Archives

【首席 AI 官一年衝上 76%】CAIO 職稱未定、教材未成形，商學院已搶開 28,000 美元課程

根據 IBM Institute of Business Value 針對全球 2,000 名執行長的調查，一年之內，設有首席 AI 官（Chief AI Officer，CAIO）的企業比例從 26% 躍升至 76%，而且這波成長不只發生在 Meta、Salesforce 等科技公司，海尼根、Nike 等傳統企業也陸續跟進。 這些執行長預期，到 2030 年，近半數的營運決策將由 AI 自主完成，促使企業重新思考 C 級主管的組成，首席 AI 官因此從邊緣位置，快速被推上檯面。 商學院搶進市場，學費動輒近三萬美元 企業需求一出現，商學院很快補上供給端的缺口。杜克大學（Duke University）、卡內基美隆大學（Carnegie Mellon University）都推出對應學程，芝加哥大學 Booth 商學院的課程更長達 10 個月，學費高達 28,000 美元。 曾在廣告代理商奧美任職長達 13 年的 Nancy Schieber，離開職場照顧孩子多年後，發現就業市場已被 AI 徹底改變，因此決定重返校園攻讀 Booth 課程，她說，「我已經 50 歲了，我不想被時代拋在後面。」 不過，學校端招生踴躍，不代表企業端已經想清楚這個職位該怎麼用。Booth 課程策略與創新資深主任 Matt Cohn 觀察，過去企業急著找人領導 […]

AI 讓開發速度成基本籌碼，SaaS 與軟體業如何建立差異化護城河？

當透過 AI 快速產出程式碼已經成為基本能力，當今企業買家對軟體供應商、SaaS 業者發出的提問，已經轉變為是否足夠了解客戶的產業，並把軟體給做對、做好？

生產排程不再是一張「死表格」：日立如何靠 AI 把交期砍半？

日本科技與製造業巨頭日立（Hitachi）正透過組織重整與 AI 技術升級，加速轉型為「數位中心型企業」。 日立總裁兼 CEO Toshiaki Tokunaga 指出，AI 已從生成式（GenAI）、代理型（Agentic AI）邁入實體 AI（Physical AI）階段。日立聚焦將 IT、OT（營運技術）與實體產品串接，推動自研 AI Lumada 3.0 佈局，並實施「Customer Zero」策略：先在自家組織內驗證技術，再轉化為外部客戶的數位服務。 從靜態計畫到動態應變，Physical AI 翻轉製造邏輯 日立所強調的 Physical AI，核心在於讓 AI 不只處理數位世界的資訊，更能即時理解並回應真實物理環境的狀態。對製造業而言，這代表 AI 能直接讀取設備、產線、庫存與供應鏈等現場資料，進而動態調整生產決策。 過去的製造排程多半依據預定訂單與固定產能制定。一旦現場發生設備故障、料件延遲或生產條件改變，往往需要人工二次介入重排，不僅耗時，更容易造成等待與產能浪費。 Lumada AI 的做法則是直接打通工廠即時營運數據與企業規劃系統。當供應鏈條件或設備狀態發生變化時，AI 能依據最新資訊重新評估最佳生產順序。換句話說，生產計畫不再是一份制定後死板執行的靜態表格，而是能隨現場狀況持續微調的「活系統」。 實戰驗證：Omika Works 核心產品交期大減 50% 這套動態調度架構已在日本日立 Omika Works 廠區成功落地。該工廠主要生產能源、鐵路與水務基礎設施所需的資訊控制系統，由於產品高度客製化，涉及複雜的零組件與多變製程，排程管理傳統上極具挑戰。 導入 Lumada AI 與 IoT 平台後，系統能根據現場動態即時重算製造流程，大幅降低生產過程中的等待與閒置時間。最終，這套 AI 驅動機制使 Omika Works 的核心產品交期（Lead Time）成功縮短 50%。更重要的是，日立在完全不擴建廠房的前提下大幅提升了產出，徹底釋放原本被固定排程限制的潛在產能。 這項成果也凸顯 […]

【科技早餐】NVIDIA 129 億美元宣布收購 Hugging Face，研究指疑似 OpenAI 代理劫持德國網站

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊NVIDIA 129 億美元宣布收購 Hugging Face，版圖延伸至 1,800 萬名開發者 NVIDIA 宣布，已同意以 129.3 億美元收購 AI 模型開發者平台 Hugging Face，成為 NVIDIA 規模最大的收購案之一。Hugging Face 目前擁有超過 1,800 萬名開發者、研究人員及創作者，平台上累積超過 300 萬個模型、50 萬個資料集及 100 萬個應用程式，使用企業超過 20 萬家。NVIDIA 也是 Hugging Face 既有投資人，並已在平台發布超過 500 個模型及 250 個資料集。 NVIDIA 執行長黃仁勳表示，交易完成後，Hugging Face 將繼續支援不同公司的模型、開發框架、雲端及運算晶片，開發者不需要使用 NVIDIA 硬體，也能透過平台開發及部署模型。NVIDIA 將運用自身基礎設施與工程資源，提升 Hugging Face 的平台可靠性、模型評估及推論能力。若交易完成，NVIDIA 的業務範圍將從 AI 晶片、伺服器與軟體工具，進一步延伸至模型分發及開發者服務。 ＊字節跳動據報取得 296 億美元無擔保貸款，加碼海外 […]

【在駭客動手前就阻斷】破解駭客 17 天隱形潛伏期，如何終結「資料外洩才察覺」的防禦死角？

美國資安公司 ExtraHop 發佈的《2026 全球威脅情勢報告》（The 2026 ExtraHop Global Threat Landscape Report），內容呈現當前資安防線的結構性轉變；研究於 2026 年 5 月進行，對象涵蓋美國、英國、法國、德國、新加坡、澳洲和阿拉伯聯合大公國等七個國家中，擁有 1,000 名以上員工企業的 1,803 名總監級以上之 IT 與安全決策者。 報告透過對全球企業決策者的量化調查，揭露駭客現在如何用 AI 和隱形手段繞過防護，而企業如何用更聰明、更精準的網路監控，升級成能提早截擊的智慧防禦系統。 📎 這份報告適合誰閱讀？ 報告適合企業與安全領域的決策者及專業人員閱讀，幫助他們在 AI 時代重新評估風險並部署防線： 🔴 報告洞見 駭客平均潛伏 17 天，83% 企業最終選擇付款 在現代網路犯罪生態中，防禦的勝負往往取決於對時間的掌控。報告顯示，勒索軟體攻擊者的平均潛伏期已從去年的 2 週，拉長至今年的 2.4 週（約 17 天）。這段漫長的安全空窗期為駭客提供極為充足的時間，使其得以在網路內部進行深度偵察、橫向移動，並精確鎖定企業的備份檔案。 這種隱蔽潛伏的直接後果是，導致企業偵測能力的嚴重滯後。高達 49.3% 的受訪企業直到攻擊進入「資料外洩」，或更晚的「加密、勒索」階段才警覺遭到入侵，而去年此一比例僅略低於三分之一（31% 左右）。 更令人擔憂的是，有將近 15% 的企業直到收到勒索信那一刻才知情，較去年的 6% 呈現倍數攀升。當駭客在系統內安全潛伏了半個多月後，企業往往已經失去了阻止威脅擴散的最佳時機。 這種偵測滯後直接演變為企業在商業決策上的被動局面，進而引發了獨特的「付款悖論」。數據指出，今年有高達 83.5% 的企業在遭遇勒索軟體攻擊後選擇支付贖金，相較於去年的 70% 有了顯著增長。 […]

合泉系安攜手 BMC 引領 AI 自動化升級 SOAP 成為企業智慧營運新引擎

透過智慧服務編排與自動化平台 (Service Orchestration and Automation Platform, SOAP），推動企業從IT維運邁向核心業務流程，打造智慧化、高韌性的營運模式。 合泉系安宣布與 AI 時代的企業自動化領導者 BMC Software 簽署策略合作協議，成為亞太區首家 BMC 特許經營策略合作夥伴，負責台灣市場的營運與銷售，協助 BMC 加速拓展台灣市場版圖。 隨著企業從 IT 單點自動化，走向混合雲、多雲、SaaS、AI 代理與跨資料流程的端到端服務交付，市場對自動化的需求已從傳統的工作負載自動化 (Workload Automation)，逐步轉向以 Service Orchestration and Automation Platform (SOAP) 為核心的企業服務編排模式。企業不再只是追求單一流程、平台的自動化，而是希望能整合跨系統、跨平台、跨資料源的企業單一視角服務，實現從 IT 維運擴展至業務維運的流程智慧協調與營運管理。 BMC 是 AI 時代的企業自動化領導者，協助管理企業關鍵業務所依賴的 IT 系統。未來，雙方將協助台灣企業將 IT 自動化能力進一步延伸至核心企業流程自動化，實現 IT 與業務端的深度整合與持續優化，建構兼具治理、韌性及可擴展性的企業現代化 IT 營運架構，以因應 AI 時代日益複雜的營運挑戰。 原廠授權落地台灣，合泉系安成為 BMC 在地營運延伸 合泉系安透過引進全球領先軟體與技術，結合本地顧問諮詢、導入、教育訓練與技術支援能力，協助企業建立高穩定、高韌性且可持續演進的 IT 架構。合泉系安董事長何玉雲表示：「合泉系安不僅是 BMC 的台灣總代理，更是 BMC […]

問 AI「這塊基板為什麼翹曲？」OMRON 導入視覺檢測代理，新手也問得出根因

工業自動化企業 OMRON Corporation 在今年宣布在日本進一步擴大 NVIDIA 技術的整合，面對全球熟練工程師短缺，OMRON 將導入由 NVIDIA Metropolis Blueprint for Video Search and Summarization（VSS） 與 NVIDIA Cosmos 驅動的視覺檢測代理，讓檢測流程更趨 AI 化。 AI 代理進駐檢測線：OMRON 補上熟練人員缺口 操作員與工程師不必只靠操作手冊，而能以自然語言、在擬真環境中直接調閱製造資料。OMRON 技術專家 Shintaro Iwamura 向《Manufacturing Digital》表示，這種方式縮短了學習週期，也讓知識更容易在組織內流通。他說：「我們把 AI 視為讓製造專業普及化的工具，使更多人能勝任過去需要多年經驗才做得來的工作。」 隨著 AI 工廠興起、超高速與高容量資訊處理等電子設備創新加速，支撐這些設備的印刷電路板（PCB）組裝日趨複雜，對組裝技術與品質保證的要求也隨之提高。OMRON 指出，全球製造現場熟練人員短缺日益嚴重，半導體製造商在基板良率與品質管理上備受挑戰，轉向 AI 品質管理、讓個別技術人員的專業與經驗得以複製，已刻不容緩。 VSS 是以開放式視覺語言模型（VLM）Cosmos Reason 分析影像，並由 LLM 解讀歷史資料，使 AI Agent 能推理並提出下一步建議。OMRON 舉例，使用者若問「這塊基板為什麼會翹曲？」AI Agent 會在歷史資料中找出特徵相近的翹曲基板影像，分析根本原因，再以易懂的摘要回覆詳盡解答與洞察。 OMRON 工業自動化總裁 Motohiro Yamanishi 表示：「結合 […]

從聯發科到 Hugging Face，NVIDIA 為何接連往 AI 生態不同環節出手？

NVIDIA 近兩週動作頻頻，美國時間 9 月 3 日，NVIDIA 宣布將以 129.3 億美元收購開放 AI 平台 Hugging Face。據《CNBC》，這是 NVIDIA 有史以來第二大收購交易。放到其近期一連串動作來看，會發現買下 Hugging Face 只是 NVIDIA 調整 AI 生態佈局的最新一步。 短短兩週內，NVIDIA 還投資了聯發科、擴大客製化 AI 晶片合作，在德國柏林消費電子展（IFA）推進地端 AI，前一週也與 AWS 宣布進一步擴大從 GPU、CPU、網路到模型的合作。 這些佈局正發生在 AI 產業逐漸往更多技術路線發展之際。OpenAI 8 月就公開將自己的算力策略定義為從資料中心、晶片、模型、開發平台到產品彼此整合的完整堆疊（full stack）；《Reuters》也指出，包括 Meta、OpenAI、Microsoft 等 NVIDIA 大型客戶都正在發展自研 AI 晶片，以降低對 NVIDIA 的依賴。當原本大量採購 NVIDIA GPU 的客戶開始自行掌握更多 AI stack（技術堆疊），NVIDIA 又準備怎麼調整自己的位置？近期幾項動作正好提供觀察線索。 買下 Hugging Face，直接進到模型被選擇的地方 先看最大的一筆交易。根據 NVIDIA，Hugging […]

前進 AWS 學 AI！新北青年局「AI 實戰職涯營」協助青年接軌科技職場

把 AI 課程搬進國際科技企業！新北市政府青年局率「2026 AI Practitioner Program（AI 實戰職涯營）」學員，前進全球雲端技術領導者 Amazon Web Services（AWS）辦公室參訪。由 6 位跨部門業師分享國際企業工作心法，並由 AWS 解決方案架構師帶領 AI 工具實作，幫助學員從「學會 AI」到「用 AI 解決產業問題」，也為即將到來的 10 月 2 日 Demo Day 成果發表提前進入實戰模式。 新北市青年局副局長林麗珠表示，AI 已快速成為各行各業的基礎能力，但企業真正需要的，不只是熟悉工具的人而是能理解企業需求、找到問題，並運用 AI 提出解決方案的人。因此，青年局特別將「2026 AI 實戰職涯營」培訓場地延伸至企業現場，帶領學員接觸產業第一線的工作方法、技術需求與職涯經驗，從中培養 AI 應用能力，與具備「用 AI 解決問題」的能力。 AWS 表示，面對 AI 時代，真正拉開人才差距的關鍵在於「YQ（提問力）」，包括精準提問、拆解問題、保持好奇心，以及判斷 AI 產出結果的能力，也希望學員透過此次「AI 實戰職涯營」培養，帶走的核心競爭力。 本次將工作坊移師至 AWS 辦公室，AWS 講師首先介紹 Amazon「Day One」創新敏捷精神、「Leadership Principles」核心領導力準則，及「Working Backwards」從客戶需求出發的逆向思考工作法，帶領學員瞭解國際企業如何將創新思維融入組織運作中；接著，從職涯角度，建議學員以「想成為什麼樣的人」打造個人品牌、「以終為始」確認整體 KPI 與目標，再推導具體做法，並鼓勵學員應時刻展現「Can-do attitude」（面對困難抱持著一定能解決問題的態度）。 活動也邀請銷售、技術及行銷等跨部門共 […]

NVIDIA 開源 PAIR 登場：與其付錢上雲，不如用家中閒置設備跑 AI？

NVIDIA 在柏林舉行的 IFA 發表多項新消息，包括下月上市的 RTX Spark 系統，以及協助部署地端 AI 的模型與軟體更新。其中，受關注的 NVIDIA PAIR（Personal AI Router），能將區域網路內多台電腦的運算資源整合起來，並自動分配 AI 推論工作。 NVIDIA 開源免費軟體 PAIR，串起家庭與中小企業閒置電腦跑地端 AI NVIDIA PAIR 會將網路上的 RTX、DGX 和 Mac 系統整合成個人 AI 推論叢集，並自動把 AI 推論請求分配到可用的地端運算資源。在家中執行 AI 工作流程，資料全程留在自己的網路內。這個軟體是專為私有的地端 AI 推論打造，讓使用者可以處理提示詞、檔案與 AI 代理的上下文資訊，不必將這些資料傳送到雲端。 過往，將 AI 模型和工作集中在同一台電腦上未必是理想做法，因為不同用途和軟體都得共用記憶體、儲存空間、網路及運算資源。《Forbes》指出，這正是 NVIDIA PAIR 可以發揮作用的地方。許多家庭和中小型企業都擁有多台電腦，而這些設備大多時間處於閒置狀態。NVIDIA PAIR 是免費的開源軟體，可以利用這些閒置設備的運算資源來執行地端 AI。 《Forbes》提及，如今大多數代理式 AI 工作流程都會把任務拆分成許多不同工作，同時處理其中多個部分。但如果所有任務都要搶用同一顆 GPU 的運算資源，效能就可能忽快忽慢，甚至大幅下降。在區域網路中的多台電腦安裝並設定 NVIDIA PAIR 後，軟體會自動找出相容的運算設備，再根據各系統當下的可用資源，將 AI 推論工作分配到最合適的電腦上。 […]

GPT-6 Astra 正式登場，為何 OpenAI 總裁認為 AGI 時代已到？

OpenAI 在美國時間 9/3 推出 GPT-6 Astra 新模型，正式跨入第六代模型世代，並將它形容為「新一代智慧（a new generation of intelligence）」。值得關注的是，OpenAI 共同創辦人暨總裁 Greg Brockman 在媒體簡報上表示，如果幾年後回頭問「AGI 是什麼時候出現的」，答案可能就是現在，甚至可能就是 Astra；他個人認為，AI 已經進入「AGI 時代」。 距離 OpenAI 去年推出 GPT-5 已歷經約 13 個月，期間雖陸續更新至 GPT-5.6，但這次是正式換上新的主版本號。究竟 Astra 跨過了哪些能力門檻，讓 OpenAI 不只將它定位為新一代模型，也開始做出如此積極的 AGI 判斷？ 電腦操作更快更準，Astra 把多步驟工作串起來 OpenAI 這次最強調的能力之一，是電腦使用（computer use）。AI 操作電腦並不是到 Astra 問世才出現，2025 年 OpenAI 的 Operator 就已能辨識螢幕、點擊和輸入文字；真正長期卡住的，是模型能不能快速、準確地連續執行大量步驟，讓使用者把一整段工作交出去。 OpenAI 表示，新模型能填寫表單、更新 CRM、整理行事曆，也能完成網路研究後把摘要寫進文件，甚至分析資料、建立網站，再自行進行前端 QA，把不同軟體中的操作串成完整流程。 除了新模型本身，OpenAI 也同步更新 Codex 的執行框架（harness）。兩者結合後，在 Mind2Web […]

調查發現 76% 工程師更愛 Claude Code 勝過 Codex，關鍵差異是什麼？

在 AI 輔助程式開發領域的 138 位工程師受訪者中，高達 76% 使用 Anthropic Claude Code 執行日常工作，而 OpenAI Codex 則僅有 35%，另外有 22% 的人同時使用兩者。

快速消費品巨頭如何迎戰供應鏈波動？金百利克拉克的數位分身與資料湖策略

旗下擁有舒潔（Kleenex）、靠得住（Kotex）與好奇（Huggies）等知名品牌的消費品巨頭金百利克拉克（Kimberly-Clark），近年積極將 AI 深度導入物流排程與工廠營運中。透過數據與自動化技術，該公司不僅大幅削減營運成本，更在競爭激烈的快消品市場中，持續鞏固營運效率與供應鏈韌性。 突破傳統物流瓶頸，導入 AI 數位分身降低 60% 貨運波動 過去金百利克拉克在運輸調度上經常面臨貨流不均的問題，例如部分日子出貨量集中，造成車輛與運輸容量過載，其他日子卻可能出現需求驟降與產能閒置。這類波動與訂單、庫存、運輸容量及客戶交貨要求彼此牽動，單靠人工很難即時完成大量排列組合。 金百利克拉克因此導入供應鏈科技公司 ProvisionAi 的 Earl 系統，利用機器學習與最佳化演算法分析需求、運輸容量及客戶服務要求，再重新安排貨物的出貨節奏。系統採用「平滑化裝載」（Level Loading）概念，在完全不影響對客戶交貨承諾的前提下，將貨運需求更均勻地平攤至不同工作天，成功將整體貨運波動度（Variability）降低了約 60%。 這套系統也被視為供應鏈的「數位分身」（Digital Twin）。它能持續模擬物流網路中的訂單、運輸資源與容量變化，協助系統快速找出較佳的運輸配置。約 80% 的出貨排程已可透過系統自動完成最佳化，物流調度人員則能將時間集中在需要人工判斷的例外狀況。透過改善貨物裝載效率、降低無效里程與運輸資源浪費，金百利克拉克每年可節省數百萬美元成本，同時也有助於降低運輸活動產生的碳排放。 建立集中式資料湖，以預測性維護打造高效率智慧工廠 除了 AI 賦能物流和供應鏈管理之外，《Forbes》報導，金百利克拉克近年另一項重要基礎建設，是建立能串聯企業不同業務資料的集中式資料湖（Data Lake），讓 AI 能夠取得更完整且一致的資訊。金百利克拉克的資訊長 Francesco Tinto 強調，供應鏈是數據基礎開始產生實際效益的重要場域。 其中，預測性維護（Predictive Maintenance）便是製造端的重要應用。傳統設備維護往往依賴固定週期保養，或等設備發生故障後再處理；導入 AI 後，系統能分析設備運轉資料，辨識可能預示故障的異常訊號，讓維護工作可以安排在原本的生產計畫中。如此一來，企業能減少突發性的設備停機，也能提升工廠的整體生產效率。 金百利克拉克的數位轉型之所以能取得實質成效，關鍵在於將技術導入與業務流程的「重新設計」深度結合。Francesco Tinto 表示：「我能比人更快地把錯誤的流程最佳化，但我不認為這才是真正的轉型。」他認為，如果直接將 AI 疊加在錯誤的流程或劣質的數據上，只會更快得出錯誤的答案。因此，金百利克拉克並非單純將舊有作業自動化，而是重新審視端到端的營運流程，並同步提升全員的 AI 素養，確保人與科技能發揮最佳的協同效應。 從利用數位分身平滑化物流波動，到運用資料湖驅動智慧製造，這家百年消費品巨頭展現了如何透過數據實踐永續成長。AI 在金百利克拉克不僅是降本增效的工具，更是轉化企業營運體質、迎戰未來全球供應鏈挑戰的關鍵戰略核心。 【推薦閱讀】 ◆ 導入 AI 不必樣樣都做，IKEA 用「雙軸四象限」決定投入順序 ◆ 63 項生鮮試點、貨架供貨率拉高 2.5%：零售巨頭 Target 如何用數位分身重塑供應鏈？ […]

【科技早餐】台積電近 20 廠仍追不上 AI，OpenAI 開發 AI 自動關閉機制

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊SEMICON Taiwan 2026：台積電近 20 廠仍追不上 AI，Microsoft：擴產還不夠 台灣半導體產業協會理事長暨台積電副共同營運長侯永清，在 SEMICON Taiwan 2026 爐邊對談表示，AI 需求成長速度是過去 30 年未見。台積電去年底估算 2026 年為滿足客戶需求所需採購的設備，僅過一季就提高至原估值的 1.5 倍，7 月再增至 1.9 倍。目前台灣同步興建 13 座晶圓廠，海外另有 5 至 6 座，全球合計接近 20 座；相較過去同一時間約興建 4 至 5 座，擴產規模明顯提高，仍未完全滿足需求。 Microsoft Azure 硬體系統與基礎架構總裁 Rani Borkar 在同一場活動表示，AI 基礎建設不能只增加容量，還必須提升資源轉化為有效運算成果的「有效產出」，並跨越晶片、記憶體、網路、電力、散熱、軟體及模型共同設計。鴻海董事長劉揚偉則主張，台灣供應鏈應走進當地市場，由「台灣製造」轉向「與台灣一起製造」。經濟部產業發展署表示，2026 年台灣半導體產值力拚突破新台幣 8 兆元，國產半導體設備產值可望突破 2,700 億元。 ＊OpenAI 開發 AI 自動關閉機制，Anthropic 新增逃脫偵測防護 OpenAI 在致美國國會議員的信中表示，工程團隊正在開發 […]

Google 看 AI 硬體下一步：運算便宜、搬資料昂貴，專用化還會加深

AI 晶片持續增加運算能力，但下一階段要解決的問題，可能不只在「算得更快」。Google AI 與基礎設施資深副總裁暨技術長 Amin Vahdat 9 月 2 日受邀來台，在 SEMICON Taiwan 2026「大師論壇暨全球生態系高峰會」發表開幕主題演講，並在會後接受媒體提問。Vahdat 這次從 TPU、記憶體、網路一路談到封裝與供電，勾勒 Google 對下一波 AI 硬體變化的判斷。 Vahdat 認為，目前正進入第二波硬體專用化。通用 CPU 的效能與功耗改善已經放緩，但 AI 算力需求仍快速增加，因此必須透過更專用的硬體持續提高效率。 AI 工作負載分流，Agent 又把 CPU 拉回來 Google 第 8 代 TPU 已進一步分成偏訓練的 8t，以及偏推論的 8i。Vahdat 在會後媒體問答補充，隨著特定工作負載需要的算力規模擴大，專用硬體能進一步提高效能與能源效率，市場規模也可能大到足以支撐開發專用晶片的投資。 他透露，Google 約兩年前便判斷，訓練與推論需求已大到值得分開最佳化，目前在其他專用化方向也看到類似的投資報酬率，預期未來還會出現更多硬體細分。 這股變化甚至可能延伸到 CPU。Vahdat 表示，Agent（代理）需要 CPU 協調大量資料移動與模型呼叫，Google 已看到昂貴的 TPU、GPU 有時必須等待 CPU 完成工作。因此，他認為未來有機會針對 Agent 運算進一步專用化 CPU，並打造更適合低延遲、高頻率通訊的系統。 運算便宜、搬資料昂貴，Google […]

【從 2D 到 3D】World Labs 世界模型 Atlas 亮相：手機拍段影片，機器人就有了訓練場？

由知名電腦視覺先驅李飛飛（Fei-Fei Li）共同創辦的 AI 新創公司 World Labs，近日推出最新世界模型 Atlas，進一步朝打造能理解與模擬實體世界的 AI 系統邁進。 World Labs 在部落格文章中表示，Atlas 是一款多模態世界模型，能將模擬環境與實體世界的推理能力結合起來。Atlas 是全能模型（omni model），只需輸入一張圖片，就能生成範圍廣闊、細節豐富的 3D 模擬環境，並精確控制攝影機位置與移動，從不同角度呈現同一場景。 沒有空間智慧就沒有 AGI？李飛飛創辦的 World Labs 交出成績單 Atlas 的推出，也被視為李飛飛長期倡議的空間智慧理念進一步實現。這項理念認為，若 AI 要真正理解並重現實體世界，就必須具備空間推理能力，理解其中的各種要素，包括 3D 物體與人、周遭環境、不同元素之間的互動，以及這些互動在空間上產生的影響。 李飛飛曾任史丹佛大學 AI 實驗室主任，也是史丹佛以人為本人工智慧研究院（Stanford Institute for Human-Centered AI）的共同創辦人。她在 2024 年 2 月創辦 World Labs 時表示，如果 AI 不具備空間智慧，就不可能實現人工通用智慧（artificial general intelligence，AGI），也就是認知能力超越人類的 AI 系統。 Atlas 推出後，使用者已陸續在 X 等平台分享實驗成果，初步反應相當正面。最令人印象深刻的是，Atlas 只需要一張 2D 圖片，就能生成極為逼真的模擬環境。它可以根據這張圖片生成最長 […]

