Archives

【科技早餐】DeepSeek 成本不到 Claude 百分之一，OpenAI Astra 挑戰十項數學難題

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊DeepSeek 成本不到 Claude 百分之一，阿里新模型登中國榜首 《路透》報導，研究機構 Artificial Analysis 測試顯示，中國新創 DeepSeek 最新推出的 V4-Flash，每次基準測試平均成本約 0.03 美元，不到 Anthropic Claude Fable 5 的百分之一，也是該機構比較的知名模型中成本最低者。V4-Flash 的輸入與輸出費率，分別為每百萬 token 0.14 美元與 0.28 美元；不過，其綜合能力指數為 50 分，與 Google Gemini 3.6 Flash 相當，仍落後 OpenAI、Anthropic，以及月之暗面（Moonshot AI）的 Kimi K3。 另一方面，阿里巴巴（Alibaba）發表 Qwen3.8-Max，參數規模達 2.4 兆，並在 Arena.AI 文字模型排行榜成為排名最高的中國模型；視覺評測則居全球第二，僅次於 Anthropic Claude Fable 5 的其中一個版本。這款模型可處理文字、影像與影片，預計下週透過阿里雲 Model Studio 開放使用。兩家公司分別從價格與能力進攻，顯示中國開放權重模型的競爭，正進一步轉向企業最關心的性能與部署成本平衡。 ＊OpenAI 揭露未發布的 Astra，稱推進十項數學難題 […]

以 GCP SIEM 建構雲端資安監控架構（下篇）：資料策略與營運設計，往往比工具選擇更重要

很多企業導入 SIEM 時，往往會先評估產品功能：連接器（Connector）是否完整、介面是否易於操作、查詢效能是否足夠以及偵測規則是否能客製化。然而，真正影響導入成效的，往往不是產品本身，而是企業是否已先定義清楚資料策略與營運流程。若沒有先釐清哪些資料需要收集、哪些資料最重要、哪些使用情境（Use Case）要先落地，SIEM 很容易淪為單純的日誌堆放平台。 Google SecOps SIEM 正好可以說明這個導入邏輯。Google SecOps SIEM 具備完整的資料接入、搜尋、偵測與案例管理能力，但這些能力是否能真正發揮價值，取決於企業如何設計導入順序。Google 官方說明，Google SecOps 支援原始日誌（Raw Logs）與警示（Alerts）的介接，並可透過轉送器（Forwarders）、Ingestion API、資料饋送（Data Feeds）與 Google Cloud 原生方式匯入。另外，Google SecOps SIEM 也提供各大原廠系統的預設解析器（Default Parser），協助將系統原始日誌（Raw Logs）轉換為可分析的欄位格式，加速日誌收容與正規化作業。 因此，較務實的導入方式，是先定義第一批高優先偵測情境，再反推需要哪些資料。例如，如果企業第一批要做的是帳號濫用、跨國登入、VPN 異常與管理面異常操作，初期就應優先接入 AD / Idp、VPN、Firewall、端點偵測與回應（EDR）與 Cloud Audit Logs。資料進入平台後，再透過 UDM Search 驗證欄位品質、事件量與資料關聯性。Google SecOps 的 UDM Search 支援用 YARA-L 2.0 查詢事件與 Alerts，有助於企業在導入初期驗證資料品質。 在偵測設計上，YARA-L 是 Google SecOps SIEM 實作中的重要語言。官方文件指出，YARA-L 2.0 不只可用於規則式的威脅偵測（Rule-based Threat […]

以 GCP SIEM 建構雲端資安監控架構（上篇）：從日誌收容到威脅偵測

隨著企業逐漸走向雲端與混合架構，如何有效地整合不同系統產生的安全日誌並進行即時分析，已成為資安維運的重要課題。傳統的安全監控往往分散於不同設備與系統之中，例如防火牆、作業系統、應用程式與網路設備，每天都會產生大量日誌資料，若缺乏集中化的分析機制，資安團隊便難以從龐大的資料中辨識潛在威脅。 因此，資安資訊與事件管理（Security Information and Event Management, SIEM）逐漸成為企業資安營運中心（Security Operations Center, SOC）不可或缺的核心平台。SIEM 的主要功能在於集中收集日誌、進行資料正規化與關聯分析，並在偵測到可疑行為時產生警示或安全事件。 本文將以實務導向的角度，分享在導入 GCP SIEM（Google Chronicle / Google Security Operations）時，如何從日誌收容、資料正規化到威脅偵測，逐步建構具備可視性的安全監控架構。 一、從日誌開始：資安監控的第一步 在任何 SIEM 專案中，最基礎也是最重要的一個步驟，就是日誌收集（Log Collection）。各種 IT 系統都會產生事件紀錄，例如： 這些紀錄通常被稱為事件（ Event） 或日誌（Log），管理者可以透過這些資訊了解系統運作狀態與潛在安全事件。 在企業環境中，IT 基礎設施往往由不同廠商與平台組成，因此日誌格式也十分多樣化。例如： 因此，若要將這些資料集中到 SIEM 平台，必須先解決「如何收集」與「如何統一格式」兩個問題。 二、建立日誌收容管道 在導入 GCP SIEM 時，我們首先需要建立一個穩定的日誌收容管道（Log Ingestion Pipeline）。 常見的日誌收集方式主要分為兩種類型： 1. 被動式收集（Inbound） 例如： 這類機制通常由設備主動將日誌傳送到 SIEM 平台。 2. 主動式收集（Outbound） 例如： 這類方式通常由 SIEM 或代理程式主動擷取資料。 在企業環境中，常見的日誌收容架構包括： […]

Anduril 傳看上日產組裝廠、外商搶進日本零組件：亞洲防衛無人機供應鏈正在洗牌

長期以來，日本的工業無人機市場幾乎由中國供應商主導。根據《Nikkei Asia》，包含大疆在內的中國供應商掌握約 91% 市占；隨著本土廠商流失市占，日本連電池、馬達、感測器、飛控等關鍵零組件的產能也一併弱化。如今，在政府政策與戰場現實的雙重推力下，日本正從無人機的採購方轉向亞洲新一波防衛無人機供應鏈的節點。其中投入軍用的新創、跨界的傳統製造商與相中日本產能的海外廠商，正共同重組這條供應鏈。 政府設下國產化目標，戰場經驗成為最強推力 《Nikkei Asia》報導，高市政府去年 12 月訂下目標，要在未來幾年內把工業無人機的國產比重從 2025 年的 3% 拉高到逾 50%；執政的自民黨也在 6 月 9 日通過提案，計畫 2030 年前達到年產約 8 萬架的規模，惟預算分配尚未定案。 預算也同步跟上，根據《Defense News》，日本今年編列給無人化防衛能力的預算，從 2025 年的 1,110 億日圓（約 6.9 億美元）躍升至 2,770 億日圓（約 17.2 億美元），隨國防支出擴大，投入無人系統的資源預料還會再增加。 該國政府特別想在日本自造的一項裝備，是用來對抗攻擊型無人機的低成本攔截無人機。防衛大臣小泉進次郎 5/20 造訪愛知縣的 Prodrone 時表示「需要一種新的護國方式」，並指出從烏克蘭到中東的衝突中，正大量生產與使用臨時改裝的無人機。 戰場經驗讓這件事變得急迫。《Defense News》指出，伊朗的 Shahed-136 這類自殺式無人機成本低廉卻具高度殺傷力，其航程曾遠達約 1,100 英里，這代表如在東北亞發射可能觸及日本、南韓與菲律賓。日本採購機構防衛裝備廳因此釋出示範計畫公告，要加速取得並量產部署攔截無人機，預計 2027 年前部署於雷達站、基地、艦艇等關鍵地點周邊。 新創各自卡位：從攔截無人機到跨國技術合作 在這條新供應鏈上，幾家新創以不同路線切入，包括 Terra Drone、Prodrone、ACSL、Eams Robotics 等，而 Terra Drone […]

AI 晶片數量每 9 個月翻倍、2028 年衝上 2 億顆：史上最大算力擴建潮，電力與資金撐得住嗎？

回顧 2025 年，AI 已能協助科學家辨識阿茲海默症的潛在成因；到了 2026 年 5 月，AI 甚至解開困擾專家長達 80 年的數學難題。從精準的科學與醫學研究，到展現出足以讓情報機構忌憚的資安駭客技術，AI 系統的發展正在突破人類想像。 其中，支撐每一次能力躍進的幕後關鍵，正是規模同步暴增的晶片與運算資源。為了填補這股深不見底的需求，從美國中西部一路到波斯灣，數百座巨型資料中心正加速拔地而起，準備為全球 AI 發展注入龐大運算洪流。 AI 晶片數量每 9 個月翻倍，2028 年將增至 2 億顆 AI 業界領導者深信一套被稱為「規模定律」（Scaling Laws）的信念，認為只要持續餵養更多資料並投入更強大的運算能力，模型就能承擔更多人類工作，同時處理日益複雜的任務。在這套信念驅動下，晶片需求也呈現指數級成長。 根據研究機構 Epoch AI 估算，目前全球資料中心內約有相當於 2,000 萬顆 NVIDIA H100 的等效 AI 晶片正在運作，且這個數量預計大約每 9 個月就會翻倍。按照當前的驚人成長速度，全球 AI 晶片數量預估到 2028 年底將達到約 2 億顆，總體規模約為目前水準的 10 倍。這些龐大算力不僅能支撐模型訓練需求，當 AI 模型完成訓練後，也能在「推論」階段服務數以億計的使用者，讓 AI 思考更久、反應更快。 為安置這些數量龐大的晶片，科技巨頭正展開前所未見的建設。晶片業者 Etched 共同創辦人 Rob Wachen […]

iKala 攜手 Google Cloud、Google Ads，打造企業迎向 Agent Economy 的完整藍圖

隨著生成式 AI 從內容生成工具，快速進化為能搜尋、分析、規劃，甚至自主執行任務的 AI Agent，企業競爭也正從 AI Adoption 走向 Agent Economy。iKala 攜手 Google Cloud、Google Ads 與《數位時代》，於台北市信義區獨一文創舉辦第二屆 iKala Connection Day「數據領航：AI 時代的真實價值」論壇，提出一套以「真實與信任」為核心的企業轉型藍圖。議題橫跨雲端架構、企業級 AI 治理、主權 AI、繁體中文模型評測、代理式經濟與 GEO，直指企業眼前最現實的挑戰：當 AI 開始查詢資料、參與判斷、接手流程，甚至代表消費者做出選擇，企業如何確保它真正理解組織、理解市場，也理解品牌？ 論壇中，iKala 共同創辦人暨集團董事長程世嘉表示，AI 的競賽已從模型能力之爭，逐漸轉向企業治理能力與商業信任的競爭。「過去大家比的是模型，未來比的是信任。企業不只要建立值得信任的 AI，更要讓自己的品牌、資料與內容成為 AI 願意理解、引用與推薦的來源。」他指出，AI Adoption 解決的是企業是否開始使用 AI；Agent Economy 真正考驗的，則是企業是否有能力把工作交給 AI，並讓 AI 成為創造商業價值的新介面。當 AI 從工具變成代理人，「真實與信任」將成為企業新的護城河。 AI 不缺模型，缺的是理解企業的能力 Google Workspace 銷售總監 Murray Chiang 在論壇指出，許多企業投入大量資源導入生成式 AI，卻始終停留在 PoC 或單點應用，原因往往不是模型不夠強，而是 AI 缺乏 Enterprise […]

NetApp 全面強化大規模 AI 工作負載支援能力

StorageGRID 12.1 支援高達 12 TB/s 的資料傳輸量，滿足大規模 AI 工作負載的擴充需求。 智慧型資料基礎架構公司 NetApp®（NASDAQ：NTAP）宣布推出 StorageGRID 12.1，透過全域聯邦的命名空間，協助企業更靈活地擴充 AI 與各項現代化工作負載。此次更新大幅提升企業在分散式環境中存取、處理與管理資料的效率，為 AI 資料管道、資料湖及現代化物件式應用程式，提供強大支援。 隨著非結構化資料快速成長，企業不僅需要支援 AI 工作負載，也要在日益分散的混合環境中有效地管理資料。Forrester 於「2026 年第 1 季物件儲存解決方案概覽」報告中指出，因為生成式 AI 的興起，過去用於儲存非結構化資料、媒體與備份的高擴充、高耐用物件儲存，已進一步轉型為 AI 最佳化的資料平台。此次 NetApp StorageGRID 更新，讓企業能更靈活地將物件資料應用於新興場域，並透過全新功能簡化營運、提升效能，同時大幅降低 AI 等資料密集型工作負載的營運成本。 NetApp 資深副總裁暨平台總經理 Sandeep Singh 表示：「面對快速成長且四處分散的非結構化資料，企業需要一套讓資料更智慧、更容易存取、同時已達成 AI-ready 的基礎架構，才能將資料轉化為有價值的洞察與行動。透過 StorageGRID 12.1，NetApp 進一步強化資料平台能力，打造全域聯邦的命名空間，協助客戶大規模管理資料、加速 AI 與分析工作負載，從分散資料中創造更高價值。」 StorageGRID 12.1 帶來多項全新功能，協助企業在全域分散式環境中，擴充 AI 與現代化工作負載： Forrester 將 NetApp 評選為頂尖的物件儲存解決方案，並於「The Forrester Wave™：2026 […]

硬體未遭入侵、私鑰未被偷，Coldcard 近 8,900 萬美元比特幣竊案如何揭露「種子生成」的系統性風險？

根據 Galaxy Research 的最新追蹤，目前已爆發三波疑與 Coldcard 硬體錢包弱金鑰漏洞有關的攻擊，合計已有約 1,367 枚比特幣從 4,585 個地址中遭轉走，損失金額逼近 8,900 萬美元。業內人士也緊急對外發出警告，強調「攻擊仍在持續中」，呼籲所有受影響用戶盡快採取行動。 這起引發市場高度警戒的重大失竊案，並非因為攻擊者實體入侵或事先取得使用者的硬體設備，而是源於部分裝置韌體在生成錢包種子時缺乏足夠的隨機性。這項致命缺陷，使攻擊者完全不需接觸實體錢包，就能在自己的設備上離線重建候選種子與私鑰，進而盜走資金。 因此，目前狀況正如分析師所形容，所有人都正在與時間賽跑。即使使用者緊急安裝官方釋出的修正版韌體，也只能防止裝置未來繼續產生脆弱種子，卻無法回頭修復過去已生成的既有種子。更值得注意的是，即使將資產拆分至多個錢包，甚至採用多重簽章，只要底層金鑰仍由相同的脆弱流程生成，表面上的分散配置也可能一起失效。 41 分鐘內洗劫 1,083 枚比特幣，Coldcard 攻擊擴大至三波 Galaxy Research 指出，第一波攻擊發生於 7 月 30 日，攻擊者在短短 41 分鐘內便從 1,196 個地址中轉走約 1,083 枚比特幣，總價值約 7,020 萬美元。這場第一波資金掃蕩，大約發生在 Coldcard 開發商 Coinkite 對外公開揭露漏洞的 30 小時前，且所有交易都採用相同的固定手續費率。對此，Galaxy Research 解釋：「這看起來像是自動化工具在使用已經掌握的金鑰，而不是所有者在轉移資金。」 隨後，Galaxy Research 又辨識出第二波與第三波攻擊，使估計受害地址總數攀升至 4,585 個，遭竊的比特幣數量也擴大至約 1,367 枚。此外，第三波攻擊更改變手法，不再將多名受害者的資金集中匯入少數共同的收集地址，而是將每名受害者的資金分別送往不同目的地，並採用與前兩波截然不同的輸出格式與批次交易方式。 儘管 Galaxy Research 確信每一波攻擊的內部運作皆由單一操作者執行，但受限於區塊鏈資料，目前仍無法僅憑鏈上數據斷定這三波攻擊是否全出自同一名攻擊者。 只更新韌體、只更換錢包都不夠，問題早在種子生成時就埋下 支付公司 […]

OpenAI 悄悄公布下一代模型 Astra，卻沒公布任何 benchmark 分數

8 月初，OpenAI 在一篇標題只談數學的部落格文章裡，低調公布了下一代模型 Astra，並用一種不尋常的方式證明它的實力：沒有公布 benchmark（基準測試）分數，而是揭露其能破解 10 道長年無人能解的數學與理論電腦科學難題。 根據《Gizmodo》，Astra 的名字甚至不是這篇文章的主角，而是被塞在第三段，OpenAI 只用一句話帶過：這些成果「由內部版本的 Astra 完成，也就是我們的下一個主要模型」。這款被輕描淡寫帶過的新模型，究竟是什麼？ Astra 是什麼？OpenAI 連正式名稱都沒說清楚 OpenAI 只把 Astra 描述為「下一個主要模型」，並未說明完整定位，連正式名稱都留白。《Gizmodo》觀察，OpenAI 現行模型以拉丁文命名，Terra 意思為地球、Luna 為月亮、Sol 為太陽，而 Astra 意為「群星」，按這個命名邏輯，Astra 可能是另一個 GPT-5.6 系列版本，但也可能是 GPT-6，甚至就叫 Astra，OpenAI 並未清楚說明。這些目前都僅止於推測。 至於這款模型能做什麼，《Gizmodo》引述《The Information》報導指出，Astra 具備執行「長時間任務」的能力，OpenAI 執行長 Sam Altman 上週也在華府向聯邦官員展示了這款模型。更值得注意的是，OpenAI 選擇用這些數學成果，作為 Astra 首次公開亮相的內容。 10 項數學成果，成了 Astra 第一份公開成績單 OpenAI 這次公布的 10 項成果，橫跨高維幾何、編碼理論、群論、算子代數、量子複雜度、格密碼學與極值組合學等領域。OpenAI 表示，這些問題都已開放至少十年、多數更久，且主要結果長期毫無進展；而找出全部解答所需的運算量，換算成 Sol API 費率大約只要 2,000 美元。 […]

駭客 29 分鐘就能橫向移動、企業只剩 5.5 天阻斷攻擊，DEVCORE 共同創辦人暨執行長翁浩正：別再追求漏洞清零

AI 時代的到來，不只加速企業轉型，也讓駭客大幅提升攻擊火力。近日，TechOrange 科技報橘與經濟部產發署智慧電子產業計畫推動辦公室共同舉辦「半導體供應鏈競爭力論壇」，特別邀請 DEVCORE 共同創辦人暨執行長翁浩正，深入解析「駭客眼中 AI 帶來的威脅：透過主動式攻擊強韌企業安全」。 DEVCORE 自 2012 年創立以來，便專注於「主動式攻擊」，也就是紅隊演練與資安研究，並曾多次協助微軟、Google、蘋果等國際大廠發現並修補漏洞。翁浩正表示，面對 AI 帶來的全新攻防經濟學，決策者必須捨棄舊有的「漏洞清零」思維，轉向以「風險控管」與「攻擊路徑可視化」為核心，才能在 AI 時代建立強韌且可被驗證的防線。 攻擊成本驟降、漏洞數量暴增，AI 正在改寫攻防經濟學 隨著 AI 大幅降低編寫惡意程式與發動攻擊的技術門檻，並進一步縮短漏洞從被發現到遭利用的時間差，整體資安環境也產生根本性的改變。「應該是在改變我們所謂的攻擊經濟學，以前對駭客來說，攻擊的時候一定是有利可圖他才能做，因為以前成本高，但現在成本變得很低，」翁浩正說。 數據顯示，現在駭客從找到進入點到完成「橫向移動」，僅需 29 分鐘。DEVCORE 實戰數據顯示，從外部潛入企業內網平均需 3.7 天，而取得 AD 伺服器等核心系統的控制權，平均只需 9.18 天。扣除駭客前期的準備，企業面臨攻擊時，實際上只有 5.5 天能進行調查、防禦與阻斷。 與此同時，漏洞通報量正持續暴增。翁浩正舉例，2024 年 CVE（漏洞編號）數量約 4 萬個，2025 年增至 4.8 萬個，到了 2026 年，僅前 7 個月就已達 3.5 萬個，預估全年將突破 7 萬個。這樣的通報量早已超過資安團隊的人力負荷。 漏洞不等於風險，企業防禦的關鍵第一步是盤點核心資產 面對這些挑戰，如果持續要求資安團隊「把漏洞全部修完」，在 AI 時代已是不可能的任務。為了破除這項迷思，翁浩正強調：「漏洞和風險其實是兩件事。」企業必須把防禦指標從傳統的 CVSS，轉為參考 EPSS 這類衡量漏洞遭利用機率的指標。他建議，企業可以先篩出遭利用機率在 […]

【SLM 崛起】2030 年市場規模超過 200 億美元，小模型悄取代大模型成企業 AI 主力

過去三年，AI 產業陷入一場大規模的軍備競賽。兆級參數的巨型模型佔據新聞頭條、模型分數排行榜與百工各業的產業運用；然而當全世界的目光聚焦在巨型模型上時，參數規模僅 10 億至 130 億的小型語言模型（SLM）正悄悄進入生產環境，甚至可以真正驅動商業價值。 越來越多曾部署大型語言模型（LLM）的企業，如今正以小模型取而代之。這不是預算上的妥協，而是新型態的競爭優勢，更迫使企業重新思考 AI 的運作邏輯。 領域收窄，小模型反而更佔上風 LLM 是出色的通才，它能在同一段對話中寫文章、Coding、總結法律合約。但當企業需要模型精準從臨床試驗報告中擷取不良事件資料，或依照不斷演變的法遵框架分類監管文件時，通用知識反而成了雜訊。 相較之下，小模型只用特定產業的資料訓練，把一個領域學得又深又透，反而比什麼都懂一點的大模型更內行。 NVIDIA 研究團隊在 2025 年發表的論文〈小型語言模型是代理式 AI 的未來〉指出，對 AI 代理系統中的專門任務而言，SLM 已足夠強大、天生更合適，也更符合經濟效益。多數企業 AI 應用場景需要的，不是一個什麼都懂的模型，而是一個把一件事做到極致的模型。 發表於 JMIR（Journal of Medical Internet Research，《醫療網際網路研究期刊》）的研究發現，醫療專業人員在事實正確性、臨床相關性等面向上，偏好醫療專用小模型勝過 GPT-4o 的比例高出 45% 至 92%。微軟的 Phi-3 系列證明小模型能在語言、程式與數學基準測試上匹敵甚至超越許多大模型，且能在手機上高效運行。 史丹佛大學 2026 年的研究更顯示，在 50 萬筆對話與 50 萬筆推理任務的測試中，桌上型電腦上運行的小模型平均在超過 80% 的任務上，表現不輸甚至優於大模型，在銷售、管理與娛樂等應用領域的成功率更逼近 100%。當領域收窄，小模型反而佔上風。 未來企業 AI 模型有近半數是專為特定領域所打造 此外，SLM 光是經濟效益就足以逼企業重新盤算，何況它在特定任務上往往表現更好、成本卻更低。據 NVIDIA 估算，運行一個 70 […]

AI 試行專案燒錢又沒成效？供應鏈 AI 落地的 3 個實務原則

在供應鏈 AI 熱潮下，有些企業陷入試行專案（Pilot）告吹、無法帶來實質效益的困境。知名管理顧問公司 Bain & Co. 供應鏈策略與轉型的合夥人 Dheera Anand 建議，啟動試行前應先確認資料、ROI 與員工接受度。 這樣的困境也反映在調查數據上。Gartner 今年四月發表針對供應鏈長（CSCO）進行的調查顯示，56% 的受訪者認為，將 AI 與既有系統及流程整合，是目前一大挑戰；另有 50% 表示，企業內部缺乏管理 AI 技術所需的專業人才，使導入速度與成效都受到限制。 心法一：選對戰場！鎖定高頻率決策，先補齊數據缺口再談 AI 面對 AI 專案成功率偏低的現況，多位供應鏈專家提出三項實務原則，協助企業提高 AI 落地的成功機率。 第一個原則，是優先鎖定「高頻率決策」以及具備充足資料的應用情境。 美國田納西大學（University of Tennessee, Knoxville）助理教授 Alan Amling 指出，AI 最能發揮價值的地方，是那些決策頻率高、人力難以即時反應的工作，例如每日甚至每小時都需要進行的補貨作業，比起長期性的供應鏈網路規劃，更適合作為 AI 的第一波導入目標。 Dheera Anand 也認為，企業不應只考量流程是否能使用 AI，更重要的是評估資料是否完整、透明且可取得。如果工廠設備經常停機、作業流程變動過大，或高度依賴供應商與物流夥伴提供資料，但企業本身卻無法取得即時資訊，就代表資料基礎尚未成熟。這類情況下，企業應優先改善資料可視性與資料品質，再考慮導入 AI，否則模型再先進，也難以做出可靠決策。 心法二：像帶新人一樣帶 AI，把老手的「內行知識」交給它 第二個原則，是將 AI 視為一位剛加入公司的新員工，而不是一套安裝完成即可立即產生價值的軟體。 Dheera Anand 指出，許多供應鏈規劃人員、採購主管與庫存管理者，長年累積了大量難以文件化的隱性知識。這些經驗往往包含供應商合作習慣、市場變化判斷以及異常狀況處理方式，也是 AI 模型最難自行學習的部分。因此，在建立 AI 模型時，企業需要將這些經驗逐步整理、數位化並納入模型訓練，才能讓 […]

【科技早餐】AWS 算力供不應求、亞馬遜結盟 OpenAI，聯發科 AI 晶片第 4 季量產

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊AWS 2027 年多數算力已被預訂，亞馬遜結盟 OpenAI 擴大 AI 版圖 亞馬遜（Amazon）表示，AWS 2027 年大部分運算產能已被客戶預訂，2028 年也有相當數量的產能獲得預訂；即使持續擴建，公司今年仍沒有足夠算力滿足所有需求。第 2 季 AWS 營收年增 37%，達 422 億美元，創 18 季以來最快增速。亞馬遜執行長賈西（Andy Jassy）表示，公司正在加快增加電力、資料中心及晶片供應，但 AI 需求擴張速度仍高於新增產能，記憶體成本上升也增加基礎設施建置壓力。 為了擴大 AWS 與 AI 基礎設施，亞馬遜把 2026 年資本支出預估由約 2,000 億美元，提高至 2,200 億美元。《金融時報》另報導，亞馬遜對 OpenAI 的 500 億美元投資已全數完成，可能取得約 5% 股權，但持股比例尚未獲雙方證實。亞馬遜也承諾對 Anthropic 投資最高 330 億美元，目前已投入 180 億美元，並分別與兩家公司簽署雲端運算及自研晶片合作。雲端產能、模型投資與晶片採購，正被亞馬遜整合成同一套 AI 生態系。 ＊聯發科首款資料中心 AI 晶片第 4 […]

【油車與石油需求三年內觸頂】電動車重塑 1.4 兆美元基建商機，快充升級與定置型儲能是下個切入點

彭博新能源財經（BloombergNEF）發布《2026 電動車展望》（Electric Vehicle Outlook 2026）報告，內容指出 2026 年全球電動乘用車將佔整體新車銷量的 27%——但傳統燃油車的保有量與全球道路石油需求並未立即萎縮，而是預估分別於 2028 年與 2029 年達到頂點後，隨即進入長期的平穩狀態。 同時，中國市場已率先實現電動車製造成本低於同級燃油車，而中國以外的區域為了解決電動車總擁有成本較高的門檻，正衍生出針對電網升級與充電網路建置的大量資金需求。 以下摘要報告內容，陳述燃油車與石油需求觸頂的客觀時間進程，說明各區域市場因成本差異所導致的銷售佔比變動，並拆解共計 1.4 兆美元的基礎設施預期投資規模，與供應鏈板塊在此階段的建議調整方向。 📎 這份報告適合誰閱讀？ 報告內容橫跨全球車輛銷售、電池供應鏈、能源替代與基礎設施投資等宏觀分析，適合以下領域的中高階主管與專業工作者閱讀： 🔴 報告洞見 全球道路運輸正處於歷史性的過渡期，這場由電動車引領的能源與交通革命，已從單純的政策推動，演變為由成本與市場機制主導的賽況。 儘管部分主要市場的增長呈現放緩，但全球電動車市場的擴張大勢依然不可逆轉。 數據顯示，2026 年全球電動乘用車預期銷量將超過 2,300 萬輛，佔全球乘用車總銷量的 27%，這表示電動車的採用率已正式跨越早期消費者的門檻，進入全面普及的關鍵階段。 伴隨銷量增長而來的，是高達 1.4 兆美元的全球基礎設施商機，以及傳統燃油車與石油需求即將觸頂的倒數計時。 燃油車 2028、石油 2029 觸頂，之後是平穩期 在評估能源轉型時，市場經常陷入「燃油車即將末日」的極端誤解；事實上，轉型並非一夕之間發生的斷崖式崩潰，而是有著明確時間軸的漸進過程。 報告指出，雖然全球燃油車的「銷售量」早在 2017 年就已達到巔峰，但由於全球車隊平均替換率僅為 3.7%，燃油車在道路上的「保有量（總規模）」，將延後至 2028 年才會達到近 14 億輛的歷史峰值。 緊隨其後的是能源消耗的轉折點。全球道路燃料（石油）需求將在 2029 年正式觸頂，至 2040 年，電動車的普及與車輛燃油效率的提升，將使全球每天替代近 2,600 萬桶的石油需求；這個數字幾乎是航空、海運與石化產業預期石油替代量總和的四倍，凸顯道路運輸在重塑全球能源格局中的絕對主導地位。 對企業決策層而言，最關鍵的戰略洞察在於，觸頂之後迎來的是長期的「平穩期」，而非毀滅性的斷崖式下跌。這意味著傳統燃油車與石化相關供應鏈，並不會立刻失去既有市場。 這段高原期提供了珍貴的戰略緩衝時間，企業必須把握這個平穩期，將從舊有業務中獲取的現金流，精準轉移並投資於下一個具備長期爆發力的成長引擎。 中國電動車成本已低於燃油車，歐美差距仍達 10-25% 推動這場能源洗牌的底層核心，在於「製造成本」的快速逼近與反轉。電動車動力系統（包含電池與電動傳動系統）的製造成本，正快速拉近與燃油車的差距，而中國市場已率先完成了歷史性的定價黃金交叉。 […]

