Archives

【科技早餐】AI 擴張撞上基建瓶頸：Kimi 卡算力、記憶體喊缺、美國 42 州抗議資料中心

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊月之暗面準備赴港 IPO，Kimi K3 爆量暫停新訂閱 中國 AI 新創月之暗面（Moonshot AI）正調整境外公司架構，為赴香港上市做準備，並已與中金公司、高盛（Goldman Sachs）等財務顧問討論上市計畫。《彭博》引述知情人士指出，公司最快可能在 6 個月內進行 IPO，但實際時程仍可能調整。月之暗面今年 6 月的年化營收達 3 億美元，短短 2 個月增加 1 億美元，最新一輪募資估值則可能突破 300 億美元。公司自 2023 年成立以來已完成多輪融資，投資人包括阿里巴巴、騰訊、小紅書與美團。 上市籌備早在 Kimi K3 發表前便已展開，但新模型推出後，日銷售額增至至少原本的 6 倍。Kimi K3 上線 48 小時內，用戶請求量遠高於預期，現有 AI 運算叢集接近承載上限，月之暗面因此暫停一般消費者的新訂閱，優先保障既有付費會員。公司正加速擴充 GPU 算力，待新增資源上線後逐步恢復訂閱，並計畫把會員方案拆分為涵蓋 Kimi Web、Kimi App 與 Kimi Work 的一般會員，以及獨立的 Kimi Code 服務，以便依不同使用情境分配運算資源。 ＊Hugging Face 遭 AI […]

Hugging Face 遭 AI Agent 惡意入侵：一個中國模型為何成了最後的調查工具？

AI 開源平台 Hugging Face 近期公布了一起內部資安事件：一套自主 AI Agent 從頭到尾入侵它的生產環境，取得雲端與叢集憑證，並在一個週末內橫向移動，留下超過 1.7 萬筆操作紀錄。Hugging Face 同樣動用 AI 完成偵測與調查，形成一場機器對機器的攻防，然而真正讓外界議論的，不是這場攻防本身，而是調查途中卡在一個誰也沒料到的過程：模型選擇。 一場由 AI Agent 端到端執行的入侵 Hugging Face 揭露，入侵發生在 7 月 13 日當週，起點落在 AI 平台最容易被攻擊的弱點之一：資料處理管線。一份惡意資料集利用處理流程中的兩個程式碼執行漏洞，在處理節點上執行程式碼；攻擊者隨後取得節點層級權限，蒐集雲端與叢集憑證，並在週末橫向移動進入多個內部叢集。 這場攻擊由一套自主 Agent 框架執行，透過大量短生命週期沙箱發動數千個動作，指揮控制節點還會自行遷移、藏身公開服務。這正符合業界討論已久的「代理式攻擊者」情境。至於攻擊者用的是哪款大型語言模型，Hugging Face 坦言仍無法確定，但表示目前沒有發現公開、面向使用者的模型、資料集或 Spaces 遭竄改，軟體供應鏈（容器映像檔與已發布套件）也經驗證乾淨。 因應措施上，Hugging Face 已修補初始漏洞、重建受影響節點、撤銷並輪替憑證與權杖，並收緊叢集准入控制、強化偵測告警，同時與外部鑑識專家合作、向執法機關通報。對一般使用者，該公司建議輪替存取權杖、檢視近期活動紀錄。 1.7 萬筆攻擊紀錄，商業模型要分析卻卡在安全機制 這起事件最初由 AI 協助偵測浮現：Hugging Face 的異常偵測管線會用大型語言模型對資安遙測做初步分類，把真訊號從雜訊中分離。為理清數萬個自動化動作，團隊再讓 LLM 分析代理跑過完整攻擊紀錄，重建時間線、萃取入侵指標、盤點被觸及的憑證，原本要數天的工作在數小時內完成。 然而問題出在模型選擇被意外限制。Hugging Face 表示，團隊一開始使用商業大型語言模型 API 協助分析，但分析過程需要輸入大量真實的攻擊指令、Exploit Payload 與 Command-and-Control（C2）相關內容。由於商業模型的安全機制無法區分「資安調查人員」與「攻擊者」，相關請求不斷觸發防護機制而遭到拒絕，導致調查流程無法順利進行。 根據 […]

具身 AI 的下一個瓶頸不是動作，而是理解人類：BrainCo 如何把「意圖」變成機器人訓練資料？

全球科技公司正競相發展具身 AI。在這股浪潮中，特斯拉（Tesla）與輝達（NVIDIA）等全球科技巨頭正投入重金，致力於研發能自主感知周遭環境、進行任務推理並操作物品的機器人。然而，即使機器人能完成愈來愈多動作，教導機器人如何行動依然充滿挑戰，若要進一步讓機器人理解人類真正想要什麼，難度又更高。因此，即使機器人具備自主能力，如何準確理解人類的真實意圖，仍是具身 AI 發展的一項重大難題。 為了克服這個瓶頸，成立於 2015 年、被視為杭州高科技「六小龍」之一的腦機介面新創公司 BrainCo，近期在上海舉辦的世界人工智慧大會（WAIC）上，發表一款其宣稱為全球首個整合式「腦控機器人」平台。這套系統讓使用者不必移動任何肌肉，就能透過意念直接控制機器人。BrainCo 合夥人兼資深副總裁 Nyx He 對此指出，具身 AI 產業在機器人自主能力上已取得顯著進展，但他們相信，下一個決定性的前沿，在於機器人如何理解與它們共同工作的人類。 10 分鐘上手、200 毫秒傳達指令：BrainCo 如何把腦訊號變成機器動作？ 這款標榜能拉近人機距離的平台，採用非侵入式腦機介面（BCI）技術。使用者操作時需要先戴上 EEG 頭戴裝置，透過放置在頭皮上的感測器，讀取大腦在思考時自然產生的微弱電訊號。接著，系統會利用 AI 演算法分析這些神經活動，判斷使用者當下想要執行的動作意圖，最後將這些意圖轉換為機器人可以執行的具體指令。 這套系統的運作依賴大量訓練資料，藉此建立特定神經活動與操作指令之間的關聯，再透過 AI 演算法找出腦中所想與機器動作的對應關係。一旦平台在電腦上完成腦訊號解碼，就能在 200 毫秒內把指令傳送給對接的機器人。為了推廣這項技術，BrainCo 特別強調其高度易用性，並宣稱大眾在短短 10 分鐘內就能掌握機器人的控制方式，且完全不需要任何腦機介面背景。 此外，該平台並不綁定單一機器人硬體，因此可以靈活連接第三方的人形機器人、機械手臂與機器狗。在首發展示影片中，一名缺少左手的使用者展示如何單憑意念遠端控制仿生手。在世界人工智慧大會現場，BrainCo 也展示如何依照操作者的腦訊號，遠端控制桌上型機械手臂與人形機器人，讓機械手臂能精準抓取杯子或蘋果等物品。 不只用意念控制機器人，BrainCo 更想蒐集「人類意圖資料」 BrainCo 團隊認為，這套平台更重要的價值，在於解決具身 AI 發展上最棘手的問題，也就是高品質真實世界訓練資料的匱乏。目前，機器人要學會執行複雜任務並理解真實環境，需要極為龐大的真實互動資料，而高品質資料短缺，正是當前整個機器人產業的主要瓶頸。滙豐銀行（HSBC）分析師在近期報告中也指出，中國人形機器人領域目前仍缺乏建立先進機器人大腦所需的高品質真實世界資料，這使得人形機器人的商業化仍需數年時間。 面對這項痛點，BrainCo 讓機器人在實際執行任務的同時，同步蒐集人類操作者的 EEG 腦電波資料，並將大腦訊號所反映的真實操作意圖，與機器的實體動作相連結。透過這種資料蒐集方式，系統不僅能執行單一步驟的抓取任務，還能透過訓練處理摺衣服這類更複雜的多步驟任務。 這套平台最大的優勢，在於能將真實世界中的機器人執行、人類示範操作與虛擬模擬技術相互結合，建立更具深度的訓練資料庫。隨著平台累積的實際使用資料愈來愈豐富，這些寶貴的真實意圖資料也能回饋至底層 AI 演算法，用來進一步微調並改善演算法表現。 從模仿動作到理解意圖：BrainCo 如何改變機器人學習方式？ 隨著腦訊號加入，機器人訓練資料的維度也將產生本質上的改變。現有的具身 AI 訓練方法，多半著重於機器人如何感知外部環境、操作實體物品，以及自主完成特定任務，但這類訓練往往停留在物理動作的模仿。相較之下，BrainCo 希望將人類的腦訊號直接帶入機器人的訓練與操作流程，讓機器人接收到的訊號不再只是外在的物理動作示範，而是能進一步觸及操作者執行動作背後的真實「意圖」。 正如 Nyx He […]

