求，而是說明如何將 AI 納入既有的銀行風險管理制度。 不另設 AI 風險類別，OCC 為何仍提出新框架？ 根據 OCC 官方文件，AI 可能增加或改變銀行原有的營運、法遵與信用風險，但不需要因此被視為完全獨立的風險類別，銀行也無須另外設定一套 AI 專屬的風險承受程度（Risk Appetite）。 不過，沿用既有制度不代表不必調整管理方式。傳統模型風險管理重視預測與輸出是否可靠；生成式 AI 可能產生不一致的回答，而 AI Agent 更能存取系統、使用工具、修改資料或執行交易，讓銀行除了模型表現，也必須關注它取得哪些操作權限。 為此，OCC 提出涵蓋 16 個項目的監理框架，並歸納為六大支柱：使用目的、風險、控制、監督、營運韌性與控制有效性驗證。 為此，OCC 提出涵蓋 16 個項目的監理框架，歸納為使用目的、風險、控制、監督、營運韌性與控制有效性驗證六大支柱。核心是先釐清 AI 被允許執行什麼任務、出錯可能造成哪些後果，再依風險調整控制與監督強度，並確認相關機制確實有效。 例如，銀行可在部署 Agent 前，明確界定其用途、授權使用者、可存取的資料與工具，以及哪些操作需要人工核准。即使 AI 的執行結果看似合理，只要超出原本核准的用途，也可能構成控制失效。 自主付款 Agent 為何列最高風險？OCC 提出四級分類 OCC 指出，AI 系統的風險高低不一定與技術複雜度成正比。獲准發起交易的簡單規則型代理，可能比只能協助員工撰寫內部文件的先進模型更具風險。 為說明如何依風險調整控制強度，OCC 在框架中提出四級示例性分類：最高的 […]

【工地機器人不必是人形】OG-1 有三輪底座與升降手臂，在雜亂工地自動批土、打磨牆面

過去一百年，營建業的機械化幾乎都發生在建築外部。挖地基有怪手，吊鋼筋、吊模板有塔式起重機，灌混凝土有泵浦車；建築內部做法卻沒有太大改變，石膏板的接縫要靠工人一刀一刀抹上批土，等乾了再用砂紙打磨平整，最後一面一面刷上底漆。 這些室內工序占了整個工期的六成五以上，到現在仍然幾乎全靠人工。而 2025 年初成立的美國新創 Origin 想改變這件事。Origin 最近宣布拿到 2,000 萬美元融資，主角是一台叫 OG-1 的裝修機器人。 不過工地凌亂、光線差、狀況隨時在變，正好是機器人最難適應的環境。OG-1 要怎麼應付這些狀況？ 有 360 度視野，OG-1 能辨識工地常見物品 OG-1 負責的正是上面那三道工序，包括批土、打磨、上底漆。它不是人形機器人，而是由三輪底座、配重結構、升降台和機械手臂組成。這個外型是從工地需求反推出來的，因為機身要窄到能穿過一般室內門框，升降台又要能把手臂送到 14 英尺（約 4.3 公尺）高，挑高牆面和天花板都碰得到。 而打磨最考驗手感，壓太重會磨出凹痕，壓太輕又磨不平。OG-1 靠即時力道控制，讓工具一直以穩定的壓力貼著牆面。而三輪底座的設計本身就較為穩定，不必像人形機器人那樣耗電維持平衡，所以電力可以保留。 即便是雜亂的工地它也有對策。OG-1 有 360 度視野，能辨識 200 種工地常見物品，所以不需要另外封出專屬區域，水電、木作工班照樣可以在旁邊施工。公司表示，它已經在商辦、集合住宅、資料中心、飯店和倉庫上工，速度是人工的 3 倍。 OG-1 背後的「施工動作模型」 根據 Origin 官方新聞稿，OG-1 能在無人介入的情況下，自主完成牆面收尾工作。不過在工地現場，仍會由一名原本的工班成員兼任操作員。開工前，他要和機器人一起掃描空間、建立地圖，確認裝上的是批土刀還是砂紙盤，再選定施工區域；施工過程中，批土用完要補料，換工序時要更換工具，收工後也要負責清潔與保養。 Origin 執行長 Ghaturle 說明，機器人速度可達人工 3 倍的說法，是以一整個班次計算，準備、換工具、補料與保養的時間都包含在內，並不是單看機器人在牆上作業的速度。 至於機器人負責哪些判斷，Origin 把背後的軟體稱為「施工動作模型」（CAM），並分為三層運作。以一面牆為例，推理系統會先安排施工順序，例如哪一區先批土、等乾了再打磨；動作策略負責決定機器人開到哪個位置、對準哪一段接縫、工具採取什麼角度，完成後也會檢查表面是否平整；控制器則把這些決定轉成實際動作，遇到牆面凹凸時即時修正。 而訓練這套模型的資料，幾乎都由 Origin 自行蒐集，因為網路上並沒有大量「打磨牆面」的影片可用。 資料來源主要有三種：機器人在實際工地上工時，會同步記錄 3D 掃描、現場影像與深度資料，也會記下每個動作、工具施加在牆面的力道，以及完工後的表面品質；在實驗室裡，公司有一支專屬施工班，反覆搭建工地場景，完成後拆掉重來，讓專家一次次示範，或遠端操控機器人施工；此外，Origin 也把真實工地的掃描建成高擬真的虛擬環境，讓機器人在電腦裡練習各種狀況。結合這三種資料訓練出來的 OG-1，進到新工地時不必重新訓練就能開工。 […]

【科技早餐】NVIDIA 傳設 51% 非中企門檻！SK 海力士 450 億美元美國建廠案遇阻

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊NVIDIA 傳設 51% 非中企門檻，海外雲端算力業務恐受限 《Financial Times》11 月 3 日引述知情人士報導，NVIDIA 已透過業務團隊向部分資料中心與雲端合作夥伴傳達指引，要求未來至少 51% 的雲端服務業務面向非中國企業。這項要求目前沒有公開書面規則，主要針對未來新合約，不追溯既有租約。《The Information》也引述消息人士指出，這項指引尚非強制規定，也未作為硬性條件執行。NVIDIA 並未公開證實具體的 51% 門檻。 在美國限制部分先進 AI 晶片出口中國後，中國 AI 業者可透過境外資料中心租用 GPU 算力，無須直接進口受管制晶片。若 NVIDIA 日後要求雲端合作夥伴嚴格調整客戶結構，將影響海外資料中心接單、融資與投資評估，也可能迫使依賴中國客戶的業者尋找其他市場。這項變動並非美國政府新增的 51% 法規，而是晶片供應商據報主動提出的客戶組合要求，顯示供應鏈限制可能進一步延伸到算力服務的終端使用者。 ＊SK 海力士 450 億美元美國建廠案傳遇阻，牽涉中國大連廠設備許可 《Reuters》11 月 3 日引述知情人士報導，南韓記憶體廠 SK 海力士（SK hynix）旗下的美國子公司 Solidigm，正評估在紐約州 Marcy 投資約 450 億美元，興建 2 座 NAND 快閃記憶體晶圓廠；但美國商務部尚未核准其向中國大連廠輸出美製晶片設備的許可。報導稱，Solidigm 人員自 8 月底以來多次與商務部協商，試圖釐清設備出口條件，相關談判仍在進行。 SK 海力士希望利用中國大連廠擴充產能所帶來的收入，支撐美國新廠的投資；美方則擔心設備出口將協助中國升級或擴大半導體製造能力。報導指出，主管機關目前尚未正式駁回出口許可申請，仍有協商空間。Solidigm […]

ChatGPT「類搜尋查詢」達 Google 五分之一，Google 查詢成長率卻創 5 年新高？兩組數字為何不矛盾

ChatGPT 消費產品負責人 Adam Fry，美國時間 11/2 晚間在 OpenAI 於紐約舉辦的晚宴上，與《Big Technology》的 Alex Kantrowitz 進行簡短的爐邊對談。根據《Big Technology》報導，OpenAI 分析了 ChatGPT 的搜尋量，並與 Google 進行比較。Fry 表示，「ChatGPT 的類搜尋查詢量，目前約為 Google 查詢量的五分之一」。 不到一週前，Google 執行長 Sundar Pichai 才在第三季財報會議上表示，Google 的查詢年成長率是近 5 年最高。一邊是 AI 聊天機器人宣稱類搜尋查詢量已達搜尋龍頭的五分之一，另一邊則是搜尋龍頭的查詢仍在成長。這兩組數字各自怎麼算？看似衝突，為何能同時成立？ ChatGPT 提問後上網查資料就算一次搜尋，OpenAI 沒有公布具體次數 Fry 對搜尋的定義相當直接：「每次你提出問題、上網搜尋，那就是一次搜尋。」《Gizmodo》也引述 Fry 的說法指出，類搜尋查詢「基本上是任何使用者過去會到傳統搜尋引擎查詢的內容」。也就是說，使用者過去會在搜尋引擎找答案的問題，改到 ChatGPT 上問，就可能被計入。 不過，這個定義的邊界並不明確。《Gizmodo》指出，「類搜尋查詢」怎麼認定，在某種程度上見仁見智；該媒體也提到，除了生成圖片、影片之外，多數提問都會讓 ChatGPT 查找外部來源，哪怕只是為了引用權威資料。而 Fry 並沒有說明，ChatGPT 處理的提問中，有多少符合搜尋的定義。 《Gizmodo》引用第三方估算指出，Google 每天約處理 160 億次搜尋；照五分之一換算，ChatGPT 等於宣稱每天約有 32 億次類似互動。這也牽涉到市占率的統計方式：該媒體指出，Google 在全球搜尋引擎市場的占有率超過 […]

AI 代理替客戶動錢，誰來把關？美國大銀行先擋，香港金管局研議身分與授權驗證

香港金融管理局（下稱金管局）11/2 宣布推出 SAGE 項目，成立代理式金融專家小組，和業界探索代理式購物、企業財資管理等應用；同日也發布討論文件，就外部 AI 代理替客戶向認可機構（Authorized Institutions，下稱銀行）下指令時，銀行該怎麼把關，徵詢業界意見。根據金管局說明，認可機構是依香港《銀行業條例》獲認可、可經營接受存款業務的機構，持牌銀行即屬此類。 10 月中旬，摩根大通、嘉信理財、花旗與美國銀行才陸續表態，限制外部 AI 代理操作客戶帳戶。同樣面對 AI 代理能不能替客戶動錢，美國是銀行各自先設限、等待責任規則明朗；香港則由監理機關召集業界，並徵詢銀行該如何接收、驗證這類指令。 摩根大通、嘉信、花旗先限制外部 AI 代理，只開放查詢；責任歸屬仍無定論 據《Cybernews》報導，美國時間 10/13 摩根大通執行長戴蒙（Jamie Dimon）在財報會議上表示：「我們不會讓隨便哪個外部代理都能進入公司內部，因為這對客戶和摩根大通來說風險太高。」同時他警告：「你不會想要失控的代理（rogue agents），而且可能有數千個。」該行已讓部分第三方工具查看帳戶資料，但不能匯款或繳費。《The Paypers》則指出，摩根大通正自建保護客戶的工具，在工具就緒前，不讓外部代理在系統內運作。 據《The Next Web》報導，嘉信理財執行長 Rick Wurster 接受《Bloomberg TV》訪問時表示，嘉信正阻擋試圖動用客戶資金的未經授權 AI 代理，包括 Meta 的 Muse；嘉信將改設 MCP 伺服器（Model Context Protocol，讓 AI 代理連接外部工具與資料的介面），讓外部 AI 工具查詢餘額、做研究，但不能動錢。Wurster 對於客戶將密碼交給代理代為操作一事感到顧慮：「我們控制不了它，客戶也控制不了它，萬一出錯，誰該負責？」 花旗則不允許第三方 AI 代理或助理登入客戶帳戶，客戶仍可授權特定開放銀行業者唯讀存取；美國銀行表示，在建立釐清 AI 授權付款最終責任歸屬的機制前，會持續限制 AI 代理的存取，並認為資金轉出帳戶前應有人參與核准。至於監理面，據《The Next Web》報導，AI 代理的責任歸屬仍在美國國會討論；《The Paypers》則指出，監理機關私下歡迎銀行設限。 SAGE […]

AI 機器人不只要聰明，更要安全！VicOne 於 GTC Berlin 展示 Rthena 即時資安防護技術 

在中國的街頭門市裡，一台重達 15 公斤的機器狗已經像智慧型手機一樣擺在店面販售，價格才 1 萬人民幣。Physical AI 浪潮正快速湧入真實世界，工廠裡的自主移動機器人（AMR）與協作型機械手臂（Cobot）裝上視覺與 AI 大腦，已從固定任務走向彈性協作，並加速落地在巡檢維護、清潔、物流與醫療等日常場景中。 「機器人結合了硬體、AI 與軟體，它不只是一台有 AI 大腦的電腦，更是走進我們生活中的『新物種』，」VicOne 執行長鄭奕立指出，傳統電腦算 3 加 5 永遠等於 8，但實體 AI 的感知與判斷卻存在更多不確定性：從訓練資料遭汙染、軟體漏洞被利用，到 AI 模型產生幻覺、誤判感測器資訊，都可能影響機器人的決策與行動。一旦遭到惡意操控，機器人可能偏離原定路線、執行非預期動作，甚至危及周遭人員安全等，資安所帶來的威脅已延伸至實體世界。 此外，為了建立讓 AI 模型在真實場域持續進化的資料飛輪（Data Flywheel），機器人可能透過攝影機、光達（LiDAR）等感測器蒐集大量環境資料，若這些資料缺乏適當的加密、去識別化，機器人也可能成為移動式的隱私與資安風險來源。 面對資安（Cybersecurity）與安全（Safety）相互影響的「Cyber-Safety」新挑戰，VicOne 將機器人防護從部署前的安全驗證延伸至上線後的即時監控，讓資安防護跟上 Physical AI 進入真實場域的腳步。 出廠前 Ready 到上線後的守護女神 鄭奕立強調「安全始於設計（Secure by Design）」，AI 就像一個黑盒子，攻擊可能從各種管道滲透。VicOne Radeis 結合 NVIDIA Isaac Sim™，透過數位孿生在模擬環境載入各類場景的攻擊測試腳本，扮演紅隊抓出潛在的失控行為，在機器人出廠前先建立第一道信任防線。「所以我們稱它為 Radeis，代表機器人走出工廠大門前都 Ready 了。」 然而，出廠後軟體與 AI 模型仍會持續更新，攻擊者也可能利用 AI 發動最新型態的攻擊。為了因應機器人在運行期間的資安威脅，VicOne 以 NVIDIA Nemotron™ […]