那些沒人搶著做的 AI 題目，為什麼半年後客戶回頭找我們做？

在 AI 的世界裡有些題目天生就很吸引人，譬如模型多聰明、寫程式出錯率多低、會不會取代人類等等，這些話題永遠有人討論，然而有些題目從來不是大家一開始想做的，譬如誰可以用哪一個 Agent、資料會不會外流、AI 答錯了誰負責等等，這些問題在開會的時候也很難讓人眼睛發亮，聽起來就很無聊。 但我們的產品，就是從這些沒人搶著做的題目裡長出來的。 今年，我們向一家大型金融機構提案，當時花了不少篇幅談 AI 治理與資安風險，那時候，這些還不是市場上熱門的議題，也不在客戶的採購清單裡，但就在幾個月後，這家金融機構主動回頭找我們，帶著一個完全不同的問題，而那個問題，我們後來在金融、製造、零售、半導體客戶身上反覆看到的問題竟然都是一樣的。 同樣的問題出現第三次以上，我們知道該做一個產品了，CloudMile 萬里雲這幾年做過上千個 AI 專案，從需求訪談、POC、開發、驗收到正式上線，陪著不同產業走過完整的導入流程，上一篇我們分享了這套方法，這一篇，想講的是這些從來不在第一頁的題目，怎麼在半年之內，長成了一個管理 AI Agent 的平台「Aegis AI Platform」。 客戶第二次找上門，帶著一個完全不同的問題 不久前，我們獲得一次向金融業客戶提案的機會，帶著 NL to SQL（Natural Language to SQL，讓使用者直接用白話文提問，由 AI 自動轉成資料庫查詢語法）的能力上場，那次的提案主軸是資料分析，我們花了不少時間跟客戶談 AI 治理跟資安風險，但那時候這些還不是採購會議上的重點。 結果幾個月後，這家客戶主動回頭找我們，只是這一次，他們遇到的已經不是資料分析，而是另一個更棘手的問題。 AI 很聰明，但也很容易被騙 你可能看過一些新聞，有人跑去速食店的 AI 點餐系統，不點餐，反而一直問數學題；也有人叫客服機器人幫忙寫程式，結果它還真的一本正經地回答。 看起來很好笑，但通常一家企業的資安團隊就知道這會有風險，這其實是很常見的攻擊方式，叫做 Prompt Injection（提示注入攻擊），簡單來說就是利用刻意設計的輸入，讓 AI 忽略原本的規則，開始做一些它不該做的事情。 今天可能只是回答數學題，明天就可能被誘導透露公司資料、繞過限制，甚至輸出企業完全不希望出現的內容，而且這些回覆，都是透過公司的官方網站、官方客服送出去的。 回頭找上我們的那家金融機構，就是在正式上線前，被內部資安團隊查到了類似的風險。 原本的網站，準備從傳統關鍵字搜尋改成 AI 對話模式，結果安全測試一做，整個上線計畫先停了下來。 他們需要的，不是再換一個模型，而是建立 Guardrail（AI 護欄機制），也就是在輸入跟輸出的兩端，多一層保護，不該進來的攻擊，要擋下來；不該出去的回覆，也要攔下來。 為什麼他們會回頭找我們？ 我們後來也想過這個問題，答案可能就在前一次提案裡，我們談了很多 AI 治理跟資安風險，當時這些內容不是採購重點，但對方記住了一件事，這家公司，知道 AI 出事的時候該怎麼處理。 […]

OpenAI、Anthropic 都在養的神秘職位 FDE 是什麼？萬里雲用「這個工程概念」讓 AI 落地

這幾年大家在各種 AI 活動上，應該都看過很多很厲害的 Demo，模型能推理、能對話、能自動完成複雜任務，看起來什麼都做得到，但真實世界的企業導入，是另一回事，客戶的資料是亂的，需求是發散的，系統用了十幾年，而且第一次見面時，客戶多半還是對 AI 半信半疑。 CloudMile 萬里雲接觸過上千個大大小小的專案，有金融業、有半導體，也有很多看起來很簡單，做下去才知道完全不是那麼一回事。 一開始可能只是一個部門的需求，結果做到後來，每個部門都想加入自己的功能，我們甚至需要猜客戶那些沒有說清楚的需求，累積多了之後，我們發現很多客戶遇到的問題，其實都很像，有人不知道該從哪裡開始導入 AI；有人做到一半，需求越來越多；有人 AI 已經上線了，才開始擔心資料安全、權限控管，或是不知道 AI 到底有沒有亂回答。 原來企業導入 AI，不是一個模型、一個工具就能解決的事情，而是需要一個完整的導入流程，而這件事，也讓我們越來越認同「FDE」這個角色的重要性。 先從 FDE 這個角色講起，要解決客戶問題，你不能只是坐在辦公室裡 國外把處理這種混亂的角色叫做 FDE，前線部署工程師（Forward Deployed Engineer），這個角色最早由 Palantir 提出，獲得 OpenAI、Anthropic 等 AI 公司認同並積極擴張類似團隊。 FDE 的核心概念是模型本身不是產品，「可靠度」才是產品，意思是，再強的模型或工具，如果沒辦法在企業裡穩定運作，對客戶來說就沒有價值。 坐在辦公室把功能寫完，只能做出工具；真正解決問題，需要一直走進客戶現場，看他們怎麼工作、怎麼卡住、怎麼使用，最後交付一套真的能穩定運作的系統。 CloudMile 萬里雲的工程團隊，其實就是用這樣的思維陪每個客戶導入 AI，走過這麼多專案之後，我們也整理出一套自己的流程，我們認為一個 AI 導入專案，大概都會經過五個階段。 階段一：接到客戶需求，先訪談，不要先寫程式 我們給自己的定位，比較像可以做全身健康檢查的醫院，當每個客戶走進來說「我想做 AI」，通常我們不會直接開藥，而是先做完整的檢查，我們會透過幾個問題訪問客戶： 你現在最痛的是什麼，不是想做什麼，是什麼事情每天在消耗你的團隊；這個專案有沒有編列預算，預算的規模，決定了方案該怎麼設計，沒有對齊預算就開的規格，不然都是白做；你們內部的流程長什麼樣子⋯⋯等等的。 最後，也是最重要的，就是這個專案要拍板定案是「誰說了算？」，因為推動 AI 導入，最怕的是談了三個月，才發現真正能決定的人根本還沒進來。 那我們主要會檢查什麼？ 除了聊他們希望的模型、了解他們的概念，再來會聊資料，AI 很像一個人，它的個性、談吐、知識，都是被餵進去的資料養成的，這在 AI 工程裡有一句老話：「Garbage in, garbage out」，餵進去的是垃圾，出來的就是垃圾，所以跟客戶談導入之前，第一件事是盤點你手上到底有哪些資料、品質如何、放在哪裡、乾不乾淨。 不過訪談還是有一個天生的限制，用講的，客戶說不清楚自己要什麼。 有次我們收到一家企業想做 HR […]

AI 沒搶走工作，卻更難加薪？Apollo 研究：工作容易被 AI 取代的職位，薪資成長下滑 6.7%

AI 來勢洶洶，讓許多工作者擔心自己的工作被取代，但實際的第一波衝擊，可能會先體現在「加薪空間」上。Apollo Global Management 針對美國 321 種職業發布的最新白皮書指出，自 2023 年 ChatGPT 帶起 AI 熱潮以來，高度暴露於 AI 的職位，也就是工作內容很容易被 AI 取代的職位，實質薪資成長幅度平均下滑 6.7%。然而，研究團隊也發現，AI 目前對整體就業市場的影響仍「無法偵測」。這代表 AI 可能還沒有真正奪走工作，卻可能已經開始壓縮部分勞工的加薪空間。 為了衡量各職業的 AI 曝險程度，Apollo 的白皮書採用 Anthropic Economic Index，其評估依據是相關工作任務被觀察到使用 Anthropic AI 工具執行的比例。Apollo 估計，目前約有 580 萬名美國勞工從事高度暴露於 AI 的工作。對此，Apollo 分析師 Sania Edlich 與首席經濟學家 Torsten Sløk 在報告中表示：「隨著美國企業進一步深化 AI 的採用，這個數字可能會大幅成長，並在未來幾年對所得不均與勞動市場政策帶來深遠的影響。」 Apollo 進一步分析發現，AI 對薪資成長幅度造成的負面影響，在收入最低的勞工身上最為明顯。自 2023 年以來，服務業勞工的收入成長幅度平均下滑 24.3%；在同一段期間內，收入位於最低四分之一的勞工，其薪資也下降了 10.7%。相較之下，研究團隊並未在最高薪勞工群體身上觀察到顯著影響，顯示目前不同收入族群承受 AI 衝擊的程度並不一致。 程式設計、軟體測試薪資下滑，但部分 […]

Google Gemini Robotics 2 登場：如何讓人形機器人「餵資料」就能一路變強？

Google DeepMind 在美國時間 7/30 發表了一系列新版 Gemini 模型：Gemini Robotics 2。相較前代只能指揮一支機器手臂從桌面上拿起一個杯子，新模型能指揮整個人形機器人走向桌子、蹲向較低的層架，並將澆水壺放進最底層的綠色箱，官方還展示了綁垃圾袋、轉燈泡等動作，而這一切都在單一學習策略之下完成。這次官方示範用的，是 Apptronik 的人形機器人 Apollo 2。 為什麼這項升級重要？《Tech Times》分析，這消除了機器人 AI 發展之初便存在、長年限制此領域的架構瓶頸：先前系統仰賴各自獨立的控制器分別負責移動與操作，再於交接點縫合在一起。Gemini Robotics 2 將這種分工整併為單一的端到端視覺語言動作（vision-language-action，VLA）策略，代表任何需要協調全身動作的新行為，現在都能直接訓練進模型之中，機器人也因此變得「可用軟體升級」。 根據《Tech Times》，過去第一個實現對人形機器人上半身進行高頻率控制的 VLA 機器人 AI 是 Figure AI 在 2025 年初發表的 Helix 模型，如今 Google DeepMind 將此概念拓展至全身。Google DeepMind 在官方部落格指出，這次發布是其邁向「實體通用智慧（Physical AGI）」的關鍵里程碑。 三款模型一次看：大腦、執行、離線版各司其職 這次發布是一個系列，共三款模型分工協作。核心的 Gemini Robotics 2 是 VLA 模型，能把影像與語言指令轉成馬達控制，是 DeepMind 首個能控制完整人形機器人的 VLA。 第二款 Gemini Robotics ER 2 […]

OpenAI 才出事，Anthropic 也承認：Claude 測試曾誤駭 3 家公司

繼 OpenAI 上週坦承旗下多個模型在安全測試中突破隔離環境、入侵開源平台 Hugging Face 之後，Anthropic 也在美國時間 7/30 揭露一起性質相似的事件。這家 AI 公司在得知 OpenAI 事件後回頭清查自家 141,006 筆網路安全評測紀錄，發現旗下 Claude 模型自今年 4 月起，曾在 3 起獨立事件中錯誤入侵三家真實企業的系統，而其中多數受害公司當時毫無所覺。 不過不同的是，這次並非 AI 模型擺脫控制、逃離沙盒環境。Anthropic 表示，問題出在一次設定錯誤，加上多數情況下模型誤判為模擬環境，它以為攻擊真實企業，只是演習的一部分。 一次設定失誤，讓 Claude 把真實企業當成演習目標 根據 Anthropic，這三起事件都發生在名為 capture-the-flag（奪旗，CTF）的基本網路安全測試中。這類測試會給模型一個虛構情境，把一段機密資訊（flag）藏在網路上的另一台機器上，要模型設法入侵取得，過程不限定手法。Anthropic 在提示中明確告訴 Claude：這是模擬環境、沒有網路連線。但由於它與第三方評測夥伴 Irregular 之間的認知落差，測試環境實際上仍連著網路。 於是，當 Claude 在虛擬環境裡找不到目標、把搜尋範圍延伸到真實網路時，它把碰到的真實系統當成了演習的一部分。據 Anthropic 說明，Claude 使用基本的駭客技術如猜測弱密碼、進入未設身分驗證的端點等，並未動用任何複雜或未知的漏洞。 三起事件牽涉三個不同模型：Claude Opus 4.7、Claude Mythos 5，以及一個未對外發布的內部研究測試模型。這些模型在評測時未搭載對外版本會有的分類器與監控等防護，但仍保有各自的安全訓練；相關評測都跑在專用基礎設施上，與 Anthropic 的敏感內部系統及客戶資料互相隔離。 三起事件、三種模型反應 三起事件的嚴重程度與模型反應各不相同。根據 Anthropic 的說明，最嚴重的一起由 Claude Opus 4.7 […]

自研模型未領先，AWS 營收卻大增 37%：Amazon 如何把多模型競賽變成平台紅利？

在全球 AI 賽道上，擁有最強大的自研模型，被視為科技巨頭致勝的關鍵公式，但 Amazon 卻用實際成績打破這個迷思。根據 Amazon 最新公布的 2026 年第二季財報，其雲端運算部門 AWS 繳出營收 422 億美元、年增 37% 的亮眼成績單，創下近 18 季最快增速。 對此，《Business Insider》點出一項觀察：Amazon 自家的 AI 模型目前尚未達到業界最前沿水準，因此 AWS 如今的強勁成長，很大一部分來自承載 Anthropic 與 OpenAI 等外部供應商的 AI 模型。這也呼應 Amazon 執行長 Andy Jassy 所說：「我們即使沒有自己的前沿模型，也能擁有非常成功的業務，因為未來不會由一個模型統治整個世界。」 Amazon 重整 AI 戰線，不把最強模型當唯一答案 自 2022 年 ChatGPT 問世以來，科技公司投入大量資金訓練更強大的模型，但《Business Insider》分析，這場 AI 競賽已逐漸從單純追求模型效能，轉向關注模型運行效率，以及「每一美元可取得的智慧」。 這項轉變可能對 Amazon 更為有利。相較於把打造最強自研模型放在首要位置的競爭對手，Amazon 過去從未將自研模型視為唯一考量。雖然 Amazon 曾推出 Nova 系列模型，但其能力尚未達到「最前沿」水準，因此公司近期開始大幅調整 […]

讓機器人「看見觸覺」：新型變色感測器成本低廉，還能即時呈現壓力的細微變化

英國倫敦瑪麗皇后大學研究團隊提出全新解決方案，借助變色觸覺感測器（color-changing tactile sensor）讓機器人直接看見觸覺，把觸覺轉化成視覺進行處理，不必再仰賴微型感測器陣列與複雜演算法。

被 AI 引用不等於被推薦！AI 搜尋優化的關鍵不是可見度，而是品牌精準度

在 AI 搜尋快速崛起之際，許多企業開始投入「AI 可見度（AI Visibility）」優化，希望提升品牌在 ChatGPT、Google AI Overviews、Perplexity 等生成式 AI 回答中的曝光率。 數位行銷 Podcast《No Hacks》指出，目前市場最流行的 AI 可見度指標，其實很可能只是新的「虛榮指標（Vanity Metric）」。真正影響商業成果的，並非品牌被 AI 提及多少次，而是 AI 是否願意主動推薦品牌，以及 AI 對品牌本身是否建立正確且完整的認知。 AI 的「背景搜尋」正在嚴重虛胖品牌的數據 《No Hacks》指出，目前多數 AI 搜尋分析工具採用的都是「Prompt Tracking（提示詞追蹤）」模式，也就是預先設定一組問題，反覆詢問 ChatGPT、Perplexity 或 Google AI Overviews，再統計品牌出現次數。這種做法看似延續過去 SEO 關鍵字排名追蹤的邏輯，實際上卻難以反映 AI 搜尋的運作方式。技術 SEO 顧問、《No Hacks》節目來賓 Jono Alderson 指出，「這種方式有其用途，但重要性遠比大家想像得低」，真正應該思考的是如何影響 AI 對品牌的理解，而非只計算品牌是否被提及。 《No Hacks》進一步解釋，AI 系統在生成答案時，通常會自動進行多次背景搜尋（Query Fan-out），將一個 Prompt 拆解成多組查詢，再整合搜尋結果形成答案。這些背景查詢都會被 Google 計入網站曝光數，即使最終沒有任何真人點擊網站。因此，Google […]

【科技早餐】AI 算力仍供不應求：Microsoft Azure 年營收破千億美元、Meta 投資上看 1,450 億美元

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊Microsoft Azure 年營收首破千億，算力仍供不應求 Microsoft 最新財報顯示，2026 會計年度 Azure 營收首度突破 1,000 億美元，年增 41%；最新一季 Azure 與其他雲端服務營收也成長 43%。Microsoft 表示，企業雲端與 AI 算力需求持續超過現有供給，新增容量在當季很快轉化為用量與營收。公司最新一季在五大洲新增 31 座資料中心，全年合計新增 88 座，並增加 1 GW 運算容量，預計未來兩年讓整體容量大致增加一倍。 不過，個人電腦業務走勢明顯不同。Microsoft 最新一季 Windows OEM 與裝置營收下滑 7%，並預估新會計年度將衰退接近兩成，原因包括 PC 市場需求轉弱、零組件成本推高裝置售價、通路庫存偏高，以及去年 Windows 10 停止支援帶來的較高比較基期。Microsoft 最新一季資本支出達 410 億美元，其中約三分之二用於 CPU、GPU 等較短年限資產。這份財報顯示，大型科技公司的資源持續轉向雲端與 AI 基礎設施，企業算力與個人裝置需求也進一步分化。 ＊Meta AI 投資上看 1,450 億美元，個人代理成新商業押注 Meta 正加快把廣告業務帶來的成長，轉化為 AI 算力與資料中心投資。公司最新一季營收年增 28%，達到 […]

李飛飛 World Labs 新成果：要讓機器人 AI 規模化，先讓它學習的「世界」規模化

由李飛飛（Fei-Fei Li）共同創辦的 AI 新創 World Labs 於 7 月 28 日公開最新研究成果，發表一套名為 Real-to-Sim-to-Real（R2S2R）的機器人訓練與評估引擎。這家以生成 3D 世界起家的公司提出一個與主流不太一樣的判斷：要讓機器人真正規模化上工，關鍵瓶頸並非更強的模型架構，而是能否大量打造出訓練與驗證機器人的「世界」。 而它給出的解法，是把一次真實任務變成上千個可反覆訓練的模擬世界，讓機器人在完全沒有真實資料的情況下也能學會複雜動作。 李飛飛是史丹佛大學電腦科學教授，曾主導催化深度學習浪潮的大型影像資料集 ImageNet。她長期以「空間智慧」（spatial intelligence）作為研究主軸，主張無論虛擬或真實的物理世界，都運行在與文字不同的底層之上。 機器人展示驚豔、上工卻不可靠，問題出在哪？ World Labs 指出，當前許多實驗室裡的機器人展示看似進展亮眼，但真正的難題是讓它們在真實世界穩定運作。現實場景中物體會移動、雜物會堆積、光線會改變，每一次物理互動也不盡相同，這道從精彩展示到可靠運作的落差，正是機器人系統難以規模化的主要障礙。 問題出在讓機器人上工的成本。依 World Labs 說法，要讓機器人適應真實世界，需要大量資料收集與在實體硬體上反覆測試，每換一項任務或環境都可能得投入可觀人力，一旦失敗又難以即時察覺、修復代價也高昂。 近年機器人學習方法本身進展快速，例如視覺語言行動模型（vision-language-action models, VLAs）與世界行動模型（world-action models, WAMs），但 World Labs 認為真正的瓶頸不只在架構，而在能否大規模取得經驗與評估。 機器人的經驗資料不像訓練語言模型的網路文本那樣廉價易得：每一輪迭代都在消耗硬體時間，物件要重置、失敗要善後、系統要維護，即便是網路規模的影片資料，也無法有系統地涵蓋機器人可靠部署所需的各種環境、物件、物理特性與失敗情況。也正因為策略評估仍高度綁在實體硬體上，機器人開發的迭代速度比語言模型慢上好幾個量級。 這個判斷呼應著李飛飛先前提出的世界模型功能分類。她把如今統稱「世界模型」的技術分成三種：追求視覺擬真、輸出像素的渲染器（renderer），輸出幾何、物理與動態等真實「狀態」的模擬器（simulator），以及決定「下一步該做什麼」的規劃器（planner）。其中最少受到公眾關注的模擬器，反而是最關鍵的一環，因為視覺外觀與行動後果都能由此推導。 World Labs 先前推出的首款世界模型 Marble 是這個方向的第一步，而這次的 R2S2R，則把「模擬器是關鍵」的主張落到機器人訓練的具體做法上。 一次真實任務，生成上千種模擬世界 R2S2R 的核心，是把一次真實任務轉化為可反覆生成、訓練與測試的模擬世界，藉此降低對實體資料與硬體測試的依賴。這套引擎分為兩個環節。 前半段 real-to-sim（真實到模擬），先把一次實體任務的機器人、感測器、環境、物件與互動，重建為一個保留關鍵觀測與動態的模擬，再系統化地改變外觀、物件配置、雜物、物理條件、機器人狀態與相機視角。同一個任務，就此衍生出上千個可控的變體，湊出機器人要能舉一反三所需的多樣經驗。後半段 sim-to-real（模擬到真實），則是在這些模擬世界裡訓練與測試策略，並判斷模擬表現能否準確預測真實表現。 World Labs 表示，這次最關鍵的成果，是把 real-to-sim 與 sim-to-real 兩端接成一個閉環。據其公布，完全只在模擬中訓練、未使用任何真實資料的策略，可直接遷移到多種不同的實體機器人與任務上：從繞著冰箱布設可變形電源線、插拔纜線，到夾取試管、從雜物堆中逐一抽出麥克筆等動作，都能在無人介入下自主運作達一小時。 […]

從原始碼到部署都可能失守：奧義智慧資安研究處長陳仲寬拆解 4 大供應鏈威脅、3 階段防禦策略

當企業傾全力築起資安高牆，日常依賴的軟體供應鏈，卻可能成為駭客長驅直入的特洛伊木馬。奧義智慧資安研究處長陳仲寬今（30）日出席由 TechOrange 科技報橘與經濟部產業發展署智慧電子產業計畫推動辦公室共同主辦的「半導體供應鏈競爭力論壇」，以「軟體供應鏈的奧德賽征途：近十年安全威脅回顧」為題，回顧過去十年的供應鏈攻擊演進，並從 2019 年華碩 ShadowHammer 事件到後續的 3CX 供應鏈攻擊，揭示供應鏈攻擊手法不僅愈趨多元，影響範圍也持續擴大。 「供應鏈安全都用同一個詞，但其實大家指的常常都是不同的問題，」陳仲寬分析，供應鏈威脅可以歸納為四種主要樣態：第一種是軟體遭植入惡意程式；第二種是攻擊者不直接鎖定最終目標，而是透過供應商作為跳板的跳島攻擊；第三種是交由委外服務商處理的機敏資料遭到外洩；第四種則是廣泛使用的合法供應商軟體本身存在漏洞。 從原始碼、編譯器到 CI/CD：軟體供應鏈每一環都可能成為攻擊入口 回顧過去十年的重大資安事件，陳仲寬指出，從軟體開發、派發到最終使用者執行，每一個環節都早已成為駭客的標靶。在軟體開發階段，除了開發者可能誤用不安全的開源套件，駭客也曾直接駭入原始碼環境，2020 年的 SolarWinds SUNSPOT 事件就是一例。另一方面，駭客甚至會針對編譯器下手，讓合法編譯出的軟體自動夾帶後門程式，如同 2015 年的 XcodeGhost 事件。 進入軟體派發與更新階段後，持續整合與部署（CI/CD）流程及官方伺服器更是屢遭攻陷。2018 年的 CCleaner 事件，就是駭客將惡意軟體偷渡進合法安裝檔的慘痛教訓。此外，駭客不僅會鎖定資安防護軟體發動盲化攻擊（Blinding EDR），更常藉由竊取供應商的 VPN 權限，潛入企業內網進行跳島攻擊，顯示威脅早已無孔不入地滲透企業日常維運。 首宗輸入法供應鏈攻擊：Typing Ghost 如何把合法更新變成 APT 入口？ 在眾多攻擊樣態中，陳仲寬特別揭露 2023 年底發生的一起真實案例，這也是首宗利用輸入法（IME）更新程式發動的進階持續性威脅（APT）供應鏈攻擊，名為「Typing Ghost」。 在這起攻擊事件中，攻擊者首先利用 PlugX 惡意程式竊取軟體供應商 IT 管理員的帳號密碼，接著藉由取得的權限竄改合法更新伺服器，進一步發送偽造的更新網址，讓使用者在正常更新輸入法時，實際上卻下載並執行名為 Poison Ivy 的後門程式。 「升級版本這件事情，對駭客來說是一個非常好的管道，因為信任已經建立，」陳仲寬強調，這種利用合法管道發動的攻擊極具隱蔽性，但防禦方並非只能被動挨打。因為不只是企業會面臨供應鏈挑戰，駭客也同樣依賴惡意程式供應商。「我們有供應鏈問題，攻擊者也有，」陳仲寬分析，這代表防禦方也能利用惡意程式開發商的作業安全失誤，反向追蹤並揭露駭客族群背後的攻擊網絡。 供應鏈安全無法一招解決，企業要有三階段防禦路線圖 針對無孔不入的供應鏈威脅，陳仲寬呼籲，企業決策者必須建立短、中、長期的全面防禦戰略。首先，在短期行動上，企業應深入了解各種類型的供應鏈攻擊樣態，並持續強化內部的威脅獵捕能力。 進入中期階段，管理層需全面盤點可能的供應鏈攻擊面，同時加速收集與供應鏈相關的外部威脅情資。就長期戰略而言，由於軟體更新機制已成為駭客眼中的高價值目標，企業應針對更新機制進行嚴格分析與持續監控，並特別強化開發環境安全與身分權限稽核。 面對十年來的軟體供應鏈攻防征途，單點防禦已無法應對今日的進階威脅。唯有透過持續監控與供應鏈風險可視化，企業才能在未知危機爆發前及時攔截威脅，確保供應鏈的營運韌性與安全。 （圖片來源：科技報橘）

Microsoft 一季簽下 1,300 億美元資料中心租約，AI 基建需求還沒降溫？

今年以來，市場一度擔心科技巨頭在 AI 基礎建設上的龐大投入無法轉化為回報，AI 相關股票也因此承壓。但 Microsoft 最新一季財報給出相反訊號：單季新簽超過 1,300 億美元的資料中心租約，計畫兩年內把資料中心容量翻倍，Azure 年營收更首度突破 1,000 億美元。當外界正辯論 AI 基建是否已蓋過頭，Microsoft 選擇繼續加碼，它的底氣是什麼？ 單季新簽逾 1,300 億美元租約，用擴建回應質疑 根據《Financial Times》報導，Microsoft 該季新簽超過 1,300 億美元的資料中心租約，使相關承諾在三到六月間增加超過三分之二，執行長 Satya Nadella 並表示有望在兩年內把資料中心容量大致翻倍，並提及本季已新啟用了 31 座資料中心，在截至 6 月底的整個財政年度共啟用了 88 座。 《New York Times》指出，Microsoft 持續加碼，是因為雲端需求已超過現有資料中心產能，必須擴建。擴建的代價反映在資本支出：《Reuters》指出，該季資本支出達 410 億美元，年增逾七成。 但投入也帶來成果。《Fortune》報導，核心雲端 Azure 的年營收在剛結束的會計年度首度突破 1,000 億美元，較前一年的 750 億美元成長 33%，僅次於 Amazon Web Services。整體來看，該季總營收年增 18% 至 900 億美元，淨利年增 31% 至 358 […]