Gemini 3.8 Flash 軟體工程測試勝 Fable 5？Google 新模型上線：定價不變但 token 用量增

Google 宣布推出 Gemini 3.8 Flash，距離前一代 Gemini 3.7 Flash 上線才過了幾週。Google 表示，新模型在處理複雜任務時會執行更多推理步驟，並反覆調用工具，整體處理能力較 Gemini 3.7 Flash 更進一步。新模型目前已開放一般使用者使用，但需訂閱 Google AI Pro 或 Ultra；開發者和企業用戶也能使用。 Gemini 3.8 Flash 上線引討論：token 用量增、實際成本恐比標價高？ 《The Verge》指出，Gemini 3.8 Flash 初始定價與 3.7 Flash 相同，每百萬個輸入 token 收費 0.75 美元，每百萬個輸出 token 收費 3.75 美元，不過實際使用成本仍可能更高。Google 表示，為了追求更好的效能，模型可能會使用更多 token，尤其是在調高運算投入程度時。開發者若希望控制 token 用量，仍可選擇 Gemini 3.7 Flash。 Gemini 3.8 Flash 推出後，也陸續引發外界關注。Artificial Analysis 將焦點放在模型的價格，指出 Gemini 3.8 […]

Hugging Face 為什麼攔得住 AI 代理入侵？企業該建的是這 4 件事

過去兩年，企業導入生成式 AI 的典型路徑，是先買 Copilot、再買幾套帶 AI 的 SaaS，接著讓各部門各自做 PoC，這樣做很有效率，但當應用越來越多，新的問題也會開始浮現。 七月，OpenAI 在內部資安評測中使用的 AI Agent，為了取得評測答案，找到一個未知漏洞脫離了測試環境，接著入侵 Hugging Face 的系統，過程中還用外洩的憑證進入四個公開服務的帳號，Hugging Face 後來是靠自己的偵測機制發現並攔下這件事的。 當 AI 助理已經會自動讀取資料，甚至修改系統，執行任務時，公司的主管是否清楚知道，AI Agent 能碰哪些資料？做錯時如何攔下？這些問題並不是換一個更聰明的模型就能回答的，這也是管理 AI 助理的平台會出現的原因。 而攔不攔得住，差別大致落在四件事上：Agent 用誰的身分做事、能不能直接碰系統、不可逆的操作有沒有人把關、以及所有動作有沒有留下紀錄。 企業版 AI Agent 平台，到底管理哪些問題？ 第一次接觸 AI Agent 的人，多半會把它理解成「比較聰明的 ChatGPT」，但兩者最大的差別不在回答品質，而在於是否能採取行動：AI Agent 會根據目標規劃步驟、查詢資料、呼叫工具，甚至直接修改系統狀態。 企業版平台要提供的，就是讓這些 Agent 能共同開發、執行與治理的環境，不同部門、不同用途做出來的 Agent，終究需要一致的方法來建立、上線與管理，否則每一個都是獨立的孤島。 一個成熟的平台要讓多個 Agent 同時安全運作，通常會涵蓋六大能力： 這六項的共同點是，它們都跟模型無關，無論未來公司用的是 Gemini、GPT、Claude 或其他新一代模型，權限管理、資料治理、安全政策、評測機制與稽核能力都應該保持一致，而不是每更換一次模型，就重新建立一套管理流程。 簡單來說企業級的 Agent 應該是： 企業級 Agent ＝ 模型 ＋ […]

Meta 推 Muse Spark 1.3，AI Agent 要長時間替人工作得先解決哪些問題？

AI Agent 開始能連續處理數十、甚至數百個步驟後，模型好不好用，也不再只取決於最後能不能答對。它在過程中會不會反覆繞路、忘記前面的要求，能否正確使用工具、發現計畫有問題後自行修正，以及什麼時候應該把決定交回使用者，都會影響一項工作最後能不能順利完成。 Meta 在 9/2 推出 Muse Spark 1.3，就把這些「怎麼工作」的問題列為升級重點。Meta 這次除了公布 Muse Spark 1.3 在 coding 與 Agent 測試上的成績，也把「Agentic Workflows（代理工作流）」列為升級重點，說明模型如何處理長時間、多步驟任務。從模型訓練、工具使用到第三方 benchmark 的變化可以看出，前沿模型競爭正在進一步延伸到 Agent 完成工作的整個過程。 這些改進背後，也連著 Meta 更大的產品計畫。Meta AI 負責人 Alexandr Wang 向《Axios》表示，Muse Spark 1.3 在實際使用體驗上的進步，將有助於 Meta 發展未來的個人 AI Agent，包括其執行長 Zuckerberg 多次描繪、能全天候代表使用者工作並協助完成目標的 Agent。 少繞路、別忘記要求，Meta 開始最佳化 Agent 工作過程 當使用者交給 Muse Spark 1.3 一個開放式任務，Meta 表示，模型會利用工具從分散、甚至彼此衝突的資料中建立所需脈絡，發現原本計畫有缺口後主動修正，並持續保留已取得的資訊直到完成最終成果。Meta 也針對不同 Agent 執行環境訓練模型，希望它能適應不同工作方式。 […]

強化海事通訊韌性！工研院與資策會聯手打造「多軌道衛星閘道器」，亮相台灣創博會

想像一下，一艘貨輪正在公海航行，船上主機設備突然出現異常警報，岸端工程師正在進行即時視訊診斷與遠距維修，而船員唯一的依靠便是頭頂上的衛星網路。然而，當海浪劇烈搖晃船隻、天候惡化，或是船隻駛入超過衛星通訊公司的服務範圍時，衛星通訊便會面臨延遲、頻寬驟降甚至斷線的危機，若此時無法即時切換至其他衛星系統，整個維修作業將被迫中斷。 這不是假設情境，而是台灣海事業者在遠洋通訊應用中所關注的實際問題，如何確保「衛星通訊韌性」在多變環境下不斷線，已成為通訊發展的核心命題。 今（2026）年台灣創博會（tie）以「AI 賦能創新｜ 永續邁向未來」為主軸，三大主題館之一的智慧永續館，整合六個政府部會的研發成果，以「智慧韌性，永續安心」為核心，規劃「智慧創新、數位賦能、循環永續」三大子題區，聚焦前瞻科技如何回應真實社會挑戰。 其中，將於智慧永續館展出的「多軌道多星系異質網路整合與擬真技術」，正是以科技回應海事通訊剛性需求的亮點成果，在國家五大信賴產業推動方案「次世代通訊」與數發部數產署「先進衛星多元服務應用產業發展計畫」的支持下，工研院資訊與通訊研究所與資策會數位轉型研究院跨機構合作共同研發這項技術，從台灣本土需求出發，針對海事場景設計的衛星通訊韌性解決方案，為海事通訊與產業數位轉型提供強大支撐。 突破單一星系限制！多軌道衛星閘道器實現智慧切換與動態分流 「海事場景涵蓋範圍最廣、環境最惡劣且需求最多元。」工研院資通所經理顏在賢表示，針對單一星系無法提供全時穩定連線的業界痛點，顏在賢與資策會數轉院副主任廖柏宇共同提出兼具「部署前虛擬驗證」與「部署後實體運作」的完整解方，透過部署前的擬真器預先驗證，以及部署後的閘道器維護通訊順暢。 其中，多軌道衛星閘道器核心目的在於解決運行中的斷線危機，能同時處理高軌（GEO）、中軌（MEO）與低軌（LEO）等不同軌道訊號。「多軌道衛星閘道器可在 1 秒內完成多星系通訊鏈路切換。系統採用 IP 網路層整合架構，各衛星系統仍透過既有終端設備提供網路連線，再由閘道器統一執行鏈路監測、管理與切換，無須汰換船上既有通訊設備，即可快速整合不同衛星系統。」 顏在賢以實際航行場景為例，船隻原本使用 Starlink 低軌衛星進行遠端維修高畫質雙向視訊，隨船隻航行位置改變，當原有 Starlink 鏈路不再適用時，閘道器將即時切換至 OneWeb，維持遠端維修資料傳輸不中斷；當船隻航行至 Starlink 鏈路恢復可用的區域後，系統再自動切回 Starlink 低軌衛星鏈路。相較於過去需由管理者手動判斷並操作不同衛星系統的切換，多軌道閘道器能持續動態監測品質，一旦偵測到當前訊號衰退，便會自動觸發切換機制，在不同衛星通訊鏈路/星系之間自動切換、動態分流，確保單一衛星失效時整體服務仍能持續穩定運行。 多軌道衛星擬真器建構低成本、高精準度海事測試環境 而多軌道衛星擬真器的核心價值，在於提供高精確度的環境模擬，解決實際部署前高昂成本的驗證門檻。 由於衛星設備建置昂貴且通訊費高，過往開發新技術或服務多半需租船出海測試，高昂的時間與金錢成本成為產業難以跨越的痛點。而擬真器的目的正是讓研發團隊在「實驗室中重現真實海況」，透過軟硬體演算法，模擬不同軌道衛星在各種氣候與環境條件下的傳輸特性。 在技術方面，該系統以實際航行期間量測的衛星網路傳輸數據為基礎，依時間序列精準還原通訊品質的動態變化，並反映海浪晃動、船舶姿態及天候條件對衛星鏈路的影響，真實呈現台灣周邊不同航線的衛星網路傳輸特性。 「為了讓模擬數據與真實海況精確對齊，團隊從 2025 年年底至 2026 年上半年已實際出海採集數據達 7、8 次以上。」廖柏宇表示，團隊以「上半年實驗室 AI 預測、下半年出海驗證」為核心，團隊以實際出海量測資料建立基準資料集，用以訓練與驗證 AI 模型。此模型隨後導入擬真器中，不僅能重現既有航線的通訊品質變化，亦能推估未實測航線之傳輸效能。 這套多軌道衛星擬真器也將於台灣創博會（tie）智慧永續館中亮相，展場將同時運用三台擬真器，分別模擬  Intelsat（高軌）、Starlink（低軌）及 OneWeb（低軌）三大衛星網路的傳輸特性，現場直觀比較不同星系傳輸效能的即時變化。 從研發驗證走向海事商用！多軌道衛星解方推動台灣網通業跨足高附加價值服務 多軌道衛星擬真器可於研發階段進行效能驗證與測試，多軌道衛星閘道器則在實際運行階段支援多星系鏈路監測與快速切換，形成涵蓋研發驗證、系統部署至實際營運的完整衛星應用服務生命週期。目前，團隊已與船隊管理系統業者展開合作洽談，評估將閘道器整合至既有船隊管理平台，加速技術導入海事場域並推進商用部署。 針對未來市場佈局與應用規劃，廖柏宇表示，相較於台灣陸地擁有完善的 4G/5G 基礎建設，海上通訊對衛星存在絕對的剛性需求，因此團隊將優先鎖定海事市場，涵蓋海上緊急醫療、船員遠距診斷、設備遠距維修及船運安全等情境；長遠來看，偏遠山區或離岸風電場址的遠距醫療與作業監控，也是展現價值的潛力場景。 儘管技術已取得階段性成果，邁向規模化商用部署，仍需持續強化衛星系統的資訊整合與智慧決策能力。在技術層面，閘道器未來將針對不同衛星系統的介面發展相應介接機制，整合衛星用戶終端的訊號品質、鏈路狀態及換手資訊，進一步提升鏈路選擇與智慧調度效能。在市場層面，初期建置及通訊服務成本仍可能影響業者的導入意願；對此，廖柏宇表示，隨著市場規模擴大及更多業者投入，整體導入成本可望逐步降低。 「過往台灣網通業在太空與衛星產業的優勢主要集中於終端硬體設備與元件的代工製造，對於上層的系統整合（SI）以及軟硬體深度融合的應用服務則相對欠缺。」顏在賢指出，透過這套多軌道多星系異質網路整合技術，正好補足台灣在系統整合上的空白，也期許未來台灣不僅能供應高品質的衛星天線與終端元件，更有能力外銷整套「不斷線的衛星多元通訊解方」，帶領台灣網通產業從傳統硬體代工成功轉型，跨足高附加價值的系統整合與服務市場。 「多軌道多星系異質網路整合與擬真技術」將於 9 月 17 日至 19 日在台北世貿一館舉行的台灣創博會（tie）「智慧永續館」登場，為次世代衛星應用與產業數位轉型注入關鍵動能。 […]

物理 AI 最大商機或許不在人形機器人，而是替既有設備裝上大腦

當人們談到「物理 AI」（Physical AI），最容易浮現的畫面是一台人形機器人走進工廠搬運零件、在倉庫揀貨。但是，如果把物理 AI 的商業化，全押在人形機器人何時能大規模落地，可能看窄了這波技術的機會。 曾在 Google 參與近十年硬體、軟體與 AI 產品開發，目前擔任實體人工智慧新創 Archetype AI 共同創辦人暨營運長的 Brandon Barbello 認為，物理 AI 更大的價值，不只是替 AI 打造新「身體」，而是替現實世界已存在的設備裝上能理解環境、做出判斷的「大腦」。 工廠輸送帶、風力發電機、冷卻系統、車隊，甚至一棟辦公大樓，都可以成為物理 AI 的載體，且相較於等待新機器人大規模進入市場，這條路可能來得更快。 物理 AI 的想像被人形機器人窄化了？ 物理世界與軟體世界最大差別之一在於更新速度。軟體可一夜之間推送到數億支手機，但發電廠、工廠生產線不可能同速更新，新硬體須經製造、測試、認證、安裝，這也是機器人發展始終不像純軟體那樣指數型成長的原因。 工業機器人歷史可追溯到 1961 年，通用汽車紐澤西州工廠部署了第一台工業機器人 Unimate，把工人從重複危險工作中解放。超過六十年過去，完全無人介入的「熄燈工廠」依然不普遍，這也說明硬體進入物理世界，本來就是必須一台一台導入的漫長過程。 因此，若企業把物理 AI 起點設定為「買進新機器人」，很容易忽略：已存在的設備真的被充分利用了嗎？答案往往是否定的。這些設備不缺資料，缺的是理解資料的能力。 資料早已存在，只是沒被轉譯成可被理解的資訊 一輛自駕車每天產生約 25GB 資料，飛機引擎每小時可能產生約 20TB，工業現場也是如此；溫度、震動等訊號無時無刻在留下，問題在於這些資料大多沒真正進入決策系統，因為許多設備仍按多年前設定的規則運作，缺少能理解現場變化的智慧層。 資料中心就是典型案例。Google DeepMind 曾讓機器學習模型直接參與資料中心冷卻控制，在不更換整套基礎設施下，將冷卻能耗降低約 40%，做的不是加機器人，而是讓既有設備開始根據資料動態反應。 同樣的事也可能發生在風機、泵浦上。Barbello 舉例，一家風電業者曾花兩年手工建立異常偵測模型，工程師須逐一研究感測器訊號才能辨識問題。Archetype AI 將自家物理 AI 基礎模型 Newton 接入相同感測資料後，不需重新訓練，就重現了原有偵測能力，並另外找出九種原本沒被辨識的異常模式。 關鍵不是加裝更多感測器，而是通用智慧層 不過，企業容易誤以為要讓設備變聰明，就得安裝更多感測器與 IoT 裝置，但許多工業環境真正的問題恰恰相反——感測器已經很多，資料利用率卻太低。 […]

跨境金流跟不上供應鏈成長速度，亞洲金融科技聯盟主席蔡玉玲：臺灣穩定幣應從最強的 B2B 場景切入

「為什麼我一直倡議，臺灣要做穩定幣一定要考慮是不是用在我們最強的供應鏈上，因為這就是殺手級的應用場域，理由就是我們現在供應鏈的成長是越來越快的。」FinTechOn 2026 & AFA 高峰會在 9/2、9/3 於臺北登場，亞洲金融科技聯盟（AFA）主席、臺灣金融科技協會（TFTA）名譽理事長蔡玉玲在接受 《TechOrange 科技報橘》採訪時表示，臺灣在製造業、代工、晶片與 AI 領域擁有世界級的硬體實力及供應鏈優勢，且在工廠自動化與物流速度上不斷取得突破，但傳統金融的金流服務速度卻未完全跟上腳步。 例如，當前跨國供應鏈運作極快，但傳統金融機構下午三點半後就必須隔日才能結算，對跨國資金調度頻繁的企業而言，常因此承受損失。相較之下，在鏈上運行的穩定幣不僅能突破傳統金融無法做到的全年無休（24/7），同時大幅降低交易與時間成本，更具備公開且可追溯的優勢。 因此，蔡玉玲極力倡議，臺灣推動穩定幣必須將戰略核心鎖定在實力最強的供應鏈上。與存在高度詐騙風險的 B2C 市場不同，臺灣的 B2B 供應鏈往往必須經過客戶嚴格的認證才能准入，具備高信任度，一旦將穩定幣應用於此，就有機會創造安全且具規模效應的落地示範。 AFA 串聯 16 國產業力量，建立亞洲跨境金融互通機制 然而，要將穩定幣真正導入跨國供應鏈，首要面對的就是各國法律管轄與監管標準的差異。面對這些法規與技術挑戰，蔡玉玲強調，亞洲金融科技聯盟正致力扮演「自下而上」的關鍵溝通平台，透過匯聚當前 16 個亞太成員國的產業力量，在產業端先就「最佳實踐（Best Practice）」與技術標準達成共識，再由各國協會與本國的監管單位溝通。 此外，AFA 所建立的跨國競賽機制「AFA Awards」也特別要求參賽企業必須具備真實的跨境實績。這項機制不僅是榮譽，更搭建一個讓得獎企業能無縫進入其他國家成員平台的引薦通道，實際協助企業打破跨國法規壁壘，將解決方案迅速推廣至整個亞太市場。 「我們並非要求各國法律要完全相同，而是讓彼此的監管框架能夠互通、相互調和，這是我們追求的目標，」蔡玉玲指出，儘管亞洲各國由於法律體系差異，難以複製歐盟式的單一立法模式，但透過 AFA 所建立的產業共識平台，各國能夠基於緊鄰的地理關係、供應鏈合作與人流往來，共同打造一條有別於傳統 SWIFT 系統的新型數位金融基礎建設。這條金融新路徑的開通，也將逐步凝聚出一個互信、安全且極具全球競爭力的亞洲數位金融共同體。 臺灣、新加坡、香港加速監管與實驗，穩定幣跨境應用已在亞洲展開 這場由實體需求與跨國協同驅動的金融科技變革，此時此刻正在亞洲快速展開。在「監管穩定幣的產業落地：跨境支付、貿易與金融的變革」主題議程中，臺灣金融科技協會理事長王儷玲提到，臺灣正規劃將虛擬資產服務提供商（VASP）納入更嚴格的合規體系，並預計在 2027 年 3 月前完成資本、治理等細則制定。與此同時，臺灣金管會也已完成臺幣穩定幣技術可行性的概念驗證，並積極推進現實世界資產（RWA）代幣化試驗，試驗內容涵蓋國內外債券與共同基金，並支援臺幣穩定幣、美元等多元貨幣結算。調查也顯示，臺灣電子與製造業者對於採用穩定幣進行跨境貿易結算、藉此加速交易的方式，展現出高度興趣。 在新加坡，雖然美元在當前的跨境貿易與穩定幣交易中仍占據絕對主導地位，但非美元穩定幣的需求正不斷成長。新加坡金融科技協會主席 Holly Fang 指出，由 StraitsX 發行的合規數位新加坡元（XSGD）已創下超過 300 億美元的交易量，顯示市場對具信譽的非美元穩定幣有實質需求。為了打破單一貨幣的限制並優化既有跨境金流軌道，新加坡積極參與由多國中央銀行推動的「Nexus 計畫（Project Nexus）」，目的是透過統一的治理框架與標準，多邊串聯各國獨立的即時支付系統，為亞洲建構出高互通性的即時支付網絡。此外，新加坡也在新加坡金融管理局與銀行公會的支持下，成立「新加坡支付網絡公司（SPaN）」，進一步推進數位金融底層軌道的整合。 另一方面，香港則秉持「同等風險，同等監管」的原則建立嚴格的合規架構。香港金融科技協會董事 Caroline York 指出，香港金管局已於 2026 年上半年向匯豐銀行，以及渣打銀行旗下的 […]

【科技早餐】OpenAI Astra 可自主找出零日漏洞，戴爾 AI 伺服器年營收上看 740 億美元

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊OpenAI Astra 測試發現兩個零日漏洞，首度達關鍵級資安門檻 OpenAI 表示，即將推出的新模型 Astra，已達到公司準備框架中的關鍵級資安能力門檻，是 OpenAI 第一個被列入這個等級的模型。在取得適當工具與權限後，Astra 可以找出過去未知的軟體漏洞、設計可實際運作的攻擊方法，並在不需要人類逐步指揮的情況下，對多個高防護系統執行完整攻擊策略，能力高於目前公開的 GPT-5.6 Sol。 OpenAI 測試顯示，Astra 曾在評估中發現兩個零日漏洞，組成可實際運作的攻擊鏈；測試高防護瀏覽器與作業系統時，也能突破沙箱並取得更高系統權限。OpenAI 因此延後部分開發與發布工作，加強模型拒絕惡意要求、遵守權限及監控未授權行動的能力。Astra 預計近期開放，但最進階的資安功能初期只提供少數測試人員，之後再透過受控的資安方案，逐步擴大防禦用途。 ＊戴爾 AI 伺服器年營收上看 740 億美元，傳統伺服器與網路設備也翻倍 戴爾（Dell）最新一季營收達 470 億美元，年增 58%，創下單季新高；公司也把本財年總營收預估，從 1,670 億美元提高到 1,920 億美元。AI 伺服器全年營收預估則從 600 億美元提高到 740 億美元。戴爾營運長傑夫．克拉克（Jeff Clarke）表示，過去 12 個月取得超過 1,300 億美元 AI 伺服器訂單，AI 客戶已超過 6,500 家，需求正從新興 AI 雲端業者擴大到各國政府與企業客戶。 AI 投資也開始帶動更廣泛的基礎架構升級。戴爾包含伺服器、儲存與軟體的基礎設施部門營收年增 89%；傳統伺服器與網路設備營收增加一倍以上，除了客戶更新資料中心設備，也反映 AI 代理帶動 CPU […]

SEMICON 大師論壇：AI 需求快到擴產追不上，台灣供應鏈下一步怎麼走？

AI 算力需求加速，但台灣半導體供應鏈面對的問題，已不只是要不要擴產，而是供應鏈產能跟不跟得上的問題。日月光半導體執行長、SEMI 全球董事會主席吳田玉在 SEMICON Taiwan 2026 大師論壇暨全球生態系高峰會爐邊對談一開始就拋出這個問題。他指出，全球正全力增加 AI 基礎建設，而台灣供應鏈目前仍是其中的瓶頸之一。當 AI 同時牽動地緣政治與全球產業發展，台灣接下來該扮演什麼角色，也成為這場對談一路追問的主軸。 台灣半導體產業協會理事長侯永清在對談中透露，台積電去年底估算今年第一季設備需求時，若當時需求預測為 1 倍，一季過後已提高至 1.5 倍，今年 7 月更提升至 1.9 倍。「整個生態系統如何在短短 6 個月內支撐如此大的成長？這正是我們今天面臨的挑戰。」 為了追趕需求，台積電目前光在台灣就同時興建 13 座廠，海外另有 5 至 6 座，全球接近 20 座。侯永清表示，過去同一時間大約只能興建 4 座，如今擴產規模已達過去的 4 至 5 倍，客戶仍認為供應不足。真正的限制也逐漸從單一公司的投資能力，擴大到營建人力、設備部署以及整體生態系能否同步擴張。 AI 需求快到供應鏈合作方式也得改 侯永清指出，AI 帶來的挑戰還包括合作方式。過去半導體供應鏈較接近一條生產流程，各環節完成自己的工作再交給下一階段；如今 AI 系統追求整體效能，晶片、製程、封裝到系統之間必須更緊密配合，前一階段做出的效能，也得確保能在後續真正實現。他認為，這需要一套過去沒有的合作模式。 當產能已經以過去難以想像的速度擴張，台灣又該如何延續過去的成功？聯發科副董事長暨執行長蔡力行指出，從 PC、網路、手機到 AI，台灣一路提高從晶片到系統層級的技術能力；到了 AI 時代，客戶要求的不只有晶片、製程、封裝或系統技術，更重要的是按照過去難以想像的速度快速放大量產。 蔡力行認為，台灣長期累積的技術能力、彈性與速度，讓供應鏈能配合客戶要求的時程迅速擴大量產，這也是台灣在 AI 時代的重要價值之一。 台灣的能力怎麼跟著產能走向全球？ 但如果 AI 需求持續放大，加上地緣政治與各國在地製造要求，這些能力又該如何延伸到台灣之外？ […]

AI 基建走向系統級整合，下一波效率從哪來？專訪微軟 Azure 全球基礎架構總經理

AI 爆發性成長，AI 基礎設施也在全球持續擴張，當中最難克服的限制究竟是晶片、電力，還是資料中心容量？微軟 Azure 全球基礎架構總經理 Alistair Speirs 藉著 SEMICON Taiwan 國際半導體展來台、接受《TechOrange》專訪時，給出的答案是：「時間。時間是最大的限制。」 原因在於，支撐 AI 的技術堆疊有著完全不同的建設與更新週期。Speirs 指出，新增電力供應往往得提前 10 年、20 年，甚至 30 年規劃；資料中心需要數年建設；晶片持續快速換代；軟體卻幾乎可以即時更新。更困難的是，電力、資料中心、晶片、軟體與客戶需求最後都必須在正確時間一起到位。 「有電卻用不上，沒有意義；有晶片卻沒有電，也沒有意義；有晶片卻沒有客戶需求，同樣沒有意義。」Speirs 表示，微軟一端必須思考 20 年後的基礎設施，另一端卻要隨時因應隔天可能出現的新模型與技術，而這項挑戰又因 AI 工作負載快速分化變得更加複雜。 AI 發展越來越快，基礎設施卻得提前多年下注 Speirs 表示，早期微軟的 AI 超級電腦大量沿用高效能運算基礎設施，但近年 AI 已從少數大型模型，走向小型模型、特定任務模型與 AI 代理等更多型態，不同工作開始適合不同架構。 今年快速升溫的 AI 代理就是一例。這類工作不只產生回答，還要實際執行任務，因此 CPU 與 AI 加速器需要搭配使用；部分工作可能只存在於執行請求的短暫時間，完成後就釋放資源，快速啟動與關閉也因此變得重要。Speirs 指出，這些工作負載使用基礎設施的方式，已經和傳統生成式 AI 不同。 除了持續擴充基礎設施，現有系統還有哪些效率可以往下挖？Speirs 將答案指向不同技術層彼此銜接的位置。 最大效率空間，藏在不同技術層的「縫隙」 Speirs 認為，目前最大的效率改善空間「其實就在不同技術層之間的縫隙（gaps）」。他形容，一套 AI 系統從底層晶片往上，還疊著 Python、CUDA、各種軟體函式庫與資料層，最後才到模型，每一層都可能帶來額外負擔（overhead）。因此，同一個效能問題，有時從軟體改善最有效，有時則適合調整晶片、硬體、作業系統或軟體框架。 這也呼應微軟近來強調「從晶片到系統（silicon-to-systems）」的設計思路：把原本分散在不同層級的問題，放回整套系統一起尋找最佳化空間。 […]

【劉永信專欄】史上最大筆收購，NVIDIA 為什麼要買一個開源社群？

如果你是 NVIDIA，模型公司、應用公司、開源社群，三個只能買一個，你買哪個？大部分人會選前兩個，模型最貴、最有名，也最像 AI 本身，應用離客戶最近，最快看得到營收，但 NVIDIA 選了第三個，它買的是一個年營收 1.5 億美元、平台上大部分東西還免費的社群平台。 NVIDIA 日前以 129 億美元收購 Hugging Face，是它史上最大一筆收購案，超過 2020 年收購 Mellanox 的 70 億美元，Hugging Face 的年化營收據報導僅約 1.5 億美元，129 億美元的收購價格，比例接近 80 倍，這對許多軟體創業者來說，都是非常驚人的倍數。 為什麼 NVIDIA 要買開源社群？ 幾乎現在所有開源模型都要在 NVIDIA 的晶片上跑，那為什麼 NVIDIA 還要用這麼高的價格，去買一個開源社群？ 目前三大閉源模型 OpenAI、Gemini、Anthropic，有兩個已經不在 NVIDIA 的範圍裡，Gemini 用 Google 自家的 TPU，Anthropic 也較多使用 TPU，而非 NVIDIA 的 GPU，既然 NVIDIA 在「閉源模型」這條線上打不贏 Google 和 Anthropic，索性把「開源」這條線的入口買下來。 NVIDIA 看到開源背後有幾十萬個開發者，這些人不會自己蓋機房，也不會自己設計晶片，他們就是租雲端上的 […]