如何做到 AI 金融實戰 0.03 秒精準防詐？Dell Technologies 應用「AIDP 數據平台」助銀行突破傳統數據孤島

TechOrange 科技報橘日前主辦「2026 科技金融論壇」，聚焦探討 AI Agent to Agent 新金融生態基礎設施。Dell Technologies 非結構化數據解決方案資深業務協理徐志良引用 NVIDIA 執行長黃仁勳在今年 GTC 大會上表示的「如何創造並獲取訓練 AI 所需數據，是當前需解決的核心難題」，他指出根據 Dell Technologies 做的調查， 67% 的企業表示仍無法即時從數據抓到關鍵資訊。因此 Dell Technologies 呼應「AI 工廠」的理念，打造出讓企業突破數據孤島的困境、能快速執行 AI 運算並即時生成內容與決策的全方位 IT 架構—— Dell AI 數據平台（AIDP）。 徐志良分享一家國際私人銀行導入 AIDP 平台的案例，他們利用 AIDP 結合業界標準的 BIAN（銀行業架構網路）框架，將大量的原始日誌、交易紀錄與系統訊號轉化為標準化的數據產品（Data Product），提供 AI 模型反覆使用，協助銀行建構具備自我學習能力的大數據防詐演算法，並且能夠在 0.03 秒的反應時間進行詐騙防堵、攔截問題交易，有效保護客戶資產。從商業成效來看，這間銀行在導入該平台後，相較於前一年，因金融詐騙造成的財務損失下降 40%、整體詐欺案件減少 21%，其中投資型詐騙更是銳減 51%，成功攔截的資金總額也提升 6%。 過去金融業 IT 架構累積的數據資產，往往散落在不同的地端伺服器或多雲環境中，形成無數個難以互通的「數據孤島」。傳統的數據處理高度依賴 ETL（萃取、轉換、載入）流程，資料工程師需要撰寫大量程式碼，在不同系統間頻繁搬移數據，同時伴隨高昂成本、資料延遲以及數據不一致的風險。此外，企業運算與儲存架構被專有商業倉儲工具與格式綁定，導致無法即時將數據轉化為有價值的商業洞察。 為了解決金融業面臨的數據整合痛點，Dell Technologies 聯合多家國際軟體平台大廠，推出為新人工智慧時代設計的 Dell […]

從開發風險到供應鏈威脅，叡揚資訊助金融業建構 AI 韌性防線

TechOrange 科技報橘日前主辦「2026 科技金融論壇」，聚焦探討 AI Agent to Agent （A2A）驅動下的新金融基礎設施與數位服務生態。叡揚資訊資安直屬事業處副處長郭俐佳於論壇演講時指出，許多企業主管正面臨三大挑戰：首先是 A2A（Agent to Agent）自主協作帶來的治理需求；其次是攻擊與防禦全面 AI 化（AI Cyber），當攻擊者也利用 AI 生成惡意程式並發動攻擊時，企業的防護速度必須跟上；第三則是全球 AI 治理法規逐步落地。 「在 A2A 時代，Agent 之間彼此會資料交換、溝通甚至完成交易，AI 帶來的是效率提升，同時也帶來風險，」郭俐佳表示，在賦予 AI 更大、更廣的權限時，AI Agent 可以呼叫哪些服務、使用哪些工具以及擁有哪些資料存取權限，監督與審核就成為關鍵。 AI 供應鏈成為企業最容易忽略的攻擊面 隨著 AI 技術快速普及，企業面臨的資安風險也逐漸從單一系統漏洞，擴展至整體供應鏈生態系。 郭俐佳指出，近年來攻擊者已不再以企業本身作為唯一目標，而是轉向開源社群、第三方服務供應商、AI 模型與資料來源等供應鏈環節發動攻擊，如開源維護者帳號遭駭客惡意植入程式碼，影響數十萬開發者與企業，或是 AI 供應鏈服務遭入侵，影響企業 AI 應用與決策可信度。她進一步以「冰山效應」形容現代企業的資安風險，企業平時最關注的業務系統、Web 與行動應用程式，其實只是冰山露出水面的部分；真正影響數位韌性的關鍵，往往隱藏於底層的開源元件、容器環境、開發部署流程、AI 模型、訓練資料與外部 API 等相依資源。 因此，除了建立傳統的軟體物料清單（SBOM），企業更應導入 AI 應用組成清單（AI-BOM），完整掌握 AI 模型、Prompt、外部工具及相依元件的組成與權限關係。郭俐佳表示，透過 Mend Platform，企業不僅能盤點軟體供應鏈，也能建立 AI-BOM，並運用 AI 自動分析程式碼風險、提供修補建議及產生 Pull Request，協助開發團隊將安全治理落實於開發初期。 三層機制穩固 […]

從賣晶片到賣系統：AMD 挑戰 NVIDIA，卻不想當第一？

過去十年，AMD 靠一顆更好的中央處理器（CPU）從 Intel 手中搶回市場，完成半導體史上罕見的翻身。如今站上 AI 時代，面對量級更大的 NVIDIA，AMD 的答案卻出乎意料。科技媒體《SiliconANGLE》分析，AMD 這一次的目標不是打敗 NVIDIA，而是要成為 AI 基礎設施市場中不可或缺的「第二平台」。 打贏 Intel 的舊劇本，為何對 NVIDIA 失靈？ 要理解 AMD 的新選擇，得先看懂它第一次轉型的成功條件。《SiliconANGLE》梳理，AMD 的翻身建立在三個決定上：2009 年分拆晶圓廠 GlobalFoundries、轉向無晶圓廠模式，專注晶片設計；以 Zen 架構重建技術根基，重設產品藍圖；以及蘇姿丰（Lisa Su）2014 年接任執行長後，把策略化為說到做到的執行紀律。這套組合讓 AMD 在 x86 資料中心市場拿下約 55% 的營收市佔。 但關鍵在於，這些優勢全發生在成熟的 x86 市場，比拚的是架構、製程、核心數與性價比，規則清楚、變數有限。《SiliconANGLE》直言，AMD 如今踏入的市場，和它擊敗 Intel 的戰場幾乎毫無相似之處。在 AI 時代，勝負基礎已從「設計出最快、最划算的處理器」，轉為「交付出最好的整合系統」，也就是把晶片、軟體、網路與生態整合成一整套方案。而這正是 NVIDIA 最難撼動之處：它的領先不只在 GPU，更在 CUDA 軟體、Mellanox 與 NVLink 等網路技術、機櫃級整合，以及累積近二十年的生態系。舊劇本之所以失靈，是因為遊戲本身變了。 不當第一、要當「最強第二」的三步打法 那麼，AMD 的新劇本長什麼樣？《SiliconANGLE》將它歸納為三層。第一層是自建核心，持續投資最能拉開差異的資產：EPYC 處理器、Instinct 加速器、ROCm 軟體與 […]

AI Agent 長期記憶成新攻擊面：研究顯示惡意記憶寫入成功率達 98%，企業該如何防守？

現在，不論是個人偏好的寫作風格、定期執行的任務、購物習慣，還是專案截止日期，AI Agent 都開始透過儲存長期記憶，提供更理解使用者需求、更具實用價值的互動體驗。然而，這項核心功能正悄悄演變成 AI 系統最嚴重的安全漏洞之一。 2026 年 7 月，新墨西哥州立大學研究團隊提出的「GhostWriter」，以及 Yechao Zhang 等研究人員發表的「MemGhost」攻擊研究，共同揭示一項重大轉變：當企業與個人開始賦予 AI Agent 存取電子郵件、行事曆及自動化工作流程等核心權限時，攻擊者不再需要直接破解模型本身，只要將目標轉向改寫 AI Agent 的「長期記憶」，就可能在原始攻擊發生很久以後，持續誤導 AI Agent 做出危險決策。 先植入、再啟動：GhostWriter 的兩階段攻擊機制 首先是由新墨西哥州立大學研究團隊揭露的 GhostWriter 攻擊機制。這項學術研究深入剖析長期記憶系統如何成為全新的攻擊面。傳統聊天機器人在對話結束後通常不會保留資訊，但現代 AI Agent 則會透過持久化記憶，保存使用者背景、進行中的專案與歷史互動。 GhostWriter 正是利用這種持久性，透過隱藏提示或不可信的外部內容，將惡意資訊秘密灌輸至 AI Agent 的長期記憶。該研究將此攻擊劃分為兩個階段：第一階段是「記憶注入」，也就是將惡意內容悄悄寫入 AI 的儲存庫；第二階段則是「攻擊啟動」，當使用者日後提出完全正常且合法的請求時，AI Agent 會在毫不知情的情況下，重新讀取遭污染的記憶，進而觸發惡意行為。 與僅影響單次對話的傳統提示注入攻擊不同，GhostWriter 寫入的內容會跨越多個工作階段，持續影響 AI Agent 的行為。例如，當使用者要求遭污染的 AI Agent 摘要銀行郵件時，AI Agent 可能會暗中將郵件轉寄給攻擊者；它也可能在未來任務中，將遭竄改的聯絡資訊、虛假期限、捏造事實或錯誤偏好，視為可靠的背景資料並加以採用。 惡意記憶寫入率達 98%，研究團隊提出雙端攔截防禦框架 新墨西哥州立大學的研究數據，為當前的安全架構敲響警鐘。在針對先進 AI Agent 的實驗中，GhostWriter 的惡意記憶寫入成功率高達約 […]