AI 代理失控喊停就夠了嗎？從 CrowdStrike「終止開關」看代理治理四道關卡

7 月由失控的 OpenAI 代理策動的 Hugging Face 入侵事件，讓企業格外警覺；今年夏天，美國眾議員也提出兩黨法案，要求 AI 公司在模型中內建停機能力。CrowdStrike 於 11/3 在巴塞隆納舉行的 Fal.Con Europe 2026 宣布推出「AI 終止開關（AI Kill Switch）」，並表示這項功能讓資安人員能在人為掌控下，從根源終止失控的 AI 代理。 CrowdStrike 指出，AI 代理擁有橫跨端點、雲端與 SaaS 的系統層級存取權限，即使沒有攻擊者介入，也可能採取沒有人授權的行動；《CNBC》也觀察到，企業正快速導入自主工具，卻往往缺乏必要的防護。 不過，能喊停只是其中一關。把 CrowdStrike 這次發表的功能拆開來看，代理治理可以分成四道關卡：看得見（掌握代理在哪裡、做了什麼）、管得住（在代理動手前把關）、停得下（偏離時能終止）與留紀錄（決定與動作都可追溯）。四道關卡各管什麼，CrowdStrike 這次的工具又做到哪一步？以下先從最受關注的「停得下」談起。 停得下：終止、防重啟、斷網三步驟，終止先在 AI 閘道層生效 CrowdStrike 表示 AI 終止開關即日起推出。根據新聞稿，當代理偏離預期行為，資安人員可以在它執行的地方終止它，包含三個動作：由 Falcon 感測器阻止代理執行，目前先在 AI 閘道（AI Gateway，位在代理與 AI 模型之間的中介層）生效，端點層即將推出；透過 CrowdStrike 9 月推出的 AI 代理防護產品 Falcon Guardian 設定政策，阻止代理在目標主機或主機群組上重新啟動；並切斷代理的企業網路存取權。新聞稿的前瞻聲明也提醒，客戶應依據目前已提供的功能做採購決策。 據《CNBC》報導，CrowdStrike 表示，終止開關不會刪除代理的程式碼，而是透過連線的 AI […]

Apple 加速 Siri AI Agent 化：開放第三方 App 自訂操作，還能串接多步驟任務

AI Agent 正逐漸從回答問題，走向替使用者執行任務，手機上的智慧助理也開始扮演不同角色。當 Google 已讓 Gemini 嘗試代替使用者叫車、點餐，Apple 也正擴大 Siri 操作第三方 App 的能力。 根據 Apple 最新開發者公告，Apple 宣布向所有開發者開放新一代 Siri AI 整合，並引入 Skills 機制，讓 Siri 不只能呼叫 App 功能，還能將多個操作串接成完整任務。這項更新，也讓 Siri 朝手機 AI Agent 的任務執行入口更進一步。 從查訂單到預訂服務，Siri 擴大第三方 App 操作能力 Apple 此次透過 iOS 27.3、iPadOS 27.3、macOS 27.3 與 visionOS 27.3 測試版推出開發者預覽功能，讓第三方 App 能透過 App Intents 框架，將自家內容與操作提供給 Siri AI 使用。例如，使用者未來可以直接要求 Siri 查詢配送進度、預訂服務或下單，而不必自行開啟 App、逐步尋找功能。 […]

【可靠的代理人懂得暫停】讓 AI 代理行動前先產出計畫，比對權限範圍再決定執行

AI 代理人能自主執行的任務越來越複雜，做出的決策影響也越來越大，如何降低出錯機率，已成為設計時的優先課題。 代理人是否可靠，不只取決於模型本身有多聰明。對此，來自晶片、金融、資安、網路平台與軟體等領域的專家，分別提出降低代理人出錯的設計做法。 讓推理盡量貼近原始資料 邊緣 AI 晶片公司 Kneron 的全球技術策略與溝通總監 Tiffany Chang 指出，AI 很少一次全面失誤，而是逐步偏移。資料在不同系統之間傳遞時，細小的脈絡會一點一點流失，等到模型做出結論，這些微小損失可能已累積成錯誤的決策。 因此，Kneron 讓 AI 代理人盡可能貼近原始資料進行推理，保留那些資料一旦經過彙整或傳輸就看不見的訊號。她表示，這個做法在模型開始推理之前就降低了不確定性，可靠度與信任度也因此提升。 不過，即使從源頭減少錯誤，也不代表錯誤會消失。美國投資銀行摩根士丹利（Morgan Stanley）的資深工程師 Peter Smulovics 認為，AI 會像人類一樣犯錯，企業不必執著於完全預防，而是比照過去處理員工錯誤的方式來處理 AI 的錯誤。 用權限邊界圍住高風險行動 既然錯誤難以避免，下一步就是限制錯誤能造成的影響，但權限往往在不知不覺中擴大。 軟體與雲端服務巨頭微軟（Microsoft）資深資安專案經理 Yesenia Yser 與首席專案經理 Toby Kohlenberg 今年 7 月在微軟資安部落格撰文指出，常見的情況是，團隊一開始為了方便，給代理人廣泛的「讀取」權限，後來流程擴大到需要修正問題，就直接授予更大的權限，而不是重新設計角色。這種權限擴張安靜、漸進，而且很少被回頭檢查。 跨工具使用也會放大風險。兩位作者指出，一個能同時存取電子郵件、檔案、工單系統與程式碼庫的代理人，每項整合單獨看起來風險都不高，但組合起來，可能讓它交叉比對各系統的資料，採取沒有人整體授權過的行動。 因此，資安威脅情報公司 CYFIRMA 的執行長 Kumar Ritesh 採用最小權限原則，也就是只給代理人完成任務所需的最低權限，並在對外溝通、修改資料等高影響行動之前，設置人類驗證關卡。他表示，這能避免模型的小錯誤一路擴大，演變成真實世界的損害。代理人可以廣泛推理，但不該廣泛行動，這種「圍堵式設計」的思維，正是借自資安領域。 曾任銀行與電信業 CIO、CTO 的科技主管 Rajjie Sarmey，也提出類似的「依後果授權」做法。每個代理人只取得任務所需的權限與自主程度，在不可逆或高影響的行動之前，必須先經過驗證或人類核准。Sarmey 指出，這個做法的前提就是假設代理人可能出錯，再限制錯誤能波及的範圍。更好的提示詞或許能減少錯誤，但有邊界的授權，才能避免一個錯誤演變成整個企業的事件。 在實際設計上，微軟建議依照任務拆分角色；讀取與寫入應分屬不同角色或工具，刪除、匯出或權限變更等高影響動作，則需要經過額外核准。 用程式規則與可檢視的計畫攔截錯誤 除了權限設計，也有專家在執行前多加一道檢查。醫療資訊系統架構師 Mahendran Chinnaiah 建議，代理人呼叫工具或改變系統狀態之前，先用寫死的程式碼規則攔截檢查，而不是再交給另一個大型語言模型（LLM）判斷。 […]

讓 AI 不只回答，而是更會工作：叡揚、Dell、昕力、勤英共探 AI 如何重塑企業智慧決策與工作流程

TechOrange 科技報橘日前舉辦「AI Innovation Day：2027 AI 創新日」論壇，上半場聚焦 AI 如何重塑企業智慧決策與工作流程，下半場由 NVIDIA 協辦，邀請生態系合作夥伴解析自動化視覺 AI Agent 如何驅動實體 AI 新紀元，串起「從數位大腦到實體之眼」的主題。 TechOrange 科技報橘社長戴季全在致詞中，將當前 AI 產業發展比擬為 1996 至 2000 年的科技創新加速期。從 DeepMind 前首席研究員 David Silver 投入研發能從經驗中自主學習的 AI Agent，到李飛飛、楊立昆分別推動讓 AI 理解空間與物理世界運作規律的「世界模型」，都反映 AI 研究正積極探索大語言模型之外的技術發展路徑，朝向更自主、更具環境理解能力的方向邁進。隨著 AI 工具逐漸普及，企業關注的焦點也從技術能力延伸至實際營運與創新價值。 叡揚 BizForm 智慧表單讓 AI 接起流程斷點 「不要在 LINE 上面問來問去，大家時間都花在找來源、抄欄位、追進度。」叡揚資訊雲端服務事業處副處長李宗青點出企業跨部門協作常見的痛點：資料散落各處、作業進度難以掌握，導致大量時間耗費在資訊查找與流程交接。 叡揚 Vital BizForm 智慧表單整合跨部門表單與流程，降低人工重複輸入與進度追蹤的負擔。李宗青以設備維修為例，第一線人員只需掃描設備上的 QR Code，即可自動帶入設備基本資訊，再透過 AI 協助串接零件庫存查詢、請購、驗收及維修派工等跨部門作業，並依既有流程進行簽核，讓原本仰賴人工銜接的程序得以連貫執行。 李宗青強調，企業需要的不只是能理解指令的 AI，更要讓 AI […]

Airbus 用 AI 讀取機上餐盤、提前 10 天預警設備異常，航空營運如何改變？

航空公司的營運挑戰，除了維持航班準點，也包括減少機上餐飲浪費，以及避免設備故障影響後續航班。空中巴士（Airbus）將 AI 與數據分析導入機上餐飲管理、飛機預測性維護及地面維修支援，試圖透過更即時的資訊掌握，協助航空公司調整備餐規劃、提前發現設備異常，並加快維修人員取得技術資訊的速度。 AI 追蹤機上餐飲消耗，協助航空公司減少浪費 根據 Airbus 引用國際航空運輸協會（IATA）與航空永續論壇（Aviation Sustainability Forum，ASF）2024 至 2025 年的資料，全球航空業每年約產生 360 萬噸客艙與餐飲廢棄物，其中約 18% 至 20% 是乘客未食用的食物與飲料。如何掌握實際消耗情況、調整備餐數量，是航空公司減少餐飲浪費的切入點。 Airbus 於 2025 年與維珍航空（Virgin Atlantic）合作測試 Smart Catering 系統，安裝於空服員現有的平板電腦或手機，利用裝置內建的鏡頭辨識餐盤，在空服員取出餐點、提供餐飲的過程中，自動更新庫存紀錄。飲料消耗也預計透過系統追蹤，減少額外的手動填表與盤點工作。 系統也能顯示食品與飲料的即時庫存及存放位置，協助空服員確認餐點位於哪台餐車或哪個廚房區域，並提供過敏原與營養資訊。Airbus 連網飛機服務生態系統主管 Elise Weber 表示：「這些功能可減少空服員手動記錄及回報的工作，讓機組人員有更多時間投入乘客服務。」 在後端分析方面，機上裝置收集的數據可傳送至地面雲端，供航空公司分析不同航線的餐飲消耗情況，作為調整後續航班備餐數量的參考。Airbus 表示，Smart Catering 有潛力讓機上餐飲相關的可避免浪費減少雙位數百分比。 預測性維護提前辨識故障，降低航班調度風險 除了餐飲管理，Airbus 也將數據分析應用於飛機預測性維護。Airbus 透過 Skywise Fleet Performance+ 平台，航空公司可分析飛機在飛行期間產生並傳送至地面的技術數據，辨識設備異常徵兆，提前安排檢查或更換零件。 Airbus 表示，透過進階分析演算法，系統最多可在故障發生前 10 天辨識相關徵兆，讓維修團隊依照工程指引提前安排更換作業。相較於設備故障後才進行處理，提前掌握異常能讓航空公司預留維修時間，降低突發故障影響後續航班的風險。 AI 加快技術文件檢索，支援地面維修作業 飛機停靠機場後，若維修人員遇到需要進一步判斷的技術問題，能否迅速找到正確的檢修程序，也會影響故障排除的效率。 Airbus 的 AIRTAC 客戶服務中心提供全天候技術支援，並運用 […]

【科技早餐】Apple 營收創高！新任執行長示警記憶體漲價，旺季毛利率估降至 45%–46%

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊Apple 營收創高！新任執行長示警記憶體漲價，旺季毛利率估降至 45%–46% 蘋果（Apple）11 月 2 日公布第四季財報，營收達 1,145 億美元、年增 12%，創歷年 9 月季度新高。上一季毛利率為 47.9%，其中約 1 個百分點來自關稅退款；公司預估 12 月旺季毛利率降至 45%–46%。今年 9 月接任的執行長約翰・特努斯（John Ternus）首次主持法說會，形容記憶體漲價前所未見，並預期採購成本持續上升。Apple 已調漲部分 Mac、iPad 與 iPhone 售價，抵銷部分成本。 Apple 財務長指出，扣除前季關稅退款後，下一季毛利率下降主要由記憶體漲價造成；新版 Siri AI 擴大服務，也將增加雲端成本。營運長表示，隨著產品轉向 2 奈米，先進製程晶片供應限制逐步緩解，但 12 月季度 Mac 與 iPad 可能主要受記憶體供應限制。特努斯將 iPhone 定位為「智慧個人中樞」，看好 Siri 發展 AI 代理能力，但強調使用者須掌握授權並保障隱私。零組件、供貨與 AI 服務成本，都考驗 Apple 的管理能力。 ＊英國警告 AI 網攻恐威脅關鍵設施，2028 […]