高盛、花旗等 21 家銀行組隊發穩定幣：技術不是難題，真正的考驗在哪？

包括高盛、美國銀行、花旗和德意志銀行在內的 21 家金融機構表示，將於今年成立一家新公司，並於 2027 年上半年發行一種與美元掛鉤的加密貨幣。《Reuters》報導，這個團體最早於 2025 年 10 月公布，當時共有 10 家銀行參與。該團體在一份聲明中提到，除了美元穩定幣之外，希望進一步推出與其他 G7 貨幣掛鉤的穩定幣，其中歐元是優先發展目標。 價格反彈與川普支持助攻，區塊鏈技術加速穩定幣挺進主流金融 穩定幣是一種以加密貨幣形式在全球轉移資金的工具，目前主要用於加密貨幣交易。隨著 2024 年加密貨幣價格反彈，以及美國總統川普對加密貨幣產業的支持，市場再次興起利用區塊鏈技術進入主流金融體系的興趣。 《Reuters》指出，這個由 21 家金融機構組成的銀行團體，將與另一個由 37 家金融機構組成的聯盟競爭。後者已成立一家名為 Qivalis 的公司，並表示計畫在今年稍晚推出一種與歐元掛鉤的穩定幣。包括西班牙 BBVA 銀行在內的一些金融機構，則同時加入了這兩個團體。此外，川普家族旗下的加密貨幣企業 World Liberty Financial 也已發行自己的穩定幣。 《PYMNTS》指出，從企業使用者的角度來看，穩定幣與代幣化存款可能十分相似。兩者都可以以數位形式代表美元，也都可能支援全天候、24 小時不間斷的結算，且支援可程式化交易，並運作於以區塊鏈為基礎的基礎設施上。但從經濟本質來看，兩者仍是不同的產品。例如，摩根大通據報正在研究自己的穩定幣計畫，同時繼續發展其現有且規模可觀的代幣化存款基礎設施。 銀行佈局「可程式化貨幣」產品組合，穩定幣與代幣化存款共存？ 《Reuters》指出，目前幾乎沒有跡象顯示市場對銀行發行的穩定幣有強烈需求。現階段，穩定幣市場由總部位於薩爾瓦多的 Tether 主導。Tether 表示，該公司已發行超過 1,800 億美元的美元掛鉤代幣，並透過將儲備資產投資於包括美國國債在內的資產，創造了數十億美元的利潤。 法國興業銀行並未加入上述兩個聯盟，但去年透過旗下數位資產子公司，成為第一家發行美元支持型穩定幣的大型銀行。不過，該代幣目前並未被廣泛採用。根據該銀行網站的資料，目前市場流通量僅約 1,250 萬美元。歐洲中央銀行總裁 Christine Lagarde 也曾警告，私人機構發行的穩定幣可能對貨幣政策和金融穩定構成風險。 《PYMNTS》說明，銀行並沒有放棄代幣化存款、轉而全面採用穩定幣。相反地，它們正逐漸同時發展這兩種產品。這使得原本經常被描述成「不同數位貨幣形式之間的競爭」，逐漸演變成另一個更具影響力的趨勢：銀行正在建立一套可程式化貨幣的產品組合，未來再根據流動性、可攜性、監管環境與覆蓋範圍等因素，將交易導向最合適的形式。 由 21 家金融機構成立、專門發行穩定幣的這間公司，也將成為金融基礎設施中的一環。《PYMNTS》補充，共同建立基礎設施容易宣布，真正困難的是如何治理。一個由數十家金融機構組成的聯盟，可以帶來更強的採購能力，同時也會增加協調成本。《PYMNTS》分析指出，治理才是真正的競爭考驗。最終的成敗與其說取決於區塊鏈基礎設施，不如說取決於當成員之間不可避免地出現商業利益分歧時，誰能夠作出決策。 ＊本文開放合作夥伴轉載，資料來源：《Reuters》、《PYMNTS》，圖片來源：Unsplash。

AI Agent 的 Token 燒得比預期快，不想收到超額帳單該注意哪些事？

為什麼有些企業 AI Agent 才上線沒多久，雲端帳單卻先失控了？ 問題不一定出在 AI 太貴，而是很多企業一開始就低估了 AI Agent 的使用方式，一個 Agent 可能不只問一次 AI，而是會自己搜尋資料、呼叫工具、請其他 Agent 幫忙，再把結果重新交給模型判斷，每多做一步，就可能多產生一次甚至數十次的模型呼叫。 所以，真正讓帳單爆炸的，往往不是「用了 AI」，而是不知道 AI 到底用了多少、怎麼用、為什麼一直用。 而這些問題，通常就藏在以下三個容易被忽略的成本陷阱裡。 陷阱一：AI 不是「買斷就沒事」，用越多可能花越多 過去企業使用 SaaS（軟體即服務）時，多半採「固定金額」訂閱制。付多少錢、能使用哪些功能，通常在一開始就能算清楚，企業也比較容易編列預算。 但 AI 的計費方式不太一樣，許多 AI 服務是按照實際使用量計費，從每一次提問、資料分析，到模型產生回應，都可能產生費用。也就是說，AI 用得越多，成本就可能越高。 更重要的是，AI Agent 並不是單純「問一次、答一次」的工具，它可能會在執行任務的過程中搜尋資料、查詢系統、呼叫不同工具，甚至請其他 Agent 協助。看似只是完成一項工作，背後卻可能已經進行了多次 AI 呼叫。 如果企業一開始只估算「有多少人會使用 AI」，卻沒有進一步了解 Agent 一次任務到底會呼叫多少次模型，實際成本就可能和原本預估的差距很大。 陷阱二：Agent 越多，不代表效率越高，帳單也可能一起長大 如果只有一個 AI Agent，企業或許還比較容易掌握它做了多少事情，但當企業開始讓多個 Agent 分工合作，也就是所謂的「多 Agent 工作流」（Multi-Agent Workflow），情況就不一樣了。 例如，讓 A 助理負責撰寫內容、B 助理進行合規審查、C […]

能自主跑 38 小時、成本最多省 45%：Anthropic 推出 Fable 5.1，預告 EFS 架構秋季上線

Anthropic 發布 Claude Fable 5.1 與 Mythos 5.1，兩者採用相同底層模型。Fable 5.1 已正式開放使用，主打長時間、持續性的複雜任務；Mythos 5.1 則透過限制存取計畫，提供經審核的資安與生命科學組織使用。 《VentureBeat》報導，此次更新的重點包括 Fable 5.1 的模型能力提升、快取成本下降，以及企業級 AI 使用監控機制 EFS。 長效執行力提升仍面臨價格戰：Fable 5.1 主攻 Agent 應用，對決 GPT-5.6 與 Gemini 《VentureBeat》指出，Fable 5.1 基本價格維持不變，每 100 萬個輸入 token 收費 10 美元、輸出 token 50 美元。不過，快取讀取價格從前代每 100 萬 token 1 美元降至 0.25 美元，降幅達 75%。5 分鐘與 1 小時快取寫入價格則分別為 12.50 美元與 20 美元。Anthropic 表示，新的快取定價可讓一般工作負載的實際成本降低約 […]

電力跟不上 AI 需求，能源危機逼出「低功耗 AI」與「邊緣運算」的戰略地位

低功耗 AI 與去中心化人工智慧等替代性架構，正日益展現其戰略地位的重要性，瑞士電子與微技術中心（CSEM）專家認為，小國家將有機會借助低功耗 AI 參與全球競爭。

【shady AI 現形】比 shadow AI 更難防，已核准的 AI 工具，正在製造新的資安黑洞

2026 年 3 月，Meta 內部一起「Sev 1」等級事故，讓資安圈開始正視一種過去未曾被明確定義的風險。事情的起點，是一名 Meta 員工在內部論壇貼出技術問題，工程師使用公司已核准的 AI 代理來分析，這個代理卻在未經授權的情況下，把回覆內容公開發布。 員工照著建議操作，無意間讓大量敏感資料，暴露給未經授權的工程師長達兩小時以上。 Meta 事故揭露的新風險型態 這起事故的特殊之處在於，涉事的不是違規工具，而是一套正式核准的 AI 代理，只是它的行為方式沒人事先預料到。這正是資安領域下一個重大治理難題的縮影：shady AI（可疑 AI）。 過去業界熟悉的「shadow AI」（影子 AI），指的是員工使用未經核准、對治理平台不可見的工具；而「shady AI」則是已經核准、卻在行為上超出原本政策範圍的工具。 兩者的關鍵差異在於，shadow AI 發生在組織能見度之外，shady AI 卻發生在能見度之內，反而更難被察覺、控制與治理。 shady AI 為何正在興起 AI 治理不完全是資安部門的責任，但只要 AI 觸及敏感資料或存取控管，資安就扮演關鍵角色。2026 年 7 月一項 SANS（SANS Institute，全球資安教育、研究與認證機構）調查發現，如今已有 76% 的資安團隊，在企業 AI 治理中擔負某種角色，但這些團隊如今不只要提防 shadow AI，也得正視 shady AI，因為「核准一項工具」，已不再等同於「核准這項工具的所有用法」。 這個差異可以放進一套治理光譜來理解。光譜上有四個階段，第一是「禁止」，工具完全不能用；第二是「核准」，工具被加入白名單，但沒有設下任何使用限制；第三是「監控」，員工的使用行為會被記錄下來，但警示往往要等到資料外洩發生後才會觸發；第四是「控管」，也就是在工具實際執行的當下，就針對特定行為、資料範圍與 token 用量，強制套用政策。 問題的核心，就藏在這四個階段之間的轉變。在「禁止」階段，資安團隊只要直接拔掉插頭，工具就用不了；但走到「控管」階段，事情沒這麼簡單，資安團隊得把檢查機制，直接內建進工具的工作流程裡面，才管得住。 shady AI 興起主要有三個原因，第一是已核准 AI […]

首屆 AFA Awards 2026 得獎名單出爐，馬來西亞、新加坡及臺灣五家企業奪下五大獎

亞洲金融科技聯盟（Asia FinTech Alliance, AFA 9 月 1 日於臺北舉辦首屆 2026 亞洲金融科技聯盟大獎（AFA Awards 2026）決賽暨頒獎典禮，五大獎項得主正式出爐，在七位國際評審的嚴格評選，來自馬來西亞、新加坡及臺灣的五家金融科技企業，從 88 件提名中脫穎而出，分別拿下年度跨境金融科技獨角獸潛力獎、金融基礎設施卓越獎、監理合規卓越獎、市場拓展卓越獎及高速成長卓越獎。 數位發展部林宜敬部長親自蒞臨指導，並擔任頒獎嘉賓。他表示，金融科技是一個「高風險、高報酬」的產業。金融體系正面對洗錢、網路詐騙，以及未來量子運算等新型威脅；風險越高，金融機構就越需要投入資源尋找有效的技術解方，也因此為金融科技業者創造龐大的市場機會。 林宜敬也分享，自己進入政府前曾創辦並經營軟體公司 23 年。他認為，金融科技企業若能真正解決金融機構面對的高風險問題，不只是創造商業價值、取得高報酬，「當你們賺到錢的同時，也是在保護整個全球經濟」。他也期許來自不同市場的金融科技企業，能進一步形成合作聯盟，共同面對跨境金融與科技風險。 AFA 主席暨臺灣金融科技協會名譽理事長蔡玉玲表示，AFA 希望透過 16 個成員經濟體共同參與，串聯亞洲各市場的金融科技創新。她以「一項獎項，16 個經濟體，無限可能（One Award, 16 Economies, Infinite Possibilities.）」概括 AFA Awards 的設立初衷，並指出：「世界需要的不是更多孤立的理念，而是可擴展的橋樑。」 蔡玉玲指出，AFA Awards 評選的不只是企業是否具備創新能力，更重視是否已累積可驗證的跨境成果，以及將解決方案帶進不同市場的能力。對得獎企業而言，這份榮譽「不僅是一座擺在架上的獎杯」，更代表進入 AFA 的跨境合作網絡，建立合作關係、拓展市場與商機，進一步從「拓展業務」走向「塑造亞洲的數位經濟」。 首屆 AFA Awards 2026 得獎名單 AFA 副主席洪東杓（Dongpyo Hong）為 AFA Awards 工作小組召集人，他也是韓國金融科技產業協會全球聯盟與合作負責人。他表示，本屆 AFA Awards 共收到 88 件提名，涵蓋五大獎項類別。評選目標不是只看創新概念，而是找出已具備「可衡量的跨境成果」，並具有進一步成長潛力的金融科技企業。 洪東杓也指出，AFA Awards […]

【科技早餐】NVIDIA 35 億美元「準入股」聯發科，Anthropic 傳一週簽 800 億美元算力合約

【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊NVIDIA 35 億美元「準入股」聯發科，合作跨 AI 資料中心、PC 與車用 聯發科（MediaTek）與 NVIDIA 宣布深化合作，NVIDIA 以 35 億美元認購聯發科發行的海外可轉換公司債，占這次 39 億美元發行規模近九成。這筆 39 億美元發行案，是台灣資本市場至今規模最大的海外可轉債。據《工商時報》統計，這是 NVIDIA 首度投資台灣上市公司，也是目前在美國以外規模最大的單一企業投資。由於可轉債未來可依條件轉換為股票，市場將這項交易形容為 NVIDIA「準入股」聯發科；NVIDIA 目前尚未直接持有聯發科普通股。 雙方合作涵蓋 AI 基礎建設、邊緣 AI 運算及車用平台。聯發科將採用 NVIDIA NVLink Fusion，協助超大規模雲端業者、雲端服務商及前沿模型開發商設計客製化 XPU，並整合至 NVIDIA 機櫃級系統與 AI 工廠。雙方也將持續開發未來數代 RTX Spark、DGX Spark 電腦晶片，以及具備 AI 功能的軟體定義汽車平台。聯發科副董事長暨執行長蔡力行表示，NVIDIA 的投資將強化雙方從雲端、邊緣運算到車用領域的合作。 ＊Anthropic 傳一週簽 800 億美元算力合約，NVIDIA 供晶片兼持租約 《路透社》引述知情人士報導，Anthropic 與 NVIDIA 投資的 AI 雲端業者 Lambda，簽署價值 […]

量子電腦如何才算「有用」？SEMICON 上，各家正在給出不同答案

AI 持續推動半導體需求，但產業也開始尋找下一個關鍵應用。SEMI 全球行銷長暨台灣區總裁曹世綸在 SEMICON Taiwan 展會期間指出，產業正關注如何在半導體之後找到全新的關鍵應用，量子科技就是推動下一世代發展的焦點之一。 量子電腦正從數百顆 qubit 往千顆、甚至更大規模推進，但硬體規模增加，距離真正解決產業問題還有多遠？現階段量子位元仍容易受到雜訊干擾，要長時間執行複雜運算，業界正朝容錯量子運算（fault-tolerant quantum computing，FTQC）發展，利用多顆實體量子位元與錯誤修正，組成更可靠的邏輯量子位元。但在成熟 FTQC 出現以前，量子電腦能不能先在部分問題發揮價值，又該如何判斷什麼才算「有用」？ 這個問題，可以從 SEMICON Taiwan 量子台灣論壇中看到幾種不同答案。Google、IBM、Fujitsu、D-Wave、Pasqal 在第一天上午，分別從演算法、混合運算與不同硬體架構切入，也讓量子運算距離實際應用還有多遠這個問題，浮現出不同答案。 Google：先找到真正值得量子電腦來算的問題 Google 軟體工程經理 Ping Yeh 將量子應用發展拆成數個階段。提出量子演算法後，還要找到真實世界的問題、證明量子方法具有優勢，再進一步找到實際應用，並降低所需量子閘數等運算成本。他坦言，目前多數量子演算法仍停留在較早期階段。 Yeh 進一步用「經典電腦處理難度」與「商業價值」兩個軸來看量子應用。理想情況，是找到經典電腦難以處理、又具有足夠實際價值的問題，但他直言，目前還沒有明確案例落在這個區域。Google 去年發表 Quantum Echoes 演算法，已展示可驗證的量子優勢，並嘗試用於分子相關問題；但被問到接下來還有哪些量子優勢案例時，Yeh 仍表示，這是「非常困難的問題」，並指出需要更廣泛的學術界和演算法設計師來想出能應用於現實世界的演算法。 換句話說，對 Google 而言，下一關除了讓量子硬體繼續進步，還包括找到真正值得交給量子電腦處理，而且結果能被驗證的問題。 D-Wave、Pasqal：特定問題可以先開始用 另一種思路，是在成熟 FTQC 出現以前，先讓量子電腦處理適合自己的問題。D-Wave 長期發展量子退火（quantum annealing），主要用於最佳化問題，今年又加入 gate-model 路線。D-Wave 量子科學家 Jeremy Woo 表示，不同問題適合不同架構，例如量子化學與部分微分方程更需要 gate-model；公司因此希望讓 annealing 與 gate-model 分別處理各自擅長的工作。 中性原子量子電腦業者 Pasqal 的說法更直接。其產品長 Roberto […]

ChatGPT、Grok 進駐五角大廈：300 萬美軍用生成式 AI，敏感資料如何不外流？

五角大廈近日推出 OpenAI 的 ChatGPT 與 xAI 的 Grok 軍方專用版本，《TechCrunch》報導，此舉讓美國國防部約 300 萬名軍職與文職人員，都能使用專為「作戰人員需求」打造的生成式 AI 工具。 ChatGPT Mil 與 Grok for Government 是針對政府與軍方需求打造的版本，目前都已整合進 GenAI.mil。這個安全的 AI 入口平台去年啟用，最初提供 Google Gemini，讓美國國防部官員可以在受控環境中使用商業 AI 模型，同時避免敏感的政府資料透過一般消費者版 AI 服務傳送出去。軍方專用版本的重要差異是：使用者的資料不會像一般消費型科技產品那樣，被平台拿去蒐集或用於其他用途。 搜資料用 Gemini、寫文件靠 ChatGPT：美軍揭 AI 工具分工 根據美國國防部的說法，GenAI.mil 上線後頗受歡迎，目前已有超過 170 萬名不同使用者註冊，約占美國國防部 300 萬名文職與軍職人員的一半以上。這次新增 ChatGPT Mil 與 Grok for Government，也是五角大廈推動 AI 應用的一環，希望在兼顧資安的前提下，利用 AI 提升工作效率，進一步強化美國國防部的整體作業能力。 Claude 並未出現在 GenAI.mil 的最新陣容中，反映出 Anthropic […]

日誌分散、警示疲勞，企業如何以 Bindplane 與 Google SecOps 破解資安盲點

隨著 Google Security Operations 正式在 Google Cloud 台灣雲端區域啟用，台灣企業在導入雲端原生與 AI 驅動的資安營運能力時，也具備了回應資料治理、資料落地與數位主權需求的關鍵基礎。企業可在本地儲存並處理安全日誌與分析數據，進一步為威脅偵測、事件調查與回應流程建立更完整的資安營運條件。 然而，對多雲、混合雲與地端環境並存的企業而言，真正的挑戰仍在於如何把分散在防火牆、伺服器、端點、雲端服務與第三方安全設備中的安全日誌，穩定、完整且有效率地收容進 Google SecOps。若日誌來源分散、格式不一，又缺乏標準化管道，資安團隊在面對潛在威脅時，仍可能難以快速拼湊完整攻擊路徑，進而形成監控盲點。 在現代資安維運中，日誌收容是所有威脅調查與事件應變的基礎。許多企業在收容日誌時常面臨兩大挑戰：第一，多雲、雲地混合環境讓日誌來源更加分散，增加資料擷取與管理難度；第二，日誌量持續成長，也讓企業在 SIEM 成本與資料完整性之間面臨取捨，進而產生監控盲點。 根據 Forrester 研究報告指出，導入現代化 SecOps 平台的企業，其日誌來源導入數量提升至 5 倍，說明 Google SecOps 在面對地端、雲端與多雲環境時，能夠協助企業擴大可觀測範圍，降低因日誌來源分散而造成的監控斷點。 打造高可用性的日誌收容架構 在協助企業導入 Google SecOps 時，Bindplane 扮演了關鍵的傳輸角色，解決傳統收容方式的碎片化問題： CloudMile 萬里雲可協助企業構建了高可用、標準化的數據接收管道。透過 Bindplane OP 作為統一的資料管道（Data Pipeline），並搭配 GCP 上的內部負載平衡（Internal Load Balancing）與高可用閘道（Gateway HA）架構，確保日誌傳輸的彈性與穩定性。 這套架構可支援多種日誌來源與傳輸協定，展現強大的整合力： Google SecOps 以 AI 威脅情報與自動化能力加速偵測、調查與回應 當日誌透過 Bindplane 匯入 Google SecOps 後，平台即可進一步支援威脅偵測、調查與回應流程。Google […]

不只賣算力也賣架構：NVIDIA 砸 35 億美元投資聯發科，佈局客製化 AI 晶片生態系

《Reuters》報導，NVIDIA 將認購晶片大廠聯發科發行的可轉換公司債，投資金額達 35 億美元。雙方進一步展開晶片與 AI 基礎設施合作，聯發科預計採用 NVIDIA 相關技術，為 AI 公司及超大規模雲端服務商（hyperscalers）開發客製化晶片，並讓這些晶片直接部署於採用 NVIDIA 架構的資料中心。 NVIDIA 開放 NVLink 生態系，築起 AI 基礎設施護城河 《TechCrunch》指出，這項交易反映 AI 公司與大型雲端服務商正加速投入自研晶片，包括亞馬遜、Google、微軟、OpenAI 和 Anthropic 都希望藉此降低對 NVIDIA GPU 的依賴。對 NVIDIA 而言，與聯發科合作並非單純放棄客製化晶片市場，而是讓這些晶片仍能搭配 NVIDIA 的資料中心架構，藉此延伸自身在 AI 基礎設施市場的影響力。 NVIDIA 高效能運算與 AI 超大規模基礎設施解決方案資深總監 Dion Harris 在電話會議上表示，「NVIDIA 是一家 AI 基礎設施公司，多年前就已不再只專注於運算晶片。」這也反映 NVIDIA 近年的布局方向：除了自行開發晶片，公司也透過投資與合作，將不同類型的晶片與硬體納入自身生態系。此次交易後，聯發科將取得 NVIDIA NVLink Fusion 生態系的技術支援，其中包括 NVLink，讓不同廠商的晶片也能透過這項技術進行高速通訊。 NVIDIA 上週也宣布與 AWS 展開類似合作，但未涉及直接投資。AWS 將在其基礎設施中額外部署 […]

導入 AI 不必樣樣都做，IKEA 用「雙軸四象限」決定投入順序

AI 熱潮席捲零售業，各大企業紛紛投入資源探索生成式 AI 與 AI Agent，但對 IKEA 而言，真正的挑戰並非「能用什麼 AI」，而是「哪些 AI 值得做」。 作為全球最大的 IKEA 加盟商，Ingka Group 數位長 Parag Parekh 接受麥肯錫採訪表示，IKEA 建立一套雙軸四象限矩陣，將 AI 專案依照「顧客導向或員工導向」以及「成長導向或成本導向」進行分類，再根據商業價值與顧客體驗影響力排列優先順序。推薦引擎、定價與代理式商業等應用屬於顧客成長領域，供應鏈與最後一哩物流最佳化則偏向成本效益。 用 AI 串聯 400+ 履約據點，實現庫存與永續雙贏 IKEA 擁有超過 400 個履約與配送據點，透過「目標導向訂單分配」（goal-based order allocation），AI 會根據不同權重判斷每筆訂單最適合的履約路徑，進而降低物流與配送成本。交叉銷售與追加銷售推薦同樣持續帶來回報，AI 會根據顧客所處情境與購物歷程提供更精準的商品推薦，讓個人化成為可以累積效益的營運能力。 供應鏈也是 IKEA 將 AI 轉化為實際營運價值的重要戰場。AI 如今進一步協助企業理解銷售狀況、預測需求，並提前判斷商品應該放在哪裡，讓產品更接近實際需求。當庫存配置更精準，企業可以減少商品在不同據點間移動，也能降低缺貨、物流成本與不必要的運輸，讓效率、成本與永續目標形成連動。 重塑顧客體驗：結合 LiDAR 3D 掃描與生成式 AI，打造客製化空間設計 在顧客體驗方面，生成式 AI 則正在改變 IKEA 與消費者互動的方式。過去顧客進入 IKEA 網站，可能已經知道自己要買「一張沙發」或「一張餐桌」；未來的需求可能變成「幫我設計客廳」或「幫我打造適合我的居家空間」。IKEA 正探索將生成式 AI […]

【情境工程人才缺口】不只是寫提示詞，企業需要能設計 AI 運作環境的人

提示工程（Prompt Engineering）曾是極為熱門的新興 AI 職缺之一，如科技人才招募公司 SPG Resourcing 就於 2025 年指出，英國當地的 AI 提示詞工程師職缺數量，相較前一年增長了 180%。 提示詞工程師的招募熱潮，精準捕捉了生成式 AI 崛起時的商業氛圍，當時的企業正試圖理解如何與大型語言模型（LLM）對話，並試圖將各種早期實驗轉化為實用成果。 隨著 AI 不斷發展，根據會計師事務所 PwC 統計，英國當地對於 AI 專家的職缺招募，今年僅較去年增長約 61%。由此可見，雖然撰寫優質提示詞仍是工程師的重要任務，但企業已經開始擁有不同期盼，希望能夠獲得於公司內部實際應用 AI 技術的相關人才，而非僅僅是懂得跟 AI 模型互相對話的人。 當大多數企業不再滿足於初步運用 AI，而是更致力於建構可以在公司內部運作的 AI 代理、檢索增強生成（RAG）系統，以及具備人工智慧功能的工作流程時，這便衍生出了另一塊技能缺口，即所謂的「情境工程（Context Engineering）」，亦稱為「上下文工程」。 上下文決定輸出品質，需要有效控制 簡單來說，那些想要部署實用 AI 代理和 RAG 系統的企業，他們真正所需要的人才，其實是能夠設計出 AI 模型「運作環境」的人，並非只是高效率提示詞的撰寫者。 資料庫軟體公司 SurrealDB 執行長 Tobie Morgan Hitchcock 解釋，普遍而言提示工程只會著重於「指令」本身，但情境工程則著重於工程師下達指令時，AI 模型所身處的運作環境。 想要讓 AI 代理順利運作，工程師不僅需要撰寫一份合適的提示詞，更需要為 AI 提供正確資料、規則、歷史紀錄及權限範圍；即使是在程式開發情境下，人類也會需要給予 AI 相關的程式碼、測試流程、依賴項與部署限制等。 […]