從智慧決策到自動化執行，祐謙科技如何透過 SAS 與 UiPath 打造企業「行動大腦」？

祐謙科技透過結合 SAS 數據分析能力與 UiPath 的智慧流程自動化平台，為企業打造一套從「智慧決策」到「自動化執行」的完整閉環系統。 「目前的商業軟體 Salesforce、SAP 或 ERP 都有各自的系統和資料結構，面對每個軟體的資料結構都不太一樣，要把這些數據都整合到同一個平台來進行分析與決策，執行起來就不會那麼順暢，」祐謙科技總經理 Victor 表示，企業在推動數位轉型的過程中往往面臨上述挑戰，無論是製造業需要提升生產效率與設備可用率，或是零售業面臨跨平台的庫存同步問題，如何有效整合破碎且分散的資料並將其轉化為具體且有效的營運行動，成為企業需要面對的難題之一。 從預測性維護轉型為自動化 SOP 「SAS 負責建立資料分析平台，將收集到的數據彙總，並透過特定演算法產生智慧決策依據，後續就由祐謙科技的 UiPath 平台來擔任 action brain （行動大腦）執行，」Victor 表示，UiPath 能跨系統串接 SAP、Oracle、Salesforce 等不同架構的商業軟體系統，將決策數據導入企業現有流程，讓系統採取最佳路徑並自動執行，達成智慧決策與執行的高度整合。 Victor 以製造業面臨的痛點舉例，過去製造業者常面臨資料分散於不同機台、通訊協定不相容等問題，針對提升整體設備效能（OEE），即稼動率、性能以及良率三個關鍵指標，企業可透過 SAS Analytics for IoT 進行即時分析，落實預測性維護與良率追蹤，當系統預測設備可能發生故障或偏離良率目標時，SAS 會執行根因分析，並計算出最佳調整參數，隨後 UiPath 便會自動接手指令，依照系統建議進行設備參數的自動調校與排程優化，將過去依賴人工經驗判斷的維護工作，轉型為自動啟動的 SOP，不僅有效減少非計畫性停機時間，更進一步提升生產品質。 打造 AI 賦能的「數據、決策、行動、優化」自動化閉環 針對跨電商平台、POS 系統及 ERP 之間的庫存落差，精準掌控庫存動態至關重要。「歐洲、亞洲、美國區域每個地方的產品庫存調動，都有一個很精準的預測模型，」Victor 指出，祐謙科技透過 SAS 建立的區域性銷售預測模型，系統能主動監控並計算最佳備貨策略，而 UiPath 具備串接各種不同軟體系統（如 SAP、Oracle、Salesforce）的能力，能夠識別不同資料庫間的動態差異以及協調訂單庫存流程。透過兩者的結合，零售業者不僅能消弭庫存與銷售的動態落差，更能利用 UiPath 的自動化處理能力，處理高達 80% 的售後諮詢與換貨請求，大幅降低跨部門溝通與人工處理的成本。 另外在 ESG […]

從一艘橡皮艇到美國海軍合約，新創 Saronic 搭上美軍「無人艇」熱潮

在美中海權競爭與造船工業版圖劇烈重組的此刻，一艘從 Amazon 買來、造價僅 800 美元的橡皮艇，意外成了美國海軍下一代作戰想像的起點。 2022 年，海豹六隊前成員 Dino Mavrookas 與多位來自 SpaceX、Anduril 的夥伴，在德州奧斯汀的簡陋倉庫裡，把這艘橡皮艇改裝成搭載攝影機、感測器與馬達的自主艦艇原型，總成本約 3 萬美元。這個克難實驗後來成為新創公司 Saronic Technologies 的起點，也意外搭上了戰局劇變的時間點。 原型艇問世僅一個月，烏克蘭就以自製無人艇擊傷一艘價值數千萬美元的俄羅斯軍艦，戰場實證讓國會議員與海軍官員接連飛往奧斯汀取經，Saronic 也在成立 90 天內，簽下第一份海軍合約。 造船量輸中國一大截，美軍押注無人艇補洞 中國海軍艦艇數量約在十年前已超越美國，目前佔全球造船量 51%，而美國每年僅生產數十艘軍民用船隻。Mavrookas 認為，真正的風險不只是艦隊規模差距，而是工業持久力的差距；意即在長期衝突中，關鍵不是誰的船艦數量多，而是誰能造得更快。 面對這個失衡局面，五角大廈正加速押注海上無人載具。美國海軍已為無人水面載具（USV）撥款 37 億美元，最新的國防預算申請中，還包含數十億美元的額外資金，以及自 1962 年以來規模最大的造船預算，總額達 658 億美元。 海軍水面發展第 1 群准將 Garrett Miller 表示，根據海軍 2045 年兵力願景，印太地區的中型 USV 數量預計將從目前約 4 艘，成長至 2030 年前的 30 艘以上，屆時還會搭配數千艘小型 USV 與無人機系統一同運作。 儘管十多年來，海軍持續進行低調的無人艇實驗，並曾在波斯灣等海域部署過少量小型載具，但至今仍沒有一套船艇系統，能在真實環境中可靠地搭載武器自主運作，這讓美國在這場競賽中處於落後位置。 從省掉廚房廁所開始，Saronic 要複製 SpaceX 的打法 […]

投資達美國 2 倍、募資直追北美：為何歐洲量子產業仍難逃「研發在本土，控制權歸美國」的資本陷阱？

在全球 AI 競賽中，歐洲幾乎在起跑前就已失去領先機會。當法國新創 Mistral 於 2023 年取得首輪融資時，美國 OpenAI 已募得超過 130 億美元。更早之前，總部位於倫敦、孕育多項開創性技術的 DeepMind，也已被 Google 收購，再次呈現技術在歐洲誕生，經濟價值與控制權卻落入美國企業手中的困境。 然而，下一場關鍵技術競賽或許不會這麼快分出勝負。量子運算的技術路線、商業模式與產業領導者尚未確立，歐洲也正吸引比以往更高比例的創投資金。 歐洲量子募資追近北美，但科研領先不等於產業勝利 根據 PitchBook 數據，歐洲量子運算企業今年第一季共募得 4.04 億美元，與北美的 4.17 億美元相差不遠。這顯示量子運算已成為少數歐洲仍具競爭力，且尚未被北美全面拉開差距的前瞻科技領域。 這項優勢與歐洲長期的科學研究累積密不可分，像是被譽為「量子運算之父」的 David Deutsch，就是英國物理學家。然而，率先提出革命性技術，不代表能掌握後續產業價值。例如，網際網路技術同樣由英國科學家 Tim Berners-Lee 發明，卻未讓英國成為全球網路巨頭與科技平台中心。 歷史因此提醒歐洲，量子募資逼近北美，只代表取得進入決賽的資格，並不等於已經贏得競賽。 公共資金填補商業化斷點，政府條件卻可能拖慢研發 長期以來，英國與歐洲面臨兩項相互牽動的難題：一是難以將實驗室成果轉化為商業產品，二是即使成立新創，也缺乏支持企業擴張的資金。近年，歐洲各國政府與歐盟開始透過國家研究計畫、公立發展銀行與創新基金，同時處理商業化與融資瓶頸。 目前不少受市場關注的歐洲量子企業，都源自大學或公立研究機構：Oxford Quantum Circuits 起源於牛津大學物理系，Quantum Motion 由牛津大學與倫敦大學學院研究人員共同創立，法國 Quobly 則源自研究機構 CEA-Leti。 這三家公司近幾個月的融資都結合政府與私人資本。兩家英國企業獲得國有發展銀行「英國商業銀行」（British Business Bank）支持，Quobly 則取得歐盟規模達 40 億美元的新創基金挹注。根據統計，英國與歐盟承諾投入量子運算的公共資金，合計已達美國的 2 倍。 不過，公共資金也可能帶來官僚限制。例如，Google 曾拒絕參與一項價值超過 20 億美元的美國政府量子資助計畫，主因是附帶條件可能減緩研發進度。Google Quantum AI […]

AI 讓開發產出翻 3 倍，決策端卻跟不上，未來的工程師得開始做 PM 的工作

受惠於 AI 技術，軟體工程師的任務產出，比起過去增加大約 3 倍，但在產品管理方面，卻幾乎沒有任何變化，軟體開發的瓶頸早已不再是撰寫程式碼，而是決定應該要去開發哪些程式。

Fintech 今年募資逆勢成長 23%，AI 下一個殺手級應用為何指向金融？

過去兩年，生成式 AI 最成功的商業應用，幾乎都圍繞著程式開發。從 GitHub Copilot、Cursor 到 Claude Code，AI 不斷改變軟體開發流程。但 Google Ventures（GV）合夥人 Elena Sakach 最近提出另一個值得企業決策者關注的判斷：繼程式開發之後，金融市場可能成為 AI 下一個 Killer App（殺手級應用）。 這個觀點，也開始反映在資本市場。根據《Crunchbase》統計，2026 年上半年全球 Fintech 新創共募得 286 億美元，較去年同期成長 22.7%；但同期募資交易數卻年減 25.7%。這代表市場並非全面回溫，而是資金開始集中流向少數被看好的方向。 Fintech 沒有全面復甦，資本開始集中押注 AI 《Crunchbase》採訪多位創投機構後發現，Fintech 投資正呈現明顯兩極化。一方面，大量資金流向已建立規模優勢的領導企業；另一方面，早期新創若想獲得資金，則必須提出全新的 AI 金融服務，而非只是數位化既有金融產品。 Sakach 指出，今年最大的變化發生在 AI 與金融服務的交會點。她認為，程式開發證明 AI 能大幅提升知識工作效率，而金融市場擁有龐大的結構化資料與交易資訊，「可能成為 AI 下一個 Killer App」。 從募資流向也能看出這個趨勢。AI 財富管理、金融基礎設施、支付網路、穩定幣，以及能協助銀行、保險公司自動完成決策的 Agentic 平台，都成為今年最受關注的投資方向。 Lightspeed Venture Partners 合夥人 Justin Overdorff 也向《Crunchbase》表示，今年 Fintech […]