AI 不必重新訓練也能修補？MIT 新研究讓 GPT-6 Astra 直接修改 Qwen 權重，數學測試成績提升近 6 倍

當 AI 模型出現問題，除了重新訓練或微調，能不能直接修改內部權重來修復？美國麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）研究團隊公布一項實驗，利用 OpenAI 的 GPT-6 Astra，僅修改阿里巴巴 Qwen3.5-0.8B 約 0.016% 的神經網路權重，就讓模型在 MATH-500 數學測試中的正確率從 7.9% 提升至 48.1%，達到原先約 6 倍。 這項研究於 11/2 公布後，迅速引起 AI 技術社群關注。研究作者武日力也（Rikiya Takehi）在 X 分享實驗成果的貼文，發布後數小時便累積超過 2.9 萬個喜歡、逾 3,000 次轉發；該研究消息截至 11/3 也在《Hacker News》獲得超過 2,400 分、逾 770 則留言。研究團隊將這種讓大型語言模型（LLM）直接理解、修改神經網路權重的方法，稱為「權重空間程式設計」（Weight-Space Programming）。 只改 0.016% 權重，Qwen 數學測試成績為何提升近 6 倍？ 研究人員交給 Astra 一項任務：讓約有 8 億參數的小型語言模型 Qwen3.5-0.8B 更擅長數學。但在測試過程中，Astra 發現模型的一個主要問題不是算不出答案，而是經常陷入反覆推理，遲遲無法完成回答。 根據實驗紀錄，Qwen 最初 […]

專訪工研院院長張培仁：資源有限怎麼押技術？量子不搶當老大，專攻各路線都需要的低溫電子

專訪：戴季全撰稿：張哲瑋 量子電腦的技術路線眾多，工研院院長張培仁接受《TechOrange》《全新一週》專訪時表示，工研院不賭哪條路線會贏，而是全力發展他認為各路線都需要的低溫電子，讓「所有的老大都需要我當老二」。 張培仁 2025 年 10 月接任院長，此前擔任工研院副院長，現亦為臺大應用力學研究所教授。他不用「K 型化」形容台灣產業，而以流體力學的「層流」比喻：ICT 產業流得快、其他產業流得慢，但兩者是連續的，重點是協助流得慢的「往上爬往上提」。 據工研院出版的《工業技術與資訊》月刊，該院串聯 17 個研發法人打造「法人匯智聯盟」，共同服務全國中小企業，並與南部 33 所大學合作。資源有限，哪些技術值得投入？張培仁有一套分類方法。 能勝出的重壓、會斷供的握在手裡：台灣的技術投入怎麼分三類？ 張培仁表示，工研院做前瞻規劃時考量四個因素：人與產業未來的需求、政府政策、新興科技的發展，以及台灣產業的優劣勢。他認為第四項最重要，因為前三項「大家都會做」，公開文獻都找得到，真正欠缺的是判斷「台灣的產業到底能不能勝出」。 因此，他請同仁在規劃技術路線圖時，把技術分成三類。第一類是台灣能勝出的技術，「大部分的資源就應該投在上（面）」。他解釋，台灣不是大國，資源要壓在能勝出的地方，「要不然你就浪費掉」。 第二類是台灣難以勝出、但沒有它就可能被斷供的技術，「我必須握在手裡」。張培仁坦言，這部分不會賺錢，但為了讓第一類能賺錢，「你就必須養它，這無可奈何」。 第三類是台灣競爭力不強、也沒有斷供風險的技術：全世界隨時找得到三家供應商，就不要自己做，「你就是買」。 張培仁另外提到，技術分類時還須考量「非紅」供應鏈的要求。所謂非紅供應鏈，通常是指在特定產品或採購要求下，排除中國製零組件，以降低相關安全與供應風險。這也讓部分技術是否需要自行掌握，不能單純依照競爭力或供應商數量判斷。《中央社》去年底報導，加拿大皇家騎警認為中製無人機有「高度安全風險」，限制只能用於非敏感行動；溫哥華台貿中心預料加拿大將逐步棄用，轉找非紅供應鏈。 實例拆解：機器人計畫先訪談 10 家「客戶的客戶」，關鍵組件不超過售價 30% 將技術分門別類以外，研發流程本身也要改進。張培仁指出，過去工研院執行科技專案比較是線性的：先預測未來、開始開發，一邊開發一邊找客戶，客戶再去找它的客戶。現在所有機器人與無人機計畫都改用系統工程的方法，第一步是每個團隊先拜訪最終使用者。 以機器人而言，工研院的顧客是機器人廠商，真正使用機器人的是廠商的客戶。張培仁要求團隊定義計畫時，「要去訪談至少 10 家客戶的客戶」。例如做醫院器械清消的團隊，就拜訪了至少 10 家醫院，弄清楚服務流程後才訂出規格。訪談時，團隊也會私下問終端使用者：做出來會不會用、願意花多少錢買。 接著才由工研院以供應商的角色提出解決方案與規格、擬定技術路線圖（Technology Roadmap），最後列出關鍵組件清單與價格。張培仁說，傳統上工研院從技術路線圖才開始做，關鍵組件清單則過去很少列。 他也給同仁一條規則：技轉的廠商若要把產品賣出去，「關鍵組件價格不可以超過預期售價 30%」。過去為了展示性能，研發時可能用上很貴的零件，技轉後廠商賣不掉，只好花很長時間調整，換掉晶片連軟體都要換。因此，現在開發時就採用將來準備量產的零件。 運算晶片即為一例。張培仁表示，工研院的無人機與機器人盡量採用國產、已經量產的手機晶片，重點放在改軟體。機器人與無人機初期量不大，卻需要高效能，而高效能晶片的一次性工程費用（NRE）很貴，沒有量可以分攤；手機晶片的 NRE 已由手機攤掉，價格便宜，而且已生產數百萬片，他認為不會有斷貨問題。 談到無人機，張培仁說無人機計畫則規劃三種共用機型，他比喻為「三型共用的 PC」，定義已和無人機業者座談取得共識。第一型拚高速；第二型是高載重，單機吊掛 70 公斤，兩架協同可共同吊起一個物體；第三型是高航程，目標單向飛行 800 公里。廠商技轉後只要改自己擅長的部分，例如酬載，其他盡量不動。 進場時機怎麼抓？看不準的技術「緊緊尾隨」，量子不押哪條路線勝出 除了能否勝出，張培仁認為另一個關鍵是進場時機。太早投入，研究經費花完了，產業還沒起來，計畫就會斷掉；太晚投入，必要專利（Essential Patent）已被別人布局完畢。因此，工研院希望投入後「最晚四年之後能夠看到廠商銜接」。 但他也不想像大型語言模型爆紅時那樣被突襲。對於可能 10 年、15 年後才發生、卻抓不準哪一年的技術，工研院的做法是「緊緊尾隨」：不投入大量資源，但持續觀察全世界前三強在做什麼，判斷時間差不多了，再趕快跟上。他說，這是「資源有限的國家，要學會做的事情」。 談到量子電腦，張培仁認為它不會完全取代傳統電腦，而是伴隨的角色。它的前端有離子阱、光子、超導等路線，工研院與大學教授、中央研究院合作，由教授們研究哪一條比較可行。工研院自己則鎖定各路線最後都需要的低溫電子，也就是在絕對溫度 4 K（約攝氏零下 269 度）下可以運作的電路，「目前是全力在發展低溫電子」。 […]

買機器人的工作，卡關由真人遠端接手：Tutor Intelligence 獲 a16z 領投 7,500 萬美元

源自美國麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）的機器人公司 Tutor Intelligence，美國時間 11/2 宣布完成 7,500 萬美元 B 輪融資，由 Andreessen Horowitz（a16z）領投，累計募資達 1.17 億美元。這筆資金將用於訓練機器人基礎模型，以及製造、部署旗下的 Cassie 與 Sonny 兩款機器人。 Tutor 主要賣的不是機器人，而是機器人完成的工作：客戶按使用量付費；機器人遇到處理不了的狀況，由遠端的真人操作員即時協助，每完成一項任務，都會累積成訓練模型的數據。對還在評估自動化的工廠與倉庫而言，這種模式改變了哪些導入考量？ 計價比照人力、費用列入營運支出：Tutor 怎麼收費？ Tutor 在新聞稿中表示，它比照企業購買人力的方式銷售機器人的工作，按工時或件數計費；客戶不必預先購買機器人，也不必簽長期合約，部署與維護由 Tutor 負責，並定期推送軟體與模型更新。 依 Tutor 官網的定價頁，Cassie 負責的棧板堆疊與拆垛按工時計費，每機器人小時 14 至 18 美元，另有每月至少 80 小時的用量門檻、8,000 美元可退還押金與 1 萬美元的固定導入費；揀貨則按件計費，Tutor 稱報價可比客戶目前的每件成本低 10% 至 50%。官網也註明，試算結果是估計值、不是承諾價格；多數客戶按用量付費，但 Tutor 的客戶也可以直接買斷 Cassie，並搭配年度服務方案。 官網把這筆費用定位為營運支出：機器人工時和它所替代的人力列在同一個會計項目，不必另外提出資本支出申請。Tutor 共同創辦人暨執行長 Josh Gruenstein 告訴自動化產業協會 A3（Association for Advancing Automation；Tutor […]

Marvell 砸 1,150 億美元收購 Lumentum，下一代光互連為何可能衝擊既有 DSP 生意？

美國晶片大廠 Marvell 美國時間 11/2 宣布，以企業價值 1,150 億美元的全股票交易收購光學元件大廠 Lumentum。這起 2026 年規模最大的企業併購案之一，《Reuters》指出是 Marvell 押注 AI 資料中心需求成長、強化與晶片大廠 Broadcom 競爭的重要一步。 不過，這筆收購不只是為了擴大光通訊業務。隨著下一代光互連技術發展，Marvell 原本供應的部分數位訊號處理器（DSP）可能面臨需求變化。收購 Lumentum，除了取得關鍵光學技術與製造能力，也可能改變 Marvell 與既有客戶的競爭關係。 CPO 可能減少既有 DSP 需求，Marvell 為何要買下雷射製造能力？ Marvell 原本就是高速光通訊 DSP 的重要供應商。這類晶片主要用於處理高速傳輸過程中的訊號失真等問題，協助光收發模組維持訊號品質。然而，隨著 AI 資料中心需要連接更多處理器，傳統銅線傳輸面臨頻寬與功耗限制，產業也開始探索不同的光互連架構。 其中一項受到關注的技術是共同封裝光學（Co-Packaged Optics，CPO），將光學元件與交換晶片等電子元件更緊密地整合，縮短高速電訊號傳輸距離，降低功耗與訊號損失。這項技術轉型，卻可能影響 Marvell 原有的部分晶片業務。 研究機構 Counterpoint Research 副總監 Gareth Owen 在 10/29 分析中指出，當光學元件逐漸移至運算或交換晶片附近，部分 CPO 架構可能大幅減少對獨立 DSP 的需求。換言之，即使 AI 光互連市場持續成長，既有 DSP 產品也未必能維持相同的需求。 Owen 認為，這正是 […]

用 AI 研發 AI 有多快？Anthropic 坦承曾未及時察覺加速，未來模型恐觸及新門檻

Anthropic 在美國時間 11/2 向美國證券交易委員會（SEC）遞交 S-1 上市申報文件的第一號修正案。市場目光多半落在財務數字上，據《Axios》整理，Anthropic 第三季營收約 170 億美元，較前一季成長近 47%。不過，《TechCrunch》注意到，修正案在風險因素中新增段落，坦言過去曾在研發加速之後才察覺，並表示可能即將觸及自家負責任擴展政策（Responsible Scaling Policy，RSP）的門檻。 TO 先前曾介紹由 AI 持續改良自身的「遞迴自我改進」（Recursive Self-Improvement，RSI）概念；Anthropic 的上市文件則直接談到，用 AI 加速研發可能讓安全措施跟不上，也揭露安全要求已讓部分企業客戶轉向。當 AI 研發 AI 的速度越來越快，Anthropic 坦承哪些環節可能出現落差？ 9 月程式碼貢獻逾 9 成出自 Claude，協助開發下一代的迴圈正在轉快 Anthropic 在文件中把每一代 Claude 協助開發下一代的做法稱為「閉環」（closing the loop），並認為這是前沿 AI 領域最重要的結構性優勢之一。公司表示，下一代模型的研究、訓練與測試，已有許多環節由 Claude 參與，包括執行實驗、產生與處理訓練資料、自動化評估與安全稽核，以及撰寫與審查程式碼。 文件揭露，2026 年 9 月，公司程式庫中超過 90% 的貢獻由 Claude 撰寫。在缺乏明確規格的開放式工程問題上，依公司內部基準，Claude 的成功率在 9 月約達 90%，9 個月內提升約 50 個百分點。Anthropic […]

「主權不是擁有更多工具，而是掌握 AI 行動的邊界與責任。」Rimini Street 資深客戶成功經理高治平點出掌握 AI 主權的五個控制權

「大部分企業不是沒有 AI，而是 AI 無法進入核心流程，」Rimini Street 資深客戶成功經理高治平於 TechOrange 科技報橘日前舉辦的「2026 企業 AI 主權高峰論壇」中，指出許多企業面對的處境，企業看不見內部有哪些模型與 Agent，管不住權限與中止機制，算不清成本與成果，流程又被舊整合與供應商路線綁住而走不快。 高治平把企業分成兩種，一種是「自主企業」，能選擇工具、串接資料、同時跑多個 AI PoC，但追求的是模型能力；另一種是「主權企業」，能控制 AI 的行動、定義資料使用邊界以及讓 AI 進入核心流程。「主權不是擁有更多工具，而是掌握 AI 行動的邊界與責任，」高治平認為，企業要真正掌握 AI 主權，得握有五個控制權： 第一、「資料主權」決定誰能使用哪些資料 第二、「流程主權」決定 AI 可以進入哪些工作流程 第三、「決策主權」決定哪些行動必須經過人工核准 第四、「技術主權」確保模型、平台與供應商可以替換 第五「經濟主權」則讓 AI 的成本可以衡量 而企業的核心流程多半運行在 ERP 上，因此這五個控制權最終都要落到 ERP，並且再加一層「問責系統」，明確劃分三方角色：ERP 繼續作為企業資料的可靠來源，穩定保存各種交易紀錄，AI Agent 負責跨系統協作並執行行動，但政策與權限的設定、高風險決策的核准與責任，仍由人與治理機制承擔。 但若要讓 AI 在 ERP 上「行動」，企業是否得先砍掉重練？高治平指出，企業與其投入 ERP 升級與遷移，不如繼續營運現有 ERP，並以「主權企業四層架構」說明，最底層的核心層是 ERP、SaaS 與資料平台等既有投資，控制層管理政策、身分、稽核、成本與 Human-in-the-Loop，行動層交給 AI Agent 與跨系統工作流程，最上層的體驗層則提供單一入口與依角色劃分的工作空間。 架構搭好之後，關鍵在於讓 AI「行動」卻不失控，高治平提出 […]