【中小企業 AI 代理】AI 代理讓中小企業擁有數位勞動力，「信任邊界」決定它能走多遠

過去幾年，中小企業使用 AI 最常見的方式仍是叫它產出一篇貼文、一張圖片或一段商品介紹。這些工具降低了內容生產門檻，但核心工作並未消失，因為文案寫完仍要人手動更新網站，收到客戶詢問要人工判斷並輸入 CRM，預約還得另外確認行事曆。 商業網站代管公司 Bluehost 執行長 Sachin Puri 認為，AI 代理真正的改變就在這裡；過去的 AI 幫企業創造東西，代理則開始幫企業把事情做完。 從產生內容，到完成一整段工作流程 一般生成式 AI 接到「寫一篇母親節促銷文案」的指令，能完成文字，但何時發布、放哪些平台、客戶回覆後怎麼處理，都要人接手。AI 代理則先理解企業目標，再讀取資料、操作系統，按規則執行一連串步驟。 以 Bluehost 為例，一個代理能在 Gmail 收到詢問後，自動讀取、判斷客戶價值、更新 CRM 並通知員工；另一個前台代理則能依企業知識庫回答問題，並確認行事曆空檔，直接替客戶完成預約。網站也是如此，代理能先理解企業定位，再建立完整網站、調整品牌風格、做 SEO 並上線。 Puri 認為，這正是中小企業未來會擁有「數位勞動力」的原因，因為老闆不再需要親自串接十幾套軟體，而是指揮一支人機共組的團隊。 但普及還有一段路，Bluehost 調查顯示，目前僅 16% 的中小企業使用 AI 代理，問題不在興趣，而在代理涉及的系統串接、權限與資料存取，遠比開啟聊天機器人複雜，對缺乏專職 IT 團隊的小公司是一大工程。 AI 可以像員工，但不是熟練的資深員工 若問及企業真正想把哪些事情交給 AI？根據 Bluehost 對中小企業主的調查，最優先的仍是重複性的行銷與銷售工作，例如網站與 SEO 更新、社群媒體、數位廣告，以及客戶預約。這類工作通常規則相對清楚、頻率高，又占用大量時間。 但 Puri 並不主張把所有流程都交給代理。他把目前的 AI 代理比喻成一名「值得信任、但經驗還不多的新員工」，企業可以先給它明確職務與單一任務，觀察結果；等穩定度提高，再逐漸擴大工作範圍——涉及客戶、財務或品牌聲譽的重大決策，仍應保留人工介入與升級機制。 這也形成一條很實際的信任邊界，即 AI 適合提升效率，不適合取代客戶關係經營。 對中小企業來說，真正的競爭力往往來自老闆記得熟客的需求、業務知道客戶為什麼猶豫，或者服務人員能判斷一句抱怨背後真正的問題。如果連這些互動都全部自動化，省下的可能是人力，失去的卻可能是原本最有價值的客戶關係。所以比較合理的做法，不是讓 AI […]

【科技早餐】AI 算力愈強、傳輸愈吃緊！台積電：矽光子 2027 年市占破 50%

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊台積電：矽光子 2027 年光收發器市占估破 50%，AI 傳輸成新瓶頸 SEMICON Taiwan 國際半導體展 9 月 2 日登場，展前技術論壇率先聚焦 AI 運算瓶頸。台積電指出，AI 推理與代理式 AI 帶動運算量快速成長，但記憶體頻寬與資料傳輸速度跟不上。台積電引用高盛預估，到 2030 年全球 AI Token 使用量將較 2026 年增加 24 倍；AI 運算能力每兩年約成長 3 倍，I/O 效能卻僅成長約 1.4 倍。隨著資料中心從單一機櫃擴展至跨機櫃，資料搬移的能耗比重甚至已超過運算本身，成為 AI 系統持續擴大的限制。 台積電先進封裝技術發展副總經理徐國晉表示，矽光子已成為光收發器主流型態，預估 2027 年市占率將超過 50%；2025 年光收發器銷售額年增 25%，2026 年預估再增 50%。台積電指出，傳統銅線在高頻環境下難以支援長距離傳輸，光學傳輸則可延伸訊號距離並提升能源效率。台積電也正把矽光子與 3D 晶片堆疊、CoWoS 等先進封裝整合；徐國晉指出，雷射、光纖、連接器與測試仍是大規模部署需要突破的供應鏈環節。 ＊美國擬堵中國海外租用 NVIDIA 算力，鎖定泰國、新加坡 美國政府傳出準備把 AI 出口管制從實體晶片進一步延伸到遠端算力。《The Information》報導，美國商務部正在研擬新規則，希望限制中國 […]

AI 發展還在第一階段，吳田玉：台灣要加速把基礎建設做出來

AI 持續推高半導體投資，但是算力基礎建設越蓋越大，也開始擠壓土地、人才、資金與電力。日月光半導體執行長、SEMI 全球董事會主席吳田玉在 SEMICON Taiwan 2026 展前記者會指出，AI 發展短期確實帶來資源與地緣政治的「擠壓現象」，原因是 AI 從人類既有經驗開始發展，部分工作與生產模式可能因此被取代；但若拉長時間來看，AI 更大的價值在於跨領域創新，台灣仍必須加速投資，推動 AI 跳脫目前階段、繼續往前發展。 吳田玉把目前 AI 的發展視為一條更長路徑的起點，指出「第一階段是人類經驗值，就 5,000 年」，也就是 AI 先從人類過去累積的知識與成功經驗開始學習、複製與加速。這也讓 AI 發展初期容易與既有工作和資源產生競爭，包括他所說的「搶地，搶人，搶資金，搶電源」，以及有人工廠走向無人工廠等現象。 也因此，他認為目前雖然已經出現土地、人才、資金與電力等資源競爭，但真正需要思考的是，AI 發展能否跳脫目前階段，推進到能創造新應用與跨領域成果的下一階段。 AI 不能只停在人類既有經驗，下一步是跨領域創新 吳田玉提到，目前 AI 主要仍在數位領域發展，未來若進一步結合製藥、癌症研究、醫療、化學、物理與人文等不同領域的知識，持續擴大知識範圍並提取成功模式，就可能創造人類過去沒有做過的事情。 他形容，AI 真正的利用，是把人類「沒有看到、沒有想過、不能做、不願意做或不會做的事情把它創新出來」。也因此，他認為 AI 現在「真的只是剛剛開始」，若能進一步跨領域發展，後續空間將遠高於目前。 要跳到下一階段，台灣現在得先把基礎建設做起來 這也構成吳田玉認為台灣仍應加速投資的原因。他指出，從晶片設計、晶圓製造、封裝到電子製造，短期都必須合作，提供 AI 發展所需要的產能。 「短期我們整個供應鏈要怎麼合作，怎麼樣提供對的產能，在艱難的情況之下完成這個艱難的使命？」吳田玉表示，目前的重要工作，是先把 AI 所需的供應能力提供出來。 他進一步表示，「我們的希望是說在短線我們儘量投資，把 AI 的基礎建設、把 learning model（學習模型）趕快把它做出來」，再透過持續創新，讓 AI 從目前建立在人類既有經驗上的階段，「跳脫到第二階、第三階、第四階」。 不過，在加速投資的同時，吳田玉也認為台灣必須理解其他國家對目前產業發展的疑慮，持續與全球產業鏈串聯。他提到，台灣半導體產業走到今天，也仰賴過去 40 年全球客戶投入 IP、經驗、方向、投資與信任，因此未來仍需要維持與全球夥伴的合作。 談到台灣半導體供應鏈接下來的角色，吳田玉最後表示，台灣產業鏈要清楚告訴全世界：「我們知道我們在做什麼，我們知道我們承諾了什麼，我們知道我們要交給大家什麼。」 科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange […]

SEMICON 矽光子論壇：CPO 下半年進入量產，下一關卡在哪裡？

AI 帶動光互連需求快速擴張，矽光子也正跨入更大規模部署階段。台積電先進封裝技術發展副總經理徐國晉在 SEMICON Taiwan 矽光子論壇開場指出，光收發模組銷售額已成長 25%，今年預期再成長 50%；矽光子也已成為主流技術平台，市場占比正朝超過五成前進。更重要的是，徐國晉表示，CPO 將在今年下半年進入量產。 不過，真正的大規模部署仍有供應鏈問題待解。徐國晉指出，台灣晶圓代工生態系已具備大規模、高精度生產光學引擎的能力，但瓶頸開始落在雷射、光纖、光纖連接器與產品測試等環節。論壇上半場，Cisco、台積電、Lumentum、Marvell、聯電與 Lightmatter 接著從網路架構、晶圓代工、光學元件與系統整合切入，也可以看到，當光互連越來越靠近 GPU、XPU，封裝、測試、可靠度與材料整合的重要性正同步提高。 光一路往 GPU 靠近，互連開始拚頻寬密度 為什麼光學元件需要越靠近運算晶片？Cisco 副總裁 Ginni Chadha 指出，目前 AI 系統的 scale-up 連接仍大量使用銅線，但隨速度與頻寬提高，高速電訊號在板卡上的傳輸越來越困難，SerDes 功耗也跟著增加，因此產業開始把光學引擎往處理器靠近，從插拔式光模組進一步發展 NPO、CPO 等更高度整合架構。 台積電副處長陳明發介紹 COUPE 技術時，則把光學整合進一步往 XPU 推進。台積電規畫從將光學引擎放在基板上的 CPO-C，走向與 XPU 更緊密整合的 CPO-OI；依現場簡報，後者相較傳統 CPO，可提升 4 至 10 倍功耗效率，並降低 10 至 20 倍延遲。 Marvell 技術長 Radha Nagarajan 也指出，AI 互連現在不能只看總頻寬多少 Tbps，還要看每毫米、甚至每平方毫米能容納多少 Tbps。他估計，百萬顆 XPU 的叢集可能帶動約 […]

NVIDIA 預估實體 AI 業務十年內成長 10 倍，分析師點出中國已成關鍵買家

《華爾街日報》報導，NVIDIA 的晶片不再局限於訓練聊天機器人，公司正全面擴大在機器人、車輛與無人機等實體 AI 領域的布局，大舉押注真實世界的硬體應用，而中國正崛起為其核心買家。 開放模型綁定軟硬體生態：解析 NVIDIA 實體 AI 未來成長動能 《華爾街日報》提及，實體 AI 業務每年已為 NVIDIA 挹注約 100 億美元營收。雖然這相較於該公司截至今年 7 月的前四季總營收（高達 3,030 億美元）僅占一小部分，但執行長黃仁勳預測，這項業務在未來十年內將迎來 10 倍的爆發性成長。 「既然我能生成手指活動的影片，也能生成一隻手拿起玻璃杯的畫面，為什麼不能直接讓機器人做出一模一樣的動作？」黃仁勳回顧當時的思考脈絡，這是他今年 7 月在舊金山公開演講時發表的看法。 NVIDIA 將實體 AI 專用晶片與機器人及自駕計程車開發者所需的軟體工具深度結合，進一步將客戶鎖定在自身的產品生態系中。此外，公司也發布了如 GR00T 與 Cosmos 等開放權重模型，讓機器人開發者能免費下載並自行改編。 新創公司 Radiant Intel 執行長 Michael Frank 指出：「實體 AI 為 NVIDIA 開闢了一條道路，讓它能從資料中心跨足到規模更龐大的實體經濟，涵蓋車輛、工廠、倉庫以及各式機器人。」黃仁勳甚至動員了自己的子女投入這項業務。他的女兒 Madison Huang 負責 NVIDIA 實體 AI 部門的行銷推廣，兒子 Spencer Huang 則擔任產品管理總監。 今年 […]

Meta 測試資料中心機器人：能換線、重啟伺服器，員工估最多接手 80% 工作

Meta 已在部分資料中心投入機器人，同時也持續測試更多機型，讓機器人執行插拔線纜、重新啟動伺服器及其他資料中心維運工作。《WIRED》報導，多名熟悉相關專案的現任及前任員工透露，相關計畫目前仍在進行，且此前從未對外曝光。隨著 Meta 在 AI 基礎設施上的支出急遽攀升，若相關測試最終成功，公司未來可能減少資料中心的人力需求，在控制人事成本的同時，維持日益擴大的資料中心規模。 Meta 啟動資料中心自動化測試：引進機器人，有望承接重複性工作 《WIRED》引述熟悉相關計畫的員工指出，Meta 目前正測試多家供應商的機器人及相關硬體，包括 Watney Robotics、Kinova 與 ABB 等公司。其中，Meta 也評估 Kinova Gen3 機械手臂能否用來重新啟動伺服器或切斷電源，並測試其他機器人更換網路線纜。一名 Meta 資料中心員工估計，若測試成功，換線機器人未來最多可能接手部分員工 80% 的工作。 Meta 也已在部分設施採用較簡單的機器人協助重啟設備。這款機器人外型像手指或尖頭棒，接到遠端指令後，就能按下 Mac Mini 等設備的電源按鈕。Meta 機器人部門資深經理 Eric Xu 去年表示，將機器人導入資料中心是公司的長期目標，除了加快故障處理速度，也能協助監測環境及進行預防性維護。 過去，機器人並不適合處理資料中心內的精細工作，不僅成本高，業界早期測試甚至曾發生機器人執行簡單任務時壓壞伺服器的情況。《WIRED》提及，近年硬體價格下降，加上 AI 模型能力大幅提升，機器人的實用性也隨之提高。目前已有多家新創公司投入開發商用機器人，希望讓它們能夠組裝伺服器、更換零件及處理線纜。 《WIRED》說明，對資料中心業者而言，機器人除了有望降低人力成本，也能接手重複性高、具有一定危險性的工作，讓技術人員專注於更複雜的任務。長期而言，若能進一步減少對人力的依賴，也可能讓資料中心有機會部署在水下、太空等不適合人類長時間工作的環境。 「設備全是為人類雙手設計」：機器人難搞定繁複線纜 不過，機器人目前仍有不少技術限制。《WIRED》指出，Meta 已在部分資料中心使用庫存機器人進行故障檢查，但由於攝影機只能辨識灰階，無法分辨設備上的紅、綠指示燈，因此部分故障仍得由人員確認。機器人在轉彎及跨越線纜時也容易遇到問題。由於目前部署的機器人數量不多，若要前往不同建築物，還需要人員協助開門，並透過遙控器操控。消息人士也認為，這款機器人的行動速度過慢；Meta 過去曾研究以無人機取代，但最後沒有繼續推進。 美國愛荷華州阿爾圖納是 Meta 測試新技術的重要據點。公司在當地一棟建築內測試兩台配備雙臂的 Watney 機器人，協助處理部分線纜工作。目前仍需要人員監督，作業速度也比不上人類，但已展現一定潛力。Meta 也在俄亥俄州新奧爾巴尼的 Prometheus 資料中心園區測試 ABB 製造的四輪機器人，這些機器人配備類似剪式升降機的升降裝置，以及頂部的六軸機械手臂。目前可用於重新插緊零件，未來則可能在減少人員監督的情況下，進一步執行其他工作。 不過，機器人距離全面接手資料中心工作仍有一段距離。熟悉相關情況的人士向《WIRED》表示，部分 Meta 資料中心員工曾抱怨，機器人需要長時間停機充電。Meta 也在內部承認，機器人目前還無法處理某些工作，例如部署 NVIDIA […]

鴻海研究院實例解析 AI、HPC、量子混合架構如何加速解決現實世界難題

AI 正大幅加快量子技術從理論走向實際商業應用的速度，TechOrange 科技報橘日前舉辦的「2026 量子高峰論壇」，特別邀請鴻海研究院量子計算研究所所長謝明修以「量子 x AI 如何加速解決現實世界的難題」為題進行主題演講。謝明修雖然因行程安排無法親臨現場，仍透過預錄影片跨海捎來前沿洞察。 「近期真正可行的路徑，不是等待一台量子電腦取代所有電腦，而是讓 AI、超級電腦（HPC）與量子處理器各自處理最適合的部分，」謝明修透過研究實例解析量子與 AI 如何雙向加乘，從單一技術的突破，轉向不同科技相互協作的混合生態。 以鴻海研究院與南洋理工大學、東京農工大學及香港城市大學共同研發的「OmniQEC」為例，這套系統利用 AI 來協助設計與優化量子錯誤更正碼（QEC），透過大型語言模型（LLM）協調候選碼生成、快速篩選、電路層級驗證與結果回饋的迭代流程，逐步找到更實用的設計。研究成果顯示，「當工程目標、硬體限制與驗證方法都被清楚定義之後，AI 已經可以直接參與量子技術的核心研發，並協助找出具有實際實作潛力的新設計，」謝明修表示。 另一方面，「量子運算的價值不一定只是把某項計算做得更快，也可能是用更精簡的方式表示、產生和訓練大型 AI 模型，」謝明修介紹鴻海研究院與台灣大學量子國家隊、陽明交通大學、工研院及國家理論科學研究中心共同研發的「Quantum-Train」，不需要逐一訓練傳統神經網路的大量參數，而是利用量子神經網路搭配參數映射機制，以較少的可訓練參數生成傳統模型所需的權重。完成訓練後，模型仍可在傳統硬體上進行推論，降低對量子硬體的持續依賴。 AI、HPC、量子共同打造創新研發的新閉環 在國際案例方面，DeepMind 的 AlphaFold 已能從序列快速預測蛋白質三維結構，讓研究人員能更快掌握蛋白質可能的結構與功能，並將實驗資源集中在更值得驗證的候選上。2026 年 IBM 與日本理化學研究所（RIKEN）進行了目前已知最大規模的蛋白質系統模擬之一，展現了量子處理器與 HPC 如何分工協作。 謝明修以上述蛋白質研究突破為例，進一步解釋量超融合的混合架構：先讓 AI 進行快速篩選，接著由 HPC 處理大尺度模擬，並將最困難的計算交給量子，最後再回到傳統系統完成整合與驗證，便能使珍貴的量子資源發揮最大效益。以新材料研發為例，AI 可先透過轉移學習提供量子計算較好的起點、依目標性質提出材料候選，計算結果再回饋給 AI，形成持續改善的閉環，加速從材料設計到驗證的研發流程。 然而謝明修也提醒，量子運算不是越多量子位元、越接近理論最佳解就一定越好，而是每一分投入的量子資源，都要換算成值不值得——如果多花的資源沒有換來足夠有意義的準確度提升，或者傳統方法已經能達到相近的品質，那就不需要為了用量子而使用量子。如何從實際瓶頸出發，在準確度與運算資源之間尋找最佳平衡點，才能掌握量子技術所帶來的真正優勢。 不必等量子電腦成熟，企業現在先問 3 個問題 面對量子強大的算力潛力，企業導入後是否能真正創造產值？對此，謝明修認為可先嘗試釐清三大商業核心問題： 謝明修認為，台灣在半導體、資通訊與製造供應鏈都有深厚實力，只要企業能清晰回答這三個問題，並掌握哪些問題應該交給 AI、哪些交給 HPC、哪些才值得交給量子，便無需被動等待量子電腦成熟，而能立刻從小型、可查核的跨領域混合專案開始布局，提前累積真實產業情境的實戰經驗。

HBM 缺貨，現在該擴產嗎？勤業眾信：循環融資恐放大需求訊號，避免把短期訂單誤判為長期需求

專訪：沈貝怡撰稿：李昀蔚 AI 正在把全球半導體產業推向新一波高峰。根據 Deloitte 勤業眾信近期發布的《2026 Semiconductor Industry Outlook》，2026 年全球半導體產業營收預估將上看 9,750 億美元，逼近一兆美元，年成長率高達 26%，其中 AI 晶片更貢獻將近一半營收。然而，這片榮景背後卻藏著一個「高風險矛盾」：AI 晶片雖然貢獻接近半數營收，出貨量卻不到整體半導體出貨量的 0.2%。這也代表，少量、高單價的 AI 晶片正支撐愈來愈高比例的產業成長，一旦 AI 投資放緩，不只晶片需求可能修正，記憶體、封裝、設備與整體供應鏈都可能受到連鎖影響。 本集《全新一週》，邀請勤業眾信聯合會計師事務所資深執行副總經理陳威棋，從 AI 晶片高度集中的需求結構出發，逐步解析記憶體缺貨、AI 投資降溫與「循環融資」背後可能被低估的風險。「如果未來整個 AI 需求修正，企業會不會有第二套方案，去做更好的應對？」陳威棋指出，現在並不是要對 AI 前景悲觀，而是在產業高速成長的時候，企業更需要保持風險意識。 AI 推升 HBM 需求，但記憶體擴產仍要做好三項準備 目前 AI 熱潮帶來最明顯的產業變化之一，就是記憶體市場供需結構正在重新洗牌。隨著 AI 訓練與推理需求快速增加，高頻寬記憶體（HBM）需求大幅成長，記憶體廠商也把更多資源與產能轉向 AI 相關產品，進一步排擠 PC、手機等消費性電子使用的傳統記憶體。 對台灣記憶體、封裝測試與相關供應商而言，短期確實是一大利多。陳威棋表示，高效能記憶體需求成長，不只直接帶動記憶體市場，也會同步推升封裝測試、機板、材料、設備、散熱等周邊產業。然而，問題在於，記憶體本身就是景氣循環特性相當鮮明的產業，一旦未來 AI 成長速度不如預期，原先為因應短缺而新增的產能，就可能出現產能過剩的現象。 因此，陳威棋建議，企業第一步要保留產能與產品組合彈性，以便因應不同市場景氣。其次，也可以透過長期合作或共同投資關鍵產能，降低全部自行擴產的資本壓力。最後，則應分別針對 AI 高速成長、溫和成長及需求修正等情境進行模擬。儘管報告指出，記憶體缺貨現象可能延續多年，但陳威棋仍提醒，這不代表企業可以直接把現在的供需缺口，視為未來長期的市場需求。 循環融資放大 AI 需求訊號，陳威棋籲別把短期訂單誤判為長期需求 除了 AI 終端需求，近期科技大廠、晶片公司與金融機構之間愈來愈密集的資金往來，也讓市場開始關注「循環融資」（Circular Financing）可能產生的風險。當企業彼此投資，取得資金的一方再把這筆錢拿來採購 GPU 或建置 […]

達梭系統三大 AI Agent 攜手 NVIDIA，打造可落地的 Industrial AI

隨著生成式 AI 與 AI Agent 風潮持續發酵，台灣製造業正迎來下一道更難的考題：AI 如何從「回答問題」走向「參與產品研發」？ 達梭系統大中華區技術諮詢部資深技術經理陳哲基認為，製造業已經進入由  AI  驅動營運流程的階段，企業更希望 AI 成為與工程師並肩作戰的夥伴，參與產品設計、模擬與驗證作業，降低工程師在重複性工作上的時間，加速產品開發迭代，讓企業在產品愈來愈複雜、上市週期愈來愈短的競爭環境下，仍有能力整合跨領域專業、傳承資深工程師的  Know-how 及降低試錯成本。 Industrial AI 結合虛擬雙生，讀懂工程物理邏輯 要讓 AI 成為能夠執行專業任務的 AI 代理（AI Agent），關鍵在於讓 AI 具備讀懂工程模型、企業數據與多年累積 Know-how 的能力，這也是工業 AI（Industrial AI）的核心價值。 陳哲基以產品 3D 模型為例，說明工業 AI 與一般生成式 AI 的差異。一般生成式 AI 只會將模型視為一張圖片，但任何一個幾何結構、數學方程式與工程參數的模型參數改變，都會牽動產品的形狀、體積以及效能，若 AI 不理解 3D 模型背後的因果關係與物理邏輯，就有可能產生看似合理、實際卻不可行的結果，甚至到了製造階段才發現無法落地。 而 Industrial AI  因為能夠讀懂這些工程邏輯，不僅能降低  AI 幻覺帶來的風險、結合虛擬雙生技術，讓 AI 產出的結果在虛擬世界中先進行模擬與驗證，確認可行後，再轉換成機器人、工具機等設備可以執行的指令。 從檢索、設計到選材，三大 AI Agent 加速研發效率 以工業 […]

【指地上說「清這裡」就能動】不靠 App、不用學操作，Matic 掃地機器人聽懂 70 種語言和人類手勢

當你指著廚房地板上的咖啡漬，說一句「嘿，Matic，把這裡清乾淨」，這台清潔機器人會像人或寵物聽到呼喚一樣，轉身面向你的方向，看懂你指的位置，接著自己移動過去清理，不需要開任何 App，也不用事先替房間建立地圖或標籤。這是加州機器人公司 Matic 近期推出的軟體更新 Matic Cues，帶來的功能體驗。 能聽懂 70 多種語言與手勢 Matic 機器人配備五顆相機與四支麥克風組成的陣列。使用者說出喚醒詞時，機器人靠麥克風陣列判斷聲音方向轉身面向使用者，接著透過相機辨識使用者的手、手指與眼神，把偵測到的指向動作跟自己在家中的位置比對，判斷指的位置。這整套喚醒詞辨識與手勢偵測，全程在裝置端完成，環境音不會離開機器人本體。 不過，喚醒詞之後實際說出的指令，並非完全靠機器人自己理解。共同創辦人 Mehul Nariyawala 透露，自有模型只負責處理喚醒詞，實際指令則以匿名方式送往 Google 的 Gemini API 解析，不會傳送個人資訊，這個做法讓機器人能支援超過 70 種語言。 面對兒童、口音與噪音環境，Nariyawala 表示整體表現良好，跟 Gemini 本身表現相當一致，這對公司格外重要，因為許多家庭本身就是多語言環境。 被問到這是否意味著 Matic 正朝通用型家用機器人邁進，Nariyawala 表示，這是邁向「機器人蘿西」（美國動畫《The Jetsons》中的家用機器人管家，它會清掃、煮飯、洗碗、照顧家庭，並能與家人自然互動）的一步，只是做法不同。 他認為，機器人產業多數開發邏輯是「先有技術、再找問題」，人形機器人、基礎模型都是令人讚嘆的工程成就，卻沒有回答「一般家庭現在真正面臨的問題是什麼」。他強調，家庭真正想要的是一個會自己打掃、保持整潔的家，機器人只是達成這個目的的手段。 產品策略的核心邏輯 正因為這樣的產品哲學，Matic 的開發順序刻意模仿自然界養成人類的方式，像孩子成長那樣按一套不能被打亂順序的階段前進。 第一階段是感知能力：Matic 先花時間學習在家中定位自己、辨識環境，例如避開濃湯或寵物排泄物、留意樓梯、避免撞到家具。Nariyawala 指出，自駕車有地圖與 GPS 知道自己在路上的位置，但室內機器人要如何知道自己站在沙發的左邊還是右邊，是完全不同的問題，而這正是 Matic 團隊率先解決的問題，公司是全球唯一在即時定位與地圖建構技術上，達到 99.999% 準確率的團隊。 第二階段是操作能力，發展抓取、整理物品、依指示完成任務的能力；第三階段是長期規劃能力，處理複雜、開放性問題。而 Matic 目前正依序分階段部署，先成為值得信賴的地板清潔工具，接著是整理者，最終目標是管家。 裝置端運算是 Matic 認為最重要的優勢，Nariyawala 表示，這種架構能讓消費者享有隱私、低延遲，成本也不必因雲端運算費用飆高。他以自己過去在 Nest（Nest Labs，一家早期智慧家庭公司，後來被 Google 收購）的經驗為背景，說明團隊深刻理解隱私的重要性，因此從第一天起，就決定打造一台重視隱私與安全的機器人。 […]