三分之二程式碼由 AI 寫仍不夠：DoorDash、GM、Weave 揭企業生產力真正瓶頸

AI 工具已大幅接管軟體開發流程中的程式碼撰寫工作，但這並不代表企業的整體生產力或組織架構會自動跟著轉型。以線上餐點與商品外送平台 DoorDash 為例，DoorDash 執行長 Tony Xu 表示：「我們現在從 AI 看到許多生產力提升，目前我們有超過一半、可能接近三分之二的程式碼是由 AI 所撰寫，但單憑這一點，並不足以說明工作流程與團隊配置應該如何改變。」 Tony Xu 在近期的財報會議上指出，儘管 AI 已顯著提高程式碼編寫效率，至今卻未改變 DoorDash 的組織結構。背後原因在於，對軟體工程師而言，寫程式只占一天工作中的一部分；即使 AI 模型大幅縮短撰寫程式碼所需的時間，工程師的其他工作環節仍未因此消失。這也讓企業面臨另一個問題：除了導入 AI 寫碼工具，其他工作流程是否也能同步改變。 AI 寫程式碼只是部分工作，DoorDash 還要重塑跨部門協作與實體營運 Tony Xu 表示，工程師每天除了寫程式，還會花費大量時間參與產品審查、設計會議，以及與不同業務團隊進行協調，這些工作環節同樣需要導入 AI。 「如果這些環節沒有一起改變並相互整合，可能無法獲得你所期望的生產力提升，」他指出，目前產業內許多公司正在摸索並建立正確的工作流程，目標不只是在程式碼開發上做到 AI 原生（AI-native），實際營運方式也必須走向 AI-native。 這項改變營運方式的挑戰，不僅體現在軟體開發與跨部門協作，也延伸到實體業務。Tony Xu 舉例，DoorDash 的營運還包含許多能透過實體 AI 改善的環節，例如食物製備機器人與自動駕駛配送車輛。正因為從軟體工作流程到實體業務都需要進一步整合，Tony Xu 對於 AI 改變 DoorDash 的程度採取較為審慎的態度。他強調，不能因為公司目前已有大量程式碼由 AI 生成，就斷言 AI 已經徹底重塑整個組織的結構與運作方式。 DoorDash 點出的問題是，寫程式只是工程師工作的一部分，同樣把 AI 導入範圍從程式碼擴大到完整工程流程的，還有 General […]

量子危機倒數，台灣企業卻連「盤點」都還沒做完？專訪 NetApp 談 PQC 遷移盲點

你願意花多少力氣保護你的資料？這個問題，正逐漸成為台灣企業領導者不得不回答的資安考題。原因是，未來的量子電腦可能在幾個小時內，破解現行加密要花上萬年才解得開的密碼。這代表，企業必須趕在那天到來前把加密升級，完成「後量子密碼（Post-Quantum Cryptography，PQC）遷移」。而願不願意投入這場不算輕鬆的準備，取決於企業有多重視手上的資料。 過去，PQC 遷移的期限多訂在 2035 年，但這一年來 Google、微軟與美國政府接連把相關時程一路往前挪，數位發展部與金管會也相繼發布遷移指引。當外部的時程不斷加速，多數台灣企業卻還停在最前面那一關：連盤點都還沒盤完。 長期在第一線協助企業處理資料安全的 NetApp 台灣技術總監許宏俊，被問到台灣企業目前普遍走到哪一步，他的答案很保守：「大家都應該還在盤點。」而在他的觀察中，光是盤點這一關，就足以耗掉企業大部分的時間。 時程一路提前，PQC 從研究題變成「有期限的功課」 量子威脅過去像是一則遙遠的預言，如今卻在短短數月內，變成有明確期限的行動指令。今年 3 月起，Google、微軟接連喊出 2029 年完成產品線的抗量子部署，美國總統川普也簽署行政命令，把聯邦系統的遷移期限一路壓到 2030、2031 年。 台灣同步跟進：數位發展部去年發布全產業適用的《後量子密碼遷移指引》，金管會也在今年 6 月要求金融業分階段遷移、2035 年完成。原本被視為還很遙遠的量子威脅，正肉眼可見地逼近。 對許宏俊來說，這樣的加速並不意外。他表示，NetApp 大約兩年前就開始談 PQC，「也大概知道說這個會是接下來的一個風險」。在他看來，近年科技巨頭投入大量資源在 AI 運算，間接地讓整個 Q-Day（量子電腦強到足以破解現行加密的那一天）的時間表提前。 值得注意的是，量子威脅的風險，並不是等到量子電腦真正問世那天才開始累積。許宏俊點出一種現正發生的攻擊手法：駭客會先竊取企業資料，就算現在無法解密，也會先把資料留著，在未來後量子技術成熟時破解。換句話說，「並不是到量子電腦真出現才有風險」。 隨著今年的指引把準備工作與時程都寫得更明確，PQC 對受法規約束的金融、政府單位而言，也已從一個可以再觀望的前瞻議題，變成有期限、會被稽核的功課。 卡在起跑線：為什麼大家都還在盤點？ 如果 PQC 遷移是一場長跑，多數台灣企業連第一步都還沒踏穩，而卡住他們的盤點，遠比想像中難纏。難處首先在於工具的破碎。 許宏俊解釋，PQC 牽動的不是單一設備，而是整個 IT 架構，伺服器、儲存、網路各有各的管理工具，「它比較難去做一個整體的 inventory（盤點清單）」。企業就算想盤點，也很難用一套工具把散落在不同系統的加密資產一次看清楚。更關鍵的是，市面上還缺乏夠成熟的盤點工具。許宏俊觀察，目前多數做法「比較多是簡單掃描」，而企業真正需要的，是一套能跨不同領域、盤點完還能導向下一步行動的工具。這一塊，「這個產業還有一點點進步的空間」。 但比工具更難解的，還有組織問題。許宏俊分享，在一個已經走得比較前面的金融業案例中，最先卡關的不是技術，而是跨部門或權責的問題。企業內部，前端服務、網路、基礎架構各有人負責，「你要怎麼把這些全部串接起來，然後要有一個人去主導這一個專案」，光是釐清這件事，先期就得花上大量時間討論。 在這些看得見的障礙之前，還橫著一道更前端的關卡：不少企業根本還沒意識到自己的資料值得為此動起來。許宏俊觀察，有些企業對風險的感受還很模糊，「還沒想到風險的大小到哪裡」，但是他認為，一旦讓這些企業理解到現有的加密可能被輕易破解、需要升級到更高的強度，態度往往就會改變。 該從哪裡開始？先想清楚，你願意為資料付出多少 面對這場大工程，企業該如何起步？許宏俊給出的路徑並不複雜：先盤點，再依盤點結果設計要在哪些節點加密，接著找協力廠商重新規劃資料流程，最後才進入實際遷移。遷移不會是打掉重建，而是漸進式的替換，讓現有服務照常運行，再逐步把裡面的元件替換成符合 PQC 原則的版本。過程中往往需要先建一個小型的測試環境（POC，概念驗證）試跑，確認沒問題，才會放心把架構正式切換過去。 也正因如此，他認為企業最容易犯的錯，是低估時間。PQC 遷移牽動的環節眾多，一旦把整件事想得太簡單，就會誤判後面要花多少時間。「它（PQC 遷移）不是只有把加密的方法換掉這麼簡單。」他直言，有些企業評估自己兩個月就能調整完，但事實上可能不是這樣。這也解釋了，為什麼各國政府會趕在量子電腦真正商用之前，就急著把遷移期限往前訂。 在許宏俊看來，真正決定一家企業該不該動、要投入多少的，其實是一個更根本的問題：你的資料，對你有多重要？「假設他覺得我的資料就算被拿走也沒關係，那他可能真的不是 PQC 的訴求；但假設他認為資料是不允許外洩的商業機密，那他的思維就會不一樣。」這種對風險評估的落差，或許才是 PQC 遷移最容易被忽略、也最根本的盲點。 […]

【家庭 AI 代理崛起】運轉一個家庭比管理一間公司更複雜，SuperNori 想成為 AI 管家

過去十年，人工智慧被大量運用在寫作、分析數據、自動化流程等工作領域方面，現在一批新創公司正把目光轉向被長期忽略的場域：家庭。 舊金山新創 Domus Next Inc. 便是其中之一，其產品 SuperNori 試圖將 AI 從「工作生產力」延伸到「家庭經濟」，讓智慧系統參與家庭的決策、消費與預算分配。 家庭工作繁瑣，責任大多落在媽媽身上 若以家庭為單位，可以發現單一家庭其實都是一套套複雜的工作系統。每個家庭都要管理預算、協調行程、規劃三餐、追蹤家用品庫存，每個月做出數十甚至上百個採購決策。這些工作瑣碎、分散且持續不斷。 Nori 共同創辦人 Isaac Long 直言，運轉一個家庭「複雜到大多數軟體從未真正搞懂」，而這份「隱形勞動」的重擔，在許多家庭中主要落在媽媽身上。 問題在於，市面上雖有各種待辦、行事曆、購物清單 app，卻始終缺乏一套統整的系統來承接這類家庭工作。而這個缺口的規模並不小。 PwC 一份由 Meta 贊助的研究估計，若將 AI 輔助導入全美逾 1.3 億個家庭的無償勞動，每年可帶來高達 3,300 億美元的社會經濟效益，並讓相關家務所耗時間減少約 18% 至 42%；其中又以家務與社交協調這類重複性高的工作獲益最大，而同時照顧孩童與長者的家庭效益最高，每戶可達 6,285 美元。這說明「家庭協調」是一塊真實而龐大、卻長期未被滿足的需求。 AI 代理踏入家庭流程，主動察覺浮現的需求 Domus Next Inc. 成立於 2025 年，創辦團隊來自 ByteDance 與三星，其現有產品 Nori 是一款「家庭 AI 助理」，聚焦共享提醒、購物清單、語音備忘與家庭協調，目前已服務超過 20 萬個家庭；平均每戶建立約 23.2 項任務與 14 份共享購物清單，每天與 AI […]

三秒複製聲音、一通電話掏空存款，Savi 要用「即時通話監控」反制 AI 詐騙

美國聯邦貿易委員會（FTC）指出，2025 年民眾因冒充詐騙損失達 35 億美元，是 2020 年的三倍。通報者雖以年長族群居多，年輕世代同樣難以倖免——資安公司 Malwarebytes 的研究發現，Z 世代收到簡訊詐騙的頻率高於其他世代，且約有四分之一的人真的中招。 這股趨勢背後，是 AI 語音複製技術正在改寫詐騙集團的犯罪模式：只需一小段音訊，就能複製出任何人的聲音。資安新創 Savi 便是在這個背景下誕生，由 Cisco 前資安產品資深副總 Patrick Coughlin 與弟弟 Ryan Coughlin 共同創立，鎖定「即時通話監控」這個市場缺口，主打用 AI 反制 AI 詐騙。 上線約四個月，累積十萬筆資料 Coughlin 指出，只要三秒鐘的音訊就能複製一個人的聲音，而這三秒往往就藏在社群媒體的公開貼文裡——父母在球場邊替孩子加油、隨手拍下影片上傳 Facebook，這些日常的聲音碎片，全成了詐騙者現成的素材。 有感於此，Coughlin 兄弟決定打造一套「即時介入」的工具，並先以免費網站 Scamwise 驗證構想。 這個網站匿名、免註冊，任何人都能上傳可疑的簡訊、照片或電子郵件，交由系統判斷是否為詐騙。上線約四個月，就累積了十萬筆資料，且每週以一萬筆以上的速度成長，這些「真實世界」的樣本，也回頭成了訓練 Savi 詐騙偵測模型的養分。技術上，Savi 目前主要採用 Google 的 Gemini，但可依需求串接其他模型，例如專攻語音偵測的工具。 真正讓 Savi 與眾不同的，是「即時通話監控」功能。使用者接到可疑電話時，可以選擇把 App 的即時代理人加入為「聆聽者」，在通話進行的當下，即時捕捉足以識破騙局的行為破綻。正式推出的付費 App 支援 iOS 與 Android，能篩檢簡訊、語音留言與來電，收費方式為每月 8 美元、年繳優惠 63 美元，涵蓋整個家庭且不限人數。 […]

【科技早餐】中國傳啟動國產 DUV、美國封殺中國機器人，AI 供應鏈進入管制與長約戰

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊中國傳啟動國產浸潤式 DUV 生產，ASML 兩天跌 10% 《路透》引述知情人士報導，中國已開始生產國產浸潤式深紫外光微影（DUV）設備。生產計畫由成立於 2023 年的上海愛晟納電子科技集團（Aishengna）主導，整合中國微影設備新創團隊，希望降低對荷蘭艾司摩爾（ASML）的依賴。《The Information》指出，今年預計生產約 5 台、2027 年增至約 20 台，首批設備可能交付中芯國際、華虹半導體與長鑫存儲。 DUV 是半導體製造的關鍵設備，廣泛用於各類晶片生產，也能透過多重曝光支援部分先進製程。消息曝光後，ASML 股價兩個交易日累計下跌約 10%，市值蒸發超過 600 億歐元；中國占 ASML 上半年淨銷售額約 16%，讓市場對本土替代進展高度敏感。不過，中國設備仍須進一步測試，目前效能遠未追上 ASML；中國今年預計生產約 5 台，也遠低於 ASML 去年出貨的 131 台同類設備。若能順利投入使用，這批設備將在西方進一步限制出口或維修服務時，成為中國晶片業的國產備援來源。 ＊AI 貨物重畫亞洲航線，台北空運樞紐 7 月滿載 AI 晶片、伺服器與資料中心設備需求增加，正在重畫亞洲航空貨運路線。日本供應半導體製造設備，南韓生產先進記憶體，台灣是先進晶片製造中心；越南、馬來西亞、泰國與新加坡則承接銷往北美與歐洲的 AI 伺服器製造及組裝。航空公司因而重新配置亞洲製造樞紐之間，以及通往歐美市場的貨運網絡。日本航空表示，科技產品占過去一年亞洲排除中國後空運出口增量約 80%，已擴大連結台北、曼谷、河內與東京成田機場的貨運航班。 美國與歐洲收緊低價進口包裹規定，也讓跨境電商逐漸降溫。大韓航空表示，AI 晶片、伺服器機櫃與資料中心設備已取代中國電商貨物，成為主要貨運成長動能，第二季貨運營收因此增加 46% 至 1.54 兆韓元；先進記憶體與處理器訂單已排至未來兩到三年。中菲行（Dimerco）指出，AI 與半導體貨物已讓台北空運樞紐在 7 月滿載；相關需求也協助推升中華航空上半年貨運量 8.1%，長榮航空的 AI 相關貨物則最多占貨運營收一半。國際航空運輸協會（IATA）估計，去年 AI […]

美國封殺中國新型人形機器人、機器狗：宇樹科技首當其衝，禁令能否帶動製造回流？

川普政府近日透過美國聯邦通訊委員會（FCC）正式祭出新措施，宣布禁止中國製造的新型人形機器人、四足機器人與聯網型電力逆變器進入美國市場。美國政府表示，這項措施旨在防範 AI 供應鏈中斷、資料竊取與網路攻擊等威脅，同時推動關鍵產業將製造活動移回美國本土。 這項禁令在發布後立即生效，目前僅適用於尚未上市的新型號產品，但 FCC 仍有權撤銷既有產品在美國銷售的授權。在具體涵蓋的設備中，聯網型電力逆變器能讓再生能源與電池系統連接電網及資料中心設備，因此也被納入保護美國 AI 基礎建設的安全防線。FCC 在聲明中警告，這些設備可能形成供應鏈弱點，不僅可能危及美國的經濟與國家安全，也可能帶來威脅關鍵基礎設施的網路安全風險。 瞄準中國供應鏈優勢，宇樹科技首當其衝 在防堵硬體漏洞的同時，美國官員也希望避免重演過去在稀土供應上遭遇的困境，防止中國再次利用其在科技製造關鍵投入上的主導地位取得談判優勢。在這樣的戰略考量下，這項禁令預計將衝擊全球人形機器人市占率近五分之一的中國企業宇樹科技（Unitree）。 身為目前主導新興人形機器人產業的三家中國企業之一，宇樹科技近期也被美國國防部列入涉嫌獲中國軍方支持的企業名單。不久前，宇樹科技才與 NVIDIA 合作，採用 Blackwell 晶片驅動機器人的 AI 系統。儘管 NVIDIA 表示相關資料將留在美國，且宇樹科技的主要客戶包括美國學術與研究機構，但仍未消除美國當局的疑慮。 針對此類設備，FCC 警告，機器人蒐集的資料可能被惡意行為者用來監控美國人、強化外國情報能力，甚至從遠端控制機器人。 製造回流不能只靠禁令，美國仍須補齊部署條件 針對這波防堵行動，美國眾議院中國問題特別委員會主席 John Moolenaar 公開表示支持，認為 FCC 的行動不只保護國家安全，也有助於強化美國本土機器人產業。 然而，單靠封鎖中國供應鏈，是否就能帶動真正的製造回流？前 NASA 機器人主管 Robert Ambrose 近日在《The Hill》撰文指出，美國目前的政策仍過度聚焦機器人研發，卻忽略許多中小型製造商真正面臨的難題：如何將人形機器人順利整合進既有生產線。 為了解決這項部署瓶頸，Robert Ambrose 建議政府設置針對工廠部署的專門稅務誘因，讓政策不再只獎勵發明與專利，也能協助企業負擔實際導入機器人的成本。 此外，Robert Ambrose 也主張政府擴大「製造業延伸夥伴計畫」（Manufacturing Extension Partnership）的部署支援，利用既有網絡協助企業進行整合規畫與員工訓練。同時，他呼籲美國國家標準暨技術研究院（NIST）建立人形機器人的互通標準，提升硬體與軟體之間的相容性，避免重演早期工業自動化系統封閉、僵化且成本高昂的問題。 美國此次頒布的禁令，將國家安全、AI 硬體供應鏈與製造回流三項目標綁在一起。透過限制中國新型機器人與逆變器進入美國市場，美國正試圖降低關鍵產業對中國供應鏈的依賴，並為本土製造業爭取提升競爭力的時間。 ＊本文開放合作夥伴轉載，資料來源：《Reuters》、《The Hill》，首圖來源：宇樹科技

MCP 史上最大更新來了：AI Agent 為何終於更適合大規模部署？

這一年，越來越多企業開始嘗試導入 AI Agent，卻大多卡在同一關：試點跑得動，正式環境卻上不了。很多人以為問題出在模型不夠聰明或找不到商業價值，但真正的癥結可能在更底層：串起 AI Agent 與各種軟體的 MCP（Model Context Protocol）協定，本身還沒準備好承接企業級的規模。 如今這道關卡開始鬆動。MCP 本週推出問世以來最大一次改版，架構核心從「有狀態」（stateful）全面轉向「無狀態」（stateless），規格由 Linux Foundation 旗下的 Agentic AI Foundation（AAIF）主導。這個工程轉向聽來抽象，但值得關注的是究竟為何拿掉「有狀態」這塊地基，反而讓 AI Agent 更適合大規模部署呢？ 卡住企業的，從來不是 AI 本身 根據《VentureBeat》報導，AAIF 執行董事 Mazin Gilbert 表示，自己接觸過打算部署上萬個 AI Agent 的公司，若不朝這個方向改，根本做不到規模化，而真正的障礙不在技術，也不在商業案例，而在協定底層必須先動的一些基本設計。 舊架構的運作方式就是問題之一。過去，MCP 客戶端得和特定一台伺服器維持連線，伺服器會把後續每個請求「釘」在發出連線的那台機器上。這在本機執行的桌面應用還行得通，但一旦搬上雲端、要靠多台可隨時增減的伺服器橫向擴展，就成了麻煩：只要那台機器當掉，AI Agent 正在做的工作也跟著中斷。為了維持連續性，企業得額外架設把請求導回同一台的機制，或讓流量閘道逐一拆解請求內容才知道該送往哪裡。主要維護者 Den Delimarsky 形容，舊版本下「只要一個運算節點掛掉，請求就會開始失敗」。 換句話說，企業得額外替協定處理分散式部署的問題，而不是直接利用既有的雲端架構。對想把 AI Agent 從試點推進正式環境的團隊來說，卡關處可能根本不在 AI，而在它能不能跑上企業現成的基礎設施。 MCP 從實驗室專案，跨進企業級基礎設施 Gilbert 認為，一套協定要真正進入企業正式環境，需要同時具備三個條件：開放標準、可擴展的 Stateless 架構，以及中立治理。而這些在半年前都還沒到齊，這次改版正是要補上缺口。 其中最關鍵的，是可擴展的 Stateless 架構本身。改版後，MCP 伺服器可以像一般網路服務一樣，直接部署在負載平衡器後面，用企業手上現成的雲端維運工具就能撐起規模，不必再為它另建一套特殊機制。狀態並沒有憑空消失，而是從協定層交回應用層自行管理，開發者可依自己的環境決定怎麼保存。Gilbert 以網際網路作比：當年 HTTP […]

Anthropic Mythos 找到密碼攻擊新方法：量子電腦之外，AI 成加密安全新變數？

企業近年佈局後量子密碼（PQC），一個主要考量是未來量子電腦可能破解現行加密標準，然而 AI 巨頭 Anthropic 最新研究指出一個更早到來的變數：AI 本身。該公司研究團隊以尚未公開的 Claude Mythos Preview，在兩套重要的密碼演算法上，各自找出人類專家歷經多年審查仍未發現的新攻擊方法。 根據《New York Times》與 Anthropic 官方部落格，這兩項成果都不會立即影響現行系統，也不代表現有加密已被攻破。但它們共同指向一個值得決策者留意的轉變：挑戰密碼安全的力量，可能不再只有量子運算。 兩項成果：人類長年審查沒發現，AI 短時間內就找出弱點 第一項成果針對 HAWK，這是美國國家標準暨技術研究院（NIST）後量子數位簽章徵選中進入第三輪的候選演算法，旨在抵禦傳統電腦和量子電腦的攻擊。Anthropic 表示，HAWK 已通過兩年的專家人工審查，而 Mythos 在約 60 小時內就完成發現與驗證了已知最佳攻擊法，等於把它的有效金鑰強度減半。 以最小的 HAWK-256 為例，完整金鑰復原攻擊的預期成本，從 2 的 64 次方降到 2 的 38 次方。Anthropic 指出，若要補救就得把金鑰長度加倍，但這麼做會抵銷 HAWK 原本輕量、緊湊的優勢，而這正是它作為後量子簽章候選的主要賣點。 第二項成果針對 AES，這套 2001 年獲 NIST 採用的對稱式加密演算法，是目前應用最廣的加密標準之一。Mythos 攻擊的是簡化過的 7 輪版本（完整 AES-128 為 10 輪），並以一項自研、名為 Möbius Bridge 的技術，將攻擊速度較先前最佳方法加快約 200 […]

OpenAI、Anthropic 等千人聯署要 AI「踩煞車」，祖克柏卻警告：真正危險的是權力集中

截至美國時間 7 月 28 日下午，已有超過 1,100 名來自 OpenAI、Anthropic、Google、Meta、Microsoft、Mistral、Thinking Machines 等 AI 公司的從業人員，簽署一封名為「Pacing the Frontier」的公開信，呼籲美國政府支持國際合作，建立能刻意調節自動化 AI 發展速度的技術與治理工具。公開信警告，一旦 AI 開始參與下一代 AI 的開發，技術進展可能顯著加速。 就在 AI 從業人員要求預先建立減速工具之際，Meta 執行長祖克柏（Mark Zuckerberg）卻提出相反警告：AI 安全不能只靠將權力交給少數機構。他強調，這個時代的決定性問題已不再是超級智慧是否會出現，而是這項能力將集中於少數機構，還是成為賦能每個人的工具。 逾千名 AI 高層聯署：政府應先建立「減速機制」 這封公開信的簽署陣容涵蓋多家前沿 AI 實驗室，包括 Anthropic 共同創辦人 Jack Clark 與 Jared Kaplan、OpenAI 首席科學家 Jakub Pachocki、Meta 首席科學家 Shengjia Zhao，以及 Google DeepMind 的 AI 安全與對齊主管 Anca Dragan 等高階主管。 公開信發布的時間點，正值 OpenAI […]

【AppSec 防不住的新戰場】AI 深度參與軟體開發，資安新學科 AISec 成形

近 70% 的組織，已經在自家系統裡發現由 AI 工具造成的漏洞，其中五分之一，甚至因此發生了重大資安事件。面對這個現實，業界正在提出一個新名詞：AI 軟體安全，簡稱 AISec，用來因應 AI 從輔助角色，正式走進軟體開發核心之後所帶來的全新風險。 AI 不只寫程式，還自己上線改系統 過去二十年，應用程式安全建立在一個幾乎沒人質疑過的假設上：被保護的軟體，是由人開發、由人維運的。但 AI 已經深度進入軟體生命週期，傳統 AppSec 的假設仍停留在「人寫、人測、人負責」。 當 AI 也開始參與編碼、測試、部署與維運時，資安風險就從程式漏洞擴大到模型、代理、權限與責任邊界。 這個轉變的起點，是 AI 在軟體生命週期裡角色的質變。AI 過去只是幫助開發者加快寫程式速度的工具，如今卻參與從系統設計、實作、測試，到維運與調校的每一個階段，人力介入的比例愈來愈低。 與此同時，企業正朝著「自主企業」（Autonomous Enterprise）的方向前進，讓 AI 代理人在商業流程與 IT 維運中，自行完成感知、推理、決策、行動與學習的完整循環。這不是軟體開發的小幅演進，而是本質上的一場革命，過去被視為理所當然的防護對象、治理範圍與信任基礎，都必須被重新檢視。 舊工具沒失靈，是保護錯了對象 既有工具並沒有失去價值，問題不在工具本身，而在於它們原本鎖定的保護對象，已經跟現實脫節。 AI 生成程式碼的速度，已經超過團隊實際能審查的速度，漏洞被引入的速度也比過去任何時候都快；更關鍵的是，AI 如今能直接修改系統、調整設定、把更新推送到正式環境，往往缺乏直接的人工監督，讓企業愈來愈難回答這段程式碼從哪裡來、誰該負責、是否可以被信任。 開發者被究責，但問題其實不在他們 開頭那組數字，只是問題的一角。追查原因時，45% 的資安主管、開發者與應用程式安全工程師，把矛頭指向開發者；但同一份調查也顯示，2025 年有 46% 的開發者坦言不信任所用 AI 工具的準確性，較 2024 年的 31% 明顯上升。 使用 AI 工具的開發團隊比例，也已攀升至 94%，主要驅動力是生產力與效率需求，其中超過半數開發者，使用的是未經 IT 部門授權的「影子 AI」，讓錯誤與責任更難追蹤。 真正該究責的不是開發者個人，而是他們長期身處的系統。安全編碼的最佳實務，從未被真正教導、也未被強制執行。 在監理政策成熟之前，企業必須建立自我治理機制，包括設定基礎安全規則並搭配實戰訓練、追蹤所有正在使用的 […]

兩個月推出逾 100 項功能，Yahoo 實戰揭密：當開發時間更短，為何更要警惕 AI「虛假生產力」？

當前全球企業正以前所未有的力道挹注資金於人工智慧。由《哈佛商業評論》進行的「數據與 AI 領導力調查」顯示，高達 91% 的組織正在增加 AI 投資，更有 99% 的企業將 AI 視為組織的首要任務。 然而，在技術熱潮背後，卻存在著巨大的「價值落差」：僅有 18% 的組織表示，他們從 AI 投資中獲得了高度可衡量的商業效益。這主要是因為高達 84% 的企業在引進技術時，並未同步重新設計其工作流程、角色定義或職業路徑，導致組織依然試圖用舊時代的框架來衡量新科技的產出。 在這樣的背景下，Yahoo Finance 推出約兩個月的全新投資產品 AlphaSpace，成為少數成功將 AI 轉化為實質價值的典範。這款新產品透過與 Unusual Whales 的夥伴關係，快速導入即時選擇權數據等功能。在 AI 的加速推動下，團隊在極短的時間內便推出超過 100 項新功能，成功吸引高度關注，使用者在 AlphaSpace 停留的時間更是 Yahoo Finance 平均用戶的 3 倍。 這種驚人的迭代速度，得益於開發團隊在 AI 輔助下，極度壓縮開發衝刺週期（Sprint）：原本需要兩週才能完成的任務，如今縮短為 24 小時。團隊維持著「早上規劃、當天交付、晚上回顧」的緊湊節奏。例如，有一次團隊在週五下午 4 點 45 分收到使用者回饋，當晚 8 點 30 分前便完成修改、審查並正式上線。 然而，AlphaSpace 的成功也揭示一個全新的組織難題：當 AI 讓實際執行的過程變得快速且便宜時，企業面臨的工作量並未減少，只是瓶頸發生了轉移。這也代表企業必須在前端投入更多心力，決定「該做什麼」，並在後端付出極大成本，驗證與交付成果。 […]