【AI 對話框成新貨架】消費者讓 AI 比較完才下單，品牌 4 步驟爭取進入推薦名單

想買新的保養品時，過去多數人會先上 Google 搜尋、看幾篇評比文章、逛幾個品牌官網，再決定買哪一款。企業 20 多年來的數位行銷，也都圍繞這個流程打造，買關鍵字廣告、衝搜尋排名、最佳化網站，想辦法在消費者搜尋時被看見。 但越來越多消費者改用 ChatGPT 這類 AI 工具，直接說出膚質、預算與需求，請 AI 推薦產品。AI 比較完後，消費者心裡往往已有答案，最後才點進網站購買。 於是，不少企業碰上一種奇怪的狀況。廣告數據正常、搜尋排名沒掉，轉換率卻一路下滑。很多企業先懷疑產品或價格，卻忽略了消費者做決定的地方，已從搜尋結果頁移到 AI 對話框，而自家產品並不在那段對話裡。 消費者決策正悄悄轉移到 AI 對話中 數位行銷代理商 Coozmoo 總監 Harsh Jangid 分享，一位化妝品客戶的付費搜尋表現穩定、SEO 排名也沒變，轉換率卻在幾週內下滑 21%，團隊翻遍數據儀表板都找不到原因。 答案最後在 ChatGPT 上找到。他們用真實顧客的問法輸入「哪款維他命 C 精華液適合敏感肌」，結果品牌完全沒出現，AI 推薦的都是競品——競品勝出不是因為產品更好，而是產品資料、評論與內容整理得更有條理，AI 更容易讀懂，也更願意引用。Jangid 檢查其他客戶後，也看到同樣的現象。 消費者把需求告訴 ChatGPT、Perplexity 或亞馬遜的 Rufus，由 AI 完成搜尋與篩選，真正點開連結時，心裡大多已有答案。 事實上，零售網站的 AI 導流流量年成長超過一倍，多家分析業者也指出，從 ChatGPT 或 Gemini 進站的訪客，轉換率與單次消費都明顯高於一般自然搜尋流量。這類流量規模目前仍遠小於 Google，但方向已經轉變。 多數企業對這個轉變毫無準備 Jangid 直言，他接觸過的企業絕大多數在這方面毫無策略，其中不少資源充足、經驗老到，有 SEO 計畫、社群廣告計畫，卻沒有一套「讓機器理解、信任並推薦自己」的計畫。 原因有兩個。一是組織分工，行銷團隊通常按 […]

Google、微軟、OpenAI、Anthropic 支援網站一次退出 AI 訓練，但只管訓練、不擋爬蟲

美國時間 10/30，Google、微軟與 OpenAI 先後宣布，將支援網站在 robots.txt（網站用來告訴爬蟲哪些頁面可以抓取的設定檔）中使用一組共用設定；據《法新社》報導，Anthropic 也表示已開始推行。過去網站要逐一辨識各家 AI 爬蟲、分別寫規則，往後只要寫一次，就能向多家參與的 AI 業者表達不希望內容被拿去訓練模型。不過，這組設定只管訓練、不擋爬蟲，也還不是正式標準。 四家業者此時出手，正值 AI 業者與新聞、出版業者的著作權訴訟持續進行之際。網站表態之後，究竟能保護多少？AI 業者未經授權拿他人著作訓練模型，在法律上又站不站得住腳？ robots.txt 寫兩行就能表態，草案為何強調它不是爬取指令？ 這組設定出自 Anthropic 的 Kevin Kelley 提交到網際網路工程任務組（IETF）的個人草案，以 IETF 旗下 AI 偏好工作小組（AIPREF）的成果為基礎，核心是一個共用的政策標記（policy token）。網站寫上以下兩行，就表示整個網站不希望被用於 AI 訓練，也可以只針對特定路徑設定： 草案規定，「User-Agent: *」這類套用到所有爬蟲的萬用規則，不能解讀成符合這個標記；沒有這個標記，就等同沒有表達偏好。換言之，網站現有的萬用規則都不算表態，要另外寫上這個標記才算。 草案所說的 AI 訓練，是指用內容修改生成式 AI 模型的學習參數，並明言這個標記「並非針對爬取行為的指令」；《法新社》報導，微軟表示預設仍允許抓取內容，新設定也只適用於未來的模型訓練。草案還寫明，私下協議可以凌駕這項機制表達的偏好。 這份草案目前「未獲 IETF 背書」，在標準制定流程中不具正式地位；OpenAI 也稱這是一項「自願性措施」。 四家何時生效？會不會連帶失去 Gemini、Bing 的 AI 回答引用？ 各家時程不一：微軟預計 2027 年 2 月 1 日起採用，Google 目標在 2027 年初支援，OpenAI […]

英超跑品牌 McLaren 讓物理 AI 與 AI Agent 分工，車輛研發如何從逐一模擬走向大量設計探索？

英國超跑品牌 McLaren Automotive 與工程運算平台 Rescale、NVIDIA 合作，將代理式人工智慧（Agentic AI）導入完整的車輛工程研發流程。這套專屬 AI 數位工程平台整合電腦輔助工程（CAE）、系統工程與設計資料，結合物理 AI（AI Physics）模型與 AI Agent，協助工程師加速設計評估、減少重複性工作。其技術重點在於降低大量設計方案的所需的運算時間與成本，讓工程團隊能在相同時間內探索更多可能性。 傳統 CAE 模擬成本高，限制設計探索規模 汽車工程研發長期面臨計算成本與設計探索效率之間的平衡問題。傳統電腦輔助工程（CAE）在評估車體結構受力、結構動態與材料耐久性時，必須運用數值方法求解複雜的物理問題，以取得工程設計所需的分析結果。 這類模擬能提供重要的物理分析依據，但計算時間與運算資源需求會隨問題複雜度、模型精細程度及運算條件而有所不同。當工程師需要反覆調整設計參數、比較大量方案時，每次模擬都可能增加額外的計算負擔，限制團隊在開發時程內能評估的設計數量。對講求精密調校的高性能車輛而言，如何加快設計迭代，同時維持工程分析的可靠性，是研發流程的重要課題。 物理 AI 如何加速工程模擬？替代模型先預測，再進行高精度驗證 McLaren 導入的物理 AI 技術，結合替代模型（Surrogate Models），透過既有模擬或實驗數據學習物理系統的行為，建立設計參數與物理表現之間的關係。相較於每次都重新執行高精度數值模擬，替代模型能在適用範圍內快速預測不同設計條件下的可能結果，降低重複評估的計算成本。 這項差異讓工程師能先運用替代模型比較大量設計組合，篩選值得進一步分析的方案，再視需求進行更精細的物理模擬。根據 Rescale 的說明，McLaren 工程師如今可在數小時內評估數千種設計變化，原本需要數天的複雜模擬工作也能縮短至數分鐘；另一方面，經過訓練的物理 AI 替代模型，則能在適用範圍內以毫秒級速度提供預測結果，協助工程師快速篩選不同設計方案。 替代模型並非全面取代傳統 CAE，而是與高精度模擬形成互補。模型的預測能力取決於訓練數據、適用範圍與驗證結果，因此仍須透過適當的工程分析確認關鍵設計的性能。McLaren 也指出，每次測試與模擬產生的新數據都會回饋系統，持續改善替代模型的預測能力，讓後續設計評估能運用累積的工程數據。 AI Agent 接手重複性作業，串接模擬與分析工作流程 物理 AI 提供快速的物理行為預測，AI Agent 則協助自動化工程工作流程中的重複性任務。Rescale 的平台將代理式工程技術整合至 McLaren 的研發環境，協助工程師減少繁瑣的工程操作，並將更多時間投入設計判斷與複雜問題分析。當替代模型能更快速地提供預測結果，工程團隊便有機會在相同時間內評估更多設計方案；Agent 則協助處理重複性工程工作，支援工作流程的執行與串接。 在材料製造與工程知識管理方面，McLaren 表示，平台可運用機器學習模型預測高性能碳纖維結構與零組件的製造表現，並透過工程知識圖譜（Knowledge Graphs）整理過往專案的工程洞察，支援後續的代理式工程工作流程與產品開發決策。Rescale 指出，這套平台可將專業工程人員的生產力提升最高達 3 倍，但公開資料未進一步說明該數字的衡量方式與適用範圍。 這項合作呈現出 AI […]

【科技早餐】鎧俠 2027 年 NAND 產能提前售罄！AI 儲存需求升溫、美國電子認證新規上路

【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊鎧俠 2027 年 NAND 產能提前售罄，2028 年半數供應已被鎖定 日本 NAND Flash 大廠鎧俠（Kioxia）10 月 30 日在財報說明會指出，2027 年的產能已全數敲定供應對象，2028 年約半數產能也透過長期供應合約完成安排。AI 資料中心與企業級 SSD 需求持續成長，抵銷智慧手機、個人電腦市場疲弱的影響。公司並已開始討論更遠期的供應需求。這些安排反映客戶提前鎖定未來產能，不代表晶片已經生產或交貨，也不等於所有供應條件都已完全確定。 鎧俠同日公布的財報顯示，NAND 售價與出貨量上升，帶動營收及獲利成長；公司對下一季的預測仍低於市場原先預期，顯示供應緊俏不等於獲利沒有風險。近期 AI 記憶體焦點多放在 HBM，這次鎧俠的供貨安排則反映運算擴張也帶動資料儲存需求。對台灣控制晶片、SSD 模組及伺服器供應鏈來說，長約價格、交貨保障與採購成本將是後續觀察重點。 ＊美國 2028 年起停認中國電子設備檢測，台灣認證業迎新機會？ 美國聯邦通訊委員會（FCC）10 月 29 日表決通過新規，預計從 2028 年 12 月起，不再採認中國等未提供對美互惠安排地區的實驗室及認證機構，為美國電子設備授權程序提供的相關測試與認證服務。規定涉及手機、電腦、網通設備等產品，但不等於禁止中國製電子產品進口。FCC 主席指出，2025 年約 82% 的相關電子設備是在中國實驗室接受測試。 台灣與美國已有電信設備測試報告相互承認安排，符合資格及適用測試範圍的台灣實驗室，未來可能成為企業調整認證流程的選項。不過，目前沒有證據顯示中國實驗室的訂單已移往台灣。對在中國製造或測試、再出口美國的業者而言，新規可能增加跨境送測成本，也使新品上市排程需要提前規劃。美國科技管制延伸至產品上市前的檢測環節，台灣能否承接新增需求，仍取決於認可資格與實際採購安排。 ＊Marvell 傳洽購光通訊大廠 Lumentum，AI 晶片整合版圖可能擴大 美國半導體公司 Marvell Technology 傳出正與光通訊元件大廠 Lumentum Holdings 深入洽談收購。《Bloomberg》10 月 […]

【劉永信專欄】不缺人才、不缺工廠，歐洲為什麼在 AI 這局落後？

如果有一天，台灣的政府首長公開拜託中小企業，把工廠裡的製程資料拿出來給 AI 用，你會怎麼想？ 類似的事，10 月 19 日發生在德國。 「請為 AI 打開你們的大門，讓它使用你們的資料。」這句話是德國總理梅爾茨說的，對象是德國自己的中小企業。 那天他站在柏林一座廢棄發電廠改建的場地上，身旁是 NVIDIA 執行長黃仁勳，那是德國第一屆 Invest in Germany Summit，兩個聯邦部會與 NVIDIA 簽下了發展實體 AI 的聯合意向書。 黃仁勳在台上說，德國在製造上累積的資料和專業知識，是你們的自然資源，屬於這個國家。現場一位與會者在 LinkedIn 上記下了他的另一句話：「Electrons will never replace atoms.」電子永遠無法取代原子。 他還講了一句，我認為是整場最重要的「德國應該引進 AI 技術，但不該輸出自己的文化、價值和知識。」 根據安聯研究的估算，德國 2025 年的投資規模，扣掉物價上漲之後，比 2019 年還少了 6.4%。同一段時間，歐元區其他國家成長 6.7%，美國成長 20.2%。 德國不缺工廠，不缺工程技術，也不缺製造資料，它缺的是把這些東西變成 AI 時代競爭力的那一段路，一個製造強國的總理，在拜託自己的中小企業開放資料，身在台灣的我們，如何借鏡跟學習？ 歐洲有費爾茲獎得主，但沒有一家全球級科技公司 如果說德國的問題是投資停滯，法國的問題更難解釋，因為它連人才都不缺。 2026 年 7 月，王虹獲頒費爾茲獎，是這個獎項九十年歷史上第三位女性得主，她在法國高等科學研究所任職，同時也是紐約大學的教授，法國也孕育出 Mistral AI 這樣具有國際影響力的新創。 但全球前十大科技公司，一家也不在歐洲，2024 年，前歐洲央行總裁德拉吉在歐洲競爭力報告中點出了癥結是，歐洲的錢不夠多、公司長不大、實驗室裡的成果走不到市場上。 今年七月，我和家人去了法國，在艾克斯的街上，百年梧桐樹交織成一片綠蔭，當地人在餐廳用餐時很少拿起手機，而是專注地和家人朋友交談，對習慣台灣節奏的我們來說，像走進另一個世界。 我很欣賞那樣的生活，但身為經營者，我也在想，這樣深厚的科學傳統和人文積累，為什麼沒有換成產業上的領先？ […]