從白帽駭客到 AI 雙軌審查，QNAP 如何做到「儲存＋資安」一體化？

在日前台灣駭客年會 HITCON 2026 中，QNAP 透過展出漏洞賞金計畫（Bounty Program）成果，以及具備內網威脅偵測能力的 ADRA NDR X 設備，展現近年資安領域的堅實防禦力。「我們希望在產品設計初期，就把資安元素納入核心。」QNAP 軟體安全架構部研發經理廖敬指出，QNAP 持續以 Secure by Design 的理念，將參與外部資安社群交流視為強化防禦機制的關鍵一環。此外，QNAP 也在今（2026）年順利取得日本認可的 JC-STAR Level 1 產品安全認證，範疇涵蓋消費型與企業型產品，讓客戶能以最直觀的方式信賴 QNAP 的資安防禦水準。 聯手全球白帽駭客，漏洞賞金計畫打造主動防禦閉環 漏洞賞金計畫（Bounty Program）是 QNAP 主動防禦的核心之一，採取「搶先攻擊者」的策略。廖敬表示，因為 NAS 產品複雜，若僅靠內部團隊較難找出所有潛在盲點，由外部研究員從攻擊者的角度檢驗，能看到內部視角不容易看到的地方，因此 QNAP 邀請全球白帽駭客共同參與此計畫，透過定義明確、公開透明的處理時效與公平的獎金制度，鼓勵外部研究員們以不同於內部的視角協助測試產品、找出安全漏洞，並透過官方管道回報。 在漏洞審核與後續處理上，QNAP 透過 PSIRT（產品資安事件應變團隊）負責後續的流程。PSIRT 一方面需要驗證回報內容的真實性，並針對信譽良好的研究員建立長期信任與合作關係；另一方面，若漏洞通報確立，PSIRT 的後續運作將涵蓋「主動監控、漏洞處理、事件應變」三大面向。針對漏洞處理流程，團隊首先會依據危害程度進行分級，優先處理高危漏洞，接著團隊會深入分析漏洞底層成因，將經驗帶回給團隊，最後由研發團隊執行修補、安全驗證，並發布資安通知與發放獎金，完成資安治理閉環。 「企業應該主動防禦，讓外部的資安研究員一起找出潛在的改善空間，而不是等到面臨威脅才進行事後補救。」廖敬表示，起初許多企業因為擔心暴露企業內部的資料弱點而對此計畫卻步，但 QNAP 自 2024 年起透過此計畫發出 40 篇以上資安通報、指派超過 100 個 CVE，獎金發出破百萬台幣；2025 年收到 224 份報告、151 位研究員參與，獎金約 280 萬台幣，是前一年的兩倍以上，報告量、參與人數與獎金三者同步成長，證明了主動防禦的價值。 儲存 + […]

Uber 曾 4 個月燒完全年 AI 預算，後來怎麼管住 Agent 成本？

AI Agent（AI 代理）用得越多，企業的下一道難題也開始從怎麼導入，轉向怎麼控制成本。Uber 今年就碰上這個問題。《Fortune》5 月報導，Uber 前 4 個月便用完原先編列一整年的 AI coding 工具預算。但幾個月後，情況出現明顯反差。 Uber 近期公布，今年 2 月至 8 月，公司內每週 Agent 請求量成長 9.4 倍、活躍使用者增加 7 倍，超過 70% 的程式碼合併請求（pull request，PR）已有 Agent 參與，但整體 AI 支出自 4 月起維持穩定。若固定使用相同模型比較，每 1,000 次模型請求成本較高點下降近 34%，每個工作階段（session）成本也較 6 月高點降低 52%。 也就是說，Uber 沒有靠減少 Agent 使用來控制帳單。從前 4 個月燒完全年預算，到 Agent 使用規模持續擴張、支出卻不再同步暴增，Uber 到底改了什麼？ Uber 先把一筆 Agent 帳單拆開，從使用者、session、互動輪次，到模型請求數、每次請求使用的 token 與 token 單價逐項檢視。在具體做法上，Uber […]

【科技早餐】OpenAI 11 月停止供應 Cursor 模型，SK 海力士逾 40 億美元美國 HBM 廠動工

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊OpenAI 11 月停止向 Cursor 供應模型，SpaceX 600 億美元收購後合作破局 OpenAI 宣布，計畫終止向 AI 程式開發工具 Cursor 提供旗下模型，擬於 11 月 12 日停止服務，並表示已依合約提供最長通知時間。Cursor 母公司 Anysphere 今年由馬斯克旗下 SpaceX 以 600 億美元收購，交易已於 8 月完成。OpenAI 表示，Cursor 控制權改變後，公司依據合約條款啟動終止程序，原因是過去與馬斯克旗下企業合作時曾出現違反合約及服務條款的情況，因此無法確信 SpaceX 將依 OpenAI 的規範使用相關技術。 OpenAI 強調，這項決定並非因 Cursor 本身違反合約，而是所有權改變後重新評估合作風險。Cursor 執行長 Michael Truell 表示，公司仍持續與 OpenAI 討論，希望找到解決方案；另一家模型供應商 Anthropic 則表示，將擴大 Claude 模型對 Cursor 的支援。Cursor 本身採多模型策略，讓開發者可在不同 AI 模型之間選擇，OpenAI 若按計畫終止服務，將改變 […]

【金融 AI 的生產力變現鴻溝】40% 機構實現獲利增長：年預算破 10 萬美元、微調自研專屬模型是關鍵

根據劍橋另類金融中心（Cambridge Centre for Alternative Finance, CAFF）聯合世界銀行、國際貨幣基金組織、國際清算銀行，以及世界經濟論壇發佈的《2026 年全球金融服務 AI 報告》（The 2026 Global AI in Financial Services Report），全球金融業正處於中期過渡階段。 然而在此過渡期中，行業正顯現出「普及率高、獲利轉化低」的失衡反差。 全球 AI 採用率雖高達 81%，實質實現獲利增長的機構卻僅有 40%。此變現差距進一步體現在傳統與新興機構的「非對稱轉型」上：數位原生的金融科技（Fintech）不僅在成熟階段以 47% 對 30% 領先傳統機構，於全面轉型階段（19% 對比 6%）更展現出三倍的領先優勢。以下整理該報告針對投資變現、技術基建、規模化瓶頸與代理治理的核心發現。 📎 這份報告適合誰閱讀？ 根據研究範疇與調查對象（涵蓋全球 151 個國家、628 家受訪機構），這篇報告適合以下金融與科技領域的工作者閱讀： 🔴 報告洞見 三個變現關鍵：預算破 10 萬美金、自研模型、深耕長尾場景 金融機構普遍面臨員工效率提升、但公司財務報表對 AI 投資完全無感的「生產力悖論」。調查指出，AI 為金融業技術部門帶來了高達 79% 的生產力增長感（Fintech 科技部門達 86%，傳統機構達 68%）；但最終僅有 40% 的機構成功轉化為實質利潤增長，高達 43% 的機構則表示利潤「毫無變化」。 實證研究進一步破解了這個變現僵局，發現 AI 獲利轉化存在著明確的「年度預算門檻」與「技術掌控深度」： […]

Hugging Face 推 399 美元雙足機器人 Microduck，主打開源、可教學與自主反應

AI 平台 Hugging Face 推出第二款機器人 Microduck，售價 399 美元。這款外型可愛、只有一隻眼睛的雙足機器人不僅會唱歌，使用者還能透過強化學習、模擬環境及開源軟體，教它學習新的動作與技能。Hugging Face 表示，希望藉此讓 AI 與機器人更容易走入一般消費者的生活。 Microduck 目前已開放預購，市場反應相當熱烈。Hugging Face 共同創辦人 Thomas Wolf 接受《Bloomberg》訪問時表示，自開放預購後，平均每 4 秒就能賣出 1 台 Microduck，累計銷售額約達 50 萬美元。公司目標是售出超過 2 萬台，首批產品預計在聖誕節前出貨。 Microduck 鴨子機器人：內建豐富感測器，會溜冰還能搬襪子 Microduck 外型以鴨子為靈感，高約 10 英吋（25 公分）、重約 1.7 磅（0.77 公斤），預計今年將正式開賣。無論是初學者或進階開發者，都能使用 Python、JavaScript 等程式語言，為機器人設計新的行為。這款機器人部分由法國波爾多的 Pollen Robotics 參與開發；Hugging Face 去年收購了這家公司。 在功能方面，Microduck 不需要使用者從零開始撰寫程式，就具備與環境互動的基本能力。例如，使用者可以帶著它四處移動，也能利用雷射筆或遊戲控制器觸發特定動作。《Bloomberg》提及，示範影片中，Microduck 已能穿著溜冰鞋滑行、搬運襪子等小型物品，還能與其他 Microduck 一起唱歌。 這款機器人內建攝影機、麥克風、揚聲器、LiDAR、藍牙及 Wi-Fi 等感測與連線設備，並配備兩個 NFC 讀取器，可與外部配件互動。Hugging […]

AI Agent 上線三個月就被冷凍？CYBERBIZ 技術長：會反悔的 AI 才是能上線的 AI

文／CYBERBIZ 技術長 李健華 過去一年，我最常被問的問題是：「你們的 AI 功能什麼時候上線？」 但真正讓我印象深刻的，是另一句話，一位已經導入 AI 工具的品牌營運主管私下跟我說：「上線了啊，可是三個月後，大家還是用原本的方式做事。」 Gartner 在 2025 年就預警，超過四成的 Agentic AI 專案會在 2027 年前被取消，原因不是技術不到位，而是成本失控、商業價值不清、風險控制不足，翻成白話也就是老闆花了錢、工程師接了 API、模型也真的很聰明，但沒有人真的敢用它。 身為一個這幾年大部分時間都花在把 AI 塞進電商系統的人，我想聊一個比「AI 有多強」更關鍵、但很少人談的問題：一個會動手做事的 AI，要怎麼設計，人才會真的敢把事情交給它？ 大家都在比誰的 Agent 全能，但重點是「敢不敢用」 市場上談 AI Agent，示範影片都很華麗：一句話查數據、一句話改訂單、一句話生成整檔活動，就像是一位全能小幫手。 但如果你實際觀察營運團隊怎麼使用這些工具，會看到完全不同的畫面。 行銷人員讓 AI 產了文案，然後逐字改到跟自己寫的差不多；客服主管開了 AI 回覆功能，但只敢開「建議草稿」模式；最慘的是後台自動化，AI 說可以幫你調庫存、改價格、發優惠，然後權限申請單在主管那邊躺了兩個月，因為沒有人敢簽。 這件事從使用者行為的角度看，其實非常合理，人對一個系統的信任，常常取決於「出錯的成本」和「我能不能控制它」，你會讓實習生幫你整理報表，但不會第一天就讓他改資料庫，不是因為他不聰明，是因為報表錯了可以再重改，資料庫改錯了可能就不是加班一個禮拜就能解決的問題。 嘴上都說擁抱 AI，行為卻很誠實，這就是我想談的第一件事，我叫它「信任的不對稱」：一個工具做對一百次累積的信任，抵不過它做錯一次而且救不回來的傷害。 這不是使用者太玻璃心，是人性裡很基本的一筆帳，損失帶來的痛，遠大於等量獲得帶來的快樂，AI Agent 在團隊眼中就是那個履歷漂亮的實習生，大家都相信它聰明，但卻沒有人敢當第一個把資料庫交給它的人。 所以國際上的風向今年悄悄轉了，主流論述不再是一個超強的全能 Agent，而是 「Purpose-Built Agents」，嵌在既有工作流程裡的高信任任務型 Agent，說穿了，連國際大廠都承認，全能是發表會用的，敢用才是生產環境用的 決定 AI 的第一份工作：從「做錯了也死不了」的事開始 在規劃讓 AI Agent 接手電商後台任務時，我們團隊吵過最兇的一次，不是技術選型，而是「第一個功能要做什麼」。 […]

OpenAI、Anthropic 等逾百家企業聯合示警：AI 網攻門檻大降，防禦只剩數月

《Reuters》報導，包括 OpenAI、Anthropic、微軟、Alphabet 與亞馬遜在內的科技巨頭，警告 AI 技術快速進步，正降低駭客發動複雜網路攻擊的門檻，企業與政府只剩數個月時間可以準備。 聯合公開信獲 Broadcom、Capital One、Cloudflare、CrowdStrike、General Motors、IBM、Mastercard、Oracle、Robinhood、Shopify 與 Visa 等逾 100 家企業共同簽署，呼籲各界立即強化網路防禦，尤其是醫院、供水系統等關鍵基礎設施。 從修補漏洞到開放最強模型：公開信的具體行動指南 公開信指出，隨著全球 AI 模型能力持續提升，AI 驅動的網路攻擊將在未來幾個月更加普遍，因此各界必須把握有限時間，提高駭客利用 AI 工具入侵系統的難度與成本。為此，企業應提高內部資安標準，優先修補風險最高的漏洞，並強化採購、開發及部署軟體時的安全要求，包括 AI 生成程式碼；網路安全與科技業者則應加快開發相關工具，讓關鍵基礎設施營運商能夠部署 AI 驅動的防禦技術，並彼此共享威脅情報。 在政府方面，公開信呼籲各國強化威脅情報共享機制，協調地方、國家及國際層級的防禦工作，並投入資金強化網路防禦。連署企業也建議各國政府加速推動「可信任存取計畫」（trusted access programs），讓部分企業能在更強大的 AI 模型全面開放前，提前取得模型，以做好防禦準備。至於前沿 AI 公司，則應在重大網路攻擊發生時，讓防禦方取得能力最強的模型，並提供資金、培訓及實務支援，尤其協助關鍵基礎設施業者。 美基礎設施頻遭駭，五眼聯盟示警 AI 改變資安戰局 《Axios》指出，這項呼籲正值關鍵基礎設施遭遇新一波網路攻擊之際，其中包括一起針對美國供水系統的攻擊，攻擊者疑似使用 AI 生成的漏洞利用腳本。過去駭客若要攻擊水務系統、發電廠等設施，往往需要花費大量時間研究相關設備與系統；如今 AI 可以降低攻擊者掌握這些系統所需的時間與專業門檻，讓既有漏洞更容易遭到利用。 《Reuters》提及，美國網路安全暨基礎設施安全局（CISA）與白宮尚未回應置評請求。川普政府上任後大幅削減 CISA，該機構去年員工人數減少約三分之一。正當企業高聲示警之際，美國資安主管機關的戰力卻在削弱。 事實上，AI 被用於網路攻擊的情況正逐漸增加，不法分子開始利用大型語言模型（LLM）入侵全球各地組織。早在今年 6 月，由美、英、加、澳、紐組成的「五眼聯盟」（Five Eyes）便罕見發布聯合聲明，警告 AI 可能從根本上改變網路安全。 不過，《Axios》補充，這封公開信並未提出具體的執行期限、投資金額或其他實質承諾。 在數位威脅日益複雜的今天，資安已是每位企業決策者必須掌握的課題。如果你能把艱澀的議題轉化為有觀點、有價值的分析，寫出決策者需要的報導，《TechOrange 科技報橘》正在徵內容編輯！👉了解職缺內容 ＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Axios》、，圖片來源：Unsplash。

Anthropic 向實體設備出手：推 MHS 要讓 AI Agent 更容易跨設備操作

AI Agent（AI 代理）已經能寫程式、規劃實驗，甚至連續工作數小時，但當它真的走進實驗室或工廠進一步控制器材時，可能會遇到設備來自不同廠商，各有不同控制介面、軟體與資料格式等問題。AI Agent 就算知道下一步怎麼做，也未必有一致的方法將指令送到每一台設備，而整合這些硬體往往需要花上數週甚至數月的時間。 Anthropic 在美國時間 8/27 發表「模型硬體標準（MHS, Model Hardware Standard）」的研究預覽版，正是要解決這個問題，並宣稱能將整合工作縮短至數小時甚至數分鐘。究竟 MHS 做到了什麼，進而能縮短整合時間呢？ 先讓不同機器「說同一種語言」 根據 Anthropic 定義，MHS 是一項供 AI Agent 安全操作實體設備的共享規範，核心做法是在設備與 AI Agent 之間加入標準化驅動程式。不同硬體原本各自有一套操作方式，經過 MHS 後，會被整理成 read、write 等基本指令，並以共同格式描述設備目前狀態、能執行哪些操作，以及必須遵守的安全限制。 設備接入 MHS 後，會以共同格式被 Agent 發現；Agent 則可透過 MCP、命令列介面（CLI）與程式碼檔案（API）控制硬體，進一步協調多台設備完成工作。MHS 本身不綁定 Claude，其他 AI Agent 也能使用。由於 MHS 可透過 Anthropic 先前推出的 Model Context Protocol（MCP）存取，也可以看出 Anthropic 正把標準化介面的思路，從軟體與資料連接進一步推向實體硬體。 MHS 是否真能降低硬體整合門檻？卡內基美隆大學（CMU）的測試提供了一個實際案例。該研究團隊原本要讓液體處理機、微孔盤讀取儀（plate reader）、機械手臂與攝影機共同完成藥物劑量反應實驗，但這些設備分散在 3 台電腦上，控制方式也各不相同，有的透過檔案傳送指令、有的使用舊式 […]

鐵道安全技術進軍智慧國防： 高科大「多源感測融合目標追蹤與抑制系統」首度亮相 2026 tie 未來科技館

2026 台灣創博會「未來科技館」由國科會攜手中央研究院、教育部、運動部、衛福部共同策劃，以「讓台灣科研成為產業轉型的力量」為核心主題，聚焦三至十年內的關鍵科技發展，著重將研發成果轉化為具備產業落地潛力的創新亮點。在眾多參展項目中，國立高雄科技大學鐵道技術中心帶來橫跨軌道與國防場域的創新成果——「多源感測融合目標追蹤與抑制系統」（AI-MFTSS）。 AI-MFTSS 以鐵道安全系統的高可靠度控制、異質系統整合及安全設計能力為基礎，進一步延伸至國防安全與智慧防禦應用，展現臺灣自主研發技術從軌道場域跨域走向陸、海、空平台的實力。 推進智慧防禦國產化：多源感測融合技術與鐵道 SIL4 安全理念 AI-MFTSS 透過整合光電攝影機、熱影像、雷達與無線電訊號等多元感測來源，讓不同感感測器的優勢互補，例如光電攝影機提供高解析影像，熱影像不受夜間與濃霧影響，雷達則能穿透惡劣天候進行遠距偵測。藉由多源感測融合的方式，系統能大幅提升整體偵測精度與反應速度，並結合 AI 目標辨識、多目標評估與智慧決策技術，在複雜環境下即時完成目標分類、追蹤、威脅分析與處置建議。 在架構設計上，AI-MFTSS 採模組化與跨平台架構設計，可依據任務需求部署於陸上載具、無人機、無人艇或既有防禦設備，實施多目標監控與跨平台協同作業。其技術應用亦廣泛延伸至反無人機、重要設施防護、邊境監控及智慧載具等多元領域。 「鐵道與國防雖屬不同應用場域，但對系統安全、即時反應及高可靠度的要求高度一致。我們希望把鐵道安全核心技術，轉化為可支援國防自主化的整體解決方案，讓臺灣自主研發成果真正落地並形成產業能量。」鐵道技術中心主任張簡嘉壬表示，團隊將鐵道產業最高安全等級「SIL4」的設計理念導入國防應用，其核心在於即使系統在極端狀況下出現故障，也必須自動進入安全狀態，確保在高風險、高干擾的環境下仍具備可追溯、可監控與容錯的穩定運作能力。目前該技術成熟度已達 TRL 6（即完成原型系統並通過相關場域驗證），距離實際部署僅剩幾個關鍵步驟。 情境模擬結合實機展示，完整呈現偵測至應處流程 「未來科技館」展覽現場將採情境模擬與實機動態演示，呈現系統針對不同載具與任務場景的快速配置能力，讓參觀者透過指揮監控介面，即時掌握目標位置、移動軌跡與系統狀態，理解來自不同感測器的原始資料如何被系統整合成行動建議，體驗從「目標偵測、追蹤分類、威脅評估」到「自動化決策」的完整流程，實測其跨平台整合與即時反應效能。 此次國立高雄科技大學鐵道技術中心參展不僅是臺灣鐵道關鍵技術自主化的具體成果展現，更說明學研能量如何跨域回應國防需求，推動智慧防禦系統國產化的發展潛力。 國立高雄科技大學鐵道技術中心「多源感測融合目標追蹤與抑制系統」將於 9 月 17 日至 19 日在台北世貿一館舉行的台灣創博會（tie）「未來科技館」登場。 https://tie.twtm.com.tw

AI Agent 每一步都合法，但最後為什麼它會走偏了？

一個 AI Agent 讀了一封信、查了資料庫、寄出一封郵件。每一個動作都在權限內，每一條連線都合法，防火牆、EDR、IAM 全都顯示正常。 但它做的事，跟你原本交代的任務已經完全不同。 這是 AI Agent 與傳統應用最大的差別。過去，企業主要防止「沒有權限的人做不該做的事」，現在，還得防止「有權限的 AI 被騙去做不該做的事」。傳統資安工具擅長判斷誰能做什麼，卻不擅長判斷現在該不該做。 要補上這個缺口，只在輸入端加一層提示過濾並不夠，惡意指示可以被混淆、拆分、藏在圖片或文件裡，也可以從工具輸出、RAG 文件或記憶重新進入系統。 真正有效的防線，必須位在 Agent 與背後的工具、API、資料與身分服務之間，在動作發生之前判斷該不該放行。 這一層，可以稱為執行層控制平面。它至少需要六種能力。 一、留下完整的行動紀錄 不只記錄使用者輸入與最終回答，而是把一次 Agent 執行視為一筆完整交易：它當時看了哪些資料、讀了哪些記憶、做了哪些判斷、呼叫了哪些工具，以及最後產生了什麼結果。 這件事的重要性，通常要到出事之後才會顯現。如果三天後才發現資料外洩，企業必須能回答：那天 Agent 到底讀了哪一份文件、用了哪一段記憶，才走到最後那一步。只記錄最終的 API 呼叫，是還原不了攻擊路徑的。 二、在高風險動作前設置意圖閘道 Agent 產生的工具呼叫，不應該被直接視為可信指令。系統必須比對使用者的原始意圖、Agent 當前的子目標、要呼叫的工具與參數，以及資料的敏感度與去向。 當使用者只要求「整理郵件」時，Agent 不應取得寄信或刪信的權限；當財務 Agent 只被要求產生報表時，付款、退款或修改帳戶資料都應轉為人工核准，或直接阻斷。 三、讓 Agent 只拿到完成任務所需要的權限 每一次工具呼叫，都應該被視為一個新的授權邊界。如果只是查資料，就不要同時給它修改資料的權限；如果只需要寄送內部郵件，也不應讓它任意對外傳送。 負責整理供應商報價的 Agent，本來就不需要具備把檔案寄到外部信箱的能力。權限給得越寬，被劫持之後的破壞範圍就越大。 四、保護 Agent 的記憶 每一筆會被重複使用的記憶，都應該有來源、建立時間、敏感度與版本資訊。重要的記憶要定期備份，一旦發現遭到污染，要能快速隔離並回復到先前的正常版本。 不同的 Agent 也只應存取完成任務所需要的資料，避免一個 Agent 被攻擊之後，污染擴散到其他 Agent。特別要注意的是，有些 Agent 會把自己的輸出寫回知識庫，一次錯誤的回答可能被標記成可信內容，再被後續任務反覆取用，形成自我強化的污染循環。 五、不只看單一動作，也要看整段行為 系統要判斷的不是「這個 […]

世界模型之外，Accelerated Understanding 押注 4D Physical AI

Physical AI（實體 AI）正在走出不同路線。當世界模型與 VLA 成為熱門方向，新創 Accelerated Understanding 選擇從物理規律切入，希望讓 AI 直接預測溫度、流體、材料等物理現象如何隨空間與時間變化。該公司目標是打造「具有通用物理理解能力的 AI（AI with universal physical understanding）」。 8 月 25 日，Accelerated Understanding 正式亮相。共同創辦人是加州理工學院教授、NVIDIA 前 AI 研究資深總監 Anima Anandkumar，以及 AI 基礎設施工程師 Benedikt Jenik。《Reuters》報導，兩人原本曾獲邀加入 Jeff Bezos 支持的 Project Prometheus，但最後選擇繼續發展自己的公司。 兩人沒有加入 Prometheus，而是繼續發展 Accelerated Understanding。這個選擇也突顯 Physical AI 正出現不同技術路線。Project Prometheus 今年 6 月完成 120 億美元 B 輪融資，目標之一是利用 AI 自動化複雜實體系統的製造；另一邊，包括 Yann LeCun、李飛飛等團隊，則投入能比文字模型更理解空間現實的世界模型（World model）。而 […]

【製造業 AI 韌性】系統失效比預期更早到，建立 AI 韌性是製造業的利潤來源而非保險措施

企業 AI 系統達到自身極限的那一刻，往往會比營運團隊所預期來得更早，所以如何建立真正的營運韌性，將是製造業贏得市場優勢的重點所在。

【科技早餐】NVIDIA 傳以 129 億美元收購 Hugging Face，約 700 個 OpenAI 測試代理入侵平台

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊NVIDIA 傳以 129 億美元收購 Hugging Face，版圖延伸至開放模型 《The Information》引述知情人士報導，NVIDIA 已同意以 129 億美元收購 Hugging Face；兩家公司尚未回應消息。若交易完成，將成為 NVIDIA 歷來規模最大的收購案之一。Hugging Face 集中大量開放模型、資料集及開發工具，是 AI 開發者尋找、分享及部署模型的重要平台。收購也將使 NVIDIA 的布局，從 GPU、伺服器與軟體，進一步延伸到模型及開發者生態。 報導指出，Hugging Face 目前年化營收約 1.5 億美元；收購價格接近它 2023 年估值 45 億美元的三倍。NVIDIA 也是 Hugging Face 2023 年募資案的投資者，Hugging Face 去年曾拒絕 NVIDIA 提出的 5 億美元投資，當時估值約 70 億美元。這項交易傳出之際，OpenAI 與 Anthropic 正開發自研晶片，希望降低對 NVIDIA GPU 的依賴；NVIDIA 則已承諾，截至 2027 […]

AI 代理進晶圓廠：SK 海力士綁 KPI 衝 2030，三星要求供應商「列為標配」

《THE ELEC》報導，SK 海力士（SK hynix）與三星電子（Samsung Electronics）正加速 AI 代理導入半導體製造設備，並驗證相關技術在實際生產環境中的應用成效，未來可能將 AI 功能納入新設備的標準配置。 望提升良率與效率：SK 海力士推動半導體後段製程無人化生產 《THE ELEC》指出，SK 海力士已開始分階段在清州的半導體後段製程產線導入 AI 代理，但尚未公布具體設備。目前公司正評估相關設備的生產表現，以及 AI 代理在實際生產環境中的效能與可靠性，預計今年底前完成驗證。 一名業界人士表示，SK 海力士已將負責設備驗證人員的關鍵績效指標（KPI），與 AI 軟體的驗證及導入成果直接掛鉤。隨著 AI 導入能帶來良率改善，工程師也更積極推動相關技術。AI 代理可自動設定及操作設備的關鍵功能，縮短製程時間並支援無人化生產，也能降低因操作人員經驗不同造成的良率波動。SK 海力士希望藉此提升製造效率，並以 2030 年實現自主化半導體製造為目標。 SK 海力士數位轉型（DT）部門主管、執行副總裁 Do Seung-yong 今年 3 月在 NVIDIA GTC 2026 大會上表示，AI 記憶體需求快速成長，半導體產能已難以滿足需求，單靠興建新晶圓廠並不足以解決問題。要同時兼顧品質、成本與生產速度，製造決策必須比依賴人員經驗或傳統規則式自動化更加複雜。 三星也佈局製程 AI 代理，邊緣運算成半導體設備新標配？ 傳統半導體製造多採用規則式自動化，設備會依照事先設定好的條件與門檻執行操作。不過，這類系統只能按照固定規則判斷，製程條件一旦改變，就容易出現誤判。《THE ELEC》舉例，自動化檢測設備面對形狀不規則的缺陷時，可能無法準確辨識，也可能把原本沒有問題的產品誤判為瑕疵品，造成所謂的過度誤判。 在此背景下，三星電子也加快在半導體製造流程導入 AI。據業界人士透露，三星已要求設備供應商在新訂購的製造設備中，將 AI 代理列為標準功能，其向《THE ELEC》表示，三星過去因考量資安與可靠性，對 AI 導入相對保守，但近期已轉為積極，開始將 AI 用於製程控制及其他製造作業。 《THE […]