【科技早餐】中美 AI 差距縮小：Kimi K3 逼近美國，算力與監管戰同步升溫

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Kimi K3 逼近美國，中美 AI 技術差距持續縮小 中國新創月之暗面（Moonshot AI）發布 Kimi K3，模型共有 2.8 兆個參數，支援 100 萬 token 的上下文長度。月之暗面稱，Kimi K3 是目前參數規模最大的開放權重模型，主要鎖定複雜推理、長時間程式設計與知識工作。第三方評測顯示，Kimi K3 在部分程式設計測試取得領先，綜合表現僅次於 Anthropic 最新的 Fable 5；完整模型權重預計於 7 月 27 日釋出，供全球開發者下載、修改與部署。 研究中國科技政策的史丹佛大學研究學者韋布斯特（Graham Webster）表示，外界對中國模型落後美國的估計，大多集中在六個月左右，領先差距已經不大。同一天，中國國家主席習近平在上海世界人工智慧大會表示，AI 不應由單一國家主導，並主張協助全球南方國家建立 AI 能力。美國持續限制中國取得高階 AI 晶片，但中國企業仍透過開放模型擴大海外採用。從模型性能、開放權重到全球推廣，Kimi K3 的推出再次顯示，中美前沿 AI 技術差距持續縮小。 ＊Apple 反超 NVIDIA，AI 競賽從算力延伸到裝置 Apple 7 月 17 日盤中市值一度升至約 4.88 兆美元，略高於 NVIDIA 的 4.86 […]

【AI、機器人與網路的代理化未來】99% 機器人是惡意程式，如何精準分辨「惡意攻擊」與「AI 變現機會」？

網路流量的樣貌已經改變，現在有一半的造訪其實來自自動化程式（機器人）。這不僅無形中增加伺服器的運算成本，更直接影響企業的情報安全與獲利模式。過去遇到機器人就「直接封鎖」的單一作法，已經難以應付現在複雜的流量意圖。 為幫助決策團隊釐清現況並擬定對策，全球網路技術服務商 Fastly 發布《威脅洞察報告（Threat Insights Report）》，內容梳理四個關鍵重點，包括盤點快取情報外洩與伺服器無端的傳輸成本、評估合法 AI 爬蟲對智財權與市場曝光的實質影響、提供各市場次級數據供決策對照，以及建議防禦與變現路徑。 📎 這份報告適合誰閱讀？ 報告將「機器人與自動化流量管理」從單純的網管技術層次，提升到「商業戰略與營運決策」的高度，適合以下幾類工作者閱讀： 任何關心企業運算成本、數位資產保護、AI 時代流量紅利，以及下一代網路商業模式的決策者與管理層，都是這份報告的受眾。 🔴 報告洞見 網路流量近半來自機器人，封鎖已不是答案 根據最新數據，全球網路請求中，來自真實人類的流量僅佔 51%，而自動化機器人（Bots）的流量已攀升至 49%，兩者幾乎呈現平分秋色的態勢。這意味著，企業所建置的應用程式與底層基礎設施，有一半的運算資源正被非人類使用者消耗。 在過去，企業的應用程式安全（AppSec）策略多半依賴簡單的「阻擋或放行」邏輯來應對機器人流量；然而，在 AI 代理席捲網路的新紀元，這種非黑即白的傳統網管思維已徹底失效。 現代企業必須將流量管理提升至「意圖導向」的商業戰略層級，精準判斷這些自動化流量到底是為了解析快取、消耗源伺服器資源，還是具備其他特定目的。 唯有將自動化工具的辨識與其「真實存取意圖」相互結合，經營層才能制定出符合商業利益的營運策略，在風險控管與流量紅利之間取得精準平衡。要做到這個平衡，首先得看清這 49% 的機器人流量裡究竟藏著什麼。 99% 是惡意程式：快取外洩與伺服器成本失控 在高達 49% 的龐大機器人流量中，隱藏著極端的不對稱性與營運危機。數據揭露，總機器人請求中有高達 99% 皆屬於「不受歡迎」的惡意自動化程式。 這些惡意程式通常是不具備驗證機制的 API 客戶端、惡意掃描器，或使用造假的偽造瀏覽器身分識別資訊的隱形攻擊者。從營運視角來看，它們經常偽裝成合法流量，進行大規模的競爭情報與價格抓取、探測網路系統漏洞，甚至發動惡意的帳號劫持攻擊。 更危險的是，惡意機器人會刻意假冒成合法的 AI 爬蟲（例如宣告自己是 ChatGPT），導致企業基於錯誤的情報制定防禦策略，進而讓惡意攻擊者輕易獲取系統存取權限。 除了直接的資安威脅，這些「假用戶」正以兩種截然不同的路徑，侵蝕企業的實質獲利與核心資產： 快取遭竊的商業情報危機 快取伺服器通常存放著企業當下最受歡迎、最具價值的熱門內容，以確保全球使用者的讀取體驗與平台效能。然而，實證數據顯示，針對快取內容的請求中，有高達 47% 是來自機器人。 這代表競爭對手或惡意第三方，正透過自動化程式大規模竊取企業最核心的商業情報與數據資產。如果經營層無法掌握究竟是哪些自動化程式在存取這些熱門快取內容，企業的營運利潤與整體競爭戰略將面臨嚴重的外洩風險。 源伺服器（Origin）的運算成本無底洞 相較於快取，針對「源伺服器」的請求則為企業帶來了龐大的無效成本負擔。報告指出，高達 60% 的源伺服器請求皆來自機器人。由於多數機器人採取「無差別抓取」模式，它們根本無法分辨哪些內容是最新、相關或受歡迎的。這種無效的頻繁存取，不僅對企業的基礎設施造成不必要的龐大負載，更會無端暴增資料傳輸成本。 此外，源伺服器往往存放著企業多年來未經整理的舊資料，一旦這些過時、不準確的資訊被機器人大量抓取並對外散佈，將可能嚴重損害企業的品牌形象與市場聲譽。 1% 的合法 AI 流量，正悄悄顛覆出版與電商 在剔除 […]

一年少派工 310 萬次、停機時間減少 1,200 萬小時：美國電信巨頭 AT&T 如何重寫維運模式？

現代電信網路由大量設備、軟體與相互依賴的系統組成，局部異常一旦未被及時發現，就可能造成服務中斷，影響大量用戶。像是澳洲電信龍頭 Telstra 近期發生的全國性網路事故，就凸顯這種單點失效的連鎖風險：這起事故起因於一台關鍵的時間同步伺服器，在進行維護重啟後，因軟體設定缺陷導致日期被誤設為 2006 年。在接下來的幾個小時內，錯誤日期導致其他伺服器中的驗證憑證失效，進而讓大批客戶陷入間歇性無法連上網路的窘境，嚴重影響當天高達 45% 的語音通話與數據傳輸服務。 後續的國會聽證會調查揭露，設備製造商早在前幾年就多次發出關鍵軟體的更新警告，但 Telstra 卻始終未執行。先前為了修復其他問題而對設備進行的設計變更，也未被妥善記錄，導致第一線維修人員重啟設備時，根本無法預見災難。 面對日益複雜的網路架構與難以防範的系統隱患，美國電信巨頭 AT&T 則選擇截然不同的預防道路。為了守護旗下高達 1 億 4,500 萬名無線用戶，以及 1,600 萬名寬頻用戶，AT&T 多年前便開始推動集中式事故管理系統，逐步引進傳統機器學習、生成式 AI 與智慧代理，目標是在客戶真正感覺到斷線之前，就提前在後台將問題排除。 AT&T 的實踐經驗，也展現如何將累積多年的海量網路數據轉化為高精度的預測能力，並讓 AI 深度參與根因分析、遠端修復與智慧派工，成為全球電信維運走向主動預防的關鍵指標。 先整合 10 PB 維運資料，AT&T 才讓 AI 看懂網路異常 AT&T 邁向預測式維運的第一步，不是引進最先進的 AI 模型，而是回歸最基礎的資料治理與跨部門溝通。為了更快速回應網路異常，AT&T 在 2017 年第一季啟動端到端事件管理系統（EEIM）計畫，並打破組織藩籬，組成橫跨資訊技術、資料科學與 AI 部門的跨功能團隊。 AT&T 數據與 AI 長 Andy Markus 強調，在計畫初期，團隊花費極大心力向第一線負責維修與監控流量的技術人員蒐集意見，以確保新開發的 AI 工具能直接融入既有的維運工作流程。 在資料基礎上，EEIM 系統必須重新整理並整合高達 10 PB […]