史上最大加密貨幣竊案：FBI 指北韓盜走幣安逾 60 億美元，私鑰未外洩為何仍失守？

美國聯邦調查局（FBI）10/31（美國時間）發布聲明，指北韓應為全球最大加密貨幣交易所幣安（Binance）逾 60 億美元虛擬資產遭竊一事負責，並將這批進行惡意網路活動的北韓駭客稱為「TraderTraitor」。幣安估計事件影響約 63 億美元。《BleepingComputer》指出，這是有紀錄以來最大的加密貨幣竊案。根據區塊鏈分析業者 TRM Labs 統計，攻擊從 10/29 UTC 20:05（台灣時間 10/30 清晨 4:05）開始，大部分資金約 20 分鐘內就被移出。 比規模更值得關注的是破口。幣安表示，目前沒有發現錢包私鑰外洩的證據。另一家區塊鏈分析業者 Elliptic 則拿此案和去年 2 月約 15 億美元的 Bybit 竊案相比。據《The Hacker News》，Elliptic 指出：「在這兩起事件中，遭到入侵的是錢包周邊的基礎設施與人員，而非密碼學本身。」在未見私鑰外洩的情況下，數十億美元是怎麼被轉走的？被轉走的資金，又能追回多少？ 幣安稱破口可能始於工程師筆電，攻擊者如何讓系統替自己簽章轉帳？ 在幣安 10/30 的官方公告中，初步調查顯示，事件可能涉及一名 DevOps 工程師的筆電遭入侵，讓攻擊者得以存取服務容器（service container），並提交未經授權的提領交易。共同執行長鄧偉政（Richard Teng）隨後在 X 上補充，攻擊者「並非僅利用一名工程師的權限」，這也不是單一的「一鍵式」操作，而是更複雜的攻擊流程，調查也未將責任歸咎於任何個人。幣安 10/31 的更新公告指出，後續調查又發現其他遭入侵之處。 幣安尚未公布根本原因，外界對手法的了解，多來自鏈上交易紀錄。TRM 分析指出，攻擊者至少在竊案前 36 小時就開始準備：操作錢包先收到 3 筆來自 Tornado Cash 的小額提領，攻擊用的程式也先演練過，才裝到幣安的熱錢包（hot wallet）上。 在以太坊上，攻擊者利用 EIP-7702 機制（一般錢包只要簽署一份授權，就能把行為控制權交給智慧合約），送出一筆包含 50 筆預先簽好授權的交易。3 […]

企業 AI 如何建立共同語言？雲馥數位蔡嘉豪：以 Fabric IQ 串起資料語意與業務脈絡

同樣是「營收」，財務、業務與 CRM 系統可能各有不同定義，產生的數字也未必一致。雲馥數位技術服務處長蔡嘉豪在科技報橘舉辦的「2026 企業 AI 主權高峰論壇」指出，這些數字在各自的業務情境下或許都合理，但當 AI Agent 開始參與報表分析、客戶服務與營運決策，若缺乏一致的資料定義與業務脈絡，就可能產生錯誤判斷，並隨著自動化流程逐步放大影響。 「我們一直不斷投入這些資源在數據中台，到底缺了什麼？」蔡嘉豪指出，過去企業持續投入資源整合跨系統資料，隨著 AI 應用深入企業營運，如何建立資料之間的業務關聯，成為落實 AI 主權的重要課題。舉例來說，客戶資料、銷售訂單與合約資訊可能分散於不同系統，即使完成資料整合，若缺乏明確的關聯與業務規則，AI 仍難以準確掌握客戶、訂單與合約之間的關係，進而影響營收分析、合約管理及業務決策。因此，企業需要建立一致的資料語意，讓 AI 能依循正確的業務脈絡理解與運用資料。 蔡嘉豪進一步指出，資料治理是確保 AI 應用可信任的關鍵。企業除了管理資料存取與使用權限，也需要確保資料經過 BI 分析或 AI 處理後，能產生可靠的判斷並支援實際業務行動。他強調，資料的可信度將直接影響 AI 的決策品質，尤其當多個 AI Agent 串接執行任務時，單一環節的錯誤可能在後續流程中持續累積，影響最終結果。唯有建立清楚的資料定義、業務關聯與治理機制，才能降低 AI 誤判風險，讓企業更有效地掌握 AI 應用與決策流程。 實際進到客戶現場時，雲馥在協助企業導入 AI 專案前期最常拋出四個問題：AI 要完成哪些任務？它需要理解哪些資料與知識？安全面是否到位、有沒有足夠的安全意識？企業主有沒有為 AI 訂出可計算的成功標準？ 要讓 AI 讀懂資料，蔡嘉豪提出的解方是透過 Microsoft Fabric IQ，把過去停留在 Power BI 報表裡的語意模型，提升為整個企業共享的上下文，統一定義客戶、訂單、合約與營收等核心概念及其關係，協助 AI 正確理解並運用企業資料，建立與企業之間的共同資料語言。 讓 AI 讀懂資料，搭起企業的共同語言 要讓資料擁有共同語言，蔡嘉豪先用三層架構來說明：最下層是資料，最上層是 AI […]

DeepSeek 開源編碼代理 Super-Agent：沒人指派也能接單，預設卻只記錄不出手

DeepSeek 旗下團隊在 10/31（週六）於微信宣布開源編碼代理（coding agent）Super-Agent，專案以 MIT 授權發布在 GitHub。根據《Bloomberg》報導，這款更具自主性的代理原型，能主動監看開發者群組聊天中關於程式問題的回饋，不必被呼叫就提出解法。不過，DeepSeek 在說明文件中也替這種主動設下前提：代理預設只記錄自己「會接受」的工作，不會真的動手。 推出 Super-Agent 的是 DeepSeek 今年稍早成立的 Harness 團隊，專門協助打造能接手編碼工作的 AI 代理；Harness 指包在大型語言模型外層的軟體框架，讓代理能處理更複雜的任務。《Bloomberg》指出，DeepSeek 將這款代理對準 Anthropic 的 Claude Code。中國企業正與美國開發者競相打造更先進、也更實惠的 AI 工具；OpenAI 的 ChatGPT 帶起全球 AI 競賽後，許多公司更聚焦於新興且獲利可期的 AI 代理市場，這類代理能協助開發者與商務人士自動化工作。DeepSeek 最新一輪募資約 1,000 億人民幣（約 150 億美元），正準備首次公開發行（IPO）。 當一個代理能替整個團隊做事，它什麼時候該自己出手、誰又能指派它工作？ 一次服務一個 GitHub 專案：有授權者提需求才開工單，再回原對話交付 依 GitHub 上的說明文件，dsh-superagent（Super-Agent 的專案名稱）是為單一 GitHub 儲存庫（repository，存放專案程式碼與修改紀錄的地方）設計的主動式編碼代理，以套件形式在 DeepSeek Harness 上執行。它會監聽 GitHub，也可以選擇接上字節跳動（ByteDance）的辦公通訊軟體飛書（Feishu）。 運作流程上，當獲得授權的人向代理提出需求，它會開立一個工作項目，在自己的代理工作階段（session）與目錄中處理，完成後回到原本的對話交付成果，例如送出合併請求（Pull Request，提交給團隊審核、合併的程式碼修改）。另有一個網頁面板，列出哪些事項需要人來處理。 文件寫下的設計原則是「盡量少占用人的注意力，盡量多創造價值」，並解釋能替整個團隊做事的代理，也可能浪費整個團隊的注意力，因此它只在被要求、或團隊寫下的規則允許時行動，也只在有人必須採取行動、或能用上結果時才發言。 從 […]

【一人公司不再只是副業】創辦人用 AI 工具撐起整個團隊，但最難補的是決策支持系統

在 AI 時代一個人經營公司，靠的不再是無止盡的加班，而是一整套 AI 工具了。程式開發、行銷、客服、記帳與銷售，過去需要分別聘人負責，如今有越來越多創辦人改用 AI 應用程式、聊天機器人與自動化平台，讓每項工具各自承擔一個部門的工作。這其中，最常被提起的例子是 Base44。 一人公司正成為可規模化的商業模式 Base44 創辦人 Maor Shlomo 幾乎獨力打造這家 vibe coding（用自然語言描述需求、由 AI 產生程式）新創，6 個月內累積 25 萬名用戶，並在 2025 年 6 月以 8,000 萬美元現金出售給網站建置平台 Wix。交易完成時公司已有 8 名員工，但在多數時間裡，它都是一人公司。 這股一人公司趨勢也反映在官方數據上。美國人口普查局把沒有支薪員工的企業稱為「無僱員企業」，這類企業在 2012 至 2023 年間平均每年成長 2.7%，持續高於有僱員的企業。到了 2023 年，無僱員企業約占美國 GDP 的 6.4%，營收約 1.8 兆美元。另一組數據顯示，截至 2025 年中，單人創辦的新創占所有新創的 36.3%，2019 年則為 23.7%。 此外，一人公司的營收天花板也跟著上移。10 年前，一人公司營收突破 100 萬美元還足以登上新聞；2023 年，美國已有超過 117,000 家無僱員企業跨過這道門檻。 […]

Meta 聯手傅利葉打造人形機器人，3 個月完成原型、美國政策成潛在挑戰

Meta 正加速推進人形機器人研發，根據《The Information》近日報導，Meta 與中國機器人公司傅利葉智能（Fourier Intelligence）合作，只花約 3 個月就完成一款名為 Max 的人形機器人原型，並已著手開發第二代 Max 2。 這不是 Meta 第一次跨足機器人領域，從研究 AI 如何理解物理世界、成立專門的機器人團隊，到今年收購機器人 AI 新創公司，Meta 持續累積相關技術。如今與中國業者共同開發實體原型，也讓其機器人布局進入更具體的硬體研發階段。不過，在美國加強限制外國製機器人的背景下，這項跨國合作也面臨潛在的政策與供應鏈挑戰。 Meta 派團隊赴上海共同研發，Max 2 已在開發 據《The Information》引述知情人士指出，Max 身高約 1.5 公尺、重約 48 公斤，搭載 NVIDIA Jetson Thor 晶片，並使用獨立的動作控制軟體。它的胸部設有揚聲器，臉部能透過眼睛與嘴巴模擬人類表情，五指手則可抓取小瓶子、玩具等物品。 Meta 在這次合作並無直接採購傅利葉的現成產品。報導指出，Meta 機器人產品副總裁 Li-Chen Miller 曾在傅利葉上海工廠停留近兩個月，參與原型開發。雙方以傅利葉既有的人形機器人硬體及前三代產品的研發經驗為基礎，重新調整機器人高度、身體比例、頭部設計、顯示器與相機等配置，並加入符合 Meta 需求的手部設計。 Meta 對 Max 的要求也反映其鎖定居家互動情境。例如，希望機器人能辨識 5 公尺外的人聲、理解 3 公尺外的手勢，並透過眼神接觸及臉部表情，向使用者傳達正在聆聽、思考或回應等狀態。雙方已於今年 9 月展開 Max 2 研發，計畫重新設計軀幹、改善手部操作能力，加入投影裝置，以及協助上下樓梯的感測器。 […]

【鴻海科技日直擊】AI 機器人如何真正落地？鴻海科技集團 C 事業群總經理李光曜提三大關鍵：場域驗證、系統整合、生態系合作

為協助台灣在全球 AI 機器人浪潮中搶佔領先角色，鴻海科技集團與 TechOrange 科技報橘日前（10/31）於「HHTD 鴻海科技日」聯合舉辦「台灣 AI 機器人產業開發大會」，共同探討具身智能機器人的工業場域應用、安全可信的機器人發展、代理式 AI 與人機協作，以及台灣在 AI 時代的新經濟定位與 2027 年 AI 機器人的技術突破契機。 鴻海科技集團 C 事業群總經理李光曜在開場致詞中拋出核心提問：「當 AI 技術持續突破，我們如何將技術上的可能，轉化為產業真正用得上的能力？」技術要創造價值，必須從真實需求出發，無論是解決高度重複性作業、降低環境風險、回應流程需求，或是透過人機協作提升工作價值，唯有先將問題定義清楚，才能產生可衡量的成果。李光曜進一步提出推動 AI 機器人發展的三大重點： 首先，應用端與開發端必須更早展開合作，在實際場域中驗證效益、於運作中持續改善，才能加快技術落地的速度。第二，建立系統整合能力，將運算、感測技術與既有設備及現行作業流程緊密結合。第三，透過生態系合作創造台灣產業機會，台灣在資通訊、半導體、精密製造與供應鏈協調具備深厚基礎，面對 AI 機器人浪潮，更應將既有優勢串接，從關鍵零組件到軟體平台共同拓展新價值。「每一個來自現場的提問，都可能成為下一次技術突破、應用的起點，」李光曜表示，「鴻海將結合深厚的製造經驗持續推動場域驗證、加速應用落地，讓好的技術加速走向對的地方。」 科技報橘社長戴季全在致詞中表示，隨著 AI 技術快速演進，外界經常探討 AI 是否會取代人類工作，但更值得關注的趨勢是 AI 正在形成「AI Labor（AI 勞動力）」，延伸至實體世界便是機器人的注入與發展，成為現在企業共同關心的趨勢。 從機器人產線實證到全球規格制定，台灣如何搶攻 AI 機器人「世界盃」？ 如何讓 AI 機器人真正走進工廠、穩定執行任務？鴻海科技集團機器人事業處總經理郭柳宗在「具身智能機器人在工業場域的應用」專題演講中指出，工業場景更講求精密製造、高成功率與實際成本效益，目前鴻海已攜手 NVIDIA ，將導入VLA （Vision-Language-Action）模型與強化學習的具身智能機器人，實際應用於美國休士頓 GPU 伺服器量產線上。機器人成功克服高難度的軟性排線組裝工站，該製程不僅需精細撥開排線並視覺對位，還得施加 4 公斤的力道按壓插緊，過去人工操作極易引發手部工傷，傳統自動化設備也難以勝任，透過 NVIDIA Isaac Sim™ 數位孿生與 AI 持續訓練，組裝成功率已從初期的八成大幅躍升至達到 97% […]