OpenAI 公布 Hugging Face 事件完整調查，1,200 個 AI Agent 如何從解題走向攻擊？

今年 7 月，OpenAI 在內部資安測試中使用的 AI Agent 突破限制，進一步入侵 Hugging Face。一個多月後，OpenAI 8 月 26 日公布完整調查，事件範圍比原先知道的更大：這批 Agent 後來也攻進 OpenAI 自己的研究基礎設施，取得最高系統權限並讀取內部機密資料。 研究機構 METR 與 Redwood Research 同日公布的獨立調查，也還原了 Agent 如何自行建立聯絡管道、大規模合作解題，最後把行動延伸到真實系統。 1,200 個 Agent 自行建立留言板，約 700 個投入攻擊 事件源自 OpenAI 用來測試模型資安能力的 ExploitGym。Agent 原本被放在彼此隔離的測試環境，部分環境不能上網，也沒有提供彼此通訊的功能。不過，為了讓 Agent 下載軟體套件，OpenAI 允許它們存取內部的 Artifactory。這原本是存放與取得軟體套件的系統，卻被 Agent 拿來留下訊息、分享答案與取得網路的方法。 METR 與 Redwood Research 估計，7 月 8 日至 13 日間，約有 1,200 個 Agent […]

砸 450 億美元買「未來算力」：Anthropic 搶先鎖定 NVIDIA 下一代 Vera Rubin 晶片

《Bloomberg》報導，AI 新創公司 Anthropic 正積極擴充 AI 運算能力，與雲端基礎設施供應商 Nscale 簽署一項為期 6 年的協議，將斥資約 450 億美元，租用 Nscale 位於美國西維吉尼亞州資料中心園區的 AI 運算能力。 Nscale 計畫在園區部署 NVIDIA 下一代 Vera Rubin 系列晶片，而相關算力預計要到 2027 年底才陸續交付。換言之，Anthropic 這次鎖定的並不是市場上已經可以取得的 GPU，而是未來數年的 AI 運算產能。 因應 AI 訓練：Anthropic 啟動數百億美元伺服器採購與硬體合作 Anthropic 近年持續大舉投入 AI 基礎設施，主要是為了因應 Claude Code 等產品需求快速成長，同時支應 AI 模型訓練與推論等工作。除了自行採購 GPU 和其他運算設備，公司也不斷透過與雲端及資料中心業者合作取得更多算力。《Reuters》指出，Anthropic 目前年化營收約 470 億美元，預計到 2028 年將成長至約 1,900 億至 2,000 億美元。 這並非 Anthropic […]

NVIDIA 為何敢喊明年再成長 70%？Rubin 接棒、供應承諾拉高至 2,790 億美元

NVIDIA 的營收規模已接近單季千億美元，成長速度卻還沒有明顯放緩。NVIDIA 執行長黃仁勳更表示：AI 已經過了炒作階段，正在從事生產性和實用性的工作，並且能夠創造盈利。他強調「現在，運算能力就是收入。」 NVIDIA 在 8 月 26 日公布截至 2026 年 7 月 26 日的第二季財報，單季營收達 962.2 億美元，較去年同期成長 106%；其中資料中心營收達 890 億美元，年增 117%。該公司預估第三季營收將進一步升至 1,080 億美元。 值得注意的不是這一季又創新高，而是 NVIDIA 罕見提前預告，截至 2028 年 1 月的下一個會計年度，營收仍可成長約 70%。在營收基期已經如此龐大的情況下，NVIDIA 為什麼還敢預期高速成長？ 答案一方面來自新一代 AI 運算平台 Vera Rubin 比預期更快接棒，另一方面則是 AI 算力需求正從大型雲端業者擴大到 AI 實驗室、新型雲端（NeoCloud）公司與企業。但財報同時透露，當 NVIDIA 要把這些需求真正轉成營收，新的限制也開始浮現：記憶體、零組件與資料中心供應能不能跟得上。 Blackwell 還在放量，Rubin 下一季就要占資料中心營收兩成 NVIDIA 這一季資料中心成長，主要仍由 Blackwell Ultra 帶動，但下一代 Vera Rubin […]

【AI 獲得身體的時代】人形機器人、腦機介面與神經型運算匯流中，人機共生成治理挑戰

當 AI 開始擁有身體，甚至直接讀取人的神經訊號，人與機器之間的界線就開始改變了。這代表 AI、人形機器人、腦機介面、神經型運算與生物科技正彼此交匯，「人機共生」逐漸從科幻命題變成實際的工程與治理問題。 人形機器人走出實驗室並開始大規模商業運用 如今人形機器人正從實驗室走向真實場域長時間工作，比如 Figure AI 的人形機器人已在 BMW Spartanburg 工廠參與零件處理與製造；Agility Robotics 的 Digit 已累積數萬小時商業場域運作經驗；Tesla 正內部測試 Optimus，波士頓動力則持續將電動版 Atlas 推向商業化。 這代表人形機器人的競爭標準正在改變，過去比的是能不能走路、搬東西，進入工廠後，更重要的是能否在數小時甚至數月的連續作業中維持穩定，面對不同物件與突發狀況仍能自主調整，並安全地與人共同工作。 而市場重心也正快速向中國集中，2026 年上半年，中國人形機器人出貨量已占全球約 97%，意味著零組件供應、整機製造與量產能力，正形成高度集中的產業鏈，誰掌握量產能力，將直接影響成本下降與技術迭代速度。 雖然市場規模雖仍處早期，但預期隨著硬體成本下降、AI 能力提升，人形機器人將從製造物流進一步進入農業、醫療照護、災害救援甚至太空探索，長期市場到 2050 年可能成長至數兆美元規模。 因此值得觀察的，不只是「人形機器人什麼時候能用」，而是量產能力、供應鏈集中度與實際場域數據，會如何決定下一階段的產業格局。 機器可以感知人類，達到真正的人機共生？ 如果人形機器人是讓 AI 獲得「身體」，腦機介面則從另一方向縮短人與機器的距離。Elon Musk 創辦的美國神經科技公司 Neuralink 已展示植入式腦機介面，讓癱瘓者透過神經訊號控制游標與裝置，相關研究也正嘗試把想法轉成語言、幫助恢復視覺。 而這條路徑可以延伸到「cyborg robot」，這並非字面上的人機融合，而是讓人的意圖、身體狀態、機器動作與感覺回饋形成穩定迴圈，使義肢逐漸從外部工具變成人類感覺運動能力的一部分。 這也代表人機共生的關鍵不只是機器性能更強，而是人能不能低負擔地使用、預測並信任它，理想系統需要雙向感知，也就是機器辨識人的意圖與疲勞，人也能透過觸覺、力覺理解機器正在做什麼。 神經型運算可能成為這套系統的底層能力，這類晶片能模仿生物神經元的事件驅動運作方式，更適合處理低延遲、長時間運作的邊緣感測任務，讓更多判斷能直接在裝置端完成，而不必所有資料都送回雲端。 人機共生現階段目標是讓不同技術開始互相接上 人機共生發展真正的推力，是讓不同技術互相接上——AI 被視為一套「認知作業系統」，即向下連接機器人與神經型晶片，向外連接生物科技、奈米材料與數位分身；例如，腦機介面讀取人的意圖、AI 解讀訊號、神經型晶片邊緣運算、機器人轉換成物理動作，感測器再把力道回傳給人。單獨看每項技術都有限制，串接後卻可能形成完整的「感知—判斷—行動—回饋迴圈」。 不過治理難度也會同步上升。首先是物理安全：全尺寸雙足機器人跌倒時動能大，在人群中運作的安全標準遠比固定式機械手臂複雜，人類熟練的抓握、觸摸與力道調節也仍難以複製。 其次是資安與隱私。當系統掌握的不只是帳號資料，而是神經、肌肉、姿態甚至身體反應，資料外洩後果就可能直接作用在人身上。研究指出，這類系統必須保護使用者的神經、肌肉、動作與影像資料，一旦感測器出錯，也要能主動降低功能或切換到安全模式。這意味著治理不能等事故發生後才補上，安全優先設計與責任界線，須與產品開發同步建構。 人機共生真正的分水嶺在於人類如何保有控制權 從人形機器人進入工廠，到腦機介面開始讀取人的神經訊號，人與機器的關係正從「使用工具」走向更深層協作。接下來的重點，不只是單一技術能否突破，而是不同技術如何彼此銜接、產業與治理能否跟上。 第一，真正需要觀察的是「技術匯流」，而非孤立比較哪項技術最快，AI、機器人、腦機介面等一旦形成迴圈，能力往往不是單項效果的簡單相加。第二，供應鏈同樣影響發展速度，中國占全球出貨量約 97% 意味著高度集中的供應格局，這種集中也可能影響成本下降與全球供應鏈布局。 第三，治理框架建立得早或晚，本身就是風險的一部分，人機系統需要保存的不只是性能，還包括安全、隱私與問責，治理不能再是技術成熟後才處理的附加項目，而必須是技術演進本身的一部分。 人機共生真正的分水嶺，或許不是機器有多像人，而是人類能否在能力被機器放大的同時，仍保有控制權、理解權與選擇權。 從實驗室到產線，機器人正重新定義產業的樣貌。如果你也想站在第一線追蹤這場變革、寫出有觀點與洞察力的報導，《TechOrange […]

生成式 AI 往入門級機器人下放，NVIDIA 新 Jetson 透露 Physical AI 硬體門檻變化

機器人要在本體跑生成式 AI、看懂影像再即時做出判斷，需要多強的硬體？NVIDIA 正把這類能力往入門級平台下放。NVIDIA 發表 Jetson Orin Nano 2，定位為入門級邊緣 AI 機器人電腦，提供 78 TOPS AI 算力、8 GB 記憶體與 8 核心 Arm CPU。 相較前一代 Jetson Orin Nano Super，新產品在相同尺寸下，推論效能最高提升至 2 倍；若在 15W 模式提供相同性能，功耗則可降低 40%，該產品預計 2027 年上半年上市。 不過，NVIDIA 所稱的 2 倍效能並不是指帳面 AI 算力翻倍。Orin Nano 2 的峰值算力為 78 TOPS，高於前一代 Orin Nano Super 的 67 TOPS；實際推論效能之所以能提升至 2 倍，主要來自 Tensor Core 改良與記憶體頻寬提升。也就是說，這次升級不只是拉高峰值算力，而是讓模型在有限功耗與空間下跑得更快。 模型越做越小，前沿 […]

【科技早餐】全球半導體營收估增 92%，Apple M6 首採 2 奈米、Mac mini AI 效能最高達前代 4 倍

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊全球半導體營收估增 92%，DRAM、NAND 明年占雲端資本支出 68% 研究機構 Gartner 預估，2026 年全球半導體營收將達 1.555 兆美元，約為 1.6 兆美元，較 2025 年的 8,090 億美元成長 92%，主要動力來自持續增加的 AI 基礎設施投資，以及高於預期的記憶體價格漲幅。其中，記憶體營收預估由去年的 2,201 億美元增至 8,373 億美元，占全球半導體營收的比重由 27% 升至 54%；DRAM 與 NAND Flash 營收分別預估成長 246.6% 及 371.9%。不含記憶體的半導體市場營收則預估達 7,179 億美元，年增 21.9%。 TrendForce 另預估，DRAM 與 NAND Flash 合計占主要雲端服務商總資本支出的比重，將由今年 47% 提高到明年 68%；主要雲端服務商今年資本支出預估年增 98%，明年再增加 50%。TrendForce 認為，記憶體價格升高可能促使雲端業者增加資本支出，或調整伺服器的記憶體配置，包括降低單套系統容量、調整一般伺服器記憶體與高頻寬記憶體用量，並評估採用將模型架構硬體化的 AI ASIC，以緩解記憶體成本及供應限制帶來的影響。 ＊Apple M6 […]

AI Agent 不必全程上雲？Perplexity 聯手 NVIDIA 推 Portable Computer

當 AI Agent（AI 代理）開始長時間、自主執行任務後，還適合每一步都靠雲端模型、按 token 付費嗎？和一問一答的聊天機器人不同，Agent 為了完成一項工作，可能持續規劃任務、讀取文件、搜尋資料、呼叫工具，再反覆檢查結果。當工作時間從幾秒拉長到數十分鐘甚至數小時，模型呼叫次數跟著增加，雲端推論成本與資料傳輸問題也會被放大。 Perplexity 現在提出另一種做法，8/25 它與 NVIDIA 推出「Portable Computer」，嘗試把原本依賴雲端執行的 Agent 工作流程搬到使用者自己的設備，需要最新網路資訊或更強模型時，再選擇向雲端求援。 Portable Computer 是「本地端優先」的 Agent 名稱雖然叫 Portable Computer，但它不是 Perplexity 推出的一台實體電腦，而是一套本地端優先的 AI Agent 軟體環境。Perplexity 官方表示，這是其產品 Perplexity Computer 的完全本地版本，模型、Agent 執行架構、對話內容與任務執行過程，預設都能留在使用者設備上。 它也不只是下載一個大型語言模型到電腦裡。《VentureBeat》指出，Portable Computer 把 planner、工具路由、排程、任務佇列、本地搜尋、安全沙盒等 Agent 執行元件一起搬到本地，讓 Agent 能在設備上完成規劃、讀取資料與操作工具等一整套流程。 目前 Portable Computer 首先針對 NVIDIA 的桌上型 AI 超級電腦 DGX Spark 最佳化。DGX Spark 採用 GB10 Grace […]

單次示範就讓機器人學會新任務？Skild AI 推 S1 挑戰數百小時訓練舊模式

Skild AI 發表最新機器人基礎模型 S1，主打上下文學習（In-Context Learning，ICL），讓機器人透過觀看操作示範，就能快速學會新的工作。相較於傳統機器人需要蒐集大量資料、再針對特定任務進行訓練，S1 不必重新訓練模型，就能將示範內容轉化為實際操作。 看一次就會？Skild AI S1 解鎖複雜任務，手沖咖啡、做鬆餅難不倒 Skild AI 指出，目前機器人要學會新的操作任務，仍往往需要先蒐集大量實際操作資料，再針對特定任務進行模型訓練。即使深度神經網路已能讓機器人完成各種複雜工作，面對沒有學過的新任務時，仍可能需要數十甚至數百小時的訓練資料。Skild AI 認為，機器人基礎模型下一步應朝向如 GPT-3 帶來的上下文學習轉變，讓機器人只需觀看少量示範，就能快速掌握新的工作。 S1 採用的方式，就是讓機器人直接觀看影片學習如何完成任務，而不只是依賴文字指令。模型在大量不同任務上接受預訓練後，能從影片示範中理解人類想完成的目標，進一步判斷操作步驟與執行進度，再將這些資訊轉換成機器人的實際動作，而且不需要重新訓練模型。 這種讓機器人透過示範快速學習的做法，也正逐漸成為機器人基礎模型的發展方向。《Tech Times》提及，Generalist AI 本月發布的 GEN-1.5，同樣主打類似的上下文學習能力，讓機器人觀看人類或機器人自身的操作示範後，就能直接執行新的任務，不必重新調整模型。GEN-1.5 的測試顯示，機器人只需觀看 3 至 12 秒的示範，就能學會拉開鉛筆袋拉鍊、開罐等操作。 不過，相較於目前以短時間操作為主的示範學習，Skild AI 更強調 S1 處理複雜、長時間任務的能力。測試結果顯示，S1 能根據單一影片示範，完成最長達 10 分鐘的任務，而且這些工作在預訓練階段從未出現，包括栽種盆栽、製作鬆餅、手沖咖啡及組裝工具套件等。 「影片教做法、文字只給目標」：揭機器人掌握精細長程任務關鍵 S1 的學習速度也相當快。以栽種盆栽為例，Skild AI 團隊在晚上將土壤、花盆、澆水壺和植物送到辦公室，完成場景準備後錄製操作示範。從錄製示範到 S1 開始自主執行，只花了 11 分鐘。S1 在處理訓練資料中沒有出現過的任務時，也比單純依靠語言指令的視覺—語言—動作模型（VLA）表現更好。Skild AI 以相同資料和運算資源進行測試，當預訓練資料增加至 10 萬小時後，語言提示模型的任務成功率僅約 9%，S1 則達到 66%，相差約 7 […]

AI ON Growth 2026 臺灣 AI 加速大會：零壹集團集結產官學研，共築企業 AI 規模落地新路徑

由零壹集團舉辦「AI ON Growth｜2026 臺灣 AI 加速大會」，於 8 月 13 日在台北萬豪酒店登場。大會吸引超過 1,700 位嘉賓報名，涵蓋近 800 家企業，並匯聚產官學研、24 家科技品牌、SI／經銷服務夥伴與企業用戶，透過上午主論壇、20 場分場議程與現場展示，共同探討企業 AI 從 PoC 試點走向規模部署的關鍵挑戰。 零壹集團認為，企業推動 AI 已從「是否導入」進入「如何規模部署」；面對的不再只是技術導入，而是應用場景、資料治理、資安控管、雲端平台與算力基礎能否同步到位。基於長期串聯國際科技品牌、SI／經銷服務與產業應用需求的定位，零壹發起此次大會，將政策方向、產業需求、國際技術與落地服務整合於同一平台，加速企業從 PoC 走向營運規模化。 零壹集團執行長沈柏延於會中強調，企業推動 AI 規模化，核心關鍵在於「把技術變成信任」，並將資安防護與流程治理深植於營運架構。企業推動 AI 落地時，必須面對四項核心挑戰：資料是否可用、資安風險是否可控、雲地端與新舊系統是否能整合，以及 AI 治理能否持續。零壹將透過集團的技術整合與服務能力，串聯國際科技品牌、資服夥伴與企業需求，推動「AI 產業化、產業 AI 化」，協助企業將技術轉化為可持續營運的商業價值。 數位產業署署長林俊秀：以資安與數位信任強化全球供應鏈韌性 面對地緣政治競合與可信供應鏈需求升高，數位發展部數位產業署署長林俊秀指出，政府正推動臺灣既有的硬體與半導體製造優勢，進一步延伸至軟體、AI 及應用服務。他強調，臺灣必須發展「全棧式 AI」與應用端輸出，協助資訊服務業者轉型為「持續營運服務」模式。為加速產業 AI 升級，「數位信任」與「資訊安全」是重要政策基礎；政府並持續推動零信任、身分治理及數位公共建設，同時就半導體設備資安標準、後量子密碼等前瞻技術與國際規範接軌，強化臺灣供應鏈的可信度與韌性。 前國家安全會議諮詢委員李漢銘：以供應鏈可追溯與數位韌性掌握國際市場 前國家安全會議諮詢委員李漢銘指出，全球國防與關鍵基礎設施的供應體系正在改變，AI 與資安科技企業正快速發展。隨著各國重新建構關鍵科技供應鏈，臺灣無人機及關鍵產業若要推進全球布局，必須強化零件源頭追溯、供應鏈可追溯性與可信認證。同時，企業也應建立「數位免疫力」，透過多層加密、零信任架構、強韌的資料備原與快速復原機制，確保系統遭到入侵後仍能迅速應變並維持營運。 從應用到規模落地：產業 AI 化、主權 AI 與資安治理的關鍵路徑 為推動 AI 規模化部署，論壇對談邀集零壹集團執行長沈柏延、數位產業署署長林俊秀、臺灣科技大學產學創新學院講座、前國家安全會議諮詢委員李漢銘，以及鴻海智慧製造平台處長郭錦斌，圍繞「產業 AI 化」、「AI 產業化」、「主權 […]

資安指標 OWASP 為 AI Agent 列出十大風險，第一名不用寫任何程式碼

AI Agent 最大的資安風險，可能不是「被駭進去」，而是「被騙去做錯事」。 當攻擊者不再植入惡意程式，而是想辦法讓 AI Agent 理解錯任務、記住錯誤資訊，甚至做出不該做的操作，企業資安的防線也必須從網路邊界與端點，延伸到 AI 真正執行任務的過程。 想像一下，一封供應商寄來的報價信，沒有惡意附件、沒有漏洞利用、沒有可疑連線。採購 AI Agent 讀取郵件後，原本應該整理品項、比對庫存與產生採購摘要，卻因郵件內容中藏入一段專門操縱 AI 的惡意指示，也就是所謂的「間接提示注入」，開始查詢內部客戶資料，並透過合法郵件工具把摘要寄到外部信箱。 全球知名的開源資安社群 OWASP（Open Worldwide Application Security Project）在說明這類風險時，舉 EchoLeak 為例：攻擊者寄出一封夾帶隱藏指令的郵件，當 Microsoft 365 Copilot 讀取這封信，就會自動把機密郵件與對話紀錄外傳，而使用者從頭到尾沒有點過任何連結。 問題來了，如果只看每一個單獨事件，它們竟然「都合規」。 對防火牆而言，這只是被允許的 HTTPS 流量；對 EDR 而言，執行的是合法應用；對 IAM 而言，使用的是有效權杖。然而，真正被攻擊的是 Agent 對任務的理解、行動計畫、工作記憶與工具呼叫邏輯。 這正是 AI Agent 與傳統資安最大的分水嶺：過去，企業主要防止「沒有權限的人做不該做的事」；現在，還得防止「有權限的 AI，被騙去做不該做的事」。 從 OWASP 看 AI Agent 的風險轉移：當 AI 被操縱後會發生什麼？ OWASP 長期整理企業常見的資安風險與防護實務，旗下的 Top 10 系列，長期被全球開發與資安團隊當作檢核基準。其中《Top […]

迎戰本地 AI 代理時代：新款 Mac mini 挾 M6 晶片登場，蘋果打造「微型 AI 工作站」

蘋果推出效能更強大的新款 Mac mini，此次也同步更新 Mac Studio。新款 Mac mini 起價 899 美元，搭載全新 M6 晶片，或 M5 Pro 晶片，較前代提高 100 美元。近來，Mac mini 與 Mac Studio 都受到希望在本地端運行 OpenClaw 等自主 AI 代理的使用者青睞，需求強勁。 從家用電腦到 AI 工作站：蘋果新佈局支援多機串聯運算 蘋果硬體部門主管 Johny Srouji 表示，Mac mini 不僅能作為家用電腦，也能用於專業工作，甚至可作為隨時待命的 AI 代理裝置，滿足不同使用情境。此次新品發布，也可能是 Tim Cook 交棒前的最後一次重大產品發表。蘋果預計由資深硬體主管 John Ternus 接任執行長，這場人事交接也受到外界高度關注。 《Reuters》指出，此次新品上市之際，蘋果也面臨日益升高的成本壓力。隨著 AI 資料中心需求持續增加，記憶體晶片價格不斷上漲，蘋果已在今年 6 月調高部分 Mac 與 iPad 機型的售價。新款 Mac mini 提供搭載 […]

OpenAI 首款自研晶片跑贏 NVIDIA Blackwell，為何 Jalapeño 第一代就追上 GPU？

OpenAI 今年 6 月才正式揭露首款自研推論晶片 Jalapeño，兩個月後就交出第一批完整實測。OpenAI 8 月 25 日公布，在半導體研究機構 SemiAnalysis 的 InferenceX 測試中，Jalapeño 執行 GPT-OSS 120B、DeepSeek R1 670B 與 Kimi K2.5 1T 等模型時，尖峰每瓦工作量比 NVIDIA GB200／GB300 高出 1.5 至 1.9 倍，端到端延遲則降低 1.7 至 3.6 倍。 這個結果特別之處在於，Jalapeño 還只是 OpenAI 第一代自研 ASIC。SemiAnalysis 指出，新晶片通常需要數代迭代才能建立有競爭力的軟硬體系統，但 Jalapeño 第一代就在其測過的 NVIDIA、AMD 與 Google 晶片中展現領先表現。為什麼 OpenAI 第一次做晶片，就能這麼快追上成熟 GPU？ 不是為 GPT 特製，而是從 LLM 推論重新設計 答案首先不是單純堆高算力。NVIDIA […]

CTO 不再是招募主管、拍板架構，而是設計持續判斷 AI 程式碼好壞的系統

截至 2026 年 5 月，Anthropic 合併進自家程式碼庫的程式碼，超過八成是由 Claude 撰寫完成；到了第二季，一般工程師每天合併的程式碼量，已是 2024 年的八倍。 這兩個數字都表明，AI 改寫了工程組織的分工方式，而且技術權威的落點也開始從人身上轉移。 AI 正在壓縮工程組織的中層 過去，技術長（CTO）的角色更像組織的協調者，注意力多放在招募主管、制定架構、拍板取捨。CTO 底下通常有副總裁、總監與工程經理層層轉譯優先順序。 不過這套仰賴協調的運作方式，正被 AI 大幅簡化。工程師現在能直接描述一項功能，請代理人檢視程式碼庫、產生實作、寫測試、準備合併請求；工程師的角色，轉為定義任務、審查結果，並判斷何時真的需要人類介入。 工程師也因此實質上開始管理一支 AI 開發團隊，過去圍繞任務分派而存在的中層角色，隨之被壓縮。責任也開始往兩個方向擴散，一是工程師因掌握更高產能而獲得更大主導權。 二是，CTO 因一條薄弱的權限規則就可能讓公司曝險，反而更深入涉入治理這套產能的系統本身，等於掌管著一整套治理人員、代理人與軟體交付的「工程作業系統」。 CTO 的核心任務變成打造「驗證機器」 隨著執行工作大量交給 AI，驗證正成為技術長最核心的挑戰。一套 AI 系統，能在人類過去產出一種實作的時間內，生成好幾種可能版本，企業必須判斷哪一種實作，才真正符合架構、資安要求與可維護性。 CTO 的任務，就是設計出能持續、一致做出這些判斷的系統，包括限定代理人權限、用自動化評估測試資安與可靠度，並讓代理人先互相審查彼此的工作。 Anthropic 自身的做法，正好示範這套機制如何落地。大量湧入的 AI 生成程式碼，會讓人工審查瞬間變成瓶頸，Anthropic 的因應方式，是把自動化的 Claude 審查員部署進持續整合與部署流程；事後分析顯示，這層自動化攔截了約三分之一過去導致旗艦網站發生停機事故的正式環境錯誤。 今年 4 月，一名工程師派 Claude 自主修復一類持續存在的 API 錯誤，模型自主完成超過 800 項個別修復，把錯誤率降低了 1,000 倍，工程師估算，同樣工作若由人類完成，得花上整整四年。 不過，人工核准這一關本身也存在隱憂。工程師持續面對很少真正需要介入的請求時，漸漸習慣直接核准，注意力隨之下降，真正的例外狀況反而更難被察覺。重複的例行性確認，會讓監督逐漸變成習慣動作。 有效的驗證機制是，必須設法降低送到人類眼前的審查量；常態且可逆的動作，交給自動化控管即可放行，只有不尋常、不可逆或影響重大的決策，才需集中人力聚焦審查，並透過拒絕率、審查時間與人類介入實際改變結果的頻率，衡量監督機制本身的品質。 身分治理與產品思維成為新職責 程式碼產出成本降低了，但軟體品質仍取決於判斷力。企業如今能產出的功能，可能已超過顧客真正需要的量，累積技術債的速度也可能比人類團隊都快，規劃、測試與優先排序，因此成為工程產出真正的限制所在。 隨著代理人能存取更多系統、行動更快，資安重要性隨之提高，因為 […]