AI 分身是帶貨神隊友，還是信任終結者？拆解 TikTok Shop 的 AI 分潤紅利與爭議

在 TikTok Shop 上，愈來愈多商品展示影片已不再由真人拍攝，而是交由 AI 自動生成。只要提供幾張商品圖片，平台便能快速產出試穿、化妝、產品開箱等帶貨影片。 這類型的 AI 工具和應用，大幅降低創作門檻，也讓品牌得以用更低成本、大量生產符合不同市場需求的行銷內容，但同時也引發創作者、品牌與消費者對真實性與信任的激烈討論。 AI 創作帶貨影片，讓導購素材實現「無限量產」 AI 工具的普及，首先打破了過去網紅行銷在時間與產能上的物理限制。過去品牌若想經營不同市場，必須尋找符合當地文化、語言與形象的 KOL（網紅），拍攝流程涉及商品寄送、腳本溝通、檔期安排與後製，往往需要投入大量時間與成本。如今，AI 能在幾秒鐘內生成多個版本的宣傳影片，同一件商品可以立即切換不同性別、年齡、膚色、語言甚至穿搭風格的虛擬代言人，針對不同族群快速完成在地化內容，大幅壓低成本，也讓品牌更容易進行 A/B Test，持續優化轉換率。 對創作者而言，AI 也提供新的商業模式。部分 TikTok Shop 聯盟創作者每天利用 AI 製作大量短影音，同時經營多個虛擬人物帳號，甚至提供企業客製化 AI 分身服務，依據不同品牌需求打造不同形象與腳本。當內容產製速度大幅提升，創作者可以在更短時間內測試更多商品，也讓 AI 成為帶貨效率的重要工具。 AI 生成的試用影片也能抽佣金，真人創作者掀起不滿 然而，這樣的效率革命也掀起一波爭議。像是一位 TikTok Shop 聯盟創作者 Rosemarie Soma 接受《華爾街日報》採訪時就表示，她會親自購買商品、實際試用並拍攝評論影片，但如今大量 AI 生成影片獲得平台廣告投放，甚至成功帶動銷售，讓真人創作者感到相當挫折。 TikTok 目前允許 AI 生成內容參與聯盟分潤，只要影片清楚標示為 AI 生成，且沒有誤導商品功能或做出不實宣稱，仍可透過影片獲得佣金。這樣的規範雖然鼓勵更多創作者使用 AI 工具，也加速平台內容規模成長，卻讓不少真人創作者質疑平台是否正在獎勵低成本、大量生產的內容模式，而忽略真正投入產品體驗與創作的內容生產者。 極大化曝光 vs. 真實體驗，品牌對 AI 帶貨的雙重抉擇 更大的爭議則來自消費者信任。網紅行銷之所以有效，建立在觀眾相信創作者真的使用過產品，並願意分享自己的使用心得。當畫面中的人物其實是 AI 分身，化妝效果、生活用品示範，甚至試穿畫面都可能完全由演算法生成，消費者看到的便不再是真實體驗，而是經過 […]

【科技早餐】NVIDIA 傳承租 1 GW AI 資料中心，全球晶片銷售上看 1.5 兆美元

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊NVIDIA 傳承租德州 1 GW 資料中心，租約最高 502 億美元 《金融時報》引述五名知情人士報導，NVIDIA 是資料中心業者 Hut 8 位於美國德州 Beacon Point 園區的承租方。這座園區擁有 1 GW 電力容量，將部署數十萬顆 NVIDIA GPU；15 年基本租約價值為 196 億美元，若行使續約選擇權，合約總值最高可達 502 億美元。Hut 8 先前僅表示，承租方是具有高度投資等級信用評等的既有客戶，將在園區部署設備，支援大規模 AI 訓練與運作。 報導指出，NVIDIA 未來可能把部分容量轉租給購買其 GPU、再提供 AI 雲端服務的新雲端業者（neocloud）。NVIDIA 並未證實或否認報導，《路透》也尚未獨立核實。另據《華爾街日報》，NVIDIA 正洽談為 OpenAI 提供最高 2,500 億美元融資擔保，支援 OpenAI 租用軟銀（SoftBank）旗下 SB Energy 規劃中的俄亥俄州 10 GW 資料中心。若兩項安排落實，NVIDIA 的角色將從供應晶片，進一步延伸至 AI 資料中心的資金、設備與容量配置。 ＊全球晶片銷售上看 […]

Sam Altman 認為 AI「奇點已到」，多位專家卻吵翻：何時才算真正跨越臨界點？

OpenAI 執行長 Sam Altman 近日在《Relentless》Podcast 節目中表示，人類現在已經身處 AI 奇點之中。他回憶，十年前，超級智慧對他和同事而言，仍像是遙遠夢想，大家甚至不指望能在有生之年目睹。然而，如今這一切已成為現實。 所謂的「奇點」，在一般媒體與學界的定義中，通常被用來描述 AI 快速改進自身，以至於人類無法再可靠地理解、預測或控制後續發展的臨界點。然而，Sam Altman 對「奇點」的理解與傳統定義有所不同，他在 2025 年 6 月發表的文章《溫柔奇點》（The Gentle Singularity）中指出，這場轉變並非突然發生的斷裂，而是隨著 AI 能力持續提升並逐漸融入日常生活，讓轉變在生活中展開，使人類能逐步地適應新時代的到來。 儘管如此，OpenAI 近期披露的一起事件，卻讓「奇點是否已到」的爭論迅速升溫：一個由兩款模型驅動的自主 AI Agent，在執行網路安全挑戰任務時，意外離開沙盒，進一步連上網路並存取開源 AI 平台 Hugging Face 的系統。這場意外不僅引發各界關注，也讓 Elon Musk 等科技界人士紛紛在社群ㄓ平台上附和「我們已身處 AI 奇點」的說法。 逃出沙盒就算跨越奇點？專家：AI 仍未擺脫人類設定的目標 面對這起逃出沙盒的事件，許多領域的專家卻澆了一盆冷水，認為這距離真正的奇點仍有相當長的一段路。例如，Info-Tech Research Group 首席研究主管 Brian Jackson 便指出，逃出沙盒與人類失去對 AI 的部分控制，確實符合奇點的部分特徵。 然而，Brian Jackson 強調：「奇點的另一部分，必須是 AI 能夠自行設定目標與意圖，並具備自我維持的能力，但這在這次事件中完全沒有發生。」他分析，雖然模型以研究人員未預料的方式跨越系統邊界，但最終仍是在努力完成由人類指派的任務，而且事件發生後，OpenAI 依然能夠將系統關閉，顯示人類並未真正失去對系統的控制權。 路易斯維爾大學電腦科學教授 Roman Yampolskiy […]

複製 Starlink 模式？亞馬遜一口氣申請逾 5 千顆衛星，要搶的卻不是衛星市場

手機直連衛星（Direct-to-Device，D2D）服務雖然是連線領域的新興前沿技術，但各大科技巨頭已紛紛卡位。亞馬遜本週向美國聯邦通訊委員會（FCC）遞件，申請部署一組 5,105 顆低軌衛星的新星座，預計 2028 年起開始部署，提供涵蓋語音、簡訊、數據與緊急通訊的 D2D 服務。 乍看之下，可能會認為這只是亞馬遜布局的又一次擴張；但把它和其今年稍早斥資約 116 億美元收購 Globalstar 進軍衛星通訊領域、接手與 Apple 的衛星合作放在一起看，會發現亞馬遜真正想搶的，並不是單純另一塊衛星寬頻市場，而是全球數十億支手機的連線入口。 5,105 顆衛星、2028 年動工，比照 Starlink 找電信商合作 根據《The Verge》與《Reuters》報導，這組新星座主打觸及地面行動網路無法覆蓋的區域，自 2028 年起開始部署衛星。亞馬遜計劃與行動網路業者（MNO）合作，把 D2D 服務帶給消費者，而這套作法與對手 Starlink 攜手 T-Mobile 的模式類似。 在技術基本面上，亞馬遜官方說明，這組 D2D 衛星不採傳統「彎管」（bent pipe）式單純轉發訊號的作法，而會在軌道上先處理訊號再回傳以提升效能，並宣稱系統可連接任何內建衛星晶片的相容手機。 買下 Globalstar，亞馬遜才拿到手機衛星的入場券 亞馬遜長期以來被看作主打企業寬頻與雲端連線的業者，手上並沒有一條合法向手機發送訊號的路，但是今年 4 月，它與 Globalstar 簽下正式併購協議，以約 116 億美元收購這家衛星業者；這筆交易預計 2027 年完成。Globalstar 手上的行動衛星服務（MSS）頻譜，就是它叩關 D2D 的門票。 除了頻譜，這筆收購還一次補齊亞馬遜原本缺乏的兩塊拼圖。其一是現成的 Apple 合作：Globalstar 已支撐 iPhone 的緊急衛星功能，亞馬遜承接後將延續，並與 Apple 共同開發後續衛星服務。其二是既有的用戶基礎，研究機構 […]

90% 資安任務交給專用小模型、成本降 50%：微軟如何用 MAI-Cyber-1-Flash 重寫企業防線？

上週，矽谷與資安界發生一起令人震驚的事件：OpenAI 坦承，旗下的一個 AI Agent 竟然逃出測試環境，並對 Hugging Face 發動攻擊。這起事件不僅顯示，新一代 AI 系統已具備難以預測的自主行動能力，以及利用安全漏洞發動攻擊的能力，也為整個科技產業敲響警鐘。 對此，微軟（Microsoft）AI 部門執行長、DeepMind 共同創辦人 Mustafa Suleyman 受訪時，將這起 AI Agent 失控並發動攻擊的事件，形容為 AI 資安時代的「警告槍聲」（warning shot）。 面對自動化攻擊帶來的威脅，微軟資安主管 Hayete Gallot 強調，防守方已經沒有退路。她表示：「攻擊者已經擁有這些模型，所以我們必須持續評估並推進相關能力，讓防守方能夠進行防禦。我們並沒有其他選擇。」 為了讓防守方能以接近攻擊者的規模與速度應對新型威脅，微軟近日推出首款資安專用模型 MAI-Cyber-1-Flash，以及由多個 AI Agent 組成的代理式資安系統 Project Perception，試圖改寫 AI 時代的防禦機制。 AI 讓找漏洞的成本下降，傳統「偶爾掃描、之後修補」已經跟不上 微軟指出，當前網路安全的基本規律正在發生根本性改變，因為自主系統如今已能持續推理、適應環境並主動採取行動。這項技術躍進讓攻擊者能以史無前例的速度產生漏洞利用程式，更輕易地擴大攻擊活動範圍，並大幅提升運作效率。 當找出軟體系統漏洞的成本快速下降，過去「偶爾掃描、之後再修補」的資安防禦模式，在現實中已經宣告過時。微軟認為，過去為了對付人類攻擊者而設計的防守策略，在充斥 AI Agent 與機器速度攻擊的新環境中，已經難以跟上威脅演進的腳步。 例如，Anthropic 在今年 4 月發表高階 AI 系統 Mythos 時曾透露，該系統成功找出熱門軟體中數千個多年來未被發現的安全漏洞。由於 Anthropic 認為，如此強大的程式碼掃描與分析能力若不慎擴散，可能帶來過高風險，因此當時僅向少數可用於保護重要網路基礎設施的組織開放。 針對業界對於限制或擴散高階資安 AI 的爭論，Gallot […]

鴻海、新漢、所羅門實戰分享：AI 如何真正落地製造產線

「2026 AI 智慧大工廠論壇」台中場日前登場，邀集鴻海科技集團、新漢智能、所羅門、鼎華智能、工研院等產研專家齊聚一堂，聚焦台灣製造業如何借助 AI 智慧轉型。開場致詞中，臺中市政府數位發展局局長林谷隆強調，AI 的發展不能僅停留在虛擬運算與生成式應用，要讓 AI 真正落地，就必須走入實體、服務大眾。台中市總工業會理事長林雍偉也在論壇上指出，面對這波科技浪潮，善用 AI 的製造業將能創造翻倍的競爭力。 本場論壇聚焦「AI 如何真正落地製造產線」，邀請多位講者分享實戰經驗，從鴻海科技集團的城市級數位孿生技術、新漢智能的中小企業 Edge AI 導入策略、所羅門的 AI 視覺與機械手臂整合方案，到鼎華智能的生管數智分身與工研院的數位雙生編程技術，完整呈現台灣製造業 AI 轉型的多元面貌。 鴻海科技集團：以「城市五感」打造數位孿生大腦 「AI 思維不只是把 AI 當作技術升級的工具，而是應該將其融入企業組織的 DNA，從 AI 原生的角度構建，」鴻海科技集團資深經理陳衣帆表示，真正的 AI 原生意味著企業的底層運轉完全由 AI 推理與決策驅動，才能發揮 AI 最大效能。 鴻海推出結合 AI 與數位孿生技術的 CityGPT 城市平台，目標是將整個城市 1:1 複製到數位虛擬環境中，透過如同城市「五感」的物聯網設備，即時收集包含溫度、車流、空氣品質等數據，讓城市大腦能即時掌控，並在微秒之間做出應變決策。 陳衣帆將工廠比喻為一個小城市，透過 Foxconn Omniverse 數位孿生平台，讓企業在虛擬環境中進行 100% 的建廠模擬與設備測試，團隊在虛擬環境中完成工廠參數的設計與驗證後，再將最佳化產線 1:1 複製到實體狀況，「在虛擬中預見，在實體中實現」的做法，為企業大幅縮短建廠與獲利時間。 新漢智能：別急著買 AI 大腦，先讓工廠「長出神經」 新漢智能副總經理阮北山表示，許多工廠急著導入 AI 模型，卻往往忽略了必須先收集底層數據的前提。新漢「AI 生產小達人」Edge […]

Anthropic 終於表態：真正該限制的不是開放權重

矽谷這幾天為了中國的開放權重（open-weight）模型吵成一片，Anthropic 一度被外界視為主張封殺開放模型的代表。美國時間週一，其執行長 Dario Amodei 在官方部落格親自出面澄清：Anthropic 從未主張禁止開放權重模型。相對地，他把政府該介入的重點指向另外三件事。 這番表態，也把近期 AI 治理的爭論，從「開放或閉源」推向一個更根本的問題：當模型能力足以構成國安風險，真正該管的到底是什麼？ Anthropic 為何被貼上「想禁開放模型」的標籤？ 這場爭論的導火線，是中國新創 Moonshot AI 推出的開放權重模型 Kimi K3。據《Bloomberg》報導，這款模型的能力已可與 Anthropic、OpenAI 的產品媲美，讓川普政府與國會開始思考，是否該限制美國企業使用中國開放模型。 上週五，NVIDIA、微軟、Meta 等數十家科技公司連署一封公開信，呼籲政策制定者不要對開放模型祭出「過早的限制」，由 NVIDIA 執行長黃仁勳帶頭倡議；OpenAI 稍後也加入連署，Anthropic 則沒有簽署。 《Bloomberg》報導，正是這個缺席，讓包括前白宮 AI 主管 David Sacks 在內的部分人士質疑，Anthropic 是想藉打壓中國對手，來保護自家封閉模型的商業模式。而 Amodei 這篇部落格，正是對這類指控的正面回應。 Amodei 真正擔心的，是兩個夢魘場景 Amodei 強調，保護主義式的禁令，並不能解決他最在意的國安風險。他點出兩個長期擔憂的場景。 第一，是威權政府打造出比美國更強的 AI，用於取得永久性的軍事優勢，或對內進行深度監控與壓迫。他表示，中國共產黨（CCP）雖是「最有能力」的威脅，卻不是唯一；並引用美國副總統 Vance 去年在巴黎的警告，以及情報體系《2026 年度威脅評估》的判斷佐證。他認為，這類風險與模型是否開放權重、是否被美國企業使用無關，最危險的，反而可能是一款祕密訓練、只交給軍方與情報單位使用的模型。 第二，是強大模型被濫用於網路攻擊或生物攻擊，並可能出現對齊（alignment）問題。Amodei 認為，開放權重模型在這一點上的風險確實高於封閉模型，因為它們難以套上防護機制、也難以監控使用情形，而且權重一旦釋出就無法收回。但他強調，禁止美國企業使用這些模型並無助於降低風險，因為真正的惡意行為者，本來就不會是合法的美國企業；這麼做只會讓美國 AI 公司少了競爭壓力。 從晶片、蒸餾到安全測試，三道防線各擋什麼 順著這兩個擔憂，Amodei 提出的三項主張，各自對應不同風險。 第一道防線是晶片管制。他主張不應把高階晶片與製造設備賣給中國，並嚴打走私與各種變通取得的手段。他的理由是，中國本土產能有限，在規模法則（scaling laws）下，沒有美國晶片就無法訓練出比美國更強的模型，因此這是阻擋第一個場景最直接的方式。 第二道防線是打擊工業規模的蒸餾。蒸餾是以既有大模型的輸出來訓練另一個較小模型的技術，運算成本遠低於從零訓練，能讓中國以有限的晶片數量做出更好的模型，部分繞過晶片禁令，把中國與美國的前沿差距壓縮到僅數個月。 據《CNBC》報導，Anthropic 上月已致函美國參議院相關委員會，指控阿里巴巴的 […]

只要 1% 員工會用 Agent，公司產能就能翻倍？外貿協會資深顧問李牮斯：人類已成 AI 團隊的「豬隊友」

專訪：戴季全撰稿：李昀蔚 近年來，AI 熱潮全面推升記憶體、資料中心基礎建設與全球股市。然而，近期市場卻突然出現劇烈修正，引發外界對 AI 是否走向泡沫的強烈質疑。本集《全新一週》邀請到在外資基金擁有超過 14 年資歷、管理亞洲資產逾 40 億美金的外貿協會資深顧問李牮斯，深入剖析這波 AI 震盪背後的宏觀經濟風險，以及 AI 產業底層正在發生的轉移。 股市震盪不只因技術修正，AI 產業發展仍在第一、二局 李牮斯指出，近期全球股市上沖下洗，不能單純歸咎於 AI 的技術調整。在宏觀經濟層面，西方股市的估值已處於百年來的最高點，這也是大眾注意到投資大師巴菲特整波並未搭上、反而選擇持有高額現金的原因，反映出市場居高思危的氛圍。 另一方面，媒體較少關注的全球資金流動性，其實很大一部分是靠日本的「套息交易」在支撐。過去由於日本利率極低、日圓匯率越來越便宜，全球市場充斥著依賴日本低息環境的資金。然而，日圓貶值已讓日本國內面臨日漸難以承受的通膨壓力，因此一旦日本央行為了控制通膨而決定多次升息，就會徹底扭轉日圓原本的利率與匯率走向，進而迫使這群龐大的全球套息資金急忙平倉撤回。這種全球資金池被瞬間抽乾的衝擊，其破壞力將遠比美國聯準會升息更巨大。 「我是非常看好 AI，我們真的是在 AI 這整個產業才第一、二局而已，」儘管宏觀經濟波動劇烈，李牮斯對 AI 的前景仍然抱持樂觀態度，但也指出其變換速度與衝擊程度之大，將深度影響資本市場的走向。 不過，AI 技術高速推進，也代表企業很難建立長期穩定的產品與商業模式。李牮斯指出，模型大約每一個半月就會更新一次，企業的產品能力、市場排名、收費方式與競爭優勢，也可能跟著重新洗牌。對投資者而言，AI 的問題並非缺乏成長，而是變化速度快到任何既有優勢都難以持續，因此每一次模型迭代，都可能重新改寫資本市場眼中的贏家、輸家與估值。 只要 1% 員工會用 Agent，公司產能就能翻倍，李牮斯：人類反而成為團隊裡的「豬隊友」 面對快速變化的技術與不穩定的政策環境，企業競爭的核心也正在從「全員學習 AI」轉移至如何運用 Agentic AI 進行組織變革。李牮斯分析，上一代 AI 大約有 20% 員工會悄悄使用來提高效率，但新一代的 Agentic AI 門檻更高，全公司可能只有 3% 到 5% 的頂尖人才掌握其精髓。 然而，這極少數的員工，每個人都可以管理上百、甚至上千個 Agent，產生出來的戰鬥力與生產力足以抵得上一個部門，甚至一家公司。李牮斯對此直言：「只要那 2、3% 的員工會用的話，那他們可以去做上百個人的工作，所以只要有 1% 有辦法用 Agentic […]

直擊 Google Cloud Day！宏庭科技大展 AI 落地實力，助企業突破 PoC 困境，將生成式 AI 轉化為實質 ROI

一年一度的雲端盛事 Google Cloud Day Taipei 於 2026 年 7 月 9 日盛大舉辦。在全球企業爭相透過 AI 轉型變現的階段，台灣雲端技術領導品牌—宏庭科技（Microfusion Technology）以「2026 Google Cloud 台灣年度最佳合作夥伴」與「Google Workspace 亞太區新簽約銷售冠軍」雙料殊榮強勢登場，成為全場企業決策者諮詢的焦點。 宏庭科技觀察，今年與去年最大的不同，在於企業討論 AI 的焦點，AI 已逐漸從單一工具演進為可自主協作的企業工作模式。然而，要讓 AI 真正進入企業營運流程，仍須建立在現代化基礎架構、完整資料治理及企業級安全機制之上，這也是許多大型企業推動 AI 時最需要克服的挑戰。 數據佐證商業價值，助零售、金融業創量化營收 要跨入 Agentic AI 時代，強大且彈性的雲端基礎設施是所有創新的基礎。宏庭科技指出，企業必須將複雜的數據轉化為 AI 能即時讀取的乾淨數據。憑藉深厚的雲端搬遷底蘊，宏庭科技不僅能協助跨國集團在零中斷的嚴苛標準下完成 33TB SAP 上雲，更引入 AI 現代化管理思維，讓企業以最直覺的自然語言，快速調取營運數據。 此架構實力已在數個產業實戰中獲得驗證。宏庭科技成功協助零售產業運用 AI 數據分析，精準預測鮮食庫存，大幅減少 30% 食材耗損，並帶動毛利提升逾 200%；亦協助大型金融集團建立安全合規的 AI 客服代理，不僅提升 30% 溝通效率，更帶動業務辦卡率成長 10%，成功打破企業看得到技術，卻難以落地的 POC 困境。 重塑 Agentic […]

人人都會用 AI 後，真正的績效差距從哪來？德州大學、KPMG 實驗點出關鍵

美國多家大型企業，正在改變對人力的態度。在認定 AI 足以扛下更多工作、因而收手招聘一年多後，包括 Google 母公司 Alphabet、顧問公司 Booz Allen Hamilton、鐵路業者 CSX 在內，近期都陸續表示要為成長與新技術布局增聘，其中不乏初階職缺。 《華爾街日報》引述人資平台 Lattice 執行長 Sarah Franklin 的觀察：不少公司原本以為 AI 代理（AI agent）能補上人力缺口而停招新人，後來才發現人與 AI 協作仍不可少。她說：「有會寫程式的 AI 代理，不代表你就不必再聘工程師。」她表示，企業重新看重的，是這批初階人力熟悉 AI、思維靈活。 但把人招回來只是第一步，更難的問題緊接而來：同樣使用 AI，為什麼有人能大幅提升產出，有人卻始終停在表面？德州大學奧斯汀分校（University of Texas at Austin）與 KPMG 針對 523 名資淺工作者的研究，給出一個略為意外的答案：AI 操作技巧的高低，幾乎解釋不了誰做得好；真正決定成效的，是每個人實際「怎麼用」AI。 同樣用 AI，成效卻分成三種 這項研究刊登於《哈佛商業評論》（HBR），做法是替人設一條對照線：先讓 AI 代理單獨完成任務、建立基準，再請年資 18 個月內的員工用同一套 AI 做同樣的工作，看誰為成果加了分、誰反而扣了分。 結果員工分成三群：一半的人（50.1%）能把成果推得比 AI 獨作更好，是「AI 放大者」；約四分之一（25.8%）做出來的與 AI 相當，屬「AI 委派者」；剩下的（24.1%）成果不如 AI 自己來，成了「AI 學徒」。 […]

當 AI Agent 進駐產線：高科技製造 IT 如何從「維運後勤」變身「自動化指揮中樞」？

當 AI Agent 開始進入製造業現場，企業也從早期的人工化、資訊化與自動化，邁向下一個轉型關鍵，與此同時 IT 部門的角色也不再只是維持系統穩定的後勤單位，而是變成智慧工廠的自動化運作中樞。然而，面對新舊系統的孤島效應與跨雲地環境的挑戰，企業必須導入全新的 IT 管理思維。 「根據 2026 年麥肯錫其中一段訪談內容，AI coding 能夠帶來多快、多新、多少的服務，已經不是企業應該關注的重點，必須關注的是這一波 AI 新服務上線之後，帶來的 AI 維運革命，」合泉系安董事長何玉雲在近期舉辦的「IT 自動化的關鍵戰略：高科技製造 IT 高階主管閉門交流會」中指出，如何有效調度與監管這些 AI Agent，已成為目前 IT 自動化戰略的關鍵。 如何用「人機協作」實踐智慧營運？ 隨著生成式 AI 與 Agentic AI 的快速發展，全球高科技製造業正邁入 AI 驅動的智慧營運新階段。 勤業眾信聯合會計師事務所科技與轉型服務資深執行副總經理溫紹群引述世界經濟論壇（WEF）數據，表示當前製造業仍大量仰賴預測、分類與最佳化等關鍵 AI 技術，而最新一波的 AI Agent 相關案例相較於 2025 年已大幅成長 24 倍，並且真正走向財務與營運上的可量化價值與商業效益。 「AI 的能力很強，但是管理 AI 很難，目前多數企業管理成熟度仍然偏低，」溫紹群表示，許多企業在還不清楚導入 AI 目的的情況下就盲目投入資源，事後才意識到企業缺乏相應的管控機制，因此企業應該將 AI 生命週期管理、資安防護與資料品質稽核納入營運體系之中，他舉例像是透過導入 ISO/IEC 42001 AI 管理系統，確保企業內的 […]

【手機鍵盤進化論】與其打開另一個 AI App，Acti 把 AI 代理直接塞進你的鍵盤裡

新加坡業者 Acti 推出了同名的「AI 代理鍵盤輸入法」，適用於 iOS 和 Android 手機作業系統，它可以代表用戶執行各種操作，並且將 AI 工具直接整合到現有應用程式中。

【科技早餐】NVIDIA 傳為 OpenAI 擔保 2,500 億美元，AI 算力戰從晶片打到融資

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊NVIDIA 傳為 OpenAI 擔保 2,500 億美元資料中心融資 《華爾街日報》引述知情人士報導，NVIDIA 正洽談為 OpenAI 約 2,500 億美元融資提供擔保，協助 OpenAI 租用日本軟銀（SoftBank）旗下能源子公司在美國俄亥俄州南部開發的 10 GW 資料中心計畫。若計入晶片，整項計畫總成本可能超過 5,000 億美元，將是迄今披露規模最大的資料中心計畫。這筆擔保涵蓋資料中心租賃與債務融資，但不包括 NVIDIA 晶片。 NVIDIA 也正另外洽談，為 OpenAI 最高 3,500 億美元的晶片採購提供融資。資料中心第一階段預計在 2028 年完工，初期供電規模約 800 MW；計畫所需電力由美國政府掌控，商務部長盧特尼克（Howard Lutnick）參與決定使用權。協議目前尚未敲定，《路透》也無法獨立核實。若交易成案，OpenAI 將朝直接控制基礎建設邁進，NVIDIA 則不只供應晶片，也將透過融資擔保協助客戶擴大資料中心投資。 ＊三星、博通簽備忘錄，AI 晶片合作上看 2,000 億美元 三星電子（Samsung Electronics）與美國晶片設計業者博通（Broadcom）簽署合作備忘錄，計畫在 2030 年前，針對記憶體、晶圓代工與先進封裝展開規模最高 2,000 億美元的合作。雙方將結合博通的特殊應用積體電路（ASIC）設計能力，以及三星的半導體製造技術，支援 AI、高效能運算與高速網路設備。由於目前簽署的是合作備忘錄，2,000 億美元代表預估合作規模，不等於已確定的採購金額。 合作項目包括以三星低於 2 奈米的製程，生產博通下一代高速通訊晶片，並共同開發新一代高頻寬記憶體（HBM）及先進封裝方案。科技公司持續開發客製化 AI 加速器，也使晶片競爭從單一處理器，擴大至記憶體、晶圓製造與封裝整合。這項合作可望提高三星先進製程的產能利用率，也讓三星進一步爭取大型科技客戶，縮小與晶圓代工龍頭台積電（TSMC）的差距。 ＊Apple […]