「押對模型靠運氣，保有選擇權靠架構。」勤英科技 MixRoute 助企業掌握模型、成本與治理三大主導權

TechOrange 科技報橘日前舉辦「AI Innovation Day：2027 AI 創新日」論壇，上午場聚焦 AI 如何重塑企業智慧決策與工作流程。勤英科技（Elite Cloud）資深解決方案架構師王麒琨指出，企業若以 ChatGPT、Claude 等原廠網頁訂閱服務作為主要 AI 使用方式，可能面臨成本、模型選擇與系統整合等多重挑戰。 首先，按人頭計費的「席位制」難以依員工實際需求彈性調配額度，可能造成資源分配不均與成本浪費。其次，單一原廠平台主要提供自家模型，未必能滿足程式開發、複雜推理、影像生成等不同任務需求；員工若轉而使用未經核准的影子 AI，也將增加機敏資料外洩與資安治理風險。此外，當企業希望 AI Agent 能自動查詢資料、建立訂單或更新系統紀錄，還需要進一步串接 ERP、CRM 等內部系統，而不只是透過網頁介面與 AI 對話。 為回應上述挑戰，企業可透過 API 串接不同 AI 模型，依實際用量計費（Pay-as-you-go），建立統一的內部使用介面，集中管理權限、預算與稽核紀錄，並透過額外的系統介接，讓 AI Agent 參與企業既有工作流程。 然而，企業採購流程往往跟不上模型迭代速度。「現有模型的迭代週期，已經比企業的採購週期還短；今天的最佳選擇，下一季甚至下個月可能就會被取代，」王麒琨舉例，當企業耗時近兩個月完成供應商登記、請購審核與合約簽署，準備啟用某家廠商的 API 時，市場上可能已出現更符合需求的新模型。若新模型來自不同供應商，企業便可能面臨繼續使用原有模型，或重新啟動採購與系統整合程序的兩難。 透過架構設計統一模型調度與治理 為避免過度依賴單一模型供應商，勤英科技以 MixRoute 作為多模型統一入口，企業可透過單一 API 介面存取超過 250 個 AI 模型，涵蓋文字、影像、音訊、影片及 Embedding 等不同需求。平台按照官方牌價計費、不額外加價（Pass-Through），且開立新台幣發票，減少跨國採購與帳務管理的繁瑣程序。 除了簡化跨供應商的採購流程，模型切換的技術成本也是企業必須考量的問題。若應用程式直接綁定特定 AI 模型，日後更換時可能需要工程師修改程式碼、重新測試與部署。王麒琨指出，透過統一的模型管理與調度機制，就能「把模型決策從程式碼裡抽離出來，讓換模型變成一項設定，而不是一次系統改版。」這種降低應用程式與特定模型相互依賴的「解耦」（Decoupling）設計，搭配單一入口的多模型串接，讓企業掌握想換就換、不被單一廠商綁定的「模型選擇權」。 隨著企業導入 AI Agent，模型使用方式與成本結構也開始改變── AI Agent 執行任務可能需要反覆呼叫模型，進而推升 Token […]

【科技早餐】聯發科 AI 晶片開始出貨！Google 攜鴻海挑戰半年部署 TPU

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊聯發科 AI ASIC 開始出貨，2027 年營收目標上看 160 億美元 聯發科（MediaTek）10 月 30 日法說會宣布，首款資料中心客製化 AI 加速器（ASIC）已在 9 月開始出貨初期訂單。執行長蔡力行（Rick Tsai）表示，受客戶需求帶動，第 4 季雲端 ASIC 營收預估上修至 25 億美元；2027 年則有機會達到原訂目標區間高標的 160 億美元，約占全球 AI ASIC 市場 20%。公司也確認取得第 2 家雲端 ASIC 客戶，預期相關專案自 2028 年開始貢獻營收。 目前聯發科正推進下一代客製化晶片設計，目標提高每瓦運算效能、降低客戶整體持有成本。相較過去以手機晶片為營運重心，資料中心 ASIC 已成為明確的新成長業務。不過，訂單轉化為營收仍取決於製造供應鏈能否跟上需求。蔡力行指出，聯發科正與供應商爭取更多產能，尤其基板供應較具挑戰；因此 160 億美元仍屬明年營收目標，並非已經實現的出貨成績。 ＊Google 攜鴻海加速 TPU 部署，目標將交付週期縮短至半年 Google Cloud AI 基礎設施供應鏈與製造營運副總裁謝赫（Rehan Sheikh）10 月 30 日在鴻海科技日表示，Google […]

【博通私有雲展望報告】97% IT 決策者坦言公有雲支出遭浪費，布局「私有 AI」翻轉昂貴算力架構

博通（Broadcom）與市場調查機構 Radius Tech 合作，發布研究報告《2026 年私有雲展望：人工智慧轉折點》（Private Cloud Outlook 2026: The AI Tipping Point）。這份報告基於全球 1,800 位高階 IT 決策者的實證調查（其中 69% 來自員工人數 5,000 人以上的大型企業），揭示企業在人工智慧從概念驗證正式跨入日常生產環境時，如何因應公有雲成本失控與地緣政治監管風險，進而重塑雲端基礎設施策略。 報告指出，隨著生產級 AI（正式上線、每天運作的 AI 應用）對算力持續性、數據安全與成本可控性的要求大幅提升，企業正全面轉向「以私有雲優先發展 AI（Lead with AI on private cloud）」；這種將核心 AI 算力、模型與數據部署於專屬私有雲環境的架構選擇，是當前產業布局「私有 AI（Private AI）」的核心趨勢。 📎 這份報告適合誰閱讀？ 報告內容探討 AI 從實驗跨入正式生產環境時所面臨的成本、合規、技能與架構轉折，適合以下五類工作者閱讀： 🔴 報告洞見 公有雲成本成為企業最大隱憂 企業在導入人工智慧的初期，通常偏好利用公有雲快速存取算力資源與開發工具。然而，當 AI 應用進入正式生產階段，需要持續運轉與處理大量敏感數據時，公有雲的經濟效益開始面臨嚴峻考驗。 報告指出，成本管理（31%）已首度超越資安疑慮，成為企業對公有雲最大的隱憂。高達 97% 的 IT 決策者坦言，公司在公有雲上的支出存在預算浪費，其中更有 52% 的受訪者估計，浪費比例超過四分之一（25%）。 造成這種預算浪費的主因，是因為正式上線的 AI 算力需要長時間不間斷運作。特別是當企業大量導入能自己拆解步驟、跨系統執行的代理型 […]

鴻海科技日揭製造效率：部分產品開發只需 3 週、AI 運算托盤組裝縮至 20 分鐘，怎麼做到？

部分產品開發專案，其他業者可能需要 3 個月，鴻海只需 3 週；AI 伺服器運算托盤的組裝時間，也從兩個多小時縮短至 20 分鐘。今（30）日登場的 2026 鴻海科技日，鴻海董事長劉揚偉與輪值 CEO 蔣集恆揭露多項製造效率數字，並說明背後的技術與做法。 劉揚偉在開幕演講中表示，外界過去常將鴻海視為「box mover」，認為鴻海只是負責系統組裝的代工廠。因此，今年科技日特別聚焦過去較少對外介紹的兩項能力：一是精密加工技術，另一項則是整合產品設計、製造、組裝與全球供應鏈的垂直整合能力。 部分產品開發只需 3 週，鴻海如何實現垂直整合？ 劉揚偉首先以幾組數字說明鴻海的設計與製造規模。他指出，2025 年鴻海共執行 941 項新產品導入（NPI），平均每天約 2.5 項，超過半數採共同設計製造（JDM）或原廠設計製造（ODM）模式；集團也擁有約 12 萬名工程師，涵蓋系統設計、程式開發、零組件及製程工程等領域。 蔣集恆進一步解釋，鴻海的垂直整合不只是將不同工廠集合起來，而是從產品開發初期，就讓零組件、模具、功能模組及系統等領域的工程師共同參與設計，提前考量組裝、量產良率及維修需求。 他舉例，台灣工程師白天完成設計工作後，美國團隊便接手進行設計驗證與模流分析，隔天再將結果交回台灣，讓開發工作跨時區持續進行。蔣集恆表示，透過這樣的協作模式，部分產品開發專案，其他業者可能需要 3 個月，鴻海只需 3 個星期就能完成。 這種整合能力也延伸至 AI 基礎設施。劉揚偉指出，鴻海不只負責組裝 AI 機櫃，也能將電力、散熱等系統整合在一起，製造範圍涵蓋 Level 1～12，從台灣、越南的零組件製造，到新竹的主機板、桃園的系統整合，以及美國、墨西哥更高層級的跨國系統製造，形成橫跨亞洲與北美的生產布局。 加工精度小於 1 微米，AI 伺服器組裝縮至 20 分鐘 在精密加工方面，劉揚偉以金屬機構件為例，說明鴻海如何透過精密模具與沖壓技術，取代部分傳統金屬切削製程。他指出，這項製程改善讓材料利用率提升 3.3 倍，模具精度則達到正負 2 微米。蔣集恆補充，若以百萬台出貨規模估算，一年可節省約 833 萬度電、減少近 4,000 噸碳排放。 除了改善材料利用率，劉揚偉也強調精密加工對下一代 AI […]

聯合利華 AI 代理連紙本表單照片都能讀：訂單處理快 8 倍、試行市場 95% 免人工

消費品公司聯合利華（Unilever）每年約 2,000 萬筆訂單中，仍有約 200 萬筆以電子郵件、PDF、試算表，甚至紙本表單照片等形式送來，過去每筆都要由人工花 15 至 20 分鐘輸入。微軟（Microsoft）近日發布的案例指出，聯合利華與微軟合作開發的 AI 多代理（Multi-Agent AI）系統 NOVA，已在 11 個試行市場中，把訂單到收款（Order-to-Cash）流程第一階段的處理時間，縮短到約 90 秒。 聯合利華客戶營運技術主管 Francis Castro 表示，在試行市場中，95% 的訂單已不需人工處理，只在出現例外狀況時由團隊介入審核，訂單處理速度是過去的 8 倍，退款申請的處理速度則是過去的 2 倍，新客戶導入所需的時間也減少 90%。聯合利華旗下擁有 Dove、Vaseline 等品牌，服務約 30 萬家直接客戶，涵蓋連鎖超市、批發商、經銷商與電商夥伴，再由這些客戶供貨給數以百萬計的小型商店。 五個 AI 代理分工處理訂單，前期流程縮至約 90 秒 NOVA 建構在微軟 Foundry 平台上，由五個 AI 代理分工：四個代理負責讀取電子郵件、理解上下文並擷取訂單資訊，第五個代理則負責檢查處理結果；若訂單缺少必要資訊或出現例外狀況，便會轉交人員審核。《Consumer Goods Technology》報導，NOVA 擷取資料後，會再將訂單輸入聯合利華的 SAP 系統。 聯合利華全球訂單到收款總監 Deepalok Roy Chowdhury 表示，負責處理這些訂單的同事「埋首處理資料、輸入訂單，但這些時間原本可以用來和客戶溝通」。他說：「客戶不應該去適應我們的技術。無論客戶選擇用什麼方式和我們合作，我們要做的，就是讓合作變得簡單。」《PYMNTS》指出，與數十家供應商往來的零售商，不可能把每張採購單都轉換成各家要求的格式。 除了訂單輸入，NOVA 也協助審核申請案件，據《Consumer Goods […]

【DEAT 專欄】從家門到捷運站，TPASS 還缺哪一塊？共享運具正在補上最後一哩

文／台灣數位平台經濟協會（DEAT） 每天早上出門，如果住家離捷運站只有五分鐘，走路或騎 YouBike 都很方便；但如果距離拉長到兩、三公里，途中又有坡度，或者碰上炎熱、下雨、趕時間，選擇就會開始改變。這時候，很多人可能直接騎私人機車出門，原本預計搭乘的捷運或公車，也就從這趟旅程中消失了。 這正是公共運輸「最後一哩」真正需要處理的問題。 TPASS 上路後，逐步把捷運、公車、臺鐵與 YouBike 等不同交通工具整合進同一套通勤方案，讓民眾可以用更簡單的方式安排每天的移動。YouBike 的加入尤其重要，因為它把公共運輸的服務範圍從車站往外延伸。 但城市裡的「最後一哩」有很多種長度，也有不同的地形與使用情境。當 YouBike 已經成為公共運輸接駁的一環，下一步可以進一步思考：還有哪些共享運具，能讓原本距離車站較遠的人，也願意把主要旅程交給公共運輸？ 最後一哩，可能是 500 公尺，也可能是 3 公里 一般而言，捷運站的步行服務半徑約五百至八百公尺，公車站約四百公尺；遇到下雨、炎熱、坡度或不友善的人行環境，民眾願意步行的距離還可能進一步縮短。 YouBike 已經把這個範圍向外延伸。臺北相關旅次研究顯示，多數騎乘集中在兩公里內；近期共享運具發展座談會引述的 YouBike 2.0 使用特性分析則指出，83.6% 的租借在三十分鐘內，顯示公共自行車在短程移動與大眾運輸接駁上的重要性。 然而，當距離再拉長一些，或者遇到坡度、跨區與時間壓力，民眾需要的工具也可能不同。共享電動機車在這裡提供另一種選擇，適合承接自行車較難處理的中距離移動，先把人送到捷運、公車或臺鐵場站，再透過公共運輸完成主要旅程。 從使用者的角度來看，真正重要的是整趟旅程是否方便。步行、自行車、共享機車、捷運與公車各自處理不同距離，接得愈順，民眾選擇公共運輸的門檻也就愈低。 車站旁有車可以搭，可能決定今天要不要騎機車出門 去年七月臺北捷運 57 個站區的實際數據顯示，YouBike 的需求未滿足率為 43.5%，共享機車則為 44.1%。兩者服務的距離與使用情境不同，數字不適合直接比較，但都透露出同一件事：車站周邊仍存在大量尚未被滿足的接駁需求。 尤其對住家離車站較遠、步行不便、自行車距離偏長，公車路線又不順路的人來說，第一段路怎麼走，往往會決定後面的交通選擇。 第一段接駁的便利程度，會直接影響後續的交通選擇。當車站容易抵達，民眾更有機會使用捷運與公車；接駁選項不足時，從家裡直接騎私人機車到目的地，仍可能是最省事的做法。 因此，共享運具的價值可以從「有沒有讓更多人進入公共運輸系統」來衡量。YouBike 處理短距離，共享電動機車延伸至較長的接駁需求，捷運、公車與臺鐵承擔主要旅程。運具之間存在部分重疊很正常，整體交通網能否讓轉乘更方便，才是更值得關注的政策成果。 這也提供一個數位平台治理的思考方向。當新的服務進入既有交通體系，政策可以在既有運具分類的基礎上，進一步觀察它實際解決了哪些移動需求，以及帶來哪些公共效益。 少一輛私人機車，城市可以多出多少空間？ 最後一哩的選擇，影響的還有能源、碳排與城市空間。 台灣運輸部門碳排約占全國一成三至一成四，公路汽機車是主要來源之一。目前約一千五百萬輛機車中，絕大多數仍為燃油車，其中車齡十五年以上者達 363 萬輛。在私人機車高度普及的台灣，車輛電動化是交通轉型的重要方向，而車輛使用效率同樣值得納入討論：城市是否需要每一個人都擁有一輛自己的車？ 臺北市立大學前瞻運輸研究中心今年公布的期中研究成果，以替代率模型估計，在考量使用行為與供給量能後，每輛共享機車平均可替代 5.39 至 7.16 輛私人機車。研究另引交通部調查指出，私人機車有 55.3% 每週使用不到五天。 對於這些低頻移動需求，共享模式提供了另一種可能。需要時有車可用，使用完後再交給下一個人，車輛的使用效率提高，也有機會減少大量私人機車長時間停放在道路與停車格。 如果共享電動機車同時能把更多人送進捷運、公車與臺鐵系統，它產生的效益就可以從轉乘率、燃油旅次、私人機車依賴與停車空間等不同面向觀察。 真的有人用共享機車轉乘嗎？使用資料提供了一些線索 從使用者調查來看，共享機車與公共運輸之間已經出現一定程度的連結。 […]