用 Prompt 設計概念車、開發週期砍半：AI 如何改寫 GM 造車流程？

長久以來，車廠握有一項與真皮座椅或平順引擎都無關的奢侈品，那就是時間，一款熱賣車型往往能賣上十年才迎來全面改款，但這項奢侈正在快速消失。根據《IEEE Spectrum》，BYD 等中國車廠已能把一款電動車從繪圖板送進展示間的時間壓到 2 年以內，逼著包含 GM 在內的歐美車廠重新思考造車節奏。 GM 的做法，不是把既有流程加速，而是把大部分開發直接搬進虛擬世界。當造車從「先做原型、再測試」轉向「先在虛擬環境把車幾乎造完」，改變的就不只是速度，而是整套產品開發的邏輯。 從「接力賽」到「同步進行」，造車流程正被重寫 主導這場轉型的，是 GM 產品長 Sterling Anderson，他曾帶領 Tesla 的 Autopilot 與 Model X 開發團隊，之後共同創辦自駕貨運公司 Aurora Innovation，去年六月加入 GM。他把工程演進分成三個時代： 第一個時代持續數千年，人類模仿自然、打造原型再反覆試錯，緩慢又昂貴；第二個時代從 1950 年代起，計算流體力學（CFD）、有限元素分析（FEA）等虛擬工具讓各領域工程師受惠，但整體開發仍像接力賽：設計把棒子交給空力、再交給結構，下游一發現問題，棒子又得往回傳。 如今 GM 主張已進入第三個時代：AI 與模擬把這些各自為政的功能，收攏進單一、以機率為基礎的流程。GM 虛擬整合工程執行總監 Jason Fischer 表示，公司自建的環境讓工程師能在實體原型出現前，就同步開發並最佳化硬體與軟體。過去逐棒交接的線性流程，正被多團隊從同一份數位模型並行作業的同步工程取代。 從 15 小時到 1 分鐘，加速看得見 這套方法的變化最直接反映在時間上。Anderson 指出，GM 過去一次要跑 15 小時的 FEA 分析，現在只需 1 分鐘；Fischer 補充，正面撞擊模擬同樣從 15 小時壓到不到 1 分鐘，車頂抗壓分析則從 […]

OpenAI、Anthropic 不再獨占最強 AI？中國 Kimi K3 讓開源模型站上 Frontier 戰場

過去兩年，企業導入生成式 AI 時，多半有一項共識：若追求最強能力，就選 OpenAI 或 Anthropic 等封閉模型；開源模型雖然成本較低、可自行部署，但能力通常仍落後一個世代。然而，今日這條界線正開始改變。 中國 AI 新創 Moonshot AI 在 7/17 推出開源模型 Kimi K3，號稱擁有 2.8 兆參數，是目前全球規模最大的開放權重大型語言模型，支援 100 萬 Token 上下文、原生圖像理解，以及長時間運作的程式開發與 Agent 任務。但真正引發產業關注的，不只是模型規模，而是 K3 已開始站上 Frontier AI（前沿 AI）的競爭舞台。 開放權重模型首次逼近最先進 AI 模型 依 Moonshot 公布的測試結果，K3 在多項 Agent、程式開發與推理基準測試中，已接近 Anthropic 最新的 Claude Fable 5 與 OpenAI GPT-5.6 Sol，部分項目甚至超越 GPT-5.5、Claude Opus 4.8 等模型。 官方數據之外，第三方評測機構 Artificial Analysis 的結果也顯示，K3 […]

Circle 真正的威脅：當 Visa 與支付巨頭加入 Open Standard，穩定幣儲備收益將如何轉向分銷通路？

在美國監管取得進展、傳統金融機構積極布局區塊鏈支付之際，全球支付巨頭 Visa 宣布向特定 beta 測試客戶推出「Visa Stablecoin Platform」（以下簡稱 VSP）服務。這項全新的企業級服務，允許金融機構在由 Visa 管理的單一系統內，進行穩定幣的發行、儲存、移轉與贖回。VSP 初期支援由金融巨頭聯盟 Open Standard 發行的新穩定幣 Open USD，目的是降低銀行及金融科技公司利用穩定幣建立產品的門檻。 這項消息公布後，立刻在資本市場投下震撼彈。投資人顯然將 Visa 的進場視為穩定幣市場進入新的競爭階段，導致現有發行商 Circle 股價當天下跌約 5%。同時，由於 Coinbase Global 與 Circle 存在合作夥伴關係，其股價也一度下跌 4.5%。 不用替換既有系統，Visa 如何把穩定幣接進 2 億商戶網路？ 作為一套內部系統，VSP 的核心價值在於，讓銀行與金融科技公司能在不替換既有系統的情況下，將穩定幣無縫導入既有的 Visa 支付及財務管理流程。Visa 每年結算高達約 15 兆美元的支付款項，目前已處理數十億美元的穩定幣結算，因此期望透過更簡單的導入方式，將穩定幣推廣至自身涵蓋約 1.5 萬家金融機構、超過 2 億商戶的龐大支付網路。 針對 VSP 的定位，Visa 產品與策略長 Jack Forestell 表示：「穩定幣正在開啟可程式化貨幣的新層次，但對大多數機構來說，難處不在於概念，而是營運的現實。」為了克服這些營運難題，VSP 整合錢包即服務（Wallet-as-a-Service）基礎設施與區塊鏈連接功能，並配備雙重審批工作流程、稽核紀錄與轉帳白名單等安全控制機制。 正如 Visa 全球成長主管 Rubail […]

星巴克想自研工具取代微軟、IBM 應用，卻仍離不開 Azure：AI 正在重畫企業軟體價值鏈

過去，星巴克（Starbucks）每年光是軟體採購支出就高達約 4 億美元。為了精簡支出，這家連鎖咖啡巨頭目前正積極利用 AI 協助開發內部工具，準備逐步取代過去向微軟（Microsoft）、IBM 等科技巨頭採購的部分應用程式。 雖然部分自行研發的軟體在通過測試的前提下，最快預計於 2027 年底前正式推出，但星巴克並非要全面與第三方供應商切斷合作。事實上，星巴克仍持續使用包括微軟在內的多款外部軟體，其專門為咖啡師打造的輔助工具 Green Dot Assist，也運行於微軟的 Azure OpenAI 雲端與 AI 基礎設施之上。 從外購到自建：AI 正在改寫企業軟體的成本公式 過去，許多企業擔心系統轉移會對日常營運造成干擾，加上自行從零開發工具的過程極其複雜，因此長期高度仰賴大型科技供應商。企業往往被迫購買只能符合約 70% 實際作業流程的平台，再額外付費請外部顧問調整剩餘 30% 的落差。然而，隨著生成式 AI 出現，從零開始開發應用程式的門檻與難度大幅降低，這項技術紅利也正在翻轉企業傳統上「購買優於自建」的成本公式。 針對那些原本就需要工程師投入大量心力進行深度客製化的外購軟體，星巴克現在傾向直接在內部開發專屬的替代產品，而 AI 輔助程式開發正是關鍵助力。這項自建計畫也是星巴克在執行長 Brian Niccol 領導下，削減 20 億美元整體成本行動的一部分。其企業科技團隊預計在 9 月底結束的會計年度中削減約 3,000 萬美元預算，其中約有 1,000 萬美元來自壓縮軟體支出。 不過，《Bloomberg》也提醒，雖然內部自建軟體在短期內看起來成本較低，但長遠來看，企業仍可能面臨更高昂的人力與維護成本。 企業開始自建應用，雲端與 AI 基礎設施反而更難取代 《Forbes》分析，微軟雖然是星巴克計畫取代部分應用的供應商，但同時也是星巴克用來建構自研 AI 工具的雲端與 AI 基礎設施供應商。這代表，儘管星巴克正準備開發替代方案，取代微軟的上層庫存軟體，仍持續使用微軟的底層技術。例如，星巴克旗下協助門市咖啡師工作的 Green Dot Assist 工具，便運行於 Azure OpenAI […]