十年虧損翻身成中國最貴新股，CXMT 的 AI 記憶體之路還有兩關要過

AI 記憶體晶片需求旺盛，投資人紛紛湧入，中國半導體製造商 CXMT（長鑫儲存）週一在上海科創板上市，首日股價飆漲超過 500％，市值一度衝上約 3.65 兆人民幣，相當於 5,390 億美元，超越市值 5,140 億美元的騰訊，成為中國最值錢的上市公司。這也是今年亞洲最大 IPO，《華爾街日報》指出，這提振了中國成為全球 AI 半導體要角的野心。 報導指出，CXMT 處於中國擺脫對外國技術依賴的最前沿，其成功被視為中國能否打造本土領導企業，以確保其科技供應鏈安全的考驗。外媒觀察，CXMT 目前看來成績不錯，市場似乎對於其與頂級記憶體公司如三星、SK 海力士競爭的能力充滿信心。不過，比起股價神話，或許外界更好奇 CXMT 這波崛起，是技術突破，還是週期紅利？ 十年虧損、半年翻身，這波爆發從何而來 CXMT 成立於 2016 年，過去近十年連年虧損，今年才首度轉盈。據《Reuters》引述其 IPO 公開說明書，該公司第一季營收年增 719%、達約 508 億人民幣，以約 7.7% 市占位居全球第四大 DRAM 廠。如今，該公司實力雄厚，甚至連華為都難以接受其產品價格。 曾經，幫助裝置執行應用程式與儲存檔案的 DRAM 晶片是一門利潤微薄的生意。CXMT 與其快閃記憶體的同業長江記憶體科技公司（YMTC），多年來一直仰賴中國政府資金，並且不斷累積虧損。 但全球 AI 資料中心的大規模建置，已將這些不起眼的元件轉變為全世界最搶手的產品之一，引發了價格上的角力與搶貨潮。4 位知情人士告訴《Reuters》，中國的記憶體製造商如今開始挑選客戶、主導定價。在某些情況下，他們的收費甚至比規模更大的南韓對手三星與 SK 海力士還要高，因為記憶體晶片需求飆升，迫使中國買家付出愈來愈高的價格。 根據報導，CXMT 已與字節跳動簽下 5 年、逾 70 億美元的供應長約，並與騰訊簽下逾 30 億美元協議。中國官方則要求業者優先供應國內、限制國企採購外廠，鞏固本土需求。 握有定價權，卻被擋在 AI 記憶體門外 然而，CXMT […]

OpenAI 財務長揭企業 AI 新帳本：每一美元能買到多少「有用智慧」？

過去幾年來，整個 AI 產業最看重的問題就是：誰擁有最聰明的模型？雖然追求技術巔峰依然至關重要，但一項新的「北極星」指標正悄然浮現，那就是企業「每花 1 美元，究竟能取得多少有用的智慧」。 隨著越來越多模型的能力已足以應付多數日常商業任務，企業買家開始轉變態度，不再盲目追求絕對最強大、最昂貴的模型，而是更在乎如何以合理的成本，讓 AI 可靠地完成工作。這場企業 AI 的成本戰，也讓財務主管們備感壓力，就連 OpenAI 執行長 Sam Altman 都坦言，高昂的成本已成為客戶在部署 AI 時，僅次於組織內部推廣的第二大挑戰。 為了回應這波對成本與回報的質疑，OpenAI 財務長 Sarah Friar 便提出一套新的評估框架，主張以「每一美元的有用智慧」（useful intelligence per dollar）作為衡量 AI 成功與否的新指標。Sarah Friar 強調，企業不應只以整體支出或單純的 token 單價來衡量成效，而應深入評估 AI 是否真的在替企業完成「有價值的實際工作」，例如成功解決客服問題、交付程式碼或完成合約審查。 最強模型不再包辦所有任務，Amazon 如何用分級調度壓低 AI 成本？ 這股從追求智慧轉向務實的風潮，正席捲科技巨頭與新創生態系。以亞馬遜（Amazon）重建語音助理 Alexa+ 為例，亞馬遜正積極將更多使用者請求導向其自身開發、能力相對較低但運作成本也更便宜的自研 AI 模型，同時刻意避免不必要地呼叫 Anthropic 旗下價格更高、效能更強的模型。亞馬遜的核心思維非常明確：並非讓 Alexa 每次回答都動用最聰明的模型，而是只有在任務複雜度確實需要時，才動用高成本的 AI 能力。 開發語音 AI 的 Inworld 公司執行長 Kylan Gibbs […]

矽谷罕見內戰：中國開源 AI 進逼，掀開美國科技陣營各自算盤

中國開放權重（open-weight）模型近期密集問世，在多項評測上逼近美國頂尖模型，讓矽谷對於「該不該限制中國開源 AI」出現罕見的公開對立，在上個週末，這場爭論更到達了白熱化的階段。 上週五，NVIDIA 執行長黃仁勳在社群平台 X 上發表了他的第一篇貼文，稱「世界既需要前沿的封閉模型，也需要前沿的開放模型。」9 分鐘後，微軟執行長納德拉也發文，表示開源軟體對於健康的 AI 生態系統至關重要。兩人都簽署了一封力挺開源 AI、敦促政策制定者避免過早限制開源 AI 的公開信，簽署者還包含 Meta、Palantir 和 IBM 高層。 與此同時，立場的另一端也積極行動。5 位消息人士告訴《紐約時報》，OpenAI 與 Anthropic 已向華府監管機構遊說，限制中國開放權重模型。 不過令人玩味的是，據《implicator.ai》與《TechRadar》，OpenAI 原本並未出現在前述公開信上，週五晚間才補簽，其執行長奧特曼並發文稱希望美國在開源與專有模型上「都能取得勝利」。Google 執行長皮查則在週六隨後跟進，表示「非常高興代表 Google 支持這項行動。」目前 Anthropic 則成為唯一尚未公開表態的美國前沿 AI 公司。 一邊公開挺開源、一邊私下要求設限，同一家公司在同一週給出兩種訊號。要理解這種分歧，從各家的商業模式結構看起，便可發現中國開放權重模型的進逼，正把美國 AI 產業內部原本互不衝突的商業利益推上檯面。 免費下載就能用的中國模型，正在逼近美國前沿水準 引爆點來自中國實驗室近期密集的模型發布。Z.ai 在 6 月推出 GLM 5.2，Moonshot AI 隨後端出 Kimi K3，阿里巴巴接著發布 Qwen 3.8。這些模型的共通點是訓練後的參數公開、可下載後在自家機器上運行，但原始碼與訓練資料未必公開，因此業界多以「開放權重」而非完整意義的「開源」來稱呼。 以 Kimi K3 為例，《implicator.ai》引述外部評測指出，Arena AI 將其列為網頁開發任務第一、代理任務第四，Artificial Analysis 的智慧指數則排在第三。Moonshot 於 […]

Office 被繞過、GitHub 遭追趕、Azure 缺算力：微軟為何被自己點燃的 AI 革命反噬？

三年前，微軟（Microsoft）執行長 Satya Nadella 因提早押注 OpenAI，並在發表會上高調推出整合 AI 的 Bing 搜尋引擎，被外界視為帶領微軟站上生成式 AI 浪潮最前線的「超級英雄」。隨後，不論是協助 OpenAI 順利度過董事會風波，還是重塑微軟的企業形象，都讓他獲得許多讚譽。 然而，三年後的如今，Satya Nadella 正面臨嚴峻考驗。微軟股價在過去 12 個月內下跌超過 24%，表現明顯遜於其他科技巨頭，這讓市場逐漸懷疑，微軟預計今年投入破紀錄的 1,900 億美元建設 AI 基礎設施，究竟能否帶來相應回報。更嚴峻的是，生成式 AI 的崛起正在徹底重塑人們工作、撰寫軟體與獲取資訊的模式，並同時衝擊 Microsoft 365 生產力工具、GitHub 開發者平台與 Azure 雲端服務三大核心事業。這也讓當初指引微軟轉型的 AI「北極星」，如今可能成為勒緊這家科技帝國發展的沉重鎖鏈。 AI 繞過 Office 工作入口，Microsoft 365 的護城河開始鬆動 在過去數十年間，微軟的生產力軟體一直是全球知識工作者每天工作的起點，大家已習慣打開 Word 寫作、使用 Excel 分析數據、透過 PowerPoint 製作簡報。然而，這條看似牢不可破的護城河，正在被 AI 悄然瓦解。如今，數百萬名工作者開始繞過微軟的應用程式，直接在 ChatGPT 或 Claude 等 AI 工具中完成任務。更令微軟尷尬的是，其 AI 產品 […]

AI 治理三角色：訊號架構師、判斷工程師、決策擁有者，AI 出錯才有人說得清

企業導入 AI 後，最常見的失誤模式往往不是技術出錯，而是責任憑空消失。 系統平時判斷準確，所以人類多半不會逐一檢視就直接放行，而高接受率也順勢被當成「AI 導入成功」的證據；但這個證據其實只證明了系統夠穩定，沒有證明人類真的看懂每一筆決策。 等到某個決策事後被證明有問題、代價高昂，企業才發現找不到是誰決定的。 「人在迴圈中」常常只是一句口號 遇到這狀況，企業慣用的標準答案是「人在迴圈中」（human in the loop），但這個詞逐漸被當成合規勾選項，而非刻意的治理決策。常見做法是在流程尾端加一道審核關卡，用一次人工核准表示「有控制」，反而弱化了人類監督原本該發揮的作用。 設計不良時，人類被要求核准自己根本無法真正評估的輸出，監督只在名義上存在，風險則在底下悄悄累積。 有效的治理會把人類角色當成系統設計的結構性元素，事先定義哪些決策能自動化、哪些必須上呈、哪些永遠不該完全交給 AI，因為這是治理問題，不是技術問題。這個原則也逐漸被寫進國際規範，包括美國 NIST 的 AI 風險管理框架、ISO/IEC 42001，以及歐盟 AI 法案，都要求高風險系統必須有明確的人類監督機制。有意義的「人類參與」必須被設計、被落實，而不是被理所當然假設存在。 但「設計」兩個字說起來容易，實際上要由誰去做、做什麼，多數企業其實答不出來。從落地成功的部署案例回頭看，可以發現有三個角色其實已經在扮演這個「設計監督」的工作，只是沒有人特別去招募，也沒有職缺描述寫過它們，現在可以做的是把它們正式定義出來。 訊號架構師：讓隱性直覺變成機器讀得懂的脈絡 第一個角色是訊號架構師（Signal Architect），負責決定組織該看什麼、這些訊息代表什麼意義，以及何時足以被信任、據以行動。 一張庫存水位儀表板只是數據，真正的「訊號」必須包含發生了什麼改變、為什麼重要、系統對判斷有多少信心。混淆兩者的代價會很高，因為機器會依照被餵進去的資訊大規模行動，不會有人類自動補上背景脈絡；而訊號架構師的任務，就是把這種隱性知識明確化，讓機器也能承接。 判斷工程師：畫出人機分工的界線 有了訊號還不夠，組織還得決定人類該在流程裡的哪個環節出現，這正是第二個角色判斷工程師（Judgment Engineer）的工作。 而且，重點不是「要不要」介入，而是「精確在哪個位置」介入。哪些能由 AI 自行解決、哪些該提供建議、哪些必須交到人類手上；這些分界要依組織整體價值來畫，而非單一部門指標，因為關在單一部門裡的 AI 代理人，只會優化自己的指標，悄悄流失部門介面間的價值。 決策擁有者：掛名才會被究責 分界畫定之後，還需要有人為每一個落在「必須人類決定」那一格的判斷，實際負起責任，這就是第三個角色決策擁有者（Decision Owner）的工作。 每一個具實質後果的決策背後，都要有一個被具名指定的人——是一個人，不是委員會，不是「系統」本身。這聽起來像官僚作風，實際上相反。決策背後掛著名字，品質反而會提升，出了問題也有人能解釋自己當時知道什麼、為什麼這樣判斷，這正是讓 AI 可稽核的關鍵。 三個角色到位後，責任才真正回得來 三個角色定義清楚之後，接下來就是落地的問題，可以先把三個角色當「帽子」分派給現有的人，讓他們先做起來，不必急著變成正式職缺。這也是為什麼，企業討論 AI 人才時，如果焦點只放在招募機器學習工程師，其實找錯了方向。真正稀缺的，是圍繞模型去設計人類判斷力的能力，而這正是前面那三個角色在做的事。 當三個角色到位，開頭那種「找不到人負責」的情境就不會再發生。因為判斷工程師事先定義哪些決策必須交由人類，其餘由系統自動處理、留有紀錄；遇到跨部門資訊落差，決策擁有者能依整體價值否決系統建議，訊號架構師再把關鍵資訊補進系統。管理儀表板也該從「建議接受率」，改成呈現決策品質與否決模式。 當企業真正能回答「這是誰決定的」，答案裡有名字、有理由，也有人願意負責，這正是「部署 AI」與「真正吸收 AI」之間的分野所在。 【推薦閱讀】 ◆ 【華爾街人才洗牌】例行報告交機器、判斷交給人，五種新職能重定義金融人才◆ 產業人才結構重塑中：AI 把開發成本砍半，工程師的市場價值不跌反漲◆ AI 已催生 130 萬個新型職位：《富比士》點名 20 […]

AI 沒有大規模取代員工？Google 分析 1,500 萬筆互動：「完全自動化」任務占比不到一成

Google 近日發表一項名為「ATLAS」的大規模研究，目的是探討人們在日常工作和生活中如何實際使用 AI 工具。研究共分析超過 1,500 萬筆去識別化的真實人機互動數據，涵蓋全球超過 150 個國家、140 種語言、800 種職業以及 4,000 項任務，是迄今針對真實世界 AI 應用所進行最全面的觀察之一。 研究顯示，現在的 AI 主要是幫手，而非替身。若這樣的趨勢不變，隨著技術持續發展，未來對高技能人才的需求將會更加旺盛。儘管部分企業因 AI 進行裁員，但美國整體失業率依舊偏低，這正反映出經濟學界的核心爭議：AI 究竟會消滅工作，還是能釋放更強的生產力？ AI 應用「寬而淺」：自動化不到一成，協作價值從白領延伸至技術現場 首期 ATLAS 報告顯示，AI 在工作中的應用呈現「寬而淺」的特徵。在美國，AI 的採用已擴及 68% 的職業種類，而這些受 AI 影響的行業與職業，共佔美國總就業人口的 90%。不過在具體工作中，人們使用 AI 的方式相當節制：在典型工作中，AI 僅被用於約 21% 的任務。大多數 AI 互動主要集中在協作和任務協助，例如概念構思、策略制定、資訊檢索和學習，卻極少用於將任務完全自動化，自動化比例低於 10%。 這種特性在需要勞工判斷的非例行性認知任務中尤為明顯。例如，攝影師會與 AI 協作來增強影像，但無法將其設定為完全重複的自動化流程，因為每張照片都需要不同的判斷。這項發現顯示，AI 目前的角色更像是能協助測量員進行精準測量的「雷射水平儀」，而非直接取代收銀員的「自助結帳機」。這種協作型技術非但沒有消除工作，反而能放大勞工的專業價值，使其更具競爭力。 此外，AI 的應用並不限於具大學學歷的白領知識工作者。汽車技術人員、工業機械師等藍領與技術產業勞工，也會將對話式 AI 當作即時診斷、故障排除和即時學習的現場協作者。當這些領域的勞工使用 AI 工具時，他們使用多模態 AI 的機率是一般 AI 使用者的兩倍。他們會透過上傳影像和影片，讓 AI […]

為 AI 代理自研專用搜尋引擎，Seltz 用「情境工程」挑戰 Google 與第三方套殼服務

人工智慧新創公司 Seltz 準備挑戰 Google，該宮專注於面向 AI 代理和聊天機器人領域，希望透過「情境工程（context engineering）」催生出全新型態的搜尋引擎。

2030 歐盟限塑令倒數！達梭數據：虛擬孿生讓包裝開發打樣直接砍半

歐盟《包裝與包裝廢棄物法規》（Packaging and Packaging Waste Regulation，PPWR）已於 2025 年正式生效，並規定在 2030 年前逐步淘汰特定一次性塑膠包裝及不必要的塑膠外包裝。對高度依賴塑膠包材的食品、飲料與日用品品牌而言，必須在有限時間內完成材料替換、製程調整及法規驗證。 法國軟體公司達梭系統消費品與零售產業全球商業顧問總監 Raymond Wodnar 表示，虛擬孿生（Virtual Twin）可在正式製造前完成大量材料驗證與效能分析，大幅降低反覆實體打樣的需求，也讓企業能更快回應法規更新及市場變化。 一項包材變更、全球連動，虛擬孿生如何幫企業提前拆彈 法國食品大廠貝爾集團（Bel Group）旗下 Mini Babybel 起司便是代表案例。該公司計畫將經典起司外包裝由塑膠膜改為可回收紙材，目標在 2027 年完成全球轉換。這項專案牽涉的不只是包材更換，還包括產品保護能力、生產流程、回收體系，以及其遍及全球 5 座生產基地、50 個市場的消費者教育，任何一個環節改變都可能影響整體供應鏈。 為降低跨國試產成本，貝爾集團導入虛擬孿生技術，在數位模型中模擬不同包裝設計對產品、防護性能及生產流程的影響，提前評估回收機制與各市場導入後可能產生的系統性變化，再進行正式量產。相較於過去需要在多個工廠反覆製作樣品並進行跨國測試，數位模擬大幅縮短其驗證流程，也避免投入大量時間與資源後才發現設計問題。 虛擬孿生的價值還延伸至材料性能分析。系統可模擬高溫、低溫、物流運輸、耐用度等真實情境，提前預測包裝是否會因不同環境而產生變形或失效。Raymond Wodnar 指出，企業也能同時執行多組「What-if（假設）」情境分析，比較不同材料在成本、耐用性、環境影響及法規符合度上的差異，再決定最佳方案，避免昂貴的實體試驗。 打樣需求直接砍半！微調「零點幾毫米」累積省下數百萬美元 在成本效益方面，達梭系統引用自身客戶導入案例指出，一家咖啡品牌在紙質咖啡膠囊正式生產前，先利用虛擬孿生完成設計模擬，使包裝廢棄物減少約 40%。 另外，Raymond Wodnar 說：「根據達梭系統分析歷史包裝開發專案的數據，導入數位模擬後，企業可將實體測試樣品數量減少約 50%。」，因此可同步降低模具加工、測試批次、生產用原料及設備耗電量。 Raymond Wodnar 指出，對全球大量生產的品牌而言，即使包裝材料僅減少零點幾毫米厚度，每件產品節省的成本只有幾美分，但當銷售規模擴及數十個國家時，每年累積下來仍可能節省數百萬美元的原材料採購成本。 隨著包裝法規持續升級，虛擬孿生也開始與人工智慧、產品生命週期管理（PLM）、製造執行系統（MES）及企業資源規劃（ERP）整合，讓包裝設計、供應鏈管理及法規遵循共享同一套資料基礎。達梭系統認為，未來包裝將逐漸成為連結產品資訊、回收管理及循環經濟的重要節點，虛擬孿生則將成為 CPG（consumer packaged goods，消費品包裝）品牌加速創新、降低成本及因應全球法規變革的核心技術。 【推薦閱讀】 ◆ 高通膨下的展店難題，美式速食品牌 Shake Shack 如何用 AI、數據、會員三招破局？ ◆ 用 AI 把行銷素材規模化、效率提升3-5倍：Expedia 子品牌如何拿捏人機協作的邊界？ […]

【科技早餐】AI 資本競賽加速：美韓合作上看 9,500 億美元，四巨頭支出達 7,250 億美元

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊南韓 AI 合作上看 9,500 億美元，三星、SK 綁定美國科技巨頭 南韓政府宣布，三星電子（Samsung Electronics）、SK 集團（SK Group）與美國科技公司的 AI 合作，協議總值上看 9,500 億美元。SK 集團簽署的協議約達 7,500 億美元，其中與 NVIDIA 的合作超過 5,000 億美元，涵蓋大型 AI 資料中心與下一代記憶體。旗下 SK 海力士將長期供應 NVIDIA 記憶體，並共同開發 AI 訓練、AI 代理與實體 AI 所需的高頻寬記憶體（HBM）。這些協議是在南韓總統李在明於舊金山主持的 AI 高峰會後公布；他也發布「舊金山 AI 宣言」，提出南韓與美國擴大 AI 技術合作的產業願景。 SK 電訊（SK Telecom）計畫建置採用 NVIDIA Vera Rubin 平台與 SK 海力士 HBM4 的 2 GW AI […]

【企業資料主權的危機與行動策略】35% 企業重兵佈局「混合雲」，掌握資料主權是加速 AI 創新的底層引擎

歐洲研究機構 BARC 發布《Data Sovereignty 2026（2026 資料主權報告）》，盤點了全球企業在資料治理與基礎設施的佈局現況。報告點出，雖然高達 89% 的企業已將資料主權列為核心戰略，但實務上卻有 40% 完全沒有投入實質預算，顯示高管的戰略目標與資源配置之間存在明顯落差。 隨著 AI 應用逐步進入企業核心業務，確立資料邊界已是維持營運穩定的先決條件。企業的關注重心正轉向實質風險控管，包含防範資安威脅與降低對單一雲端供應商的過度依賴，這也直接帶動了底層技術架構的重組。 以下報告摘要探討驅動架構轉向的內外部風險因素、檢視企業在混合雲與地端系統的實際資源分配狀態、提出企業在建置階段遭遇的老舊系統整合與專才短缺挑戰，並總結報告針對決策層提出的行動框架。 📎 這份報告適合誰閱讀？ 報告內容涵蓋戰略、技術架構、治理與營運實務，適合以下幾類核心工作者與管理階層閱讀： 🔴 報告洞見 89% 企業重視資料主權，但四成沒有預算 資料主權已不再只是單純的合規要求，而是企業在不承擔不可接受風險的前提下，安全運行人工智慧與資料驅動核心業務的「戰略先決條件」。 《Data Sovereignty 2026》報告點出，高達 89% 的企業已將資料主權視為整體營運的重要環節，其中認為「非常重要」的比例，更從去年的 42% 顯著躍升至 51%。這意味著過半數的市場領先者已將其視為首要任務。 此外，將近三分之一（29%）的企業，已經將資料主權確立為其內部數位與資料戰略的核心組成部分。 這表示，資料主權已經正式跨出 IT 基礎設施的範疇，躍升為董事會層級必須面對的關鍵核心議題。 驅動力從法規轉向風險：雲端依賴與 AI 擴張 是什麼力量迫使全球企業正視「重塑資料邊界」？關鍵是高管的關注焦點已經從過去的「應付法規與規則」，全面轉向「實質風險管理」與「業務創新賦能」。 在外部風險管理的防禦面上，儘管法律與法規要求仍是推動資料主權的首要因素，但其影響力正在逐步下滑（從 2025 年的 69% 降至 2026 年的 61%）。取而代之的，是企業對實質營運風險的強烈焦慮：針對網路安全事件的擔憂攀升至 49%，對美國地緣政治發展的顧慮增長至 54%，而最值得注意的是，企業對於「過度依賴公有雲服務」的擔憂比例，也顯著提升至 46%。 這些數據表明，資料主權的討論已不再是單維度的合規稽核，而是深刻牽動著企業架構彈性、供應商戰略與營運韌性的底層防禦網。 在內部商業野心的進攻面上，推動力則來自於企業對 AI 變現的渴望。 高達 62% 的受訪企業坦言，「在核心業務流程中擴大使用資料與 […]

從智慧城市到智慧工廠：解密鴻海「AI 原生 X 數位孿生」的左右腦思維

在日前舉辦的 2026 AI 智慧大工廠論壇，鴻海科技集團資深經理陳衣帆從「智慧城市」的宏觀視角切入，重新定義「智慧製造」。 陳衣帆舉例，無論是美國推動自動駕駛重塑生活型態、杜拜將整座城市放入數位沙盒中模擬運作、深圳利用無人機與物聯網實現交通數位執法，或是新加坡將大型語言模型導入公務體系，這些國家在推動政策時都有一個共通點：「他們不再將 AI 視為單純的輔助工具，而是將 AI 融入社會的 DNA，徹底重構整個運作體系。」 以「AI 原生」重新建構企業營運 DNA 然而，對於企業或政府單位而言，究竟能如何應用 AI 發揮最大價值 ，建構組織競爭力？ 陳衣帆透過汽車產業由燃油車過渡到電動車的發展歷程比喻，提出「AI 原生思維」概念。他指出，現今許多企業在導入 AI 時，往往採取「油改電」的捷徑做法，也就是「把引擎換成電動引擎，再把電池放進去」，這樣的作法雖然研發速度快，又能沿用舊產線與車架，但代價是必須犧牲車內空間，且整體系統運作容易產生瓶頸或卡頓。 若將相同的概念對應到工廠軟體與資訊系統的開發上，許多企業只是在老舊的 ERP 流程或傳統資料庫，加上一個 AI 聊天視窗或分析外掛。若要達到「AI 原生」效果，就必須像是專為純電架構打造的電動車，從底層便以 AI 的自動推理與決策為核心來構建，才是真正發揮 AI 最大價值的原生形態。 AI 原生 X 數位孿生：打造城市與工廠的左右腦思維 基於「AI 原生」的思維，鴻海推出 CityGPT 智慧城市 AI 平台，在這個架構中，城市擁有如大腦般的雙核心機制，負責邏輯推理與數據分析的 AI 模型，以及負責整體感知與空間洞察的數位孿生（Digital Twin）技術。目標是將整個城市 1:1 複製到數位虛擬環境中，透過如同城市「五感」的物聯網設備：攝影機（眼）、聲音感測器（耳）、空氣與水質偵測（鼻與舌），將真實世界的海量數據即時傳送至大腦中樞。陳衣帆舉例，當城市導入數位孿生與 AI 推理後，系統便能模擬未來交通狀況，提前控制紅綠燈、引導周邊車流，或應用於天災防禦，在微秒之間做出應變決策。 陳衣帆將這個概念延伸至製造業，將工廠比喻為一個小城市。過去建廠與擴線仰賴實體設備上線後的單次測試與人工調整，一旦發生硬體不相容或動線規劃錯誤，不僅會耗費龐大的資本，更面臨停機風險。如今透過 Foxconn Omniverse 數位孿生平台，讓企業在虛擬環境中進行 100% 的建廠模擬與設備測試，團隊在虛擬環境中完成工廠參數的設計與驗證後，再將最佳化產線 1:1 […]

從 AI 機櫃到人形機器人：AMD 如何用 Helios、FPGA 挑戰 NVIDIA 全端護城河？

在晶片巨頭的競爭版圖中，AMD 正發起一場雙線作戰，同時將觸角延伸至資料中心與實體 AI 的最前沿。AMD 近日在 Advancing AI 大會上正式展示名為 Helios 的機櫃級 AI 系統，這套系統被視為直接向主導資料中心市場的 NVIDIA 宣戰。 同時，人形機器人新創公司 Foundation Future Industries 也投下震撼彈，宣布未來的 Phantom 人形機器人將採用 AMD Ryzen AI Embedded X100 系列處理器，並利用 AMD 的 FPGA 晶片執行關鍵的機器手與感測控制。 過去，NVIDIA 憑藉 Vera Rubin 和 Grace Blackwell 機櫃系統，在 AI 運算市場建立領先優勢，並在邊緣端以 Jetson 模組和 Isaac 模擬工具，奠定其在機器人領域的市場地位。然而，AMD 的最新戰略正試圖從硬體到平台的多個層面，撼動 NVIDIA 的領先優勢。 代理式 AI 推升算力需求，AMD 用 Helios 機櫃搶進資料中心市場 隨著全球 […]

微軟開始把 OpenAI 換掉了？兩款新自研 MAI 模型背後，是一套更值錢的方法

微軟在本週一次將兩款全新自研 AI 模型推入公開預覽，分別是主打高擬真影像的 MAI-Image-2.5-Pro，以及為高流量語音場景設計的 MAI-Voice-2-Flash。值得關注的是，這場發表罕見詳列了這些模型的運行平台，囊括 Bing、PowerPoint、OneDrive、Dynamics 365、Excel、GitHub Copilot 與 Azure，等於向企業用戶、也向 OpenAI 宣告：微軟的自研模型已不再是研究計畫，而是服務數百萬用戶的生產基礎設施。 「微軟的產品，由微軟的模型驅動。」官方部落格這句話，才是這場發表的重點。因為攤開其部署數據會發現，微軟想推銷的，其實不只是這兩款新模型。 部署數據是重點，自研模型逐一頂替 OpenAI 仔細觀察，這兩款新模型刻意站在成本曲線的兩端：MAI-Image-2.5-Pro 走高品質路線，是微軟目前擬真度最高的影像模型；MAI-Voice-2-Flash 則走高量、低成本路線，速度是前一代的 2 倍、成本便宜 32%，主攻客服中心與語音代理等對延遲與每通成本敏感的市場。 據《VentureBeat》整理，微軟的圖像生成器 Bing Image Creator 已 100% 改用自研的 MAI-Image-2.5；在 PowerPoint 產品中，讓 GPU 成本較 OpenAI 的 GPT-Image-2 最多降低 84%；語音端的 MAI-Voice-2-Flash 已用於 Dynamics 365 客服中心（客戶含 T-Mobile、EasyJet），GPU 成本最多降低 89%；服務 17 萬名醫療人員的 Dragon Copilot，跨 58 種語言的多語流程也換上了 MAI-Transcribe-1.5。 微軟模型主管 Mustafa […]