不怕 AI 被斷供？Mistral 公開兆參數 Large 4 權重，金融、製造業可自建資安防禦

法國 AI 新創 Mistral AI 在 10/29 公開旗艦模型 Mistral Large 4（暱稱 Le Chonk）的權重，企業與政府可以自行下載，部署在自家系統上。公司表示，這款 1 兆參數的模型是為了幫助組織找出並修補資安漏洞而設計；和 Google Gemini 這類主要透過線上服務使用的 AI 系統不同，任何人都能下載、獨立執行 Large 4。 Mistral 科學副總裁 Pierre Stock 指出，正因為 Large 4 是開放權重（open-weight，公開模型參數、可自行下載部署）模型，它的存取「就定義而言無法被切斷」。對企業而言，自行掌握模型的存取權有什麼價值？人人都能取得的模型，Mistral 又打算怎麼防止濫用？ 可在自家系統部署、主打資安防禦，Mistral 這次公開了什麼？ Large 4 在 10/6 先以預覽版亮相。據《Reuters》報導，Mistral 表示這次釋出的是三週前預覽版的升級版，期間經過政府與企業用戶測試，效能有所提升。企業可以從 Hugging Face 下載權重，用 vLLM、SGLang 等推論框架部署在自有基礎設施上，也能透過 Mistral 的 API 使用。 根據《TechCrunch》，Mistral 把 Large 4 定位為資安防禦工具，稱它為全球企業與政府帶來「最先進的主權網路防禦能力」。Mistral 在官方公告中說明，組織圍繞自身知識與工作流程打造 AI […]

Edge AI 不只靠攝影機：無線感測有望讓數十億台既有設備變身環境感測器

邊緣人工智慧（Edge AI）如今幾乎已和電腦視覺畫上等號，透過攝影機在裝置端辨識人物、物體與人臉。但嵌入式 AI 解決方案公司 embedUR systems 創辦人暨執行長 Rajesh Subramaniam 近日在《Forbes》撰文指出，視覺只是最早導入邊緣運算的感知方式，在許多場景中其實並不適合；他認為，無線感測（Wireless Sensing）是 Edge AI 的下一步。 Subramaniam 指出，攝影機在黑暗環境中的表現較差，耗電量也可能超出電池供電裝置所能負荷；無線感測則是另一種更強大的做法，利用現有的無線電訊號與設備，不必加裝感測器，就能偵測移動、人體存在與環境變化，有機會讓數十億台既有設備變成環境感測器，為 Edge AI 帶來新的應用空間。 無線訊號也能偵測人體活動，低功耗 AI 實現即時分析 無線感測的核心概念，是把原本用來通訊的無線訊號，同時拿來感測周遭環境。路由器、智慧家庭中樞與電燈開關裡的無線晶片，原本就透過 Wi-Fi、藍牙、行動網路、超寬頻（UWB）及 Zigbee 等網路通訊。當人在室內移動時，會干擾設備之間的訊號路徑，軟體再解讀訊號模式的變化，不需要攝影機或穿戴式裝置，也不必另外安裝任何基礎設施，就能感測空間內是否有人，以及人的活動。 現階段，無線感測主要用於基本的移動與存在偵測，Subramaniam 提到，市場上已有 Comcast Wi-Fi Motion、Philips Hue MotionAware 等商業案例。近來的新發展在於，低功耗微控制器上執行的 Edge AI 模型，已經能即時解讀這些訊號。這些模型以大量資料訓練，學習有人走動時，以及訊號碰到家具或牆壁反彈時，訊號模式會如何變化。 Subramaniam 認為，Edge AI 的一大優勢，在於運算與推理都在裝置端完成，不必把資料送到雲端再傳回來，因此延遲低，即使網路斷線，系統也能照常運作。 從智慧建築到高齡照護，無線感測拓展 Edge AI 應用 在 Subramaniam 看來，這讓無線感測能應用在智慧建築、高齡照護等各種領域。即時偵測空間是否有人使用，有助於更有效地調控暖氣、冷氣與照明，可望大幅節省能源，其中動態感應照明已是目前最主要的應用。大樓管理者也能藉此掌握辦公室、會議室與停車位的使用時段與使用方式。在安全監控方面，無線感測可偵測非營業時間出現的異常活動，並協助監控資產，例如確認存放貴重物品的貨櫃或儲藏空間是開著還是關著。 更進階的應用，則包括高齡照護中的跌倒偵測，以及即使人站著不動，也能追蹤呼吸頻率。但 Subramaniam 指出，這些功能目前多半只出現在技術展示、研究計畫，以及採用高精度毫米波雷達（Millimeter-wave Radar）晶片的利基型照護產品中，一般路由器還無法普遍做到。 Comcast 推出 Wi-Fi […]

AWS 創近五年最快成長、Google Cloud 營收翻倍，股價卻下跌：華爾街為何擔心 AI 燒錢？

Google 母公司 Alphabet 與亞馬遜分別在美國時間 10/28、10/29 公布第三季財報，雲端業務都交出亮眼成績：Google Cloud 營收年增 103%，亞馬遜的雲端服務 AWS（Amazon Web Services）營收年增 39%，是近五年來最快。但市場反應冷淡，Alphabet 股價在 10/29 重挫 12.6%，是史上最大單日跌幅（以百分比計），亞馬遜股價也在財報公布後走低。 現金是市場關注的焦點之一：亞馬遜過去 12 個月的自由現金流出持續擴大，Alphabet 單季自由現金流也再度為負，兩家還都表示 2027 年的資本支出（企業購置廠房、設備等長期資產的支出）會再增加。根據《Reuters》報導，Alphabet 營收不如預期，AI 相關的現金消耗又加速；投資人正在區分能自己負擔 AI 野心的公司，以及得燒錢、借錢才能實現目標的公司，Alphabet 被歸在後者。雲端需求這麼強，現金為何反而流出？Google 把自研晶片拿出來賣，又怎麼改變了現金流？ AWS 成長創近五年最快，Google Cloud 營收翻倍、算力供不應求 AWS 第三季營收達 460 億美元，成長幅度高於第二季的 37%，也略高於倫敦證券交易所集團（LSEG）彙整的分析師預估（年增 38.2%）。亞馬遜執行長 Andy Jassy 表示：「我們在 AWS 功能與基礎設施上的投資正在奏效。」 Google Cloud 第三季營收達 307 億美元。Alphabet 財務長 Anat Ashkenazi 在法說會上表示，成長主要來自 GCP（Google Cloud […]

【科技早餐】Google Cloud 營收暴增 103%！Microsoft Azure 成長 48%，AI 投資成本攀升

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Google Cloud 營收暴增 103%，Microsoft Azure 成長 48% Google 母公司字母控股（Alphabet）與微軟（Microsoft）在 10 月 28 日公布最新季度財報，兩家公司的雲端業務均受惠於企業 AI 需求。Alphabet 第三季營收達 1,275.8 億美元，年增 25%，其中 Google Cloud 營收達 307.1 億美元，年增 103%，創下新高。公司指出，成長動能來自企業 AI 基礎設施、AI 解決方案及核心雲端服務，自研 TPU 系統銷售也有重要貢獻。不過，Alphabet 當季自由現金流轉為負 90.7 億美元，反映大規模基礎建設投資帶來的資金壓力。公司預估 2026 年資本支出將達 1,950 億至 2,050 億美元，2027 年還會持續增加。 Microsoft 同日公布截至 9 月底的 2027 會計年度第一季財報，整體營收達 922.8 億美元，年增 19%，其中 Azure 營收約 331.7 […]

91APP 遭駭為何花了 11 天才查出破口？駭客是如何突破防線

SaaS 業者 91APP 近日被駭，其一座存放近 18 個月訂單交易資料的資料庫遭非法存取，部分資料遭竊。91APP 在 10/29 召開記者會，公布《91APP 被駭事件：25 天調查報告》，董事長何英圻率領公司主管，向受影響的消費者與品牌客戶鞠躬致歉。 91APP 指出，由於無法確認具體涉及哪些訂單，以最大可能影響範圍估算，涉及 1,329 家品牌、479 萬 8225 名消費者，可能遭取得的資訊包括姓名、電話、配送地址、電子郵件及訂單紀錄，但不包含密碼、信用卡或其他支付資料。 除了影響規模，這起事件的調查歷程也值得關注。91APP 在 10/3 遭到入侵，隔天便接獲品牌反映消費者收到疑似詐騙訊息，卻直到 10/14 才確認攻擊軌跡與破口，並於當晚完成阻斷。為何從遭駭到確認入侵來源，前後相隔了 11 天？91APP 資安長林大維在記者會上還原了這段調查過程。 為何花了 11 天？91APP：被過去經驗限制了想法 根據 91APP 公布的時間軸，10/4 首次接獲品牌通報後，該團隊隨即展開調查，但由於詐騙訊息中的個資與平台、品牌端持有的資料部分不符，當時無法確認來源。10/7 再有 5 家品牌反映異常，91APP 升級調查，10/8 成立緊急應變小組，並決定委請外部資安團隊協助。直到 10/14，奧義智慧科技進駐深入調查，才確認攻擊軌跡與破口。 林大維坦言，這次調查耗時較長，與初期調查方向有關。他解釋，一筆電商訂單會經過多個節點，包括品牌端的操作電腦、訂單管理系統，以及 91APP 平台等。過去追查疑似訂單資料外洩時，團隊習慣優先檢查外部節點，這套方式多年來曾有不錯的成效，因此這次也沿用相同做法。 然而，這次真正的入侵來源卻位於 91APP 內部系統。團隊直到後續擴大內部環境調查，才掌握攻擊軌跡。林大維坦承，初期調查方向有誤，應該從一開始就同步檢查內、外部環境，而不是優先集中在外部節點。 調查進度也影響了品牌通知時機。何英圻表示，即使調查尚未完全釐清，91APP 也應更主動、及時向品牌說明，與品牌共同面對消費者疑慮。該公司先前也坦承，10/8 成立緊急應變小組時，就應同步提醒品牌。 從第三方工具到訂單資料庫，駭客是如何突破防線的？ 根據 91APP 與奧義的調查，攻擊者透過一套未更新套件的內部效率工具 Appsmith 進入 […]

「五十年後，AI 會用什麼語言說話？」iKala 共同創辦人暨集團董事長程世嘉從「智慧通膨」談主權 AI

「用繁體中文請 AI 說出一種黃色、帶刺的熱帶水果叫什麼，它可能會回『菠蘿』，而不是『鳳梨』。」看似只是用詞習慣的差異，卻反映出 AI 在理解繁體中文與台灣在地語境時，仍有值得改善的空間。在科技報橘日前舉辦的「2026 企業 AI 主權高峰論壇」，iKala 共同創辦人暨集團董事長程世嘉引用美國團隊 2025 年發表的研究，研究人員以 110 個台灣與中國大陸用法不同的詞彙，測試 11 個主流 AI 模型。結果發現，以繁體中文提問時，每個模型平均有 37.5 題未能使用符合台灣習慣的詞彙回答；改用簡體中文提問後，平均僅有 4.4 題不符合中國大陸的用語習慣。當 AI 成為企業查資料、做判斷的入口，讓 AI 讀懂語言與市場、確保模型理解在地語境，也成為主權 AI 發展的重要課題。 程世嘉回顧文字與科技發展的歷程：電報時代每個漢字得先編成四碼數字才能傳出去，電腦時代使用倉頡輸入法，再到網路時代，光是讓機器學會替沒有空格的中文斷詞就是一門學問。過去，科技主要協助人們輸入、傳遞與搜尋文字；如今，AI 不僅能理解語言、生成內容，更逐漸參與資訊整理與決策輔助。當科技從處理文字走向理解語意，AI 能否準確掌握在地語言與文化脈絡，也變得更加重要。 全球主權 AI 背後的三大生存風險 根據 Google 公布的數據，其單月處理的 token，從 2024 年的 9.7 兆個、2025 年的 480 兆個，到今年 5 月已超過 3,200 兆個，程世嘉稱之為「智慧通膨」，當 AI 能力持續提升、使用門檻逐漸降低，智慧服務也開始像水電一樣，成為隨時可用的基礎設施。 隨著 AI 深入產業與社會運作，各國也加速布局主權 AI，希望掌握模型、資料與運算資源。輝達 2026 […]