63 項生鮮試點、貨架供貨率拉高 2.5%：零售巨頭 Target 如何用數位分身重塑供應鏈？

北美零售巨頭 Target 正加速將數位技術導入供應鏈管理，近期推出名為「Proxima」的系統，作為其中程供應鏈庫存定位系統的數位分身（Digital Twin）。 Proxima 能運用與 Target 現有庫存平台相同的數據與運作邏輯，精準模擬庫存移動與調撥決策。這讓供應鏈、產品及工程團隊在實際調整營運流程前，能先在虛擬環境中測試不同方案，避免決策失誤對實際物流網絡造成的衝擊。 預先避險與即時修正，生鮮產品供貨率提升 2.5% Target 表示，零售業要確保消費者能在需要時買到商品，背後涉及極為複雜的庫存配置與物流決策。任何環節出錯，效應都會沿著供應鏈放大，最終直接影響門市貨架的供貨狀況。Proxima 提供的數位模擬環境，讓團隊得以比較不同方案、驗證既有假設；若發現潛在問題，可在正式部署前及時修正或轉向，確保每一次決策都更有把握。 這套系統已成功落實於複雜的實際營運場景。以保存期限短、交期緊迫的生鮮食品為例，庫存調撥的任何偏差都容易引發缺貨或損耗。Target 針對 63 項生鮮商品展開 Proxima 小型試點，團隊透過數位分身模擬庫存流動變化，並在正式執行前調整最佳方案，最終成功將這批生鮮產品的貨架供貨率（On-shelf availability）提升了 2.5%。（編按：貨架供貨率指當顧客想買特定商品時，貨架上真的有貨可買的比例。） Target 供應鏈現場補貨部門資深副總裁 Sousan Ortega 表示：「Proxima 建立了更快速的回饋循環，幫助我們預先看見盲點，讓團隊更有信心地推動複雜供應鏈流程現代化，同時持續滿足消費者的需求。」 98% 模擬準率支援新設施啟用，未來深化 AI 自動化應用 除了商品調撥，Proxima 也在 Target 新型「休士頓收貨中心」（Houston Receive Center）的啟用中發揮了關鍵作用。這座占地約 120 萬平方英尺的設施，負責為 6 座區域配送中心及 1 座流轉中心提供存放與調度彈性。由於新設施會改變既有物流網絡的流向，Target 在開幕前便利用 Proxima 模擬貨物進出方式，預測準確度約 98%。 透過這項虛擬測試，團隊在收貨中心啟用前就掌握了潛在的庫存流動瓶頸並預先優化，大幅降低了新設施加入後的營運摩擦。這顯示數位分身的價值不僅限於預測結果，更在於建構一個低風險的決策驗證環境。 展望未來，Target 計劃將 Proxima 擴展至更多供應鏈網絡功能，持續將模擬結果與實際營運進行比對校正。隨著數據經驗的累積，Target 更有意將這些洞察融入 AI 與代理型（Agentic）決策支援系統，協助團隊自動評估選項、安排優先順序，甚至自動執行營運回應，打造反應更快、更具韌性的現代化供應鏈。 […]

【科技早餐】SpaceX 攜手 NVIDIA 建太空 AI 資料中心，小米新晶片傳交台積電 3 奈米代工

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊SpaceX 攜手 NVIDIA 建太空 AI 資料中心，首批衛星擬 2027 年發射 NVIDIA 宣布，馬斯克（Elon Musk）旗下 SpaceXAI 將採用 Vera 中央處理器，支援新一代 AI 代理執行程式、處理資料及協調工作，同時透過 Vera Rubin 平台擴充 Grok 的運算基礎設施，並把相關運算架構延伸至太空。根據規劃，第一代 Starmind AI 衛星將搭載針對軌道環境調整的 Vera Rubin NVL72 系統，首批衛星預計 2027 年第 4 季發射，並規劃在 2028 年擴大部署。 馬斯克表示，這套太空運算系統比傳統資料中心機架更簡單、成本更低、重量更輕。SpaceX 先前已向美國聯邦通訊委員會（FCC）申請，最多部署 100 萬顆軌道資料中心衛星，但相關規劃仍須取得核准。NVIDIA 指出，太空運算面臨不同於地面資料中心的供電、散熱、通訊頻寬及設備可靠性限制，雙方正共同調整系統設計，以支援軌道運算需求。 ＊小米自研 Xring O3 傳交台積電 3 奈米代工，布局 AI 與自駕晶片 小米（Xiaomi）推出新一代手機處理器 Xring O3。《路透社》（Reuters）引述知情人士報導，這款晶片將由台積電（TSMC）以 3 […]

Amazon 想讓配送站更自動化：物流機器人下一個難題是什麼？

Amazon 已在物流中心大量使用機器人，現在又把自動化往包裹送到消費者前的最後一座設施推進。《Business Insider》取得 Amazon 內部文件指出，該公司正在研究代號「Project Tetromino」的新一代配送站，希望進一步自動化包裹整理、暫放與裝車。文件曾規畫 2028 年投入 1.03 億美元測試，2029 年部署 5 座設施，當年總投資可能超過 5.3 億美元，處理速度目標約為現行配送站的 2.5 倍。 不過，這些數字不能視為 Amazon 已定案的投資計畫。Amazon 回應《Business Insider》表示，Tetromino 仍是早期概念，文件中的財務數字與發展時程並不反映目前計畫。比起尚未確定的投資規模，更值得注意的是 Amazon 想把自動化推進哪一段物流流程。 Amazon 已在配送站測試機器人，Tetromino 想再往前一步 配送站和一般理解的倉庫不完全相同。商品會先在 Amazon 的履約中心完成揀貨、包裝，再送往更靠近消費者的配送站，依配送路線重新整理，最後交給司機裝車送出。Amazon 官方介紹也顯示，目前配送站仍有人員負責依路線整理包裹，再由配送司機裝上車輛。 事實上，Amazon 2025 年在德國多特蒙德設立 Last Mile Innovation Center，就展示 7 種配送站機器人與自動化設備，包括自動卸貨、掃描、控制輸送帶流向，以及協助分類與裝載的系統。當時 Amazon 的重點仍是讓設備協助員工處理重複、費力的工作；這次 Tetromino 則把目標再往高度自動化的配送站推進。 配送站為何更難自動化？ 配送站難處不只是搬箱子。每天進站的包裹尺寸、重量與數量不同，還要依配送路線與出車批次整理，在有限空間裡暫放，最後按照適合的順序交給司機裝車。《Business Insider》引述產業分析師指出，配送站的包裹整理與裝車，至今仍是物流網路中較難、成本也較高的自動化環節。 Amazon 內部文件提到的可能技術來源之一，是物流自動化新創 Boxbot。根據 Boxbot 官網，其系統會把不同尺寸包裹放入高密度儲存設備，再依需求取出、排序與分批處理，可用於配送站的車輛裝載與出車管理。Boxbot 宣稱，這類系統最高可讓車輛裝載速度提高 10 […]

英國首獲烏克蘭戰場 AI 數據：4 年無人機與軍事影像如何用於國防系統？

英國與烏克蘭近日簽署具里程碑意義的 AI 合作協議，雙方將攜手開發新型軍事能力與未來科技。這項由烏克蘭總統 Volodymyr Zelenskyy 與英國首相 Andy Burnham 簽署的協議，將結合英國世界領先的 AI 生態系，以及烏克蘭在戰場累積的實戰經驗、工程人才與科技創新能力，讓英方得以使用烏克蘭備受重視的 Avengers AI Labs 資料庫。這是英國首度與其他國家合作，開放私人企業運用這類戰場數據開發安全技術。 英國將以自身的頂尖大學、研究人才、科技企業及全球第三大的 AI 生態系支援烏克蘭。烏克蘭可藉此運用英國的專業知識與技術，加快開發因應迫切問題的解決方案；同時，雙方也會將烏克蘭在戰場累積的實戰經驗與獨有數據，轉化為能長期造福兩國的技術。 英烏組建跨國 AI 聯防，戰場真實數據打造國安護城河 GOV.UK 網站指出，Avengers AI Labs 匯集了烏克蘭戰場蒐集的真實數據，可用於訓練 AI 模型。烏克蘭在戰場部署數千台日間攝影機與紅外線感測器，持續蒐集影像與相關資訊，累積的資料涵蓋坦克、火砲、防空系統、步兵等各類目標，以及 Shahed 無人機和偵察型無人機等空中目標，再回傳至 Avengers AI Labs，用於訓練新的 AI 模型。 《The Guardian》報導，英國私人企業獲國防部核准後，即可透過安全平台取得烏克蘭相關數據。但大量軍事資料對外開放，也引發隱私倡議團體的疑慮。目前已有 3 家英國 AI 公司獲准參與試點，包括 Sintela、Mind Foundry 和 Skyral。其中，專門開發光纖感測技術的 Sintela，近期也與美國川普政府簽署一項價值 3,500 萬美元（約 2,600 萬英鎊）的合約，為美墨邊境提供監控服務。 此前，烏克蘭境外的 AI 模型主要依賴公開來源資料訓練，能取得的資訊相對有限。英國希望利用這批累積多年的戰場數據，讓 AI 更快判斷鐵路、電網及軍事基地等重要設施是否可能遭到敵對勢力攻擊，或面臨其他安全威脅。其中一項試點技術，是在敏感設施周邊鋪設光纖電纜，利用感測器辨識周遭人員與車輛的特定移動模式，協助偵測可能發生的威脅。 […]

Mend.io 助企業強化 AI 應用安全能力 叡揚資訊深化在地導入服務

隨著生成式 AI 快速導入企業應用與軟體開發流程，資安風險也逐漸從傳統的程式碼與開源元件，延伸至 AI 模型、系統提示詞（System Prompt）與 AI Agent 等新興應用層。長期專注於應用程式安全（AppSec）的 Mend.io，持續強化 AI 應用安全能力，將既有防護範圍從程式碼與軟體供應鏈，進一步延伸至 AI 應用所面臨的新型態風險。Mend.io 近期推出的 System Prompt Hardening（系統提示詞強化）即為其中一項重要能力，系統提示詞是控制 AI 應用行為的重要指令，但其中隱藏的規則與限制，也可能成為攻擊者利用的新興攻擊面。System Prompt Hardening 可協助企業識別與評估系統提示詞中的潛在弱點，並提供強化建議，降低提示詞注入（Prompt Injection）、非預期行為與資料外洩等風險。 System Prompt Hardening 採用 Mend.io 專有的 AI Weakness Enumeration（AIWE）框架，參考 Common Weakness Scoring System（CWSS）的設計概念，針對系統提示詞中的潛在弱點提供 1 至 100 分的嚴重性評分，協助資安與開發團隊以更具體、可量化的方式掌握風險，並依風險程度排定處理優先順序。根據 Gartner 資料，32% 的受訪組織表示曾遭遇利用應用程式提示詞發動的 AI 應用攻擊，顯示隨著企業加速導入 AI，提示詞相關風險已逐漸成為值得關注的新興攻擊面。透過 System Prompt Hardening 與 AIWE，Mend.io 進一步將過去較仰賴人工測試的提示詞安全，導向更系統化與可量化的風險管理。 Mend AI […]

小米十年擬投 500 億人民幣自研晶片：Xring O3 傳採台積電 3 奈米，布局再擴 AI、自駕

中國智慧型手機製造商小米發布新一代自研手機處理器 Xring O3，希望藉此提高對關鍵零組件與產品功能的掌控，降低對外部晶片供應商的依賴，同時把自研晶片布局延伸到 AI 與自駕。 Xring O3 是小米繼去年推出首款自研手機處理器 Xring O1 後的最新產品，也顯示小米持續擴大自研晶片布局，追趕蘋果、三星電子及華為等已發展自有晶片的競爭對手。手機處理器又稱系統單晶片（SoC），整合運算、圖形、AI 及影像處理等多項功能。兩名知情人士向《Reuters》表示，Xring O3 將由台積電採用 3 奈米製程生產。 小米擴大自研晶片版圖，降低對高通與聯發科依賴 《Reuters》指出，小米持續擴大自研晶片布局，除了能更掌握產品功能，也有助於提高與供應商協商時的議價能力。其中一名消息人士透露，Xring O3 預計搭載於小米即將推出的旗艦摺疊手機，目標出貨量為 20 萬至 30 萬支。 小米進一步搶攻價格較高的摺疊手機市場，可能增加和華為的競爭關係。研究機構 Smart Analytics Global 的數據顯示，華為今年第二季在中國出貨約 160 萬支摺疊手機，市占率達 68%，其次為榮耀的 13.7% 及 OPPO 的 8.5%。 小米加速發展自研晶片，也符合手機製造商近年的布局方向。《Reuters》提及，隨著高階智慧型手機市場競爭升溫，各家業者都希望透過自研晶片打造產品差異，同時降低對高通、聯發科等外部供應商的依賴。小米在 2021 年重啟大型自研晶片開發計畫，表示未來 10 年將至少投入 500 億元人民幣（約 70 億美元）。 小米上週在財報電話會議上表示，自 Xring O1 推出以來，搭載該晶片的智慧型手機、平板電腦及智慧手錶等裝置，累計出貨量已突破 100 萬台。不過，消息人士指出，自 2025 年 5 […]

Groq 3 LPX 正式量產：NVIDIA 為何願意讓 GPU「少做一點」？

NVIDIA 去年底取得 AI 推論晶片新創 Groq 的技術後，第一批產品正走向市場。美國時間 8 月 24 日，NVIDIA 宣布 Groq 3 LPX 已正式全面量產，AI 雲端服務商 Nebius 將率先導入，相關機架預計今年上線。 《CNBC》此前報導，NVIDIA 與 Groq 的交易規模約 200 億美元。不過，Groq 官方公布的形式並非收購，而是非獨家推論技術授權。Groq 創辦人 Jonathan Ross、總裁 Sunny Madra 與部分團隊加入 NVIDIA，公司本身則繼續獨立營運。 值得注意的是，Groq 3 LPX 負責的推論工作，原本 GPU 也做得到。既然 NVIDIA 已靠 GPU 主導 AI 運算市場，為什麼還要加入另一種專門處理推論的晶片？ AI Agent 把推論延遲問題放大 原因首先來自 AI Agent 工作方式的改變。一般聊天機器人多半是一問一答，但 Agent 完成任務時，可能反覆推理、寫程式、呼叫工具，再根據結果進入下一步。每一輪產生的新內容，又會加入後續推理的上下文。 NVIDIA 技術文件指出，長時間運作的 […]

【開源 AI 安全警訊】中國 AI 開源模型能力逼近西方巨頭，但任何人都能下載並移除安全護欄

當美國政府還在思考，如何有效管理最先進且能力強大的 AI 模型，如 OpenAI GPT-5.6 Sol 與 Anthropic Mythos 等產品，避免產生國安問題時，來自中國的開放權重 AI 模型 GLM-5.2，卻悄悄拉近了差距。 根據人工智慧安全非營利組織 SaferAI 最新報告，由中國廠商 Z.ai 所推出的 AI 模型 GLM-5.2，在網路安全與生物危害知識方面的能力，僅落後 GPT-5.5 和 Claude Opus 4.7 短短數個月。 然而，若跟西方巨頭的商業閉源模型相較，中國開源 AI 模型的安全實踐，顯然跟不上其頂尖的任務處理能力。 AI 能力邊界不等於風險邊界 SaferAI 透過 Z.ai 官方所推出的 API，針對 GLM-5.2 進行安全評估，結果發現，有別於安全護欄嚴格的主流閉源模型，該模型從不拒絕回答任何有關於網路攻擊或生物危害方面的問題。 這情況似乎在提醒外界，開放權重 AI 模型可能會成為有心份子的方便工具，同時當壞人手握利器時，政府甚至還無從監管或限制潛在攻擊者如何使用 AI 技術。 SaferAI 執行董事 Henry Papadatos 向外媒表示，AI 模型的能力邊界並不等同於風險邊界，因此業界必須將風險緩解措施的現狀一併納入考量，才能妥善評估某個 AI 模型真正具備的風險。 換句話說，即便 Z.ai 未來於官方 […]

【AI+X 雙棲人才缺口】八成 AI 專案失敗，企業缺的不是更強模型而是懂產業的 AI 人

企業對 AI 的期待正在快速升高，但真正能從 AI 專案中拿到回報的公司仍然有限。一項針對企業 AI 導入的研究顯示，超過 80% 的 AI 專案最終走向失敗，失敗率甚至約為一般資訊科技專案的兩倍。另一項統計則指出，接近 80% 的 AI 概念驗證（PoC）最終沒有產生實際回報。 這很容易讓人以為，問題出在模型能力還不夠成熟。但根據研究人員訪談 65 名具有至少五年經驗的資料科學家與工程師後發現，最常見的問題反而發生在技術之外，包括企業沒有真正說清楚要解決什麼問題、技術團隊理解錯業務需求、模型被拿來優化錯誤的指標，或者做出來的工具根本無法嵌入原本的工作流程。 換句話說，企業缺少的往往不是另一個更強的模型，而是一群同時理解「AI」與「業務」的人。 多數 AI 專案失敗，問題不在技術 這也是如今「AI + X」概念開始受到重視的原因。這裡的 X 可以是醫療、金融、製造、零售，也可以是任何具體產業。核心不是要求每個醫師都成為機器學習工程師，也不是讓每個資料科學家重新讀一次醫學院，而是讓企業具備能夠跨越兩種專業語言的人。 AI 團隊與業務人員看到的問題，本來就不同。醫師討論的是病人的症狀、治療流程與臨床風險；金融從業者談的是資產負債表、資本成本與風險控制；機器學習工程師關心的則可能是訓練資料、參數、準確率和統計檢驗。每一種語言都沒有錯，但當沒有人負責把它們接起來，企業很容易做出一個技術上漂亮、業務上卻沒有用途的 AI 系統。 更危險的是，有些模型不只沒有效益，甚至可能在所有技術指標都正常的情況下，得出完全錯誤的決策。 模型看似正確，方向卻可能完全錯 以醫療領域為例，研究團隊建立了一套肺炎併發症預測模型，希望判斷哪些病人更可能出現嚴重併發症；在資料上，模型表現沒有明顯問題，但其中一項結果十分反常：有氣喘病史的患者，似乎比一般患者更不容易出現併發症。 如果只從統計資料來看，這個結論可以成立。但對臨床醫師而言，這是一個明顯的警訊。原因是氣喘患者一旦感染肺炎，本來就會被醫療人員視為較高風險族群，因此通常會更早接受積極治療與密切監控。他們最後併發症較少，不代表這群患者天生風險比較低，而可能正是因為醫療系統早已對他們進行更多介入。 模型看到了「氣喘患者併發症較少」這個相關性，卻不知道背後存在醫療介入。 倘若企業直接按照模型輸出部署系統，它甚至可能進一步推論，既然氣喘患者出現併發症的機率較低，那麼醫療資源可以優先分配給其他病人。結果反而是降低最需要積極照顧患者的優先順序。所幸，這套模型在正式上線前先交由醫師檢視，團隊才發現問題。 這個案例說明，模型通過統計驗證，不代表它已經理解現實世界的因果關係，更不代表它可以安全部署。 準確率、召回率或其他模型指標，只能回答模型在既有資料上的表現，無法取代領域專家對資料、工作流程與實際結論的判斷。 成功的 AI 專案，重點不在演算法 真正成功的 AI 專案，關鍵未必在演算法本身。一套急診 AI 病歷紀錄工具，就是由研究人員直接進入急診現場，與醫師反覆調整產品，讓工具貼合真實工作方式，因而取得較高臨床採用率。加拿大工業自動化公司 RL Core Technologies 的案例也是如此。他們開發水處理自動化系統時，先與現場操作人員理解設備流程與限制，才設計出能嵌入既有流程的工具。 兩個案例的共同點，不是更先進的演算法，而是領域專家從一開始就參與問題定義與設計。 問題是這類人才不好找。既懂 AI 又深入理解特定產業的人稀缺，企業內部的資料科學家、工程師與第一線員工又分屬不同部門，少有機會建立共同語言。 […]

當員工把公司帳密全交給 AI，Zero Trust 正淪為「Null Trust」？專訪奧義賽博邱銘彰

專訪：戴季全撰稿：廖紹伶 2026 年 7 月，OpenAI 揭露一款自家尚未發布的模型，在內部測試中自行突破隔離限制、連上網路，甚至入侵了存放 AI 資料集的 Hugging Face 平台。這起事件，掀起 AI 是否正逐漸脫離人類掌控的討論。但長期站在資安第一線的奧義賽博共同創辦人暨技術長邱銘彰，判讀則完全相反。 在《TechOrange》Podcast 節目《全新一週》中，他直言：這類事件看似「天網」出手，實則像 AI 在窮舉方案、拼出一條能完成任務的路。問題不在 AI 醒了，而在人類沒把邊界說清楚。順著他的邏輯，會帶出一個對企業很實際的問題：責任歸屬。AI 沒有意識，比較像人的延伸，它闖的禍，最終得由下指令的人承擔。 不是「天網」來了，是任務沒把邊界說清楚 邱銘彰分享了一個親身經手的案例。奧義賽博是做 EDR（端點偵測與回應）的資安廠商，某天一位客戶的電腦告警，出現通常是駭客用來繞過公司邊界的 Reverse Tunnel（反向通道）程式，疑似遭入侵。但團隊一查發現：機器上沒有其他惡意程式，「這到底是誰裝的？」 追查到最後，兇手竟是使用者自己的 AI Agent（AI 代理）。這名員工給了一段 prompt（提示詞）：我公司防火牆規則很複雜，你能不能在這些規則下，幫我在兩台伺服器間建立穩固連線？AI 想了很久、發現真的很難繞過，最後乾脆自己上網下載一支駭客工具來達成任務。 「不能怪 AI，因為這個邊界是人類沒有定義清楚的，」邱銘彰說。這正是外界為什麼會誤會 AI 會自主攻擊，「它比較像是 AI 在嘗試各種計劃的組合，組出一個可以執行的計畫。它不是為了攻擊人類而繞過，你給它任務，這只是它可行的方案之一。」那 AI 有沒有自主性？「我覺得應該還是沒有，」他說。現階段 AI 能做到的接近自動化，還談不上自主。它能做某種規劃，但意圖始終是人給的。 Zero Trust 正在崩成「Null Trust」：人類把邊界交了出去 問題是，當 AI Agent 大量湧入公司，人類卻在反向操作，把邊界一路交了出去。邱銘彰點出一個讓資安人員頭痛的現象：Shadow AI（影子 AI）。 當員工發現，與其用公司綁手綁腳的 AI，不如自己每月花 20 美元訂閱、全丟給自己的 […]

【科技早餐】NVIDIA 財報季收估 920 億美元、AI 伺服器傳漲逾 15%；中國包辦全球人形機器人前五大

【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊NVIDIA 財報季收估 920 億美元，AI 伺服器明年傳漲逾 15% NVIDIA 將於美國時間 8 月 26 日公布 2027 會計年度第二季財報。分析師預估，最新一季營收可望達到創紀錄的 920 億美元，高於公司先前提出的 910 億美元財測中間值，但仍在上下 2% 的預估區間內；公司也表示，這項財測未納入來自中國的資料中心運算收入。NVIDIA 已連續 14 個季度公布高於市場預期的業績，市場今年初原先預估該季營收為 780 億美元。 《彭博》引述知情人士報導，NVIDIA 部分大型客戶已接獲通知，受記憶體晶片價格上漲影響，明年初出貨、搭載 NVIDIA 晶片的 AI 伺服器，售價多數可能調漲超過 15%。影響範圍包括採用 Vera Rubin及 Grace Blackwell 平台的伺服器，實際漲幅將依晶片世代與記憶體配置而異。為 Microsoft、Google 及甲骨文（Oracle）等大型資料中心業者供應伺服器的廠商，也已通知客戶即將調整價格。《路透社》表示，目前尚未獨立證實相關消息。 ＊全球人形機器人出貨年增近 300%，中國前五大業者拿下 86% 市場研究機構 Counterpoint Research 統計，2026 年上半年全球人形機器人出貨量超過 2.2 萬台，較去年同期增加接近 300%。出貨量前五大的供應商全部來自中國，合計占全球出貨量 86%。智元機器人（AGIBOT）出貨約 9,700 […]

從單點風險到產線韌性，叡揚資訊打造製造業資安閉環：看得見、隔得開、追得完

根據 Gartner 預測，企業若採用持續威脅暴露管理（CTEM），可降低約 67% 的安全漏洞與資安事件，帶動防守戰略從被動回應轉為主動防衛。面對日益嚴峻的資安防禦考驗，叡揚資訊資安直屬事業處技術顧問許農育於日前「半導體供應鏈競爭力論壇」中，以「從一行外部程式碼到一條產線停擺：製造業資安閉環」為題，分析高科技製造業面臨的新型態供應鏈資安威脅，強調企業應建立持續監控與自動化治理能力，從源頭化解隱形風險並確保產線運作穩定。 從攻擊看製造業防禦盲點，建構三層「可視化」架構 現代製造業的資安防護已無法僅仰賴傳統的內網邊界防禦。許農育以 2024 年 Polyfill.io 供應鏈攻擊事件為例，多家知名企業網站因載入的外部套件遭惡意篡改，使攻擊者藉此將惡意程式碼散布至使用相關服務的網站，凸顯第三方與開源軟體供應鏈可能成為企業難以察覺的風險入口。 外部程式碼所引發的供應鏈威脅，可能進一步衝擊企業營運；同時，隨著主管機關合規要求與客戶稽核日益嚴格，製造業也面臨更高的資安治理要求。對此，許農育提出叡揚資訊可助製造業建構資安韌性的核心框架——「看得見、隔得開、追得完」，協助企業從風險可視性出發，逐步建立完整的資安防禦閉環。 其中，第一階段「看得見」著重於提升資安可視性，並從外部攻擊面、軟體供應鏈及程式碼三大層面進一步剖析： 從「看得見」到「隔得開」，降低攻擊橫向擴散風險 掌握風險只是第一步。許農育進一步指出，當資安事件發生時，企業更需要掌握受影響設備與系統之間的連線關係，避免單點入侵進一步擴散至其他關鍵資產。傳統工廠內網若缺乏足夠的流量可視性與存取控管，一旦單一設備遭到入侵，攻擊者可能透過橫向移動持續擴大影響範圍，甚至衝擊核心產線。 因此，第二階段「隔得開」著重於透過網路微分段（Microsegmentation）技術掌握並可視化東西向網路流量，建立設備、系統與應用程式之間的通訊關係，再依據環境、應用程式、角色及地點等多元條件進行資產分類與存取控管，建立細緻的安全政策，限制不必要的系統間通訊。微分段並非單純進行網路切割，而是需要依據企業既有網路架構、應用環境與營運需求，逐步盤點資產、分析通訊關係、制定存取政策，再循序導入分段與阻擋機制。 對製造業而言，導入微分段更需要兼顧 IT、OT 與產線設備的運作特性，避免安全政策影響既有生產流程。叡揚資訊具備多元微分段技術導入經驗，可提供具備 Gartner 客戶評價與市場肯定的 Illumio、Akamai、ColorTokens 等國際微分段領導品牌，由專業顧問協助企業從環境盤點、流量分析與風險評估開始，依據實際營運需求規劃分段策略與安全政策，並以「先看見、再分段；先告警、再阻擋」的防禦原則，兼顧安全防護與營運持續性，降低攻擊者入侵後的橫向移動與擴散風險。 從風險發現到持續追蹤，完成資安治理閉環 防護鏈的最後一環則是落實「追得完」。許農育表示，資安防護不能只停留在發現問題或阻斷攻擊，更需要建立後續追蹤與處置機制，確保每一項風險都有明確的負責單位、修補進度與驗證結果。 叡揚資訊 Tracko SecOps 資安營運治理平台串聯情資風險、弱點管理、事件管理與合規管理四大核心環節，當前端偵測到漏洞或合規異常時，平台會自動立案並進行智慧派案，直接指派給相應團隊進行漏洞修補，且完整保留通報、修補與覆核等軌跡，讓管理人員更方便應對內部稽核與客戶的合規檢視。 面對地緣政治與倍速成長的資安威脅，高科技製造業的資安佈局已不再是單純的成本支出，而是確保產線持續營運、建立國際客戶信任的商業核心競爭力。叡揚資訊整合外部攻擊面管理、軟體供應鏈安全、程式碼檢測、零信任微分段與資安營運治理等多層防護能力，協助企業讓潛在風險「看得見」、讓威脅擴散「隔得開」、讓修補進度「追得完」，將分散的資安工具與管理流程串聯為持續運作的資安治理閉環，提升製造業面對資安威脅時的營運韌性。