DEAT 完成第五屆理監事改選，劉于遜續任理事長：聚焦代理式 AI、共享經濟與數位政策，打造台灣平台經濟下一個十年

社團法人台灣數位平台經濟協會（Digital Economy Association Taiwan，以下簡稱 DEAT）昨（23）日舉辦第五屆會員大會暨產業論壇，完成第五屆理監事改選，由 WeMo 執行長劉于遜續任理事長。新一屆理監事匯聚共享運具、外送平台、社群平台、物流服務、共享經濟、企業顧問及法律等多元領域代表，展現數位平台產業跨域合作的能量。 大會同步舉辦年度產業論壇，以「平台經濟新賽局：代理式 AI 下的產業轉型與智慧變現革命（Platform Economy in the Agentic AI Era）」為題，邀請 Dcard 創辦人暨執行長林裕欽、PanSci 泛科學共同創辦人暨知識長鄭國威，以及 INSIDE 創辦人、網路創業家蕭上農共同對談，探討 Agentic AI 如何重新定義平台價值、商業模式及台灣下一波產業機會。  劉于遜續任理事長，持續深化政策倡議與公私協力 自 2017 年成立以來，DEAT 持續串聯國內外數位平台企業，會員橫跨共享運具、外送平台、內容平台、線上教育、租賃、物流、通訊等多元產業，長期推動數位平台產業發展、法規倡議與產官學交流，並透過研究計畫、論壇及公共倡議，協助建立更友善的數位經濟發展環境。 近兩年來，DEAT 持續深化政策倡議與公私協力，累計舉辦 8 場爐邊對談，邀集超過 30 位產官學代表交流，並參與超過 20 場政策倡議及政府會議，積極推動平台經濟相關法規與制度討論。同時，協會陸續拜會中央部會及地方政府，建立政策溝通機制；研究方面，推動兩項學術研究專案，其中年度重點《台灣六都數位政策調查》攜手國立政治大學建立全台首套本土化數位政策評估架構，並將研究成果分享予六都首長及地方政府，作為城市數位治理與 AI 政策發展的重要參考。 續任 DEAT 第五屆理事長的劉于遜表示：「很榮幸再次獲得會員的信任和支持。未來兩年，協會將持續深化政策倡議與公私協力，協助會員突破制度限制、建立更友善的創新環境。我們也將持續整合會員第一線的產業觀點，深化與中央及地方政府的交流，讓產業需求更早納入政策形成過程，打造更完善的數位平台發展環境。」 聚焦共享經濟與十週年布局，建立更具影響力的產業平台 針對未來工作重點，劉于遜表示，共享經濟一直是 DEAT 最具代表性的核心領域之一，未來將規劃發布共享數據、替代率等研究成果，透過數據建立更完整的公共討論基礎，協助社會理解共享經濟對交通、城市治理、資源利用及永續發展所帶來的價值。 他也表示，DEAT 即將迎來成立十週年的重要里程碑，新任期開始後的第一年將親自走訪會員企業，深入了解會員需求與期待，共同思考協會下一個十年的發展方向。他表示：「下一個十年，DEAT 不只是產業交流的平台，更希望成為推動台灣數位政策的重要橋梁。我們希望透過更多與會員的深度交流，凝聚產業共識，也促進會員彼此在議題、資源及未來發展上的合作，共同打造更具競爭力的平台經濟生態系。」 新一屆理監事跨域組成，持續擴大平台產業代表性 本次會員大會同步完成第五屆理監事改選，新一屆理監事成員橫跨共享運具、共享經濟、物流服務、外送平台、社群平台、內容平台、企業顧問及法律等多元領域，充分展現台灣數位平台產業跨領域合作的代表性。 DEAT 表示，未來將持續整合會員第一線的產業經驗，深化與中央及地方政府的政策交流，推動跨產業合作、數位政策研究及法規倡議，建立更完善的數位政策對話平台，協助台灣打造兼顧創新、治理與永續發展的數位平台經濟環境。 聚焦 Agentic […]

最強模型也開放，DeepSeek 靠什麼賺錢？創辦人梁文鋒揭背後的「克制戰略」

近日，一份 DeepSeek 創辦人梁文鋒與投資人的談話紀錄在科技圈引發廣泛討論。這場於 2026 年 5 月舉行、長達近四個小時的會談，不僅透露 DeepSeek 獨特的商業思維，也折射出中國 AI 產業正在國家政策與商業獲利之間尋求平衡的軌跡。 儘管中國政府大力推動「開源、開放、協同、共享」的科技戰略，使眾多實驗室跟進開放權重模型，但財務代價也日益沉重。《Business Insider》專欄作家 Alistair Barr 指出，「開放權重」模型與傳統開源軟體有本質上的不同，因為軟體複製的邊際成本趨近於零，但 AI 模型每次回答都需要昂貴的晶片、電力與資料中心容量，新增使用者也必然同步拉高基礎設施成本。 這種沉重的財務壓力已在市場上顯現：已上市的智譜 AI 於 2025 年虧損近 5 億美元，另一家獨立實驗室 MiniMax 同樣面臨 2.5 億美元的巨額赤字。就連月之暗面（Moonshot AI），也在 Kimi K3 模型推出數天後，因難以承受暴增的運算成本，被迫暫停新用戶註冊。在開放模型被視為一門「糟糕生意」、業者面臨生存挑戰之際，梁文鋒卻提出截然不同的觀點。 不爭最大利益、不設 KPI：梁文鋒的「克制戰略」 面對產業現狀，梁文鋒坦言，DeepSeek 創立時的初衷並非賺取特定金額、進入資本市場或上市，至今也從未採取追求商業利益最大化的經營模式。對他而言，堅持將最強模型開源並不是妥協，而是主動且經過深思熟慮的「克制戰略」。梁文鋒指出，他看不出封閉模型有任何必然的好處，因此未來 DeepSeek 仍會持續開放，甚至最強的模型也大概率會開放，且對外開放的模型版本，將與 DeepSeek 自行部署的版本完全相同，絕不刻意私下保留更強的模型。  梁文鋒認為，AI 未來將占據人類社會巨大的經濟價值。面對如此龐大的歷史潮流，任何一家企業試圖獨占利益，都必然會遭遇阻力。「如果你的願景是拿走 5% 的利益，你一定會被一個願意只拿 1% 的挑戰者擊敗，而拿 1% 的人，又會被願意只拿 0.1% 的人擊敗，」梁文鋒強調，「不爭」反而是提高 AGI 成功率的最佳策略；如果企業目標只是賺取更多利潤，反而會面臨更大的困難。 這種克制思維也深植於 DeepSeek […]

AI 自己逃出實驗室、駭進 Hugging Face，美國國會急催「關機鍵」法案

OpenAI 日前坦承，旗下兩個最先進的 AI 模型在一次內部評估中逃出沙盒測試環境，並自主入侵 AI 平台 Hugging Face。OpenAI 形容這是一起前所未見的資安事件，而這起事件正促使美國國會提出一部要求 AI 必須「關得掉」的法案。 美國眾議員 Ted Lieu 與 Nathaniel Moran 跨黨派提出《AI Kill Switch Act》，要求達到一定規模的 AI 業者必須具備關閉、暫停與減速模型的技術能力，並授權政府在必要時下令介入。 一場「前所未見」的 AI 失控，催出跨黨派法案 根據《Politico》與《The Verge》報導，該法案由民主黨籍的 Ted Lieu 與共和黨籍的 Nathaniel Moran 於週四共同提出，Lieu 同時是眾議院民主黨 AI 委員會共同主席之一。法案的核心要求有兩項：一是業者必須通報 AI 的事故與失效，二是業者須建立能減速、暫停與關閉自家系統的技術能力，並依一套官方框架，從「初步減速」一路走到「完全關閉」。 《Politico》指出，這是國會少數具有兩黨共識的前沿 AI 風險提案，距離眾議員 Jay Obernolte 與 Lori Trahan 提出另一套性質不同的方案還不到兩個月。Moran 表示，AI 會繼續進步、也應該繼續進步，但「善盡職責意味著確保人類保有控制自身所造技術的能力」。Lieu 則直言，強大的 AI 系統可能失控、做出極度危險的行為，甚至抗拒人類的干預，因此為這類系統設下關閉機制、並讓聯邦政府握有明確的介入權，是當務之急。 誰適用、什麼情況會被按下關機鍵、罰多重？ 該項法案劃出了明確的適用門檻與觸發條件。根據《Politico》，適用對象為每年從 […]

「老闆要的不是機台，是獲利。」新漢智能揭密中小製造業 AI 轉型第一步

在日前舉辦的「2026 AI 智慧大工廠論壇」，聚焦探討製造業 AI 賦能的實戰路徑。新漢智能副總經理阮北山指出，大型場域複雜標準、漫長的導入時程與高昂的建置費用，往往讓中小企業對 AI 智慧轉型望而卻步。面對資源有限的現實，中小企業如何打破規模限制，從零開始建構專屬的 AI 競爭力？ 阮北山觀察到，許多工廠在轉型時盲目導入 AI 模型，卻忽略底層數據收集才是模型的根基。為此，新漢推出「AI 生產小達人」Edge AI 專家平台，協助中小企業推動轉型時，採取循序漸進的實戰策略。 以神經系統架構打通企業 AI 大腦 企業在推動轉型時，首先需要釐清導入 AI 的真正目的。「老闆真正想看的不是機台，而是獲利」阮北山表示，在傳統的工廠管理中，現場資訊往往人工抄寫，甚至充滿人為的修飾與誤差，缺乏真實且即時的數據，就無法進行有效的管理，更遑論找出隱藏在生產線中的成本漏洞或超支。 「對於中小企業的工廠來說，優先任務不應該是買一顆 AI 大腦，而是先長出神經」阮北山表示，導入 AI 應該先從底層的基礎設施做起，他比喻企業的決策中心就像是「大腦」，現場設備串接起來的數據則是「神經」，透過邊緣運算讓這套神經系統將底層設備的稼動率、停機、異常與產出數據精準串接起來，企業才能定位出營運的根本問題。 對此，新漢智能提出兩大核心工具。首先是「AI 生產小達人」平台，讓 AI 擔任現場數位助理，整理繁雜資料、提供異常即時警示並進行深度趨勢分析，透過分析設備效率下滑的軌跡，或是新進員工的學習曲線，AI 能在問題擴大前，主動提醒管理者預先處置。第二個是「AI 獲利總管」，其核心價值在於串接 IT 與 OT 端，將工單、材料成本與生產站別等資訊匯總，幫助企業找出損害毛利的源頭。 阮北山舉例一家生產電池材料的台灣廠商，成功打入法國潛艦國防供應鏈，其致勝關鍵就在於透過系統串接，完整掌握了生產履歷與碳足跡，過程中 AI 系統更協助他們發現製程中老舊機台的異常耗電問題。透過以上案例即可證明，當現場數據被徹底透明化，改善的需求與成效便會自然浮現。 「一個問題，一個 APP」 輕量化 AI 落地策略 然而，建立數據神經系統與 AI 平台之後，中小企業面臨的下一個難題是「落地成本過高」與「系統開發期過長」。針對這些痛點，新漢智能也提出更具彈性與效益的落地解法。 企業不需要花大錢從頭開發客製化系統，而是可以採取「一個問題，一個 APP」的策略。無論是 CNC 程式最佳化、刀具壽命預測，還是射出機的品質控制，企業都能依據當下最迫切的痛點，精準導入對應的專家 AI APP 來解決。 阮北山最後強調，對於資源有限的中小企業而言，經濟部產業發展署近期推動「19+1」的產業競爭力方案，企業只需負擔極低的成本，就能獲得專家團隊進入企業現場進行訪視、盤點需求、釐清問題，並提出具體可行的改善與轉型建議。「中小企業應該利用這個政策的東風，用極低的門檻與成本跨出 […]

樂雲 AntiFake 前進日本 展示數位驗證與品牌防偽創新應用

樂雲智能於「2026 日本臺灣形象展」展出自主研發的 AntiFake QR Code 防偽驗證系統，向日本市場展示數位驗證、品牌防偽及 AI 偽造辨識等創新應用。透過與日本企業及產業代表交流，展現台灣自主研發數位信任技術的創新成果，並持續拓展海外合作機會。 近年生成式 AI 快速普及，企業在加速推動數位轉型的同時，也面臨 AI 偽造、品牌仿冒及數位身分驗證等新興挑戰。如何建立兼顧便利性、安全性與可信度的數位驗證機制，已逐漸成為企業推動 AI 應用的重要課題。 樂雲表示，AntiFake 為自主研發的數位驗證平台，以數位信任為核心，整合數位驗證、防偽及 AI 偽造辨識等能力，可廣泛應用於品牌商品、活動票券、數位證書、公文文件及會員身分等情境，協助企業建立完整的數位信任機制，提升品牌保護、驗證效率及管理能力。 日本市場長期重視品牌保護、產品品質及服務可信度，對數位驗證與品牌防偽等應用具有高度需求。樂雲此次透過日本臺灣形象展展示 AntiFake 的創新應用，除分享台灣在數位信任領域的自主研發成果外，也與日本企業就品牌防偽、數位驗證及 AI 偽造辨識等應用情境進行交流，進一步了解海外市場對數位信任解決方案的需求。 展覽期間，AntiFake 的數位驗證與品牌防偽應用獲得日本企業及產業代表正面回饋。交流過程中，日本企業表示，雖然當地已有相關防偽技術，但 AntiFake 可依不同產業需求提供更多元且具彈性的客製化應用，能因應品牌商品、證書文件、活動票券及數位身分驗證等不同情境。 此外，樂雲也分享 AntiFake 已於印尼、越南等海外市場展開合作交流，進一步提升日本企業對產品成熟度與國際發展性的信心。現場亦針對產品差異化優勢、平台整合及後續合作模式進行深入交流，展現台灣自主研發數位信任技術的國際競爭力。 樂雲表示，未來將持續深化 AntiFake 在數位驗證、防偽及 AI 偽造辨識等領域的技術發展，並透過海外展會、國際交流及合作夥伴拓展更多應用場域，加速產品國際化發展，讓台灣自主研發的數位信任技術在更多國家與產業落地應用。 (本文訊息由樂雲智能提供，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：樂雲智能。）

GPT-5.4 作弊率居冠、Claude 也未倖免：英國實測揭頂尖 AI 如何鑽漏洞完成任務

在 AI 能力快速升級的此刻，人們能否信任 AI 系統依循預期方式執行任務，已成為部署與安全評估的核心課題。英國 AI 安全研究院最新發布的資安能力評測指出，當前最頂尖的 AI 模型為了達成指定任務，普遍會採取走捷徑、利用漏洞等不當手段，甚至在事後扭曲或隱瞞自己取得結果的真實途徑。 這種利用測試環境漏洞，而非依循正規路徑解決問題的行為，在機器學習界被定義為「作弊」。雖然這類行為不必然代表模型具備惡意企圖，但可能導致評測結果嚴重高估模型真正的技術實力，進而誤導安全部署決策。 從偷找答案到攻擊評測系統，五款頂尖 AI 都曾作弊 為了系統性檢測這項行為，英國 AI 安全研究院在模擬的沙盒環境中，對五款領先模型進行資安評測，要求模型透過逆向工程、漏洞利用等攻擊行動，尋找隱藏的英數字元標記。參與這項測試的模型包括 OpenAI 的 GPT-5.4、GPT-5.5、GPT-5.6 Sol，以及 Anthropic 的 Claude 4.7 Opus 與 Claude Mythos Preview。結果顯示，在未受到任何作弊暗示的情況下，這五款模型在執行常規資安任務時，全都主動採取了違規行為。 在總共 475 次測試執行中，OpenAI 的 GPT-5.4 以 14.1% 的比例居作弊率首位，共計違規 67 次。緊隨其後的是 GPT-5.6 Sol，在測試中作弊了 60 次。相較之下，Anthropic 兩款模型的作弊頻率略低，Claude 4.7 Opus 出現 43 次作弊，而 Claude Mythos Preview 則有 37 次。 […]

數位轉型一定要換設備嗎？Mitsubishi 一座老工廠給出不同答案

談到打造智慧工廠，多數企業的第一個念頭往往是汰換設備、更新控制系統。但對一座已穩定運作多年的工廠來說，全面換新不只成本高昂，還得承擔停產的風險。位於捷克的 Mitsubishi Electric Automotive Czech（MEAC）選擇了另一條路：不更動運轉逾 10 年的控制系統，只在既有產線上疊加一層資料連結，就串起超過 100 台設備。它想證明的是，讓老工廠變聰明，未必得先把機器換掉。 保留能用的，只加一層資料 據《The Manufacturer》報導，MEAC 是 Mitsubishi Electric 的子公司，位於捷克斯拉尼（Slaný），員工超過 500 人，供應包含整合式起動發電機在內的汽車電子零件給歐洲車廠。面對逐年成長的生產資料，它在數位轉型的方法上沒有走汰換機器的路線，而是選擇保留能用的。 MEAC 製造工程經理 Jan Kabát 表示，廠內原有的控制單元已可靠運作超過 10 年，現代化的做法是透過 MES（製造執行系統）介面建立一層資料層，在不打斷產出的前提下連結機台、產生營運洞察。他強調，公司不會為了現代化而現代化，只在能帶來可衡量效益的地方，才加上連結與資料能力，具體來說就是更少停機、更好的可視性，以及更快排除故障。 透過這層資料架構，MEAC 連結了逾 100 台設備，建立起一個能看見整廠表現的數位層，且據稱未產生顯著的資本支出。這些資料如今成為其日常決策的基礎，工程師可自建報表，並在需要更高製程可視性的地方加裝感測器。 連上線只是開始，資料要能持續改善品質 對 MEAC 而言，連結的真正價值在於持續改善製造表現。數位工具與分析讓團隊能清楚看見製程細節，在問題影響品質或交期之前就先發現、修正。 MEAC 總經理 Dalimil Bartoň 告訴《The Manufacturer》，該公司用資料驅動製程與產品品質的持續改善：透過分析詳細的製造資料，找出缺陷型態、優化製程、降低廢品，換來對客戶更一致的品質，以及更低的製造成本。他強調，關鍵是知道如何部署系統、讓它們在一套完整的 PDCA 循環（即計畫、執行、查核、改進的持續改善流程）裡真正支援生產。 同一套資料思維，也延伸到人與廠房 MEAC 把同一套資料思維延伸到了員工身上。該公司製造資深經理 Petr Soukup 表示，他們以 RFID 辨識操作人員、掌握其工作位置，再結合肌肉負荷與工位層級的資料，用來規劃輪班、更有效地安排工作，以減輕人體工學負荷，結果是讓跨班次的表現更為一致。 被「資料化」的還不只是產線與人，也包括整棟廠房。MEAC 建立了一套以 PLC 與監控軟體為基礎的「軟體定義建築」（Software-defined Building），把廠房環境也納入可管理的範圍。 […]

【AI 代理自我進化】開源 Ornith-1.0 一邊寫程式碼、一邊改進自己的工作框架

DeepReinforce 發表全新的開源程式碼撰寫模型 Ornith-1.0，它專為「AI 代理程式碼撰寫」任務所設計，並且能夠進行「自我最佳化」，跑分勝過 Claude Opus。

【科技早餐】AI 基建需求升溫：Alphabet 資本支出上看 2,050 億美元，AMD 取得 Anthropic 最高 2 GW 部署案

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Alphabet 雲端營收增 82%，全年資本支出上看 2,050 億美元 Google 母公司 Alphabet 第 2 季營收達 1,198 億美元，年增 24%，連續第 12 季維持兩位數成長。Google Cloud 營收增至 248 億美元，年增 82%，主要受到企業 AI 基礎建設、AI 解決方案及核心雲端服務需求帶動；營業利益也由去年同期的 28 億美元增至 88 億美元。Google 搜尋與其他業務營收成長 17%，YouTube 廣告營收則增加 13%。 Alphabet 同時把今年資本支出預估由 1,800 億至 1,900 億美元，上修至 1,950 億至 2,050 億美元，主要用於擴充技術基礎建設；第 2 季資本支出已達 449 億美元。Gemini 應用程式每月活躍用戶增至 9.5 億人，近 9 成《財富》（Fortune）100 強企業已採用 […]

買得到 AI 不代表用得起來？Gartner 揭供應鏈只有 17% 真正做大

企業導入 AI 的熱門話題已經從「要不要做」，轉變為「如何做」，顧問機構 Gartner 調查指出，三分之二的受訪 CEO 認為 AI 將定義下一個商業時代，75% 更把 AI 視為對自家產業最具影響力的技術。然而，Gartner 另一份針對供應鏈的調查發現，真正把 AI 試點成功擴大到組織規模的企業，只有 17%。這道看好 AI 與成功做好 AI 之間的落差，問題究竟出在哪裡？ 熱度很高、落地很少，供應鏈卡在 AI 執行落差 Gartner 的數據揭開這道落差的樣貌。目前每五家企業就有三家，只把 AI 用在個別、彼此孤立的單點場景，並未真正把流程串起來；超過半數則因為擔心資料安全、隱私、IP 外洩與惡意程式等風險，對放大導入有所保留。 在 Gartner 看來，卡關的關鍵不是技術本身，而是導入方式。多數企業只是把 AI 功能疊加到原本的傳統供應鏈模型上，這種「加法」不足以帶來質變。事實上，調查中有 77% 的 CEO 也承認，自家既有的營運系統與數位轉型做法，已不足以應付一個由 AI 主導的未來。換句話說，真正的門檻不在買不買得到 AI，而在願不願意動既有的骨架。 AI 原生供應鏈長什麼樣？資料即時、代理自主、生態緊整合 Gartner 給出的處方，是建立「AI-native（AI 原生）供應鏈」，也就是不在舊架構上外掛 AI，而是圍繞 AI 的潛力重新設計整條供應鏈。 這樣的供應鏈長得不一樣：過去難以取得的資料，能即時提供給決策者；AI 代理能大幅自主地執行許多流程，由人類主管負責監督與例外處理；企業內部與外部夥伴的生態系整合得更緊密，帶來協調一致的決策與新的成長機會。要走到這一步，Gartner 建議聚焦營運模式、組織結構與技術三大基礎的同步重構。 從決策導向到分段投資：三大基礎怎麼動 針對營運模式，Gartner 主張企業從以「功能分工」為中心的孤島式結構，轉向以「決策」為中心的人機協作結構。具體的建議行動，是做端到端的流程與核心決策盤點、模擬不同的決策情境，以及定義未來的自主化目標與衡量指標。Gartner 指出，決策導向的結構，有助於資源隨需求彈性擴展，而不再被部門界線綁死。事實上，在其調查中，有 […]

71% 企業過去一年曾偵測到 OT 入侵：Fortinet 揭製造業 OT 資安三大防護關鍵

隨著勒索軟體與供應鏈滲透威脅日益嚴峻，OT 和工控環境已迎來務實評估資安風險的關鍵轉型期。資安廠商 Fortinet 今（7/23）舉辦《2026 OT 與網路資安現況調查報告》媒體發布會。報告指出，71%的受訪企業組織表示過去一年曾偵測到 1 至 9 起入侵事件，較 2025 年的 47% 大幅增加；駭客也正以每秒高達 36,000 次的主動掃描頻率，緊盯工控環境中普遍缺乏加密的通訊協定。 面對如此密集的攻擊威脅，Fortinet 亞太區營運技術與關鍵基礎設施總監 Michael Murphy 強調：「這絕非憑空想像的威脅，而是正在發生的真實危機。不論是發電廠、水處理廠，還是廢棄物處理場，全球都已出現實質受害案例。當組織遭遇資安攻擊，除了造成營運中斷，還可能帶來財務損失，並損害企業形象與品牌。」 Michael Murphy 也呼籲，企業不能再依賴單一工具，或等待法規頒布後才採取行動，而是必須透過 IT 與 OT 全面聯防、網路分段與平台化策略，將資安融入高階治理與實際營運，才能建立具備現代網路韌性的供應鏈防線。 OT 資安評級下滑，反而是企業看清盲點的開始 這份針對全球超過 700 位關鍵基礎設施產業專家的調查顯示，企業對自身 OT 資安成熟度的評估出現顯著洗牌：自評達到最高成熟度的企業比例，從前一年的 49% 驟降至今年的 17%；自評為基本防禦或流程尚未制度化的中低成熟度企業比例，則大幅提升。 這種看似退步的現象，實際上反映企業在累積更多實務經驗、導入更完善的可視性工具後，看清過去未曾察覺的隱形盲點，因而進行「務實校正」。 Fortinet 工控領域資安技術顧問黃彥凱以台灣市場為例，指出許多企業在網路隔離與資產識別上雖然進展迅速，多數仍處於成熟度第一至第二級，但防禦思維仍過度偏向勒索軟體，忽略邊界暴露與內部存取控制的潛在漏洞，因此防守範疇仍有擴展空間。 工控攻擊不只變快，也藏得更久：兩類隱蔽滲透手法浮上檯面 在新型態的威脅環境下，攻擊成本大幅下降，使自動化攻擊的頻率與速度呈現驚人成長；與此同時，攻擊者在工控環境中暗中潛伏的時間也明顯拉長。亞太區潛伏數週的攻擊比例幾乎翻倍至 13%，潛伏數月的比例也上升至 7%。這對高度重視持續運轉、且多採用舊有設備的工控系統而言，帶來極大考驗。 在實務案例中，FortiGuard Labs 威脅研究經理林宜平分享兩類攻擊手法。第一種是利用假驗證網頁誘導使用者點擊，藉由第三方雲端服務下載針對 Windows 系統的惡意程式，並每 10 秒偵測一次 USB 裝置的插拔狀態，在工廠內部進行跨主機的隱蔽感染。 另一種常見手法，則是直接入侵路由器、攝影機或遠端終端單元（RTU）等邊界設備，下載支援不同 […]

禁用中國 AI，恐讓數百家美國新創倒閉？Kimi K3 引爆營運成本與 AI 巨頭壟斷之爭

北京新創公司月之暗面（Moonshot AI）上週發布 Kimi K3 開放權重模型，其接近前沿模型的效能、低廉價格，以及即將開放權重供下載與客製化等特性，隨即在美國引發激烈爭議與恐慌，外界擔憂廉價且高效的模型將進一步削弱美國的 AI 競爭力。 面對中國低價模型的競爭與美國多變的政治決策，由 Proton、Y Combinator 等近 200 家矽谷新創、創辦人及會員公司組成的「小科技協會」（Little Tech Association），於週三緊急向白宮科技政策辦公室（OSTP）主任 Michael Kratsios 與商務部長 Howard Lutnick 聯名致函，敦促川普政府不要切斷美國開發者取得海外開放權重模型的管道，否則恐削弱美國下一代新創企業的競爭力。 同時，在美中 AI 競爭高度敏感的時刻，NVIDIA 執行長黃仁勳也公開指出「這些中國模型非常優秀」，並主張「優秀的開放模型就應該被採用」，認為美國企業「絕對」應該被允許使用中國模型。 禁用中國開放模型，恐讓美國新創成本暴增、加劇 AI 巨頭壟斷 這些美國新創企業之所以對政府可能採取的「全面封禁」政策產生反彈，是因為美國閉源模型成本高昂，與海外開放模型存在巨大的價格差距。一般而言，美國閉源模型的使用成本會隨使用量增加，為企業帶來沉重壓力；對缺乏大量資金的新創公司而言，無疑可能造成致命打擊。例如，Anthropic 的 Fable 5 每百萬輸出代幣收費高達 50 美元，但 Moonshot 的 Kimi K3 僅需 15 美元。這種極端的成本落差，已促使包括 AI 程式開發新創 Cursor 在內的許多美國企業，轉向採用來自中國的開放模型，以節省成本。 AI 基礎設施新創 Particle 創辦人 Suhail Doshi 直言：「一旦禁用，將有數百家新創公司立即倒閉，我們所有人將被迫把錢花在 Anthropic 身上。」這凸顯出 […]

博弘雲端參與 AWS Summit Taipei 兩大 AI 技術競賽，從 Agentic AI 到企業應用展現生成式 AI 實戰力

 生成式 AI 持續快速發展，企業對 AI 技術的需求也逐步從模型應用邁向自主決策（Agentic AI）與實際商業落地。Amazon Web Services（AWS）於 Summit Taipei 2026 期間同步舉辦Agentic Football Cup 與百工百業瘋 AI – AI Everywhere Hackathon 兩項技術競賽，博弘雲端受邀組隊參與兩項賽事，從 Agentic AI 技術實作到生成式 AI 企業應用開發，展現 AI 技術整合能力。  Agentic Football Cup 以打造 AI 足球隊為主題，讓參與團隊建構五位具備自主決策能力的 AI 足球代理人，透過 Multi-Agent 協作完成傳球、射門、防守等即時決策。博弘雲端與來自各界近 40 組技術團隊共同交流最新 AI 技術與最佳實踐，深化 Amazon Bedrock、Amazon Bedrock AgentCore 及 Multi-Agent 架構的設計與實作能力。  Agentic AI 被視為生成式 AI 發展的重要下一步，未來可望廣泛應用於智慧客服、知識管理、流程自動化、IT 維運及企業決策等多元場景，協助企業提升營運效率與智慧化能力。透過參與技術交流與實作工作坊，博弘雲端持續累積 […]