捷豹路虎 JLR 打造「閉環供應鏈」：看數據與循環經濟如何重塑汽車製造韌性

面對電動化與淨零轉型趨勢，汽車產業近年持續探索如何降低製造過程中的碳排放，又隨著原物料價格波動、供應鏈風險升高，「循環經濟（Circular Economy）」逐漸成為另一項關鍵競爭力。 捷豹路虎（JLR）近日公布「Cornerstone」計畫成果，攜手超過 40 家供應鏈夥伴，共同開發出 49 項更具永續性的汽車零組件，希望透過回收材料、可維修設計與閉環供應鏈，提升未來汽車製造的資源效率與供應韌性。JLR 表示，Cornerstone 計畫已累積超過 1 公噸二氧化碳當量（CO₂e）減量成果，相當於一名乘客搭乘巴黎飛往紐約航班所產生的碳排放，同時也成功增加約 140 公斤的再生材料使用量。 拆解舊車找答案！設立循環經濟實驗室，用數據串聯設計與研發 為了讓循環設計真正落實到產品開發流程，JLR 在英國蓋登（Gaydon）據點設立了「循環經濟實驗室（Circularity Lab）」，集結永續、工程、採購及設計等跨部門團隊共同合作。不同於傳統產品開發流程，實驗室會直接拆解報廢車輛，逐一分析各零件在回收、拆解及再利用過程中遭遇的技術瓶頸，再與供應商共同研究改善方案。 JLR 表示，這些分析所得的數據會直接回饋到新車研發流程，讓設計團隊在車輛開發初期便能充分掌握供應商目前具備的材料回收能力與製造技術，讓未來車型在設計階段便考量可拆解、可維修及可回收等需求，也建立起供應商能力與產品設計之間的持續回饋機制。 「當我們在研發初期就針對共同目標進行深度對接，並讓供應鏈上的每個合作夥伴在整個開發過程中緊密協作、發揮各自的專業時，生產效率與整體成果都將獲得顯著提升，也唯有如此，我們才能將循環經濟的經濟潛能轉化為真實的商業價值。」JLR Circularity Lab 資深經理 Paul Francis 說。 實車驗證多項材料創新，優化保險桿大省 70 萬美元 除了建立資料回饋機制，JLR 也希望驗證這些新材料是否具備量產可行性。Cornerstone 計畫因此直接將新開發的零組件安裝於真實車殼（bodyshell），在實際製造條件下測試材料與製程，確認能否順利導入未來車款。 《The EV Report》報導，目前已有多項技術預計應用於 JLR 新車，包括採用 100% 閉環回收玻璃製成的車窗，其碳排放可降低 36%；可拆卸電子元件（de-bondable electronics）讓頭燈未來更容易維修與回收；車用喇叭則使用 95% 回收磁鐵製造。此外，再生門窗玻璃、低碳鋼材、回收座椅泡棉以及新一代頭燈技術，也都已規劃導入未來量產車型。 實驗室分析也帶來直接的成本效益。例如團隊在研究前保險桿設計時發現，在維持相同品質與性能表現下，可透過減少聚合物用量達到相同效果。JLR 表示，這項調整在單一車系便成功減少約 17.75 萬公斤二氧化碳當量排放，同時節省超過 70 萬美元成本，顯示循環設計除了減碳，也具備實際商業價值。 以「在地化回收」縮短供應鏈，規避地緣政治風險 隨著全球供應鏈持續面臨地緣政治與資源取得挑戰，循環經濟的重要性可能逐漸超越永續目標本身。根據世界資源研究所（World Resources Institute）預估，在維持現有發展模式下，全球原物料開採量到了 2060 年將增加 […]

治好 AI 機器人「下班失憶症」，MIT DAAAM 技術讓機器人記住它去過的每個地方

為了解決 AI 機器人的「下班失憶症」，麻省理工學院（MIT）開發 DAAAM 技術，讓機器人建立 4D 場景圖，並主動替物件附加文字描述提高持久記憶能力，還可應對自然語言提問。

【科技早餐】台積電資本支出衝 640 億美元，AI 熱潮進入高投資、高成本競賽

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊台積電全年營收上修逾 40%，資本支出衝 640 億美元 台積電公布 2026 年第二季營收 402 億美元，季增 12%、年增 33.7%；稅後純益達新台幣 7,065.6 億元，季增 23.4%、年增 77.4%，創歷史新高，每股純益 27.25 元。第二季毛利率為 67.7%、營業利益率為 60.3%。公司預估第三季營收將達 446 億至 458 億美元，毛利率介於 65% 至 67%，營業利益率介於 56% 至 58%。 台積電董事長暨總裁魏哲家表示，AI 相關需求仍然極度強勁，因此再次上修全年展望，預估今年美元營收將成長略高於 40%，高於 4 月提出的成長超過 30%；資本支出也由原先的 520 億至 560 億美元，提高至 600 億至 640 億美元。台積電同時宣布在美國亞利桑那州追加 1,000 億美元投資，興建更多 2 奈米以下晶圓廠與先進封裝廠，未來數年也將在台灣興建 13 座先進製程與先進封裝廠。AI 晶片需求不只推升營收，也正加速台積電擴大先進製程與封裝投資。 ＊ASML 傳設備漲價，台積電反對 […]

模型可以換，能力不能換：Shopify 如何把 AI 變成自己的長期能力？

過去兩年，企業導入生成式 AI 最常討論的問題是該選哪一種模型，但當 AI 更新速度越來越快，今天的最佳選擇，可能半年後就被新的模型取代，另一個問題便開始浮現：如果模型終究可以替換，企業真正該長期投資的是什麼？ Shopify 工程副總裁暨 AI 負責人 Farhan Thawar 最近接受《VentureBeat》專訪時，公開分享 Shopify 內部的 AI 架構。整場訪談幾乎沒有討論哪一個模型最好，而是聚焦另一件事：如何建立一套即使模型持續演進，企業仍能不斷累積價值的底層能力。 別再問選 GPT 還是 Claude，先建立管理模型的能力 訪談中，Farhan 分享 Shopify 長年奉行的一套工程哲學。他說，如果一個功能可以花兩週完成，或是花兩個月建立一套基礎設施，讓未來所有人都能在一小時內完成類似功能，Shopify 幾乎總是選擇後者。 他認為，AI 的出現讓建立基礎設施的成本大幅降低，因此更值得把時間投入在打造可重複利用的平台，而不是一次性的功能。這個思維，也反映在 Shopify 的模型策略。 不同於直接將產品綁定單一模型，Shopify 在所有模型之上建立了一層 LLM Proxy，統一管理 OpenAI、Anthropic 等不同模型服務。這層平台負責模型切換、故障備援（Failover）、Token 使用分析與成本管理。當某家模型服務中斷，或有新的模型推出，底層可以直接切換，而不必重新改寫整個產品。 對企業而言，這代表真正需要建立的，不是使用某一個 AI 模型的能力，而是管理模型的能力。當模型成為可以替換的元件，企業便不需要每一次技術更新都重新開始。 把最新模型能力，變成企業自己的能力 訪談另一亮點，是 Shopify 內部的 Universal Distillation Platform（UDP，通用蒸餾平台）。 所謂模型蒸餾（Model Distillation），是指先利用 GPT、Claude 等大型模型（Teacher Model）完成推理，再將這些能力轉移到較小的模型，讓小模型專注處理特定任務。透過這種方式，企業可以把大型模型的能力，轉化成更適合特定工作流程的專用模型。 Farhan 也強調，Shopify 並沒有因此放棄使用前沿模型（Frontier Models）。大型模型仍是產品開發、程式撰寫與許多複雜任務的核心，只是在一些固定、可重複的子任務中，團隊會透過蒸餾建立專用小模型，兼顧成本、速度與品質。 […]

Intel 率先把 High-NA EUV 帶進 18A，台積電卻延後導入：曝光成本高 2.5 倍，誰算對了這筆帳？

荷蘭半導體曝光設備巨頭艾司摩爾（ASML）在 2026 年第二季繳出亮眼成績單：單季淨銷售額高達 93 億歐元，淨利潤達 29 億歐元，毛利率為 54.0%。隨著全球 AI 基礎設施與技術蓬勃發展，先進邏輯與記憶體晶片需求持續上揚，促使晶片製造大廠紛紛加速產能擴張計畫。在這股強勁動能推升下，ASML 也決定將 2026 年全年營收預測大幅上調至 430 億至 450 億歐元。 與此同時，全球半導體曝光技術也迎來里程碑式的跨越：Intel 正式成為全球首家使用 ASML 最新一代「高數值孔徑極紫外光（High-NA EUV）」曝光機製造並出貨高量產邏輯產品的公司，將這項被視為 sub-2nm 晶片製造關鍵的技術，從實驗研發階段帶入商業量產軌道。 然而，並非所有晶圓代工巨頭都選擇在此時跟進。全球晶圓代工龍頭台積電仍採取經濟性導向的策略，認為最新一代 High-NA EUV 設備對目前的大規模量產而言過於昂貴，計畫在未來合適時機才轉向這項技術。不僅如此，台積電近期也針對 ASML 同時調漲極紫外光（EUV）與深紫外光（DUV）曝光設備價格的計畫展開談判，並表達反對。這場技術與成本的角力，也揭開半導體製造下一階段「經濟可行性」的競爭。 Intel 將 High-NA 帶進量產，但只用在特定 18A 製程層 這場 High-NA EUV 的商用首戰，從 Intel 位於美國奧勒岡州 Hillsboro 的 D1X 廠區展開。Intel 自 2024 年接收全球首台 High-NA EUV 研發機台 EXE:5000 後，持續進行測試，之後也成為首家安裝並通過第二代量產型機台驗收的企業。如今，Intel 已將 […]