如何管理沙箱關不住的 AI Agent？CloudMile 萬里雲台灣技術團隊主管 David Liang：用 AI 強化資安，也要用 AI 檢測 AI

「一個原本該在封閉環境裡解題的 AI 模型，為了在資安測驗中拿到最高分，自己找漏洞、突破沙箱，最後從外部取得了測驗答案，」CloudMile 萬里雲台灣技術團隊主管 David Liang 日前參加由科技報橘舉辦的「2026 企業 AI 主權高峰論壇」上，舉例這起由 OpenAI 揭露的事件，帶出企業擔心的資安問題：會自主行動的 AI Agent，還管得住嗎？過去大家想知道 AI 能帶來多少成效，如今開始回頭問，有沒有方法讓 AI 被安全地使用，並以「從 AI 主權到 AI 檢測」為題，拆解企業如何打造可控、可見、可稽核的 AI Agent。 David Liang 指出，傳統資安的檢測與監控能力，都建立在「企業資產的行為相對穩定、可以預期」的前提上，但現今的生成式 AI 技術都基於 Transformer 架構，先天帶有不確定性，企業很難預測它的行為，未來企業要面對的，不只是 AI 可能自己失控，還有 AI 正在改寫資安威脅的樣貌。David Liang 表示，如今人人都能用 AI 做出自己的產品，但 AI 生成的程式碼缺乏明確的權責歸屬，驗證身份的方式也同樣在改變，甚至有些企業員工會自行上網找 AI 工具來用，而不知道工具背後用的是中國模型，公司也無從掌握。對重視 AI 主權的企業而言，這些變化正是企業面臨的實際擔憂。 用 AI 檢測 AI，萬里雲 AEGIS 讓 Agent 可控、可見、可稽核 面對新型態風險，David Liang […]

NVIDIA、Broadcom、AMD 為何搶著確保 PCB 供應？AI 讓不起眼零件變兵家必爭之地

AI 熱潮正讓 PC 大廠面臨新的零組件瓶頸。《日經亞洲》（Nikkei Asia）近日報導，HP、Dell 等 PC 製造商的高層在規劃 2027 年供應需求時，向來不起眼的印刷電路板（PCB）成了意料之外的隱憂。一名美國 PC 製造商主管表示：「各類 PCB 已成為我們明年產品規劃的關鍵瓶頸，即使明年 PC 出貨量可能再度下滑，我們仍難以取得足以滿足需求的 PCB。」 《日經亞洲》訪問多位業界高層與主管後指出，隨著 AI 運算需求占用越來越多可用產能，PCB 與晶片載板已成為手機、電腦等消費電子製造商的關鍵供應限制。 科技巨頭搶產能，PCB 成 AI 戰略資源 AI 晶片大廠 NVIDIA、Broadcom 與 AMD，如今都將 PCB 與晶片載板視為支撐擴張必須確保的戰略資源。NVIDIA 近期宣布，與日本揖斐電（Ibiden）、南韓三星電機（Samsung Electro-Mechanics）及台灣欣興電子（Unimicron）等載板大廠合作，目標在未來 3 年將供應 NVIDIA 產品的封裝載板產能提升至 2.5 倍；Broadcom 將先進晶片載板列為持續存在的供應鏈瓶頸，並與日本凸版（Toppan）在新加坡成立合資公司擴大供應；AMD 執行長蘇姿丰今年也多次拜訪晶片與 PCB 供應商，爭取更多產能。 和處理器、記憶體一樣，PCB 與晶片載板幾乎是從手機、電腦到伺服器與汽車等所有電子裝置不可或缺的元件，是讓各零組件互連溝通的基礎。過去它們在產品物料成本中占比較低，技術層次也被認為不如晶片製造與封裝，因此較少受到關注；但如今，PCB 與晶片載板對晶片連接效率、彼此溝通速度與整體運算效能的提升都有關鍵影響，重要性大幅提升。 NVIDIA、Google 與 Broadcom 主要供應商欣興電子董事長簡山傑表示，AI 浪潮不只需要更多 PCB 與晶片載板，為了因應要求越來越高的 AI […]

誰負責、能碰什麼、出事誰喊停？Gartner：僅 13% 組織自認 AI 代理治理到位

AI 代理正快速進入企業。研究機構 Gartner 預測，到 2028 年，《財星》全球 500 大企業平均將部署超過 15 萬個 AI 代理，較 2025 年的不足 15 個大幅增加；但 Gartner 也指出，只有 13% 的組織認為自己已建立合適的 AI 代理治理機制。 科技大廠開始補上管理工具：IBM 在美國時間 10/27 的年度大會 TechXchange 發表 AI 代理的身分與控制功能，微軟也已正式推出代理身分平台 Entra Agent ID。與此同時，AI 代理未經授權就採取行動的事件也陸續出現。當代理愈來愈多，企業要怎麼確認每個代理由誰負責、能碰哪些系統，出事時又由誰喊停？ 代理擴散帶來風險，但一律封鎖可能讓員工轉用影子 AI Gartner 資深總監分析師 Max Goss 在新聞稿中點出，缺乏治理的代理擴散，正讓許多組織暴露在錯誤資訊、過度分享與資料遺失等風險之下。 不過，Goss 也表示：「許多組織轉而封鎖或限制 AI 代理的使用，但這不是長期的解法。」他指出，員工很可能繞過組織的管控，開始使用風險更大的影子 AI（shadow AI，未經公司核准的 AI 工具）。他認為：「組織需要找到平衡，既能治理代理、控管擴散，也要讓員工能安全地用這些工具創新。」 Meta 的 AI 代理擅自回覆，大量資料開放給無權限工程師達兩小時 根據《TechCrunch》引述《The Information》的報導，一名 […]

Apple 做小、Amazon 做大：Echo Show 16 與 HomeView 智慧螢幕走完全相反路線

電商巨頭 Amazon 近日發表 5 款搭載語音助理 Alexa 的新裝置，包括重新設計的智慧顯示器 Echo Show 16，以及智慧音箱、床頭鬧鐘與數位相框，藉此將最新版 Alexa 推進消費者家中。《Reuters》指出，Amazon 正面臨來自 Apple，以及 OpenAI 等具硬體野心的 AI 公司日益激烈的競爭。 Apple 本月稍早才推出首款智慧顯示器 HomeView，以及備受期待的智慧音箱 HomePod mini 2。《CNET》分析，Apple 的首款智慧顯示器螢幕小，Amazon 這次則走向相反方向，產品比以往更大、更偏向電視，但價格也更高。 Echo Show 16 加大螢幕、內建 Fire TV，5 款新品瞄準不同居家需求 Amazon 表示，Echo Show 是其成長最快的 Echo 產品線，年增逾 25%。新款 Echo Show 16 配備 16 吋 Full HD 螢幕，Amazon 指出，其可視面積比 Echo Show 15 多 10%，機身也薄了近 […]

找漏洞、寫修補的 AI 先給誰用？Gemini 4 Carbon 和 Anthropic、OpenAI 一樣採相似策略

Google 在美國時間 10/28 發布新一代前沿模型（frontier model）Gemini 4 Carbon，主打資安能力。Google 表示，Carbon 在漏洞發掘、漏洞利用與軟體修補等資安任務上，都達到最先進水準；不過，這款模型沒有直接開放給一般開發者與企業，而是先交給一部分資安防守方使用。 讓經過審核的防守方先用上新模型，並非 Google 所獨有的做法：Anthropic、OpenAI 今年 4 月也都以審核、分級的方式，限制特定模型的使用對象。至於 Carbon 的資安成績，有多少來自 Google 自行公布的數據，又有哪些限制？ Google 稱 Carbon 從找漏洞到寫修補都領先，數據從哪裡來？ Google 公布了三項外部資安基準測試（benchmark，用來比較模型能力的標準化測驗）的成績：負責找漏洞的 SEC-bench Pro 為 88.2%，Google 稱取得明顯領先；測試漏洞利用（exploitation）的 ExploitGym 為 54.8%，官方稱創下新的最先進水準；測試漏洞修補、由 Collinear 提供的 CWE-bench 為 71.0%，官方表示 Carbon 能把經過驗證的發現，直接轉成可運作的程式碼修正。這三項成績都是在未加護欄（guardrails，模型用來阻擋濫用的安全限制）的狀態下測得，測的是模型本身的能力；不過，使用者實際拿到的版本會套用安全限制，表現未必等同這些分數，《VentureBeat》也提醒，實際部署時的分數可能不同。 Google 也引用了內部團隊與旗下公司的觀察。依內部基準測試，Carbon 生成安全程式碼的成功率，是兩週前更廣泛推出的 Gemini 4 Argon 的 2 倍以上；Google 的 Chrome 團隊則回報，Carbon 產出高品質修補程式的表現，比另一家實驗室的大型前沿模型好 10 倍以上，但沒有點名對手，也沒有公布數據。Google […]

【温宏駿專欄】穩定幣與 AI Agent 會是銀行存款的殺手還是助力？

文／海耶克科技共同創辦人温宏駿（aka 金融派大星） 先講結論：穩定幣和 AI Agent 都不會「殺死」銀行存款，但它們會聯手殺死一種商業模式——靠存款人「懶得比較」賺錢的模式。 從 9 月到 10 月，三件值得關注的事接連發生。第一，Meta 的個人 AI Agent Muse 透過 Plaid 串接銀行帳戶，上線後迅速登上下載榜首，隨後美股銀行股也出現明顯跌幅。第二，摩根大通、嘉信、花旗、美國銀行接連表態，限制外部 Agent 動用客戶資金。第三，國際清算銀行（BIS）發布工作論文第 1382 號，第一次用實證資料證明：銀行存款利率會直接影響穩定幣的流通量。 把這三件事放在一起看，金融派大星看到的不是三則新聞，而是同一場戰爭的三個戰場：錢要放在哪裡，正從一個人類懶得想的問題，變成一個機器每秒都在算的問題。 BIS 工作論文說了什麼：銀行一加息，穩定幣就長得慢 一句話講完這篇論文：銀行存款利息越高，大家就越不想拿穩定幣。這代表兩者真的在搶同一筆錢。 道理很直覺。穩定幣不付利息，銀行存款有付一點。當銀行把利息調高，把錢放在穩定幣裡的「機會成本」就變大，有一部分人就會把錢搬回銀行。 BIS 的研究者分析了 2019 年到 2025 年中的美國資料，結果也是如此。而且 USDC 的反應大約是 USDT 的兩倍以上。原因很簡單：USDC 的使用者多是美國機構，會算利息；USDT 的使用者多在新興市場，要的是一張拿得到的美元，不太在乎美國銀行付多少息。 要注意的是，很多媒體寫成「穩定幣發行量下降」，這不太對。論文的意思是成長變慢，不是變少。就像一台車踩了點刹車，還是往前開，只是慢了一點。 另外，這份資料只看到 2025 年 6 月，還沒涵蓋《GENIUS Act》上路後的新世界。所以它證明了「替代關係存在」，但還沒證明「替代的規模有多大」。這個區別，後面很重要。 總量互補、結構替代：穩定幣和存款的雙面關係 穩定幣和存款是競爭還是互補？金融派大星的答案是：在持有人這一層是競爭，在準備金這一層是互補。 先看競爭面。美國在岸的 USDC 持有人，多是機構與 DeFi 用戶，他們會拿存款利息跟穩定幣的便利性做比較。論文甚至發現，就算把穩定幣放到 Aave、Compound 賺利息，這部分餘額在存款利率上升時一樣會流出。DeFi […]

【從一台到一千台機器人】Hexagon 用「機隊思維」，改寫人形機器人的工廠劇本

讓一台人形機器人進工廠，叫做試點；但是讓一千台同時上工，是完全不同的工程。 今年 4 月，德國機械與汽車零件製造商舍弗勒（Schaeffler）宣布，2032 年前要在全球工廠部署至少 1,000 台 Hexagon Robotics 的人形機器人 Aeon。 從產業面來看，需求與資金都已到位。全球大型人力資源公司 ManpowerGroup 調查顯示，75% 的受訪雇主找不到所需的技術人才；2025 年流入人形機器人新創的資金達 26.5 億美元，超過前 7 年的總和。接下來真正的挑戰，是人形機器人該如何規模化。 從單一機器人到機隊思維 Hexagon Robotics 總裁 Arnaud Robert 直言：「這不是把一台機器人做一件事乘以一千。」他把機器人視為一支「機隊」，在多座工廠之間調度，今天支援 A 區，明天可能換到 B 區。 如果任務固定在某個工位，一支機械手臂就夠了；人形機器人的價值，在於處理需要靈巧雙手、又要四處移動的多步驟工作。Robert 舉例，3 名檢測員一人請病假、一人休假，檢測立刻成了瓶頸，「這時派 50 台 Aeon 過去，產線就能恢復運轉。」 這正是它和傳統自動化的差異。傳統自動化為固定工作站量身打造設備，前提是一切照預期發生；機隊思維則以產能為單位，把機器人當成可調度的勞動力，哪裡有缺口就補哪裡。 為了隨時支援，Aeon 選擇雙足加輪子 要做到哪裡有缺口就補哪裡，機器人必須移動得夠快，也要能抵達工廠每個角落。這兩個條件決定了 Aeon 的外型：它有兩條腿，腳掌卻是輪子，這在人形機器人中相當少見。 Hexagon 測試過純雙足與多種輪式設計才定案。畢竟機器人大部分時間都在移動，平地上輪子更快、更省電，速度可達每秒 2.5 公尺；腿則讓機器人能跨越障礙、上樓梯。 不過，這麼設計的代價是，原地作業時停著的輪子得不斷微調保持平衡，比雙足更耗電。但 Hexagon 認為，人形機器人的價值本來就在移動，只需站著不動的工作，用固定機械手臂就好。因此他們仍選擇輪子，再自行開發電源管理系統補上弱點。 穩定產能，靠資料與量產標準 輪式雙足解決了「到得了」的問題，但機器人到了現場，還得「做得好」。這要靠兩件事，一是用夠好的資料訓練機器人，二是用對的標準檢驗它能不能真正上產線。 業界普遍認為，高品質訓練資料是人形機器人最大的瓶頸。寫程式的 AI […]