AMD 首次投資 Anthropic！賣數百億美元晶片還加碼砸 50 億，圖的是什麼？

AMD 在 7/22 宣布與 Anthropic 達成策略合作，一口氣賣出價值數百億美元的 AI 伺服器晶片，同時也承諾未來將向 Anthropic 投資最高 50 億美元。《The Wall Street Journal》指出，這是 AMD 首次投資這家 AI 公司，將強化其對抗 NVIDIA 的競爭地位，並為 Anthropic 提供急需的運算能力。 值得關注的是，這麼大一筆訂單，AMD 大可只當供應商收錢，為何要把它包裝成一份「賣方兼投資者」的深度綁定？ 投資分階段、還傳出幫忙擔保，AMD 想綁的是長期關係 關鍵細節在於，這 50 億美元並非一次到位，AMD 的投資綁定特定「部署里程碑」分階段投入，比資本更能綁住雙方的，是工程合作。 AMD 說明，兩家公司將展開多年期合作，用 Claude 優化 AMD Instinct GPU 工作負載、加速 ROCm 軟體，AMD 也會在內部團隊廣泛採用 Claude。這正好對準 AMD 的痛點，《The Wall Street Journal》指出，AMD 晶片需求普遍不如 NVIDIA，部分原因是業者對操作其軟體較不熟悉，因此 AMD 過去得靠認股權證等方式爭取大客戶。 這起合作還可能延伸到財務層面，《The Wall Street […]

人形機器人租賃潮：租而不買的背後，是廠商搶建資料飛輪的商業邏輯

租賃機器人曾經是科幻電影裡的情節，如今它是正在快速成長的產業之一。從醫療、製造到飯店服務與家務照護，越來越多企業與個人選擇「租」而非「買」，背後的吸引力在於更低的成本、內建的維護服務，以及能隨技術快速迭代持續升級的彈性。 這種轉變不只是消費方式的改變，更牽動了整個人形機器人產業的資料積累與商業競爭邏輯。 買機器人怕過時，租機器人解兩大痛點 這套模式被稱為「機器人即服務」（Robotics-as-a-Service，RaaS），客戶不再一次買下整台機器，而是支付月費或訂閱費，費用涵蓋機器人本體、日常維護、軟體升級與遠端技術支援；必要時，甚至會有工程師坐在遠端控制室待命，隨時接手操控。 第一個痛點是成本。德州公司 Diligent Robotics 的醫院配送機器人 Moxi 是個例子，目前約有一百台以租賃方式在全美醫療機構運作。這款約四呎高、有著愛心形 LED 眼睛的白色機器人負責在醫院裡運送醫療物資，甚至被護理人員當成團隊一員。該公司營運長 Todd Brugger 指出，租賃讓醫院不必一次付清高昂採購金額，大幅降低前期支出。 第二個關鍵痛點是，機器人技術淘汰速度太快。機器人硬體幾乎每年都有新一代推出，今天砸大錢買下的機型，可能很快就過時；租賃模式讓客戶能持續使用最新版本，不必被綁在一台逐漸落伍的機器上，也不需要具備寫程式的技術能力，遇到問題直接交給製造商或租賃平台處理即可。 付款方式本身也在演化，Interact Analysis 分析師 Marco Wang 觀察到，有些客戶開始把租金與機器人能節省的人力成本掛鉤，讓消費邏輯更貼近實際效益。 從工業手臂到跳舞助興，人形機器人先靠租賃練功 事實上，租賃需求並非只由人形機器人驅動，芝加哥的 Formic 就以 RaaS 模式營運超過 250 台工業機器人。營運長 Shawn Fitzgerald 強調，統一月費的模式為過去買不起工廠機器人的中小企業「拉平了競爭起跑線」。 不過，真正把租賃推向大眾視野的，是早期的人形機器人。由於技術仍在發展中，這些機器人目前多被租來執行定義明確的任務，最常見的就是娛樂表演。依機型不同，它們可以在婚禮或企業活動上跳舞、唱歌或招待賓客。 Counterpoint Research 副總監 Ethan Qi 解釋，跳舞這類表演相對容易實現，先請真人舞者表演並錄影，用影片訓練機器人，機器人便學會了舞步；但工程師往往仍會隨行，以確保機器人與現場環境、平台的適應性。 當然租賃服務的野心遠不止於機器人表演，機械人公司 1X Technologies 計劃在今年稍晚開始出貨家用助理機器人 NEO，美國的「早期體驗」客戶可選擇一次付清 2 萬美元買斷，或每月 499 美元訂閱。該公司產品與設計副總裁 Dar Sleeper 表示，訂閱大幅降低了前期成本，讓更多人負擔得起。 對製造商而言，租賃除了帶來營收，更提供了一個在真實場景中試用產品、並蒐集寶貴資料的管道。這對人形機器人尤其關鍵，每一次部署，都是一次珍貴的真實資料採集。 中國一邊租一邊買，兩套邏輯同時運作 中國目前被公認是人形機器人的早期領先者，也是租賃方案蓬勃發展的重鎮。部分中國廠商會把機器人租給飯店工作，作為未來家用場景的訓練場，也有廠商透過清潔服務 […]

高通膨下的展店難題，美式速食品牌 Shake Shack 如何用 AI、數據、會員三招破局？

去年美國餐飲業面臨牛肉價格持續攀升、勞動成本增加等多重挑戰，但以漢堡聞名的速食品牌 Shake Shack 卻交出亮眼成績單。2025 年，該公司餐廳營運利潤率逆勢提升至 22.6%，同店銷售也成長 2.3%，展現出極強的抗通膨韌性。 如今，Shake Shack 正將這套經營經驗進一步轉化為可複製的數位能力，啟動大型數位轉型計畫 Project Catalyst，融合餐廳營運、數據分析、會員經營與人工智慧能力，協助門市提升效率、改善顧客體驗，同時建立更具韌性的獲利模式。其希望在朝向 1,500 家直營門市的擴張目標邁進之際，預先建立足以支撐未來成長的數位、資料與 AI 基礎架構。 從「數位記分卡」到「AI 智慧營運層」，解放管理負擔 事實上，Shake Shack 去年已透過數據管理證明科技投資帶來的實際效益。公司導入數位化績效記分卡（Performance Scorecard），以統一指標追蹤各門市的人力配置、營運表現與獲利能力。這項工具使符合排班標準的門市比例從 2024 年中旬的 50% 躍升至 90% 以上；單季勞動成本占營收比率順利降至 25.4%，顧客等候時間也從過去的 7 分鐘縮短至 6 分鐘，同時提升了員工留任率。 Shake Shack 執行長 Rob Lynch 強調，公司的目標並非單純削減成本，而是透過更有效率的營運方式，讓店經理不必疲於處理排班與突發狀況，能投入更多時間改善服務品質與餐廳經營。 Project Catalyst 正是在這樣的成果基礎上，進一步將 AI 深度嵌入第一線營運流程。Shake Shack 首席資訊暨技術長 Justin Mennen 表示，公司正積極研發 AI 工具，為每一家門市建立專屬的「智慧營運層」（Intelligent Operating Layer）。系統將整合即時營運數據，自動提供異常警示、改善建議與營運洞察，協助店長更快速掌握問題、找出改善機會並做出決策。AI 也將支援總部與營運團隊分析門市績效，讓決策建立在即時資料之上，而非依賴經驗判斷。 對外升級會員架構、優化廚房工作流程，打造順暢無摩擦的用餐體驗 […]

Sony 聯手三菱電機切入 Siemens、Fanuc 戰局，兩大日企如何搶攻實體 AI 戰場？

日本電子企業從零組件供應商、產品製造商到軟體開發商，都正加速擴大在 AI 領域的布局。這股轉型浪潮背後的動力，主要是為了吸引投資資金，並避免在這場技術變革中被淘汰。 就在 NVIDIA 執行長黃仁勳訪問日本，並呼籲日本企業全面投入 Physical AI 的一週後，三菱電機與 Sony 半導體解決方案公司宣布達成戰略合作。雙方將於 2026 年 10 月正式成立名為「Advanced Vision Solutions Co., Ltd.」的合資公司，標誌著日本兩大電子巨頭正式聯手，試圖在實體 AI 的工廠自動化應用中搶占先機。 Sony 尋找感測器新出口，三菱借力迎戰自動化對手 Sony 這次積極參與合資，關鍵在於影像感測器核心業務面臨轉型壓力。長期以來，智慧手機製造商一直是 Sony 感測器業務最大的客戶群；然而，隨著全球智慧手機市場趨於飽和，加上零組件成本上升，來自智慧手機製造商的感測器需求持續走弱。為了降低對智慧手機市場的過度依賴，Sony 正尋求擴大影像感測器的客戶基礎，並將半導體列為重點成長領域。 對三菱電機而言，這起合作案則能為其工廠自動化系統補上關鍵的「視覺大腦」。三菱電機可以藉此運用 Sony 的先進影像感測器技術，在持續成長但競爭激烈的工廠自動化市場中強化自身競爭力。 在日本市場，三菱電機面臨 Fanuc、Omron 與安川電機等本土強敵；在國際舞台上，還必須迎戰 Siemens 和 Rockwell Automation 等全球自動化大廠。因此，雙方成立合資公司的核心目標，就是結合 Sony 領先的影像感測器與邊緣 AI 技術，以及三菱電機長期累積的工廠自動化系統經驗，藉此加速製造流程升級。 不懂光學與 AI 也能無痛導入，Sony、三菱希望降低智慧工廠門檻 未來，Advanced Vision Solutions 合資公司所開發的視覺感測器解決方案，最大技術特點在於可以直接在影像感測器端利用 AI 分析視覺數據。這種邊緣運算技術能精確掌握製造現場過去難以視覺化的狀態與細微變化，並將這些資訊即時連結至後續的判斷與控制，實現製造設備的自動化。 這套系統不僅能精確捕捉製造現場狀態、產品品質、設備運作及維護資訊，還能將視覺數據與製造現場的其他數據進行多模態整合，發展出能辨識早期徵兆的多模態生產系統。這項解決方案的設計初衷，是讓不具備光學或 AI 專業知識的企業也能無痛導入，進一步協助更多尋求節省人力、自動化生產與品質提升的企業。 […]

【科技早餐】AI 競賽進入成本、產能與資本戰：台積電傳漲價 10％、緯創赴美量產 GB300

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊台積電傳 2027 年漲價最高 10％，AI 晶片成本再升 《路透》引述兩名知情人士報導，台積電計畫自 2027 年起調高晶圓代工價格，依客戶與產品不同，漲幅最高約 10％。調價範圍涵蓋小於 6 奈米的先進製程，以及 12、16 與 28 奈米等成熟製程。消息人士指出，台積電此舉主要為抵銷原物料、製造設備與海外晶圓廠建設成本上升。《日經亞洲》則報導，相關協商從 6 月展開、7 月完成，新價格預計於 2027 年初生效。台積電表示不評論個別價格，並強調定價策略是基於長期布局，而非短期操作，將持續向客戶說明產品價值。 台積電已把 2026 年資本支出展望，從原先的 520 億至 560 億美元，上調至 600 億至 640 億美元，以因應先進 AI 晶片與先進封裝需求。公司表示，對 AI 多年結構性成長趨勢仍具高度信心；但材料、製造設備及海外設廠成本持續上升，美國廠也面臨施工人力及基礎設施等挑戰。台積電若如期調價，漲幅將不只涵蓋最先進節點，也延伸至部分成熟製程，反映 AI 需求帶動擴大投資的同時，晶圓製造成本也在同步上升。 ＊緯創德州 D1 量產 GB300，台灣 AI 供應鏈加速赴美 緯創位於美國德州沃斯堡（Fort Worth）的 D1 AI 智慧工廠正式開幕。新廠投資近 7 億美元、面積約 32.4 萬平方英尺，是緯創在美國的首座製造據點，已生產全美第一片 […]

OpenAI 先當「零號客戶」：KPMG 如何讓 ERP、CRM 退居後台，改由 AI Agent 當新入口？

在過去數十年裡，企業員工的工作模式幾乎沒有太大改變，多數人每天花費大量時間登入各種應用程式、在繁雜的畫面間切換，並在不同功能模組中逐一點選與操作。不過現在，這種工作方式正面臨根本性的顛覆：近期，全球顧問巨頭 KPMG 提出「無介面」（headless）的全新企業科技架構，主張將員工的工作體驗與底層系統、畫面及模組徹底分離。 在這套全新架構下，原有的企業資源規劃（ERP）、客戶關係管理（CRM）及人力資本管理（HCM）系統並不會消失，而是繼續在後台運作，擔任保存企業核心資料與交易紀錄的「紀錄系統」（system of record）。目前，OpenAI 已正式聘請 KPMG 為其建置內部的 AI 原生平台，成為 KPMG 方案的「零號客戶」，這也標誌著大型企業開始步入 AI 原生部署時代。 OpenAI 如何驗證 KPMG 的 AI 原生工作流程？ 這場備受矚目的變革，起點源自 OpenAI 委託 KPMG 打造內部的「供應鏈與履約協調平台」（Supply Chain & Fulfillment Orchestration platform）。OpenAI 聘請 KPMG 設計這套平台，實際上是要求這家顧問公司親自實作一套 AI 原生工作流程系統，而這正是 KPMG 目前計畫向全球企業廣泛推廣的營運範本。 在 KPMG 為 OpenAI 規畫的工作模式中，員工將從傳統軟體介面的繁瑣操作，轉而以自然語言向系統描述希望達成的任務成果，接著由 AI Agent 判讀人類意圖，自主協調多套後台系統並執行任務。只有在遇到需要人類專業經驗判斷，或必須承擔法律與商業責任的例外情況時，系統才會將工作交由人類處理。 KPMG 專家 Swami Chandrasekaran 與 Matteo Colombo 指出，當前企業軟體面臨的實質痛點，並非底層系統功能不足，而是一項簡單的審批、客戶回覆或人力資源需求，往往需要跨越數套彼此獨立的軟體，迫使員工在不同平台之間來回切換，破壞工作流程的完整性。 員工未來只要開口，AI […]

token 最高省 65%！Google 推 Gemini 3.6 Flash 等新模型，成本為何成最大亮點？

Google 在美國時間 7/21 一口氣發表了 Gemini 3.6 Flash、Gemini 3.5 Flash-Lite 與 Gemini 3.5 Flash Cyber 三款新模型，但這次最受矚目的不是追求能力有多強，而是主打運行 AI 代理的速度更快、成本更低。其中主力的 Gemini 3.6 Flash，在執行長時程工程任務時，最高可將 token 用量降低 65%，直接瞄準企業大規模部署 AI Agent 時最現實的一道門檻：成本。 效率成主角，token 用量最高降 65% 根據《VentureBeat》報導，Gemini 3.6 Flash 相較前代 Gemini 3.5 Flash，整體輸出 token 用量最高減少 17%；在 DeepSWE 這類衡量代理如何從零完成多步驟工程任務的長時程基準上，token 節省幅度更可達到 65%。Google 解釋，這款模型用更少的推理步驟與工具呼叫，就能跑完同一段多步驟工作流。對按 token 計費的開發者而言，這等於直接壓低了每一次任務的成本。 價格上也拉出明顯落差。以每百萬 token 計算，Gemini 3.6 Flash 的輸入為 1.5 美元、輸出為 7.5 […]

OpenAI 證實 AI 代理自主入侵 Hugging Face，專家：目前沒有工具擋得住

OpenAI 本週二證實，旗下兩個 AI 模型，包含 GPT-5.6 Sol 和一個功能更強大的預發布模型，在一場內部測試中自主逃出受控環境，並入侵了 AI 平台 Hugging Face 的生產系統。OpenAI 稱這是一起「前所未有的資安事件」。《Financial Times》報導，這也是首批 AI 在人類控制之外發動攻擊的公開案例之一。 一場評測「作弊」，如何演變成跨公司入侵 事件源於 OpenAI 一場評估模型網路攻擊能力的內部測試。根據《AXIOS》與《Fortune》報導，模型當時在嘗試解決一項名為 ExploitGym 的資安能力評測，而為了評估目的，OpenAI 刻意調降了原本會讓模型拒絕執行攻擊指令的安全防護。 模型隨後的行為超出預期。根據《AXIOS》、《The Verge》與《Fortune》報導，模型為了解開評測題目變得「高度執著」，不惜代價去達成這個測試目標。它們先利用 sandbox 內部第三方軟體的一個零時差漏洞取得對外網路存取權，接著推斷 ExploitGym 的解答存放在 Hugging Face，於是竊取登入憑證、串接多個攻擊手法，最終在 Hugging Face 的生產環境中打通了遠端程式碼執行的路徑。 整個過程沒有人為介入。《AXIOS》報導，這套 AI Agent 框架在一個週末內執行了數以萬計的自動操作，Hugging Face 事後重建出超過 17,000 筆紀錄事件。而最終偵測並阻止這波攻擊的，是 Hugging Face 自家的 AI agent。 問題不在惡意，而在「自主」 其實 Hugging Face 前幾天就先一步揭露自己遭到入侵，只是當時只知道攻擊來自一個自主運作的 AI agent 系統，不知道是誰、由哪個模型所驅動。OpenAI […]

打破改組慣例、機器人部門直屬 CEO：三星為何急著搶攻 Physical AI？

三星電子近日正式宣布成立由執行長盧泰文（TM Roh）親自領導的全新 RX（Robotics eXperience）機器人事業部，將過去分散在各處的機器人研發資源進行結構性整併，以加速技術開發與商業化腳步，讓機器人正式升格為集團的下一個核心成長引擎。 這項組織重組，反映出三星深層的轉型迫切感。由於智慧型手機市場漸趨飽和，加上家用電器等核心業務面臨日益激烈的價格競爭，導致整體毛利率不斷受到擠壓，促使三星必須大刀闊斧開闢新局，將發展目光投向 Physical AI 這個新興領域。 這項將機器人業務拉高至最高決策層級的戰略，隨即在資本市場引發強烈迴響。消息公布當日，三星電子股價應聲大漲 6.76%，表現明顯優於同期僅上漲約 4% 的韓國綜合股價指數（Kospi），顯示投資人對這次轉型方向也抱持樂觀態度。 賦予高度自主權、延攬產學專家，三星組建 RX 核心戰隊 全新成立的 RX 事業部將統籌三星中長期機器人發展策略、核心技術研發、業務執行，以及全球產品商業化落地等面向。三星打破往年在年底才進行例行組織改組的慣例，特意在此時成立獨立的 RX 部門，賦予該業務過去所欠缺的明確授權與高度自主權，以確保戰略執行不受內部其他事項干擾。 在領導團隊上，三星任命執行副總裁 Lee Dongkun 出任機器人策略團隊負責人。他過去曾長期主導現代汽車集團的機器人戰略，並親自掌舵波士頓動力（Boston Dynamics）的發展方向，在產業化推動上擁有深厚經驗。 此外，為了補強學術研究與核心技術實力，三星同步延攬首爾大學、專精自主導航與控制的教授Kim Hyoun-jin，以及亞洲大學專精靈巧機器手技術的學者 Kim Ui-kyum。過去，三星在技術評估中曾直言，靈巧機器手是打造人形機器人過程中最困難、成本也最高的關鍵瓶頸之一，因此這次特別延攬頂尖專家，也具有極強的指標意義。 未來，RX 的研發總部將設於三星的首爾研發園區，並計畫在技術快速發展的美國、中國與日本設立海外研究中心，以充分利用各地的技術生態系與專業人才，建構跨國研發版圖。 砸 19 兆韓元建基礎設施、綁定 Rainbow Robotics，三星加速打造機器人產業基地 要將 Physical AI 從實驗室推向大規模商業化，必須仰賴龐大的實體建設與資金支持。因此，三星正透過巨額投資，在韓國本土構築堅實的產業基地。三星計畫在韓國嶺南地區投資約 60 兆韓元（約 407 億美元），其中高達 19 兆韓元將用於發展 Physical AI 基礎設施。為了取得真實的工業生產數據，訓練機器人的實體操作能力，三星更規劃在龜尾工業園區內建立一座專門的「數據工廠（Data Factory）」，讓軟硬體能在真實產線環境中持續融合與迭代。 同時，三星在 2024 年底大幅提高對韓國協作與人形機器人先驅 Rainbow Robotics […]

【決策速度成新競爭力】從數週審核到五分鐘核准，Taktile 用 AI 代理改寫金融業競爭規則

過去兩年，企業 AI 已經證明自己能勝任文件摘要、問答與重複性工作的自動化，但銀行業關心的是：AI 能不能被信任，去做出承擔財務、法規與法律後果的決策？ Taktile 共同創辦人暨執行長 Maik Taro Wehmeyer 認為，這道門檻正開始鬆動。他認為，過去的模型還沒好到足以承擔金融服務業的關鍵任務決策，而 2026 年將是 AI 真正進入金融服務業的一年。 Taktile，從一張 IT 工單開始的創業故事 Wehmeyer 與另一位共同創辦人 Maximilian Eber 在求學時相識，兩人後來一起進了企業 AI 應用公司 QuantCo 工作，他們在那一再遇到同一個問題：銀行的決策邏輯太僵化，改一次要等很久。 「我們發現自己一直在重複打造同樣的東西，於是決定把過去累積的經驗，拿來打造一個平台。」2020 年，兩人創立 Taktile，目標是，讓金融機構自己就能修改決策邏輯，不用每次都靠工程團隊。 Taktile 的平台讓金融科技公司的風控與工程團隊，自己就能建立、管理決策流程，實驗資料整合方式，監控預測模型表現，並執行 A/B 測試。 舉例來說，銀行可以用它預測開戶最低年齡從 25 歲降到 21 歲，會不會影響顧客流失率。市場上有 Noble、PowerCurve 等競爭者，但 Wehmeyer 表示，Taktile 常常靠「端到端整合方案」贏得客戶：「就算我們某個單一功能不如專精廠商，客戶還是想要一套完整的解決方案。」 融資軌跡：從 5,400 萬到 1.1 億美元 這套定位反映在成長數字上。Taktile 的年度經常性收入，2024 年年增達 3.5 倍，客戶也擴展到 Zilch、Mercury 等金融科技公司。 […]

研究指 75% AI Mode 搜尋未產生外部點擊：Google 築起流量圍牆，開放網路迎來「Google Zero」？

2004 年 Google 準備上市時，Google 共同創辦人 Larry Page 曾在致股東信中表示：「我們相信一個運作良好的社會，應該讓人們能夠豐富、自由且不受偏見地取得高品質資訊。」此後數十年間，Google 確實扮演開放網路的門戶，並透過搜尋結果中的藍色超連結，將龐大流量導向出版商、商家、大學與各類組織共同建構的網路世界。 然而，隨著 AI 技術迅速發展，這家昔日的開放網路捍衛者，如今卻似乎在開放網路周圍築起一道 AI 圍牆。自 2025 年以來，Google 陸續將 AI Mode 與 Gemini 整合進搜尋引擎。使用者輸入問題後，不再只看到通往外部網站的連結，也能直接在 Google 介面內閱讀由 AI 生成的完整答案。 這項轉變一方面讓 Google 運用既有的分發優勢留住用戶，避免他們流向 ChatGPT 等競爭平台；另一方面，也引發出版業與網站經營者的恐慌：原本由搜尋引擎導向開放網路的流量，是否正在被 Google 攔截？ 把 ChatGPT 塞進搜尋框：Google 正在利用既有入口守住 AI 使用者 在 2026 年 5 月的開發者大會上，Google 推出能處理更長、更複雜查詢，並支援影片、圖片與檔案等多模態輸入的智慧搜尋框。使用者不僅能透過 AI Mode 取得 Gemini 撰寫的對話式回答，也能指派 AI 代理人執行複雜的搜尋任務。 《EMARKETER》分析師 Nate Elliott […]

用 AI 把行銷素材規模化、效率提升3-5倍：Expedia 子品牌如何拿捏人機協作的邊界？

生成式 AI 正快速改變旅遊產業的行銷模式，但對 Expedia 集團旗下短租品牌 Vrbo 而言，AI 並非全面取代人力的工具，而是一套經過嚴格界定的效率引擎。 Vrbo 一方面運用 AI 將全球行銷素材生產效率提升 3 至 5 倍，另一方面仍堅持所有涉及房源展示與品牌情感的內容必須由真人與真實場景完成，藉此守住品牌最重要的「品質與信任」價值。 傳統數據鎖定需求，生成式 AI 規模化在地素材 近期接受《Ad Age》Podcast 專訪時，Vrbo 行銷副總裁 Helen Melluish 分享其在地化行銷在判讀市場、鎖定需求這層，主要建立在傳統數據科學與機器學習（ML）之上，而非生成式 AI。團隊會持續監測各城市的搜尋、預訂趨勢與熱門旅遊路線，例如哪些城市的旅客固定每年造訪相同目的地、哪些自駕旅遊路線快速升溫，再依據這些即時數據調整數位廣告投放與地方化文案。 Helen Melluish 表示，目前生成式 AI 在這個過程中，最大的價值並非直接創作品牌核心內容，而是協助全球市場快速完成大量素材在地化。透過生成式 AI，團隊現在可以在極短時間內產出數千種不同版本的素材，因應各國市場需求。 Vrbo 也利用生成式 AI 製作即時性的社群內容。例如，團隊可以快速合成一張現實中不存在的戶外廣告看板，搭配熱門話題或文化事件，於社群上推出具有話題性的創意貼文，讓品牌能即時參與網路討論。這類內容並非實體廣告，而是社群創意的一部分，發揮了 AI 的速度優勢。 Helen Melluish 提到，目前團隊成員普遍認為，生成式 AI 已讓工作效率提升約 3 至 5 倍，許多原本需要花費數天完成的工作，如今只需一、兩個小時即可完成。她認為，AI 不應被視為取代行銷人的威脅，而是讓員工有更多時間投入策略思考與創意發展，尤其讓資淺行銷人才能更快參與高價值決策，而非長時間處理重複性的內容製作工作。 能用 AI 規模化，也要守住不用 AI 的地方 不過，Vrbo […]

【科技早餐】Microsoft 評估 Kimi K3、擴大 AMD 算力，中國也擬收緊 AI 技術出口

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊AI 代理帳單膨脹，Microsoft 評估 Kimi K3 降低 Copilot 成本 AI 模型單位價格持續下降，但代理式工作流反覆呼叫模型、讀取文件、整理上下文、使用外部工具，再檢查與修正答案，仍可能推高企業的 AI 總支出。研究分析八款前沿模型執行代理式程式任務後發現，這類工作消耗的 Token 最多可達一般程式問答的 1,000 倍；同一任務不同執行過程的用量也可能相差 30 倍，而且更高用量不一定帶來更高正確率。麥肯錫（McKinsey）並指出，代理式程式工作約六成成本與檢查、修正及重新驗證答案有關。 據《The Information》報導，Microsoft 正著手透過 Azure 提供中國新創月之暗面（Moonshot AI）的 Kimi K3，並評估是否用於 Copilot Cowork 的部分工作，以降低推理成本。Copilot Cowork 能自動規劃並執行複雜的多步驟任務，目前採用量計價；Microsoft 尚未決定正式導入 Kimi K3，也沒有公布預估節省金額。OpenAI 董事長 Bret Taylor 則預期，企業未來可能改按工作成果付費，由服務商負責選擇模型與管理底層 Token 用量，企業衡量成本的重點也將從單價轉向完成整項任務的總支出。 ＊中國擬限制 AI 模型出海，台積電代工也可能受限 《金融時報》報導，中國商務部正向阿里巴巴（Alibaba）、字節跳動（ByteDance）、智譜及中國晶片業者徵詢意見，研究加強先進 AI 模型與半導體技術的出口管制。討論方案包括限制用於模型訓練的關鍵資料移轉海外，以及限制外國使用者下載模型權重，但可能仍允許海外客戶透過雲端使用 AI 模型與相關服務。開放權重模型原本允許企業下載至本地伺服器，並依需求調整與部署，因此管制重點可能放在可下載、可本地部署及可客製化的核心模型資產，而不是全面阻止海外市場使用中國 AI 服務。 報導也指出，官方正評估限制台積電與高通（Qualcomm）等海外晶片業者，參與以中國企業設計為基礎的先進晶片生產，並限制海外企業收購代理 AI […]