「駭客不再偷設計圖，而是綁架產線。」奧義、叡揚、TXOne、DEVCORE、安永、VicOne 專家解密供應鏈資安威脅與國際接單通行證

根據《彭博社》報導，NVIDIA 執行長黃仁勳七月表示，全球半導體產業可能需要在未來十年擴張至目前規模的 10 倍，以因應 AI 代理與機器人的普及。 「半導體產業 AI 化」的浪潮，不僅帶來爆發性算力需求，也讓資安威脅以前所未有的速度蔓延。地緣政治對資安合規與透明度的要求日益嚴苛，資安韌性已成為攸關企業生存與國際接單的核心戰略課題。科技報橘社長戴季全於日前在「半導體供應鏈競爭力論壇」中表示，「數據治理」與「資訊安全」 是打通半導體關鍵應用的核心。本場論壇邀請奧義智慧、叡揚資訊、TXOne、DEVCORE、安永與 VicOne 等企業專家，從開發端、產線端到合規端，共同探討如何打造兼具高彈性與防護韌性的智慧半導體生態系。 奧義智慧揭密供應鏈四大威脅 奧義智慧資安研究處長陳仲寬指出，供應鏈攻擊主要可拆解為軟體植入惡意程式、跳板攻擊、第三方資料外洩與重要供應商系統漏洞等四大類型。其中，「軟體更新」是駭客關鍵的突破口，在於使用者與防禦體系對更新管道普遍抱持預設信任，使惡意行為會自行繞過既有安全監控。 面對日漸猖獗的威脅，陳仲寬表示，軟體開發商必須在更新伺服器（Update Servers）部署全面的監控機制，即時分析更新流量與檔案異動，並限縮內部管理者權限與稽核，企業端也須同步提升主動威脅獵捕能力、盤點潛在的攻擊面，以及對外部軟體更新進行不間斷的監控與分析，從供應商到企業終端共同建立多重防禦機制。 叡揚資訊打造製造業資安閉環：看得見、隔得開、追得完 叡揚資訊資安直屬事業處技術顧問許農育表示，企業若要打造強韌的資安防護，關鍵在於建立「看得見，隔得開，追得完」的資安閉環，從被動應變轉向為主動防禦。 首先，在「看得見」階段，企業需要先看見風險、確認影響，許農育建議可以透過資安評級軟體 Bitsight 進行外部風險評估與監控，並結合 Mend.io 自動化生成軟體物料清單（SBOM），掌握軟體組成與潛在風險。其次是「隔得開」階段，透過網路微分段（Microsegmentation）掌握內部網路流量與系統間通訊關係，依據企業環境與營運需求建立細緻的存取政策，降低單點入侵後的橫向移動與擴散風險。最後則是「追得完」階段，將風險發現、事件處置、修補與驗證串聯起來，透過叡揚資訊 TrackoSecOps 資安營運治理平台，整合情資風險、弱點管理、事件管理與合規管理四大核心環節，讓每項資安風險都有明確的處置進度與追蹤紀錄。 隨著製造業數位化與供應鏈連結日益緊密，資安風險已不再侷限於單一系統或設備，而可能透過供應鏈、軟體元件與內部網路持續擴散。面對攻擊面擴大、資安威脅快速演變，以及合規與客戶要求日益提高，企業更需要從單點防護走向持續性的整體資安治理。 TXOne 揭密半導體產線兩大盲點 TXOne 資安威脅與產品防護中心資深經理 Mars Cheng 指出，「隨著 IT 與 OT 系統高度互連，高達 96% 的資安事件是從 IT 網路入侵，卻有 88% 的組織選擇與舊有風險共存。」其核心原因在於業者面臨產線停線壓力，導致大量舊有機台與系統無法輕易更新，進而成為長期暴露的資安弱點。 而關於半導體生態系的核心威脅，Mars Cheng 點出兩大關鍵破口：其一是數位憑證、金鑰與帳號等「機器身份」管理失控，其二是產線常用的 SECS/GEM 通訊協定普遍缺乏加密與基礎防範，加上設備原廠的預設設定多半以「產線能運作就好」為優先，忽視了資安防禦。 對此，SEMI E187 資安標準扮演了極為重要的角色，要求設備在正式進場前必須完成無毒聲明與漏洞掃描，從源頭阻絕已知風險進入 OT 環境。Mars Cheng 強調，產線資安必須透過生命週期的資安標準與跨組織協作，才能真正打造具備強韌資安體質的半導體產業生態系。 […]

Anthropic 最強模型只占 11% 客戶模型支出，Fable 5 暴露 AI「能力溢價」難題

還記得兩個月前 Anthropic 推出 Claude Fable 5 時，曾把它形容為該公司歷來對外公開過能力最強的模型嗎？ 6 月 9 日，Anthropic 一口氣發表 Fable 5 與 Mythos 5，其中面向一般市場的 Fable 5，在軟體工程、知識工作、科學研究等多項測試達到最先進水準，官方甚至預期需求會非常高。沒想到推出僅 3 天，美國政府就祭出出口管制，要求限制任何外籍人士使用 Fable 5 與 Mythos 5。Anthropic 因無法即時驗證使用者國籍，乾脆暫停所有人的存取，直到 7 月 1 日才重新向全球開放。但真正恢復供應後，Fable 5 並沒有迎來想像中的使用熱潮。 最強模型重新上線，卻只拿下 11% 企業模型支出 《Financial Times》引述企業支出管理公司 Ramp 的最新資料指出，在其追蹤的美國企業中，Fable 5 過去一個月只占企業向 Anthropic 購買 token 的 6%；在這些企業支付給 Anthropic 各模型的費用中，Fable 5 也僅占 11.4%。 相較之下，GPT-5.6 Sol 占 […]

百米、跳高雙破人類極限：第二屆「機器人奧運」揭中國 10 年戰略布局

第二屆世界人形機器人運動會在北京登場，賽事為期 5 天，吸引超過 2,000 台人形機器人參賽。《The Guardian》報導，中國手機廠商榮耀開發的 Lightning 在一場測試賽中以 9.32 秒完成 100 公尺賽跑，成績超越牙買加短跑名將 Usain Bolt 保持的 9.58 秒人類世界紀錄；北京 X-Humanoid 開發的另一款機器人則在立定跳高項目跳出 2.88 公尺，同樣超越人類 2.45 公尺的世界紀錄。除了田徑項目外，賽事還設有桌球、足球、舉重及拔河等 51 個項目，展現中國人形機器人技術近年快速進步的成果。 從校園競賽到國家戰略：中國如何稱霸「機器人奧運會」？ 這場賽事被外界稱為「機器人奧運會」，中國幾乎包辦了大部分獎牌。《Reuters》指出，過去 10 年，中國機器人競賽的規模與技術水準持續提升，也反映出機器人產業在中國戰略布局中的重要性。中國的機器人競賽早期主要由大學研究團隊和業餘愛好者參與，如今則逐漸發展成受到中國官方媒體關注的國家級活動。這些賽事也成為企業展示產品、測試技術，以及證明機器人具備實際應用能力的平台。 《Reuters》回顧中國機器人競賽與相關技術的發展，從校園競賽一路走向商業化。中國早期的機器人競賽規模較小，主要由產業協會和福建省地方政府支持，參賽者以大學團隊為主。當時的比賽更接近學生科學專題或技術展示，與後來由大型企業主導的產業盛會有很大不同。2015 年，北京舉辦首屆世界機器人大會，機器人產業的戰略地位也進一步提升。 當年的展覽中，移動機器人進行羽球表演，利用感測器追蹤羽球並將球擊回，吸引不少觀眾目光。不過，這類展示主要以展現技術為主，並未帶來重大突破。當時的機器人主要依賴 2010 年代發展的距離影像感測器，以及更早在 1990 年代由英國國防研究人員開發、用於預測物體運動軌跡的技術。到了 2023 年，世界機器人大會已成為大型企業展示新技術、吸引市場關注的重要場合。 與此同時，中國機器人產品的價格優勢也開始受到外界注意。《Reuters》指出，小米推出的機器狗 CyberDog 吸引大批民眾圍觀拍攝。這款機器狗最初是定位給機器人愛好者使用的平台，上市時售價約 1,500 美元；相比之下，波士頓動力（Boston Dynamics）的四足機器人 Spot 當時售價超過 7.5 萬美元。 從賽道飆速到精細「機器手」：人形機器人邁向實用化 2025 年 4 月，北京舉行全球首場機器人半程馬拉松，人形機器人首次與人類跑者同場競賽。到了 2026 年，參賽隊伍已超過 […]

千億美元押注 AI，為何遲遲沒顛覆產業？OpenAI 執行長揭「經濟慣性」

OpenAI 共同創辦人暨執行長 Sam Altman 近日在訪談中表示，他過去高估了 AI 技術進步帶來商業變革的速度。他曾創辦 Loopt，並於 2014 至 2019 年擔任 Y Combinator 總裁，長期看好技術變革為新創企業帶來的機會。如今，他認為，AI 模型能力提升與企業真正採用 AI 之間存在明顯落差；即使模型能力快速進步，企業仍需要時間調整既有制度、工作流程與採購決策，因此 AI 對整體經濟的影響可能比他原先預期更晚出現。 AI 顛覆產業為何卡關？OpenAI 執行長點出強大模型敵不過「經濟慣性」 《RuntimeWire》報導，Sam Altman 在媒體平台 Fireside Alpha 發布的一段影片中表示，他原本以為 GPT-4 在 2023 年推出後，AI 很快就會對產業帶來更大的衝擊。但實際情況並非如此，軟體產業受到 AI 影響的速度比他預期更慢。Sam Altman 認為，關鍵原因在於經濟本身具有很強的慣性。GPT-4 於 2023 年 3 月推出。OpenAI 當時表示，GPT-4 是一款多模態模型，在多項專業及學術測驗中的表現已達到人類水準，但也承認，模型在許多實際應用情境下仍不如人類。 Sam Altman 現在認為，AI 技術進步與企業實際導入 AI，其實是兩件不同的事。近年 AI 模型的能力可以隨著研究突破和新產品推出快速提升，但企業若要真正利用這些能力，還得逐步調整軟體系統、資料存取權限、預算配置、合規流程、員工職責及客戶使用方式。即使 AI 技術快速進步，也不代表企業和整體經濟會立即受到同等程度的影響。 Sam […]

神秘 AI 模型 Ox Alpha 短短 4 天衝破 25 萬人試用，為何 AI 匿名測試成新常態？

一款不知道由誰開發的 AI 模型，靠免費使用迅速吸引開發者。8 月 20 日，一款名為 Ox Alpha 的 AI 模型登上 AI 模型聚合平台 OpenRouter。OpenRouter 指出，這款模型鎖定程式開發、AI Agent 任務與推理，擁有約 105 萬 token 上下文視窗，但開發與營運它的第三方供應商選擇在預覽期間保持匿名。 🥷 New stealth model: Ox Alpha Ox Alpha is a frontier model built for efficient coding, sustained agentic work, and real-world production use. – 1M token context window– Text, image, and video input Try […]

「安全圍籬」是人形機器人進工廠的真正障礙，美國機器人公司 Agility 要用 Digit V5 拆掉它

人形機器人遲遲無法大規模走進工廠與倉儲，外界常把原因歸咎於速度不夠快、續航力不足，或手部動作不夠靈巧。但美國人形機器人公司 Agility Robotics 首席商務長 Daniel Diez 直言，真正卡住大規模部署的是機器人無法脫離安全圍籬，在沒有物理隔離的情況下與人類共同工作。 真正卡關的不是技術，是安全圍籬 目前在倉儲或工廠裡運作的人形機器人，幾乎都被圍籬區隔在特定區域，物理上與周遭人類分開，Agility 自家的 Digit 也不例外。這道圍籬雖是為了安全而設，卻等於一筆額外部署成本，占用廠房空間、打斷工作流程，甚至直接讓合作案胎死腹中，因為許多場地根本沒有多餘空間劃出這樣的區域。 Agility 計劃解決的正是這個問題。公司預計今年 12 月，向早期客戶部署新一代人形機器人 Digit V5，Daniel Diez 稱它為「全球第一款協作安全機器人」，能在近距離與人類共事、同時確保對方安全。 目前 Figure、Apptronik、波士頓動力與特斯拉的人形機器人，雖已進入某種程度的共用場域，但都還沒有真正跟人類工作者混合作業。 Digit V5 的三項關鍵升級 Digit V5 至少會在三個面向提升，最核心的是協作安全能力，仰賴大幅升級的軟硬體組合，包括能透過攝影機與感測器偵測人類的新演算法、理解場景的能力，以及能即時反應、確保人類安全的物理能力，後者延續自 V4 就已具備的硬體基礎——Digit 髖部與膝蓋內建的擺線致動器，讓它擁有足夠的力量與動態穩定性，即使遇到突發狀況也不會摔落載重物或整台倒下。 Agility 甚至直接把地毯從 Digit 腳下抽走測試，它會快速跨出半步、穩住重心，同時把手上的載重維持在空中，Daniel Diez 表示，這種動態穩定性正是安全能力的核心組成部分。 第二項升級是續航力。更好的電池表現與快充能力，將讓 Digit V5 能夠一天工作 20 小時，涵蓋三班制的完整運作，單位經濟效益也將變得非常可觀。 第三項升級是更靈活的操作能力。Digit V5 的手臂末端，將採用一種名為 ISO 法蘭的標準化接頭，讓它能使用機器人產業數十年來累積下來的龐大末端工具目錄，未來也能自行更換這些工具，讓 Digit 除了大宗物料搬運之外，能進一步承接揀貨組套、分類等更細膩的任務。 鎖定的市場與商業進度 拆除安全圍籬之後，Daniel Diez 認為，這將打開零售與製藥等原本完全無法導入的產業，因為只要機器人還得圍起來作業，這些產業就完全不會考慮採用。 即便如此，目前 […]

【2026自動化展】台達如何用 AI-Ready 架構支援跨廠部署與集中管理？

關稅變化、供應鏈區域化與客戶在地生產需求，促使製造業重新配置全球產能。企業在不同國家設置產線，可縮短供應距離並分散營運風險，據點增加後，設備配置、製程經驗與管理方式也更難維持一致。「製造業目前面臨的重要課題，是如何將既有廠區累積的製造能力、產線經驗與專業知識，快速移轉至其他生產據點。」台達智能製造軟體新事業發展部處長陳鴻輝表示。 台達今年在 2026 台北國際自動化工業大展中，展出一系列針對跨國設廠的部署與管理解決方案。主展位以軟硬體整合方案與應用成果為核心，以 AI-Ready 的智造架構回應跨域製造與管理的需求，包含：整線級數位雙生、智慧 PCB 噴塗膠協同模擬，以及人工站 AI 視覺工序偵測方案。第二展區則展出電子及半導體等行業專用的智造方案基石，從馬達、伺服驅動、控制器、機器視覺等產品，呈現 IIoT 架構下的完整產品組合。 AI-Ready 智慧製造架構，支援跨廠部署與集中管理 台達將跨廠部署與集中管理列為主軸，建立可供 AI 運用的製造數據環境。陳鴻輝提到，數位雙生、AI 與製造管理平台將成為跨廠營運工具，業者可先透過數位雙生在虛擬環境驗證產線與製程，並藉由管理平台集中整理各廠資料，最後再利用 AI 分析生產狀態。 要讓這套架構發揮作用，第一步是確保現場資料能被整合、辨識與使用，多數產線由不同供應商的設備組成，使用不同通訊協定、資料格式與命名方式，系統也分開運作，若未先釐清產能、良率、交期與成本等管理目標，大量訊號仍難整理成有效 KPI。 跨廠部署同時涉及製程知識的轉譯。設備雖可複製，但工程師的調機經驗與參數判斷很難直接移植，虛擬環境算出的路徑及參數，也未必符合實體設備的控制語言，因此建議企業必須模擬結果轉換成機台可執行的製程配方，才能用於異地產線。 另外，台達智能製造解決方案發展部研發總監楊應龍表示，要讓資料在產線中流動，設備與管理軟體必須使用可互通的介面。台達此次展出的智造方案納入 SMT、DIP 及組裝設備，以標準化、模組化設備執行製程並採集資料，利用 AI 視覺工序偵測方案，讓人工站也能採集完整數據。接著，台達整線管理方案 Line Manager 串聯各工作站、人工站與資訊系統。以模組標準化為基礎，並將標準化範圍擴及設備、產線、通訊協定與資料結構，降低多家硬體拼湊的整合負擔，也能同步製程配方，支援快速換線與混線生產。 台達 Line Manager 扮演 IT 與 OT 之間的溝通樞紐，將設備、工單、產量、良率及人工站資料整理至動態看板，供管理者查看稼動狀況與生產異常；數位雙生用於設備調試及製程驗證，AI Agent 則協助調用資料與分析工具。 另外，台達將跨域集中管理融入製造管理平台，把跨廠製造拆成實物流、資訊流與管理流：實物流是工廠現場，由智能設備與產線執行製程，產生設備、品質及產量資料；資訊流透過工業網路串聯設備、產線與管理平台，讓資料跨系統傳遞；管理流則透過營運管理平台整合各廠資訊。相較以往 MES 等系統儀表板，無法自訂資訊的種類、顆粒度，台達方案的優勢在於，不同職能的管理人員可以自訂介面呈現的資訊，並透過儀表板、移動設備等裝置即時掌握，以敏捷決策因應全球變動。 產線部署前，企業可利用數位雙生進行虛擬調試、測試設備配置、運行路徑與製程配方，再將驗證結果部署到其他廠區，減少現場反覆架線與試產；新工廠運作後，各地設備、品質、產能及異常資料再回傳管理平台，支援跨廠 KPI 比較、原因分析與產能調度。 高擬真數位雙生，加速跨域產線部署與複製 跨廠部署要順利運作，必須先讓製程在虛擬環境完成驗證與最佳化。陳鴻輝以台達自動化展的智慧 PCB 噴塗膠舉例，「如果移動速度快，膠散出去的面積會比較小，噴頭離產品較高，噴幅會變廣，但厚度也會變薄。」。 傳統調機仰賴工程師在現場一邊作業一邊調整、重新試驗。一般設備數位雙生未必能計算膠體如何擴散、無法判斷設備路徑是否合理、會不會碰撞或干涉 PCB 元件。對此，台達整合虛擬機台開發平台 DIATwin、NVIDIA […]

數萬家餐廳怎麼導入 AI？KFC 母公司從統一資料、微調小模型到算 ROI

KFC、Pizza Hut 母公司 Yum! Brands 正把 AI 推進旗下餐廳的日常營運。其旗下美式墨西哥速食品牌 Taco Bell 在美國已有超過 900 家門市使用語音 AI，自助點餐機也已覆蓋 Yum! 約三分之二的全球餐廳；在後台，庫存自動化讓缺貨情況減少 85%，企業內部也已推動超過 400 個 AI Agent。從點餐、庫存到客服與管理，AI 已經進入不同環節。 但把 AI 做到數萬家餐廳，難度不只是模型準不準。不同品牌與市場使用的系統、菜單與流程各異，加上大量門市由加盟商經營，一項技術能在少數據點跑起來，不代表能直接複製到幾萬家。真正的問題是，資料怎麼先接起來、模型怎麼針對任務調整，以及導入後能不能證明值得持續投資。 依 Yum! 最新資料，該集團在全球 155 個國家與地區擁有超過 5.8 萬家餐廳。《Fortune》近日專訪 Yum! Brands 全球數位與技術長 Jim Dausch，從它近年的部署，可以看到這家公司如何從統一資料、微調小模型，一路把 AI 推進實際營運。 AI 要進數萬家餐廳，先把分散的系統接起來 Dausch 向《Fortune》表示，一家典型餐廳過去可能同時使用多達 30 家軟體供應商。點餐、POS、廚房、配送、菜單、庫存與人力管理分散在不同系統，門市很難即時看到完整營運狀況。資料若散落各處、定義又不一致，AI 也難以跨品牌與市場複製。 Yum! 因此建立自有餐廳科技平台 Byte by Yum!，逐步整合數位點餐、POS、廚房、配送與庫存等核心系統。《CIO Dive》今年 5 月報導，Byte 已進入超過 […]

【智慧能力成國家資源】AI 不是軟體而是「基礎建設」，存取權之爭將比模型開發更重要

未來 AI 競賽將跟「誰能開發出最強人工智慧」沒有太大關係，重點反而落在「誰有能力可以使用人工智慧」，其中包含 AI 基礎建設、存取權限與運算資源分配。

【科技早餐】【科技早餐】NVIDIA 傳砸 60 億美元搶 AI 技術，Apple 裁減逾 200 職位波及 Siri、Vision Pro

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊NVIDIA 傳砸 60 億美元取得 Poolside 技術授權，擬延攬 109 名員工 《彭博》報導，NVIDIA 將支付 60 億美元，取得 AI 新創 Poolside 模型開發軟體的非獨家授權，並向 109 名員工提出工作邀請。這套軟體主要用於打造及訓練 AI 模型，Poolside 在完成授權後仍可繼續使用相關技術，也能授權其他企業使用。 除了技術授權費，NVIDIA 還將另外投資 Poolside 10 億美元。Poolside 的三名創辦人將繼續留任，公司也會維持獨立營運，整體交易並非直接收購。NVIDIA 透過技術授權、人才招募及投資，同步擴大 AI 模型開發布局。 ＊Apple 裁減逾 200 職位，Siri、Vision Pro 團隊同步重整 《彭博》報導，Apple 裁減超過 200 個職位，涉及 Siri、Vision Pro 及負責 AI 功能整合的軟體團隊。其中約 100 個職位來自 Vision Pro 團隊，Apple 將大幅縮減遊戲開發團隊，同時調整沉浸式影片的製作人力，未來仍會自行製作部分內容，並鼓勵其他企業投入內容開發。 另外約 […]

【OpenAI 企業 AI 導入實證】高管偏好決策概述與合規查詢，推動「流程再造」與「人機磨合」才是轉型核心

企業決策者引進 AI 面臨的難題之一是，導入 AI 工具後，能自動且即時轉化為組織的實質生產力嗎？OpenAI 聯合哥倫比亞商學院與賓州大學華頓商學院，發佈實證研究論文《How Organizations Use AI: Evidence from ChatGPT》，嘗試為這個問題提供解答。 研究將 ChatGPT Enterprise 的帳戶使用紀錄，安全且去識別化地連結至組織內部的員工職能角色、訊息層級任務分類，以及美國上市公司財務數據庫 Compustat；一共分析了超過 1,500 家組織，以及超過 1,700 萬條真實去識別化對話訊息。 依據研究結果，企業導入生成式 AI 的進程，絕非隨插隨用的簡單軟體採購，而是一個漫長且步調不一的組織變革現象。 📎 這份報告適合誰閱讀？ 報告呈現生成式 AI 在真實商業世界中的部署與運作，適合以下工作者閱讀，為不同面向的決策與實務工作提供實證支持： 🔴 報告洞見 Token 消耗七倍成長，但高管開通多、工程師用得少 研究表明，企業級 ChatGPT 的採用需求，在短期內呈現指數型爆發式增長；在 2025 年 6 月至 2026 年 3 月的短短九個月內，企業客戶所產出的 AI 總輸出 Token 數量，大幅增長高達七倍。 更深入的結構分解呈現，這波暴增不僅是由於新企業的加入，既有客戶內部的「使用深化」同樣貢獻顯著。在 2024 年 1 月至 2025 年 […]

宇樹科技王興興：機器人軟體最快還要 2 至 3 年突破，泛化仍是關鍵瓶頸

宇樹科技（Unitree Robotics）掛牌上海科創板隔日，創辦人王興興迎來上市後首次公開演講。相較首日股價大漲逾 460% 的市場熱度，他談起人形機器人的實際能力時，給出的判斷相對審慎，指出機器人距離大規模進入工廠與家庭，仍有幾道關卡尚未跨過。 在 2026 世界機器人大會上，王興興首先把問題指向效率與泛化能力。他表示，機器人現在已能完成部分簡單裝配，但效率仍低於人類；一項任務即使在固定場景充分蒐集資料與訓練後，成功率可以逼近 100%，只要更換物品、環境或任務，表現就可能明顯下滑，碰到新工作往往還得重新訓練。他因此把泛化能力不足，視為當前全球機器人產業的核心瓶頸。 《Reuters》則指出，驅動機器人決策與互動的 AI 模型，仍是限制人形機器人大規模部署的主要因素。而宇樹科技目前投入最多資金與人力的方向，也正是世界模型。 什麼才算機器人的「ChatGPT 時刻」？ 王興興在演將中也為具身智慧（embodied intelligence）真正跨過門檻，給出一個具體判準。對他來說，如果把機器人帶進一個完全陌生的環境，只靠語音或文字指令，就能在約 80% 的陌生場景完成約 80% 的任務，才算迎來具身智慧的「ChatGPT 時刻」。 至於還要等多久，他估計，在樂觀情況下最快 2 至 3 年，較保守則可能需要 5 至 10 年。但要跨過這個門檻，泛化能力不足還只是表面問題。王興興認為，更棘手的是 AI 模型一旦進入真實物理世界，誤差就開始產生與累積。 最後幾毫米，為何成為機器人難跨過的關卡？ 王興興以抓取物品為例，機器人的手看起來已經接近目標，但最後一點觸覺回饋或位置偏差如果無法即時修正，整個任務就可能失敗。真正影響成功率的，往往是最後幾公分，甚至幾毫米。 這也是機器人 AI 與語言模型（LLM）的一項重要差異。他解釋，語言模型的輸入與輸出都留在數位空間，但機器人必須把模型判斷轉成真實動作，每一次執行產生的偏差，又會影響下一次感知與行動，讓誤差持續累積。這也是為什麼機器人學會一項任務，不代表換到陌生環境後還能照樣完成。 王興興在 2025 年也曾表示，當時機器人的硬體能力已基本夠用，雖然成本、可靠性與量產仍要持續改善，相較之下，具身 AI 模型更缺乏足以支撐廣泛應用的突破。 宇樹怎麼解？重押具身 AI 模型，再用 AI 改造研發流程 宇樹對 AI 模型的投入也反映在募資規畫上。該公司原募投計畫規模為 42.02 億元人民幣，其中 20.22 億元投入 AI 機器人模型研發，高於投入機器人機身、關節與運動控制等技術研發的 […]