臺灣團隊首創「臨場顯微半導體檢測技術」直接揭示次世代電晶體微縮關鍵

國科會長期布局後摩爾時代半導體關鍵技術，透過「Å世代前瞻半導體技術專案計畫」推動次世代元件檢測技術研發。在國科會支持下，國立臺灣大學物理學系教授邱雅萍首創「臨場剖面掃描顯微半導體檢測技術（Operando Cross-sectional STM）」，並與國立臺灣師範大學物理學系教授藍彥文及新加坡國立大學教授李連忠研究團隊合作，首次在先進二維半導體電晶體元件實際運作狀態下，以原子級空間解析度直接量測金屬/半導體接觸邊緣的電子轉移長度（transfer length），為評估電晶體微縮潛力提供重要檢測突破。此開創性的檢測技術，突破過去僅能依賴理論模擬推估的限制，直接揭示次世代半導體元件微縮關鍵實驗證據。本研究成果已於 2026 年 7 月 1 日正式發表於國際頂尖學術期刊《自然》（Nature）。 隨著人工智慧運算、資料中心與行動裝置對高效能、低功耗晶片需求持續增加，半導體元件持續微縮已成為全球科技發展的核心課題。二維半導體因具有原子級厚度與優異的閘極控制能力，被視為後摩爾時代延續先進邏輯元件微縮的重要候選材料。然而，電晶體能否持續微縮並應用於未來晶片技術，不僅取決於通道長度，金屬接觸區的品質同樣是關鍵因素。 接觸邊緣是電子由金屬電極注入半導體通道的關鍵區域，而電子轉移長度則是電子於接觸邊緣完成注入所需的有效長度，直接決定接觸電阻大小與電子注入效率，更是決定元件在極限微縮條件下能否維持正常運作的重要指標，進而影響元件的電流輸出與能耗表現。傳統理論模型所依賴的假設條件，在先進二維半導體電晶體體系中往往不宜適用，亦無法直接呈現接觸界面的真實空間電子傳輸行為，致使此關鍵物理量長期缺乏直接的次奈米級實驗佐證。 此次突破奠基於臺灣在地深耕近 20 年於剖面掃描顯微術領域的技術積累。團隊進一步將臨場操作偏壓功能整合至量測系統，使其得以在元件實際偏壓的運作狀態下，同步以原子級空間解析度直接檢測金屬與半導體在接觸邊緣處的電子傳輸行為。這項技術如同在金屬與半導體接觸邊緣架設原子尺度的高解析度觀測攝影機，讓研究人員首次得以在元件運作過程中，直接觀察電子如何穿越接觸邊緣，並精確量測其有效注入的電子轉移長度，從過去只能透過理論估算的長度，如今已能透過實驗驗證，為次世代半導體元件微縮研究提供直接數據。 研究團隊以半金屬鉍（Bi）接觸單層二硫化鉬（MoS₂）電晶體為驗證平台，在超高真空環境中將元件劈裂，使金屬接觸、二維半導體通道與基板結構之剖面直接暴露於檢測探針端，並在元件操作狀態下施加偏壓，直接檢測接觸邊緣附近的局域電子空間分布變化。 此研究成果具有以下重要意義：首次在原子級空間解析度下確認，二維半導體接觸工程具備潛力支援次世代奈米技術節點發展的實質可行性；提供鑑別不同接觸金屬與材料組合優劣的直接實驗依據，取代過去高度依賴模擬的材料篩選方式；並為產業界提供更準確的元件接觸品質鑑定方法，有助縮短從研發到製程整合的驗證週期。 除驗證二維半導體接觸界面的關鍵物理機制外，團隊亦將此量測方法成功延伸至絕緣層上矽（Silicon on Insulator, SOI）元件，結果證明，「臨場顯微半導體檢測技術」不僅適用於二維半導體，更具備潛力作為研究各類先進半導體元件接觸特性的通用分析平台。未來隨著先進電晶體元件尺寸持續微縮，如何精準掌握接觸界面的電子傳輸行為，將成為突破元件效能瓶頸的重要關鍵，而此技術所建立的直接量測能力，有望成為次世代半導體元件開發中核心的檢測工具。 本研究展現臺灣在先進半導體量測技術、二維材料元件製作與界面物理研究的整合實力，並形成由臺灣學者主導、涵蓋材料、元件、量測與理論分析的跨域國際合作模式。從檢測技術開發、方法建立到先進元件驗證，皆由臺灣研究團隊主導完成，展現臺灣在前瞻半導體關鍵量測技術領域的自主研發能量與國際領先實力。 論文連結：https://www.nature.com/articles/s41586-026-10707-0 (本文訊息由國科會提供，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：國科會。）

開源 AI 不再只是「中國故事」？Thinking Machines 首款開源模型 Inkling 推上牌桌

過去一年多，開源 AI 幾乎是一則「中國故事」。《路透社》與《華爾街日報》指出，在 Meta 的 Llama 4 表現不如預期、轉向較封閉的策略後，西方開源模型的進展明顯落後於中國同業；而企業為了控制成本，紛紛採用中國實驗室的開源模型，例如阿里巴巴的 Qwen，以及 DeepSeek、GLM、Kimi 等。如今，由 OpenAI 前技術長 Mira Murati 創立的 Thinking Machines 推出首款開源模型 Inkling，可能打破這個局面。 不過，Thinking Machines 在發表時罕見地自承：這不是目前最強的模型。根據《路透社》報導，Inkling 採開源權重（open-weight），使用者可自行下載、運行與客製化。一款開宗明義說自己不是最強的模型，究竟在賭什麼？ 先認識 Inkling：原生多模態，每次只喚醒小部分參數 根據《VentureBeat》報導，Inkling 是一套原生多模態的混合專家（Mixture-of-Experts，MoE）模型，總參數達 9,750 億，但每次生成僅啟用其中 410 億，能跨文字、影像與音訊進行推理，並支援最大 100 萬 token 的脈絡長度。 《華爾街日報》補充，只喚醒一小部分參數的設計，讓模型的使用成本更低、速度更快。Thinking Machines 同時預告了一款較輕量、2,760 億參數的 Inkling-Small。 值得注意的是，Thinking Machines 把 Inkling 定位成一個廣泛、均衡的基礎模型：強在多個領域、也保有調整彈性。既然不主打效能登頂，它真正的賭注就押在三個產品設計上。 亮點一：用 Apache 2.0 授權，打「真開源」牌 第一個設計是授權模式。根據《VentureBeat》報導，Inkling 採用寬鬆的 Apache 2.0 授權，開發者可免費下載、修改、整合並商業化模型權重，不需支付權利金。這與市面上不少西方「開放」模型形成對比，後者常綁著雙重授權、使用範圍限制或營收上限。換句話說，Inkling […]

人類紅隊成功率僅 13%，GPT-Red 達 84%：OpenAI 如何讓 AI 攻擊 AI、強化下一代模型？

隨著 AI Agent 開始透過瀏覽器、應用程式、本機檔案及第三方工具接觸外部資料，這類系統在大幅提升效率的同時，也同步擴大攻擊面與潛在破壞範圍。攻擊者如今甚至不必正面攻破系統，只要將惡意指令隱藏在電子郵件、網頁、工具回傳內容或程式碼儲存庫中，就能透過「提示注入」（Prompt Injection）誘導模型偏離任務，進而複製機密資訊或產生有害內容。 面對如此複雜的動態威脅，過去主要仰賴人類專家在部署前進行安全評估的模式已逐漸不足。正如 OpenAI 研究科學家 Nikhil Kandpal 所形容：「風險表面在擴大，破壞半徑也在增長。」單靠人工測試不僅耗時，也難以快速產生大量且多樣化的攻擊資料，逐漸成為模型安全訓練的瓶頸。為了打破這項限制，OpenAI 開發內部專用的自動化紅隊模型 GPT-Red，利用 AI 主動攻擊自家系統，在漏洞進入產品並影響使用者前提早找出問題。 讓 AI 在攻防中自我進化，GPT-Red 把成功率拉高至 84% 為了培育出強悍的「超級駭客」，OpenAI 並未直接導入現成的駭客技術，而是採用「自我對弈強化學習」（Self-play Reinforcement Learning），將一個尚未受過惡意訓練的模型放入模擬真實應用的攻防「訓練場」。在這個環境中，GPT-Red 與多個防守模型反覆對抗：攻擊方若成功誘發提示注入等失效行為，即可獲得獎勵；防守方則會因抵禦攻擊並順利完成任務而得分。這種雙向刺激促使雙方在網頁瀏覽、讀取郵件與編輯程式等任務環境中不斷演化，形成攻防同步升級的循環。 這種演化讓 GPT-Red 展現出超越人類的漏洞探索能力。GPT-Red 共同開發者 Dylan Hunn 指出，相較於人類紅隊，GPT-Red 能持續鑽研已發現的漏洞，並在特定情境中反覆微調出最有效的攻擊版本。這項能力在 OpenAI 重現的一項人類紅隊實驗中得到驗證：面對完全未出現在訓練資料中的情境時，人類專家對 GPT-5.1 的攻擊成功率僅有 13%，GPT-Red 卻能在高達 84% 的情境中成功突破防線。 能欺騙模型、竄改價格、誘使資料外洩：GPT-Red 找出哪些新型漏洞？ 在實戰中，GPT-Red 不僅展現極高的成功率，更發現研究人員從未見過的新型漏洞，其中最具代表性的便是「假思考鏈」（Fake Chain of Thought）攻擊。思考鏈原是模型處理複雜問題時，用來記錄推理過程的內部筆記；然而，GPT-Red 卻能將偽造資訊插入其中，使防守模型誤以為這些錯誤資訊是自己推導並驗證過的，進而依照錯誤資訊行動。 OpenAI 研究科學家 Chris Choquette-Choo 形容：「這就像我告訴你 1 […]