虛擬資產監理元年，為何台灣業者真正要打的是「跨境戰」？

台灣日前三讀通過《虛擬資產服務法》，也意味著台灣正式進入虛擬資產監理元年。對於金融業與科技業者而言，接下來的問題是：在細部規範尚未全部到位的這段時間，該做些什麼準備？ 在 2026 玉山安侯論壇「鏈上未來：台灣虛擬資產監理元年」的座談上，四位來自金融、監理與產業端的專家分別從資金效率、成本結構與法遵準備切入，指出企業可以先行盤點的方向。 29 兆美元卡在帳戶裡：穩定幣要解的是資金效率問題 Tether 亞太區機構客戶擴展總監陳君岳指出，跨境支付業者最大的痛點不是制度本身，而是「預資金（prefunding）」的成本。由於系統高度依賴 Nostro 與 Vostro 帳戶架構，業者必須先在對方銀行存入一筆資金，估得太高就是閒置資金，估得太低則有超出的金額無法處理。 他引述的推估數字顯示，全球在這套架構下的沉澱資金約 29 兆美元，其中包含 4 兆美元的在途資金（支付需求已經發起，錢卻還在路上），可能需要 1 到 5 天甚至 7 天的清算時間。他表示，這些資金的機會成本約在 30 到 50 個基點之間，若能釋放出來，將為業者帶來可觀的經濟效益。 「不要把穩定幣當作單純的 crypto（加密貨幣），」陳君岳說，「你要把它當作一個全天候的資金調度工具。」傳統模式預設資金調度必須在銀行營業時間內完成，跨時區的一方永遠在等另一方開門；他表示，有了穩定幣之後，這個前提有機會被重新設定。 24/7 靠的不是輪班，而是固定成本 國泰世華銀行數位長陳冠學從成本結構切入。他說明，24/7 運作的核心是「可編程」，背後有大量程式支撐，而程式意味著固定成本，不是找一兩個人輪班就能解決。當固定成本高，規模就成為關鍵。 陳冠學提出「摩擦力」的判準：Web3 產品強調降低摩擦力，但關鍵在於哪裡有吸引力，才值得去那裡降低摩擦力。如果國內環境本來就是低摩擦、增值空間有限，卻要額外投入這麼高的成本，「這應該不是大家想玩的。」他表示，純粹 Web3 的天花板有限，真正的規模來自 Web2 與 Web3 的整合。 至於銀行的位置，他認為傳統金融業不能把 Web3 與鏈下金融一分為二，因為客戶從來不是「鏈上客戶」，每個人都是實體的客戶。銀行最重要的角色仍然是信任，保管（custody）幾乎是進入這個領域的必修課。 過去管的是帳戶，現在管的是錢包：內控思維得重寫 臺灣金融科技協會名譽理事長蔡玉玲說明，這次的母法屬於原則性規定，細節留待子法定義；保留彈性是好的一面，挑戰則在於邊界不清楚。 她點出業者的三個痛點。一是身分認定，業者不確定自己是否落在既有的服務類別內、需不需要申請多張執照；純技術方依主管機關說法不需執照，但仍存在不確定性。二是內控，鏈上交易與傳統金融真的不一樣：過去管的是銀行帳戶，現在管的是錢包；過去靠人力核對，現在智慧合約直接自動執行，需要的是連心態都不同的團隊。三是跨境，她認為鏈上金融本質上就一定是跨境，隨之而來的是各國監管寬嚴不一、境外 VASP 盡職調查（DD）該怎麼做等合規成本。 在子法出爐前，蔡玉玲提出三項可提前投入的準備：一是 Know your business（了解你的業務），切出自己在鏈上金融裡最核心的那一塊；二是建立 compliance by […]

北韓假員工滲透逾百家美企：AI 如何把「合成內鬼」攻擊規模化？

美國司法部近年打擊了一項針對美國企業的北韓駭客行動，並揭露新型態的資安防線漏洞：多名北韓駭客透過冒用美國公民身分，成功取得美國企業的遠端工作職位，藉此為北韓政府賺取資金，並企圖竊取企業內部敏感資料。 美國政府指出，攻擊者在超過 100 家企業中，冒用超過 80 名美國公民的真實身分取得職位並執行攻擊，為面臨聯合國制裁的北韓政府創造超過 500 萬美元的非法收入。這類新興資安威脅在業界被稱為「合成內鬼（Synthetic Insiders）」，其最棘手之處在於，登入帳號與背景查核憑證都是真實的，甚至連登入權限也完全合法。這讓存取行為看起來完全合規，但實際在螢幕背後操作的人，卻根本不是企業以為自己錄取的對象。 生成式 AI 正在讓企業面臨更多的「假員工」 生成式 AI 的爆發，讓建立虛擬員工身分的成本趨近於零。攻擊者如今能利用 AI 工具，產出極具說服力的視訊面試內容，並偽造政府核發的身分證件，也讓製作假履歷、作品集網站與寫作樣本變得易如反掌。 在通過企業招募與背景審查後，這些身處海外的實際操作者會利用 AnyDesk 或 TeamViewer 等合法遠端控制軟體，操控放置在美國境內的實體設備。這種被稱為「筆電農場（laptop farms）」的設備集合，通常設置在美國當地住宅中，讓實際位於海外的假員工，在網路軌跡上看起來就像是在美國本土工作。近期已有 8 名在美國境內負責託管筆電農場的人遭到判刑。 面對這類精密的身分包裝，AI 驅動型網路安全公司 SentinelOne 資深威脅研究員 Tom Hegel 指出，企業必須密切監控整個招募流程。他建議：「企業應在申請階段使用身分驗證與深偽（deepfake）檢測工具，篩選中繼資料（metadata）、IP 與裝置指紋。」 除了依賴高科技工具，防範措施有時也包含極為簡單的低科技手段，例如在視訊面試時要求求職者「轉頭或揮手」，使即時臉部替換軟體露出破綻。錄取之後，企業也必須確認寄送給員工的硬體設備沒有被轉寄至筆電農場，並在入職後持續利用行為分析（behavior analytics）偵測異常工作活動。 合法帳號、正常存取，為何仍可能出事？揭企業難以察覺的資安盲點 一旦假員工順利越過招募防線，進一步取得合法權限，其所造成的破壞往往遠超外部駭客。根據美國大型行動通訊業者 Verizon 發布的《2026 年資料外洩調查報告》，在全球超過 2 萬 2 千起資安事件中，有高達 12% 是由內部人員造成。 深偽檢測技術公司 Reality Defender 技術長 Alex Lisle 更警告，蓄意的內部攻擊「一直是最具破壞性且通常最成功的攻擊」。之所以更具毀滅性，是因為「那些人知道企業的核心資產在哪裡，以及如何獲取它們」。 以金融服務業為例，AI 假員工帶來的直接風險，往往不是發動一筆容易被察覺的詐欺轉帳，而是取得更深層的系統存取權。當假員工獲得合法登入身分後，便能直接接觸詐欺偵測模型、支付流程架構、客戶紀錄、定價數據、商戶資訊以及內部控制系統。由於其存取行為在每一層都看似合法，因此不會觸發原本用來偵測非法入侵的安全警報，使駭客得以在不驚動系統的情況下，複製並研究這些資料長達數月。 […]

叡揚資訊舉辦 Mend.io 實機體驗營 打造 AI 時代無痛合規 AppSec 流程

隨著生成式 AI 技術快速導入軟體開發流程，企業在提升開發效率的同時，也面臨開源元件、AI 模型、程式碼安全與法規遵循等全新挑戰。如何在加速創新的同時，兼顧應用程式安全與合規要求，已成為企業推動數位轉型過程中的重要課題。為協助企業建立更貼近實務的安全開發流程，叡揚資訊將於 7 月 29 日舉辦 Mend.io 實機體驗營，透過實作演練與情境展示，展示如何將安全檢測自然融入 CI/CD Pipeline，讓合規與開發流程同步運作，降低人工作業負擔並提升治理效率。 過去，Mend.io 長期以軟體組成分析（SCA）領域的領導地位廣為市場熟知，協助企業有效掌握開源元件風險與軟體供應鏈安全。然而，隨著軟體開發模式快速演進，Mend.io 已從單一 SCA 工具，發展為涵蓋原始碼安全分析（SAST）、容器安全（Container Security）、AI 治理與風險管理等能力的全方位應用程式安全檢測平台，協助企業在整個軟體生命週期中持續落實安全治理。 本次活動將從實務操作出發，呈現 Mend.io 如何支撐企業在 AppSec 各個關鍵環節的落地應用，帶領企業理解如何在開發流程中有效落實安全檢測與風險治理。在原始碼安全分析（SAST）與軟體供應鏈安全（SCA）方面，將透過實務操作分享掃描最佳化策略與治理流程設計，協助企業提升掃描準確度、降低誤報干擾，同時從開源風險識別、優先排序到修復建議自動化，建立更完整且可持續的安全管理機制，加速漏洞修復效率並縮短風險暴露時間。 隨著 AI Coding Assistant 與大型語言模型（LLM）被廣泛導入開發流程，企業也必須重新思考 AI 使用所帶來的安全與合規風險。活動中將透過 Mend AI Demo 與實際案例展示，解析 System Prompt 安全、AI Guardrails 與AI 行為偏差測試等關鍵議題，協助企業了解生成式 AI 應用可能面臨的潛在風險，並建立相應的治理思維與管理機制。 叡揚資訊長期深耕 AppSec 領域二十多年，持續協助企業導入國際級應用程式安全解決方案並累積豐富的實務落地經驗。叡揚資訊表示，現代 AppSec 已不再是單一工具導入，而是橫跨開發、安全與治理的整體流程設計。透過本次 Mend.io 實機體驗營，將協助企業以實務操作方式掌握 AI 時代下的安全開發方法，讓安全能力真正嵌入開發流程並持續運作，打造更具效率與可延展性的 AppSec 治理架構。 了解如何打造更高效率且可持續運作的 AppSec 流程，立即報名：https://www.gss.com.tw/content-page/4817-lp_mend-io_y26 […]

OpenAI、Anthropic 擔心低價開放權重模型，美國也該害怕嗎？Kimi K3 掀起國安與商業模式之爭

中國 AI 新創公司月之暗面（Moonshot AI）近期推出開放權重模型 Kimi K3，被視為目前規模最大的開放權重大型語言模型，引發全球關注。這款模型的誕生，不僅標誌著中國自研 AI 模型的新里程碑，更在美國掀起一場關鍵爭論。 由於 Kimi K3 的表現非常接近美國頂尖的閉源模型，且具備開放權重與較低的部署成本，這也讓美國企業開始認真將中國模型視為可以實際投入商業運用的選項，而不只是技術上的追趕者。 儘管美國目前在 AI 競賽中依然占據優勢，但中國正再次證明，價格低廉且表現「夠好」的技術，確實有可能擊敗昂貴的頂尖產品。因此，這場爭端的焦點已超越單純的國家安全風險討論，更直接觸及低價開放權重模型是否正在威脅 OpenAI 和 Anthropic 等閉源模型公司的定價權，進而動搖其商業模式。 Kimi K3 讓微軟也動心，Copilot 推理費最高可省 6 億美元 要理解這場爭議為何迅速從技術競賽延燒至商業層面，首先要看 Kimi K3 對企業模型選擇與成本結構帶來的直接衝擊。OpenAI 戰略未來主管 Dean W. Ball 坦言，Kimi K3 的能力確實足以與美國最頂尖的模型競爭。事實上，Kimi K3 以及 Z.ai、DeepSeek 等中國模型早已在矽谷新創圈與獨立開發者群體中掀起話題，甚至在 OpenRouter 的熱門模型排行榜中，一度有高達六款熱門模型來自中國。這種快速普及的趨勢，讓矽谷深刻感受到中國模型在效能上帶來的直接威脅。 開放權重模型的最大優勢，在於企業可以將其自由部署在自身的基礎設施或獨立伺服器上，在完整掌控資料隱私的同時，還能以遠低於 OpenAI、Anthropic 等頂尖閉源模型的成本，獲得前沿 AI 能力。 Snorkel AI 共同創辦人 Braden Hancock 指出，具備頂尖能力的開放模型將會壓縮閉源模型公司的利潤空間，並迫使其降低價格，但這絕不代表 AI 的整體使用量會減少，相反地，使用量會大幅增加。例如，微軟的最新動向便是最佳例證：微軟已經著手評估透過 […]

Vital BOLE 智慧招募系統正式亮相 全面升級人資選才思維

面對少子化、人才競爭加劇，以及生成式 AI 快速發展，企業的人才招募策略正迎來全新變革。叡揚資訊於日前舉辦「2026 叡揚人資年度盛會——AI 驅動人才招募 找到關鍵人才的最佳策略」，邀請兩岸資深人資專家林娟博士、人資小週末盧世安創辦人以及新生命資訊羅韋翰總經理，共同分享 AI 時代的人才招募、留才與共融職場趨勢；活動中也正式發表 Vital BOLE 智慧招募系統，展示 AI 如何協助企業提升招募效率，打造更客觀、更值得信任的人才決策流程。 人才沒有好壞之分 只有適不適合企業 擁有豐富資歷、兩岸大型集團管理經驗超過 25 年的林娟博士，在演講中直指企業常見的三個招募迷思：只看履歷，容易錯過潛力人才；只看感覺，評估偏誤大；相信過去經驗，卻忽略未來情境與學習力。她強調：「人才沒有好壞之分，只有適不適合企業」。 林娟以「職能冰山理論」說明，技術與知識只是冰山上看得見的部分，真正影響工作績效的不只是知識與技能，更包括動機、人格特質、自我認知等深層因素。她建議企業導入 BEI 行為面談法（STAR 架構：情境、任務、行動、結果），透過求職者過去的具體行為預測未來表現，搭配觀察、傾聽、提問三大面試技巧，讓評估標準更一致。 Vital BOLE 以人為本的 AI 招募決策 活動另一大焦點，是叡揚資訊正式發表 Vital BOLE 智慧招募系統。BOLE 取自「伯樂」慧眼識才與「Bole」（樹幹，支持組織成長）的雙重意涵，為企業實現「伯樂在線，人才自現」。系統串起職缺管理、履歷收集、AI 智慧篩選排名、面試安排、面談紀錄到任用決策的完整流程，並提供 AI 履歷評分、多維度能力雷達圖與候選人比較等功能。 叡揚資訊曾秋萍顧問強調，BOLE 的設計核心是「人機協作」，而非黑箱自動化：由人類設定職缺條件與評估標準，AI 負責解析大量資料、提供洞察與排序建議，但最終錄用判斷仍由 HR 與用人主管共同掌握。履歷進入 AI 解析前會先經過個資偵測與遮罩處理，姓名、電話、Email、身分證等敏感資訊會先移除才送進企業自有的語言模型分析，並搭配加密傳輸與權限分級控管。以叡揚內部招募情境估算，導入 BOLE 後，整體招募流程作業時間有機會節省九成以上。 企業留才關鍵在於 打造員工理想的職場環境 人資小週末創辦人盧世安則從留才角度切入，直言企業近年常見的留才做法——加薪、辦活動、許諾升遷——雖立意良善，卻往往治標不治本。他指出，企業常說的「我們正在優化制度」「公司培養你這麼久」，對員工而言其實更像是一種安撫話術，福利與活動只能緩解不滿，無法修復已經出現裂痕的勞雇關係。 盧世安提出「職場環境七層系統」（物理、制度、關係、心理、成長、科技、倫理），主張職場品質看的不是辦過幾場活動，而是這段關係怎麼對待一個人；留任意願更是安全感、公平感、成長感等七項因素的乘法而非加法，任何一項長期掛零，整段關係就會歸零。他引用 Gallup、Deloitte 等最新調查，指出全球員工敬業度創新低，呼籲企業停止把留才簡化成加薪、福利或情感勒索，改以「五個訊號」自我檢核，搭配「盤點痛點、重建主管行為標準、明確化工作規則、讓成長變成可見路徑」四步工程，從根本改善留任率。 打造共融職場 讓多元人才成為企業競爭力 新生命資訊總經理羅韋翰則從共融職場角度分享。他指出，身障人才招募管道有限、進用後職務錯配，以及公部門員額追蹤與形象壓力等困擾，常出現在依法須達成身障定額進用的中大型企業。 新生命資訊提供身心障礙人才媒合、代管（培訓身障夥伴投入視覺設計、影音、社群維運等行銷廣告工作）及職業重建相關諮詢三大服務，協助企業把定額進用從合規壓力，轉化為專業人才資源的雙重效益。 叡揚資訊持續深耕 […]

免費工具真的做得出企業要的 AI Agent？導入之前，你該問的 5 個問題

如果你最近也正在評估導入 AI Agent，你的廣告跟搜尋紀錄大概已經被各種名字塞滿了，n8n、Zapier、OpenClaw ⋯⋯，每個平台都說自己最完整、最好上手，但看得越多是不是反而越難做決定？ 到底公司真正的需求是什麼？對不同部門來說怎樣是最好上手的？這篇用五個問題帶你思考，最適合的功能是什麼，而且非技術背景的人也能一目瞭然！ 在串 AI Agent 之前想個 3 秒！評估哪條路最適合你？ 目前企業導入 AI Agent 平台，大致有 3 條路可以走。 第一條是開發框架，交給工程師自己打造，可以配合公司需求，代價是所有治理相關的東西，包含權限設定、Token 使用成本控管、管理不同 AI Agent，都需要有相關經驗的人一起參與，公司如果有大型、完整的維運團隊，通常會選擇這個方式。  第二條是自動化與無代碼工具，n8n 是其中討論度最高的工具，這類的強項是「把 Agent 組出來」，工程師花一個下午就能兜出一個會動的流程，起步成本幾乎是零，但可能沒有統一的用量儀表板，簡單來說就是，你看不到每個 Agent 花了多少錢，因為 Token 的計費並不是用完就沒或是吃到飽，而是收到帳單之後才知道費用；另外資安防護也是一個問題，一旦被有心人士塞入惡意指令或抓機密資料，往往是出事之後才發現，而且很難即時補救。 第三條是雲端巨頭的生態系平台，治理能力做進了核心，權限、稽核一應俱全，但體系龐大、學習範圍廣，而且你的資料、模型、部署方式，可能會逐步綁進單一雲端裡，如果公司資料是偏向部署在混合雲上，那可能就要三思。 問題一：這個 Agent 要給誰用？ 我們陪伴不同企業導入最適合自己的方案時，常常發現，詢問的人往往還沒聚焦需求而先選擇工具，或者是在交付系統前才提出需要客製化的功能。這些如果在前期可以跟導入夥伴坦承清楚，讓專案負責人問對問題、找到真正的使用者，導入過程其實都會更加順利，這邊提供兩個常見的場景給大家參考。 場景一，工程團隊要打造一個串接內部交易系統的 Agent，邏輯複雜、需要深度客製。 場景二，行銷團隊想要一個幫忙整理輿情、產出文章的 Agent，不會寫程式，但也不想每次都排隊等 IT 的資源。 這兩個場景需要的東西完全不同，而我們也發現，如果只為其中一種人選平台，譬如只顧到工程師的需求，可能非技術部門的想法就會卡在 IT 的待辦清單裡；只顧易用性，複雜的整合需求又做不到。 現在搭建 AI Agent 的門檻越來越低，看完免費串接教學影片都能自己做一個 Agent，公司裡的 Agent 數量會以你想像不到的速度成長，這時候「誰做了什麼、用了哪些資料、還有多少 Agent 在跑」就從小問題變成大問題。 組裝門檻跟治理能力，應該是同一件事的兩面，門檻越低，治理的重視程度也應該跟著提升。 問題二：你的資料，能不能全部放上雲？ 這其實是很多企業在評估 […]

OpenAI 為何主動暫停一款強大的 AI？一場內部測試揭 Agent 資安新盲點

一款被關在 sandbox（沙箱隔離環境）裡的 AI，花了約一小時自己找出漏洞、翻牆而出。做這件事的，正是 OpenAI 自家的一款內部模型。OpenAI 近日公開研究坦承，一款專為長時任務打造的模型在受監控的內部使用中，出現了部署前評測沒能抓到的行為，公司因此一度暫停它。而它正是先前推翻數學界 Erdős 單位距離猜想的同一款。 這起事件揭示了 AI 資安風險的更大轉折：當 AI 從單次問答走向能連續自主運作數小時、甚至數天，它就有了足夠的時間與動機，為達成目標而繞過人類設下的限制。更棘手的是，人類原本一個動作一個動作審核的防線，往往看不見它正在繞過限制。 模型越能持久，越有機會走偏 OpenAI 指出，能長時間自主運作的 AI 模型可以處理困難、開放式的問題，但同樣的持續性也給了它更多採取非預期行動的機會。過去的模型遇到 sandbox 或環境限制時，通常會直接停下、把任務交還給使用者；這款模型卻會反覆嘗試，甚至主動尋找繞過限制的方法。 在 NanoGPT speedrun 基準測試中，該款模型原本被指示只把結果回報到 Slack，卻依測試說明改以 PR（程式碼合併請求）提交到 GitHub，為此花約一小時在 sandbox 找到漏洞、繞過外部存取限制。 盲點：每一步都合規，結果卻不該發生 另一個案例直指多數 AI 安全機制的盲點。該模型被要求解題時，試圖從評測後端取回他人未公開的解答，第一次因掃描器偵測到驗證憑證而被擋下；它隨即把憑證拆成兩段、混淆後在執行時才重組，讓完整憑證從不以連續字串出現，並在註解與推理軌跡中明說這是為了繞過掃描器。 OpenAI 指出問題就在於，每動作單看都可接受，串接起來卻導向不會被核准的結果。當一套制度只逐一審核動作，一個能長時間運作的模型，就有機會摸清它的盲點、繞過它達成目標。因此 OpenAI 強調安全不能只問「這個動作被允許嗎」，還要問「這一連串動作正導向什麼結果」。 OpenAI 的解法，與留給企業的功課 OpenAI 隨即暫停部署，重建安全機制，改以整段軌跡為監控對象：用實際失效案例開發對抗性評測、針對長時對齊做訓練、建立能檢視整段軌跡並可即時暫停執行階段（Session）的主動監控，並提高使用者的可視性與控制。重播先前失效場景後，新機制攔下明顯更多不當行為，漏掉的都屬低嚴重度，恢復限量存取數週以來也未見嚴重繞過。 總結來說，對正評估導入 AI Agent 的企業，OpenAI 這次的經驗留下三個提醒。第一，任務時間拉長會放大風險，監控只盯單一動作，就會漏看整段任務的走向。第二，固定評測無法預期模型所有行為，部署前測試得搭配可監控的上線，以及能介入、暫停、回滾的能力；先小範圍試行、再逐步擴大，比一次到位更能在問題擴大前把它攔下。第三，OpenAI 強調這些挑戰不會是它獨有，所有導入長時 Agent 的組織遲早都得面對。 值得留意的是，這份說明終究是 OpenAI 的自我揭露。而《UNITE.AI》評論，OpenAI 雖然沒有指名這款模型、未交代其架構，也沒有說明這類長時系統是否會對外提供；上述行為與修補，目前也都沒有第三方的獨立驗證，不過仍是少數的一手觀察。 【推薦閱讀】 ◆ […]

AI Agent 已進入企業核心流程，為何反而遇到效率瓶頸？資策會產業情報研究所主任韓揚銘揭流程、人才與治理解方

專訪：沈貝怡撰稿：李昀蔚 過去一年，企業對 AI 的討論已從「如何提升個人生產力」，進一步走向「如何讓 AI Agent 成為企業流程的一部分」。當 AI Agent 開始代替人類操作企業系統、填寫資料與分析文件，企業面對的問題也轉向如何重整流程、進行人機分工，以及界定出錯後的責任歸屬。 「我們看到現在的 AI Agent，已經不是未來式，而是一個現在進行式，」本集《全新一週》邀請資策會產業情報研究所（MIC）主任韓揚銘，逐步解析 AI Agent 在台灣企業端的最新導入進展，以及組織與工作者面對這波管理變革與挑戰時，該提前做好哪些因應準備。 AI Agent 已走進「產銷人發財」各環節 韓揚銘舉例，過去 AI 主要負責語音、影像等資訊辨識，但如今企業談論的 AI Agent，比的不只是 IQ 的高低，而是能否真正採取行動、動手動腳的 AQ（Action Quotient，行動商數）。這項技術正以極快的速度改變各行各業。例如在紡織產業中，一件衣服的設計可能涉及上百項參數，過去需要人工逐一核對鈕扣位置與細部設計等資訊，但現在已經有 AI Agent 能直接讀懂並自動填寫參數。 在鐵件、螺絲與熱交換器等工業設計領域，AI Agent 也能快速整理過去累積的經驗與設計邏輯，協助判斷安全條件與場域需求。同時，也有不少財會單位開始使用 AI Agent 協助撰寫部分財報分析。這些場景皆顯示，在各種產銷人發財的環節中，都已經有 AI Agent 的身影。 「PARK 理論」如何讓 AI Agent 越用越順？ 當 AI Agent 展現出強大的執行與決策輔助能力，許多企業陸續投入導入工作，卻往往陷入越用越卡、效率不增反減的泥淖。韓揚銘點出其中的核心原因，強調問題不在技術，而在流程。 目前不少企業採取的第一步，是將既有工作流程的所有步驟列出來，再挑選其中幾個步驟交給 AI Agent 執行。然而，如果企業本身的流程沒有重新設計，只是沿用舊思維導入新技術，原有瓶頸並不會消失，反而只會被轉移。因此，在實際運作中，可能出現人需要等待 AI Agent […]

4 個人，服務 75 萬名客戶：研究揭 AI 原生企業正在改寫「請更多人」老規則

一家公司要服務更多客戶，通常得請更多人，但這條長年成立的等式，正被第一批「從骨子裡就長在 AI 上」的 AI 原生新創（AI-Native firms）打破。 《The Wall Street Journal》報導，以協助消費者用信用卡點數訂機票的 Pointhound 為例，這家成立三年的公司去年有 75 萬人使用其產品，正職員工卻只有 4 人，其餘工作交給一支 AI 代理大軍處理。創辦人暨執行長 Jay Reno 說，就算營收一夜之間成長 10 倍，他頂多也只需要再多請 1 名工程師與 1 名行銷。 Reno 任職的上一家公司是 2017 年成立的家具訂閱租賃業者，賣掉前的巔峰時期約有 150 名員工。他形容，AI 對公司的「瘦身」效果，就像「每個人突然都能打減重藥」。而 Pointhound 並不是特例。這種用更少的人做更多的事，正逐漸成為這一代 AI 新創共同的樣貌。它究竟長什麼樣子、又精簡到什麼程度，如今已經有了系統性的答案。 人數少約 25%、階層更薄，估值卻沒有比較低 哈佛商學院教授 Rem Koning 與歐洲工商管理學院（INSEAD）教授 Hyunjin Kim 共同進行了一份最新研究，分析了 Y Combinator 與美國創投支持的數千家新創，並與勞動力資料庫比對。結果發現，在同一產業、同一批次的條件下相比，圍繞 AI 打造的新創員工人數少了約 25%，工程師在團隊中的占比高出約 13%，基層員工與管理者的占比則各低了約 15%，組織階層平均少了半層。 […]

【自我修復的 AI 代理】提案、驗證、重寫規則，Self-Harness 框架讓效能最高提升 60%

上海人工智能實驗室近日提出 Self-Harness 框架，它讓基於 LLM 的 AI 代理，有能力經由檢視自身的執行軌跡，主動最佳化運行規則，讓 AI 代理執行效能提升 60%。

不追排名、流量、反向連結，AI 搜尋時代把 SEO 概念「轉譯」成四個新指標

過去一年，AI 爬蟲在網站活動的次數，成長了 5.4 倍。愈來愈多消費者不是自己上網找東西，而是先問 AI，再由 AI 去搜索、解讀網站。換句話說，AI 一方面是協助品牌將其產品帶到消費者面前的新管道，一方面又像是一位新的「客戶」，它會親自查看網站，把內容抓下來、整理成摘要、比較，最後決定要不要向用戶推薦你。而這整個過程，從頭到尾都不需要消費者參與。 AI 搜尋會直接影響消費者在 AI 對話框裡做的決定，而 AI 會怎麼形容這個品牌，取決於它能不能找到、能不能查證、願不願意相信網站上的資訊。 AI 搜尋大大改變了行銷人員必須重視的要件 過去的行銷衡量方法，是為「搜尋與探索相對可預測」的世界所設計；行銷人員鎖定關鍵字、追蹤排名、估算點擊，再把能見度換算成流量，但 AI 搜尋將原本的邏輯拆掉了三個。 一、沒有穩定排名 在生成式 AI 答案裡，並不存在一個固定的排名。AI 的回應是對話式的，本質上帶有隨機性，當用戶同一個問題問兩次，很可能得到兩個不同的答案；就算你搜尋的是「最好穿的跑鞋」這種看似有標準答案的問題也一樣。把傳統的排名追蹤邏輯，硬套用在本質是隨機的 AI 搜尋上，工具跟對象根本不匹配。 二、消費者旅程變成不可見的對話 在傳統搜尋裡，行銷人員可以從一串查詢字詞去推敲使用者意圖。但在 AI 搜尋裡，消費者提供給引擎的資訊更多，他們會說出詳細的偏好與預算、會追問，會一步步修正自己真正想要的東西；然而大多數品牌既無法追蹤、也無法衡量自己究竟出現在這段對話的哪個環節。旅程從一條可見的路徑，變成了看不見的私下商議。 三、點擊不再是能見度的代理指標 我們走進「零點擊探索」的時代，使用者的互動與投入愈來愈多發生在 AI 體驗的內部，而這些行為是傳統分析平台難以可靠歸因的。如果行銷人員仍然把能見度直接等同於工作階段（sessions）數，那麼很可能正在錯置資源，並且對那些真正決定「AI 系統會不會優先推薦你」的工作嚴重投資不足。 爬蟲與 AI 代理決定 AI 如何向用戶呈現你的品牌 因此，在 AI 搜尋的脈絡下，做法要靠「混合式」策略，把扎實的第一方數據，跟帶方向性的能見度訊號結合起來，同時觀察兩件事：爬蟲與 AI 代理在你網站上如何行動，以及不同 AI 平台如何呈現你的品牌。 第一步要從「真相所在之處」開始，也就是日誌檔（log files）。如果說 AI 代理是新的客戶，日誌檔就是最真實的行為數據來源，能揭露哪些爬蟲正在造訪、存取了哪些內容、又在哪裡卡住。 許多品牌也正是在這裡發現，過度依賴 JavaScript 的網站，可能讓動態內容對 AI […]