電視不只拿來追劇！三星聯手 Glance 推 AI 語音管家，讓客廳大螢幕變身個人虛擬衣櫥

過去數十年來，電視購物始終未能真正融入主流消費體驗。《Forbes》報導，早在 1970 年代末期，美國 Warner Cable 曾推出具備雙向互動能力的 QUBE 有線電視系統，希望讓觀眾直接透過電視參與互動，但最終未能成功普及。 如今，隨著生成式 AI 與 AI Agent 技術快速成熟，三星（Samsung）宣布攜手 AI 軟體公司 Glance，在美國數百萬台 Samsung 智慧電視上推出代理式商務（Agentic Commerce）服務。 市場研究與顧問公司 market.us 數據顯示，截至 2025 年售出的新款智慧電視中，約有 55% 將整合某種形式的生成式人工智慧功能，未來幾年，全球人工智慧電視市場預計將大幅成長，包括 Sony、Panasonic 和 LG 在內的眾多品牌都已加入這一行列，希望重新定義客廳大螢幕的角色，讓電視成為具備自然語言互動能力的 AI 購物入口。 生成式 AI 搬進客廳，幫你打點「虛擬衣櫥」 Glance 創辦人暨執行長 Naveen Tewari 表示，人們每天坐在電視前獲得大量生活靈感，卻始終無法立即採取行動，三星與 Glance 的合作正是希望填補這段落差。他認為，傳統電視購物頻道的模式十分原始，缺乏效率，也難以提供符合個人需求的內容，因此新一代 AI Agent 將透過理解使用者情境與偏好，主動推薦真正相關的商品，協助消費者做出更好的購買決策，而非只是單純展示品牌或產品。 這項服務建構於 Glance 自主研發的 AI 平台，並整合三星自家的 Tizen OS 作業系統，支援所有 2020 […]

《虛擬資產服務法》即將上路、AI A2A 時代加速來臨：臺灣金融科技協會、叡揚資訊、Dell、海耶克科技解析金融轉型新路徑

立法院在 6 月 30 日三讀通過《虛擬資產服務法》，正式將虛擬資產納入監管框架，並打通實體資產與虛擬資產的界線。當台灣金融產業迎來結構重塑的新變革，各金融機構如何藉由 AI 與穩定幣技術建構未來生態基礎設施？TechOrange 科技報橘在近期舉辦「2026 科技金融論壇」，以「從 aGDP 到機器經濟：建構 AI A2A 新金融生態基礎設施」為主題，邀集來自臺灣金融科技協會、叡揚資訊、Dell Technologies、海耶克科技等產業專家，一同剖析未來金融底層與機器經濟的最新趨勢，掌握跨國秒級結算的強大動能。 「未來的金融業都會是科技業，如果未來的金融業沒有科技能力，基本上是沒有辦法再從事金融服務的，」科技報橘社長戴季全在開場致詞強調，未來金融業與科技業的界線將不復存在，並指出加密科技、AI 科技與即將到來的量子科技是驅動這場變革的三大關鍵力量，尤其是高頻量化交易未來將因量子計算模擬而大幅加速，推動金融服務進入全新的迭代競爭。 金管會金融市場發展及創新處處長林羲聖在致詞時表示，《虛擬資產服務法》專法通過後，金管會未來除了研議 AI 風險分類框架，也正透過金融總會底下的產業聯盟，結合約二十家銀行，共同推動符合台灣在地法規、並具備主權 AI 標準的大語言模型，以確保在安全與發展並進的前提下，全方位支持本土金融科技的蓬勃發展。 蔡玉玲：結合供應鏈優勢與 RWA，台灣有機會成為亞太金融科技關鍵樞紐 當主管機關確立了安全與發展並進的政策基調，臺灣金融科技協會名譽理事長、亞洲金融科技聯盟主席蔡玉玲在「《虛擬資產服務法》對台灣金融產業帶來的新變革」演講中，從法規落地的實務視角出發，深入剖析這部專法如何為台灣金融產業注入轉型新動能。蔡玉玲強調，《虛擬資產服務法》的施行徹底重塑新舊金融結構，使虛擬資產從灰色地帶轉型為法規認可的特許資產，標誌著台灣正式從「叢林法則」邁入「體制內秩序」的新紀元。另一方面，在穩定幣的納管框架上，專法也確立十足資產準備金制度，並明確排除演算法穩定幣，以防範系統性風險。 蔡玉玲表示，《虛擬資產服務法》是台灣金融業大步向前的通行證，而非創新的枷鎖。同時，他也呼籲台灣應發揮製造與硬體供應鏈的核心樞紐優勢，將「物流、金流與資訊流三合一」整合於區塊鏈平台，並藉由代幣化資產（RWA）技術解決中小型供應商的融資痛點，全面升級供應鏈金融，進一步推動台灣站上全球供應鏈金融的領導位置，成為未來十年亞太金融科技的重要樞紐。 金融資安進入毫秒攻防戰，叡揚資訊揭金融業 AI 資安韌性的三道防線 當台灣積極朝著亞太金融科技樞紐邁進，建構起全新的跨境金流應用時，A2A 自動化交易所伴隨而來的供應鏈資安威脅，也隨之將金融防禦拉升至毫秒級的攻防戰。叡揚資訊資安直屬事業處副處長郭俐佳在「AI 驅動下的金融韌性革命：從開發風險到供應鏈威脅的全面防禦」演講中指出，金融業資訊與資安長官正面臨三大挑戰，包括 AI Agent 自主協作帶來的新型治理需求、AI 加速攻防對抗，以及全球 AI 治理法規逐步落地。其中，AI 不僅提升企業營運效率，也大幅縮短攻擊者利用新漏洞發動攻擊的時間。當 CVE 漏洞公布後，攻擊者平均只需約 20 分鐘便可能利用 AI 發起大規模攻擊，使金融機構必須建立更即時的產品安全與供應鏈治理能力。郭俐佳強調，A2A 的風險不在於 AI Agent 會說什麼，而在於 AI Agent 被允許做什麼，因此金融機構必須在系統底層，為 AI 代理建立可追溯、可信且精準授權的身分與依賴關係治理。 郭俐佳分析，現代金融系統的風險往往如同冰山效應，水面上可見的業務系統僅是冰山一角，而隱藏在水面下的開源套件、容器技術、AI […]

Apptronik 啟用「機器人樂園」，用資料工廠模式解決人形機器人訓練瓶頸

位於美國德州奧斯汀、估值超過 55 億美元的人形機器人新創 Apptronik，最近啟用了一座近九萬平方英尺的「機器人樂園（Robot Park）」。這座樂園一週運轉七天，旗下的 Apollo 機器人在裡頭反覆練習把箱子搬上輸送帶、把玩具分類進不同箱子，操作員則站在一旁遠端遙控、引導並監看它們的每一個動作。 這些訓練畫面看似平凡，卻正是整個人形機器人產業最稀缺、也最關鍵的訓練資源來源。 資料飛輪如何打造？馬斯克也提出過類似願景 打造自主機器人最大的難題，不在硬體而在訓練資料。AI 聊天機器人之所以能快速進步，是因為網路上有海量的文字與圖片可供訓練；但對於需要在物理世界中行動的機器人來說，並不存在一個對應的巨大資料庫。 機器人如何抓取一個形狀不規則的物件、如何在雜亂的貨架前判斷該從哪裡下手、如何在跌倒前調整重心，這些物理情境中的經驗根本無法從網路爬取，只能靠真實操作一次次累積。 Apptronik 的答案，就是把資料生產工業化。共同創辦人暨執行長 Jeff Cardenas 直言：「就像我們用工廠來製造機器人一樣，我們也有一座『資料工廠』來生產所需的資料。」他把 Robot Park 形容為「機器人的學習遊樂場」。 在 Robot Park，遙控操作、自主執行與高擬真的物理模擬三者結合，讓機器人能從多樣的任務與環境中學習，並持續適應 AI 的進展。每一次練習所產生的資料，都會直接回饋到扮演機器人「大腦」的 AI 模型，讓下一輪的表現更聰明一點。 值得注意的是，這套思路並非 Apptronik 獨有，馬斯克也談過類似願景；他計劃把旗下 Optimus 機器人放進「Optimus 學院」中測試各種任務，藉此啟動資料飛輪。 當產業龍頭與新創不約而同走向「資料工廠」模式，說明真實場景資料的累積，已成為這場競賽中重要的關鍵。 Google、賓士等加入投資人陣容 Apptronik 於 2016 年從德州大學「以人為本機器人實驗室」分拆而出，最初鎖定將美國國防高等研究計畫署（DARPA）機器人挑戰賽的技術商業化，這項賽事當時的目標，是打造能在災區運作的機器人。公司草創階段，Apptronik 靠替其他業者代工機器人零件維持營運，但 Cardenas 表示，打造通用型人形機器人才是公司自始至終的目標。 累積至今，Apptronik 已募得約十億美元資金，最近一輪五億兩千萬美元的 Series A-X 中，還迎來 AT&T Ventures、強鹿（John Deere）與卡達投資局等新股東，加上 Google、賓士等既有投資人，陣容相當豪華。 在合作關係上，Apptronik 與 Google DeepMind […]

AI 廣告支出將達 320 億美元，ChatGPT 點擊率最低卻僅 0.91%：為何逾 80% 預算仍留在傳統搜尋廣告？

市場研究機構 eMarketer 預估，美國 AI 廣告支出將在 2026 年達到 320.3 億美元，規模接近前一年的三倍，並預計在 2030 年突破 682.5 億美元，顯示 AI 已從行銷規劃中的假設，正式成為品牌不可或缺的一環。 eMarketer 首席分析師 Nate Elliott 對此指出：「在未來五年內，AI 廣告將會成為核心預算項目。」這股浪潮預計會普及到每一個品牌的數位預算中。然而，AI 廣告市場的高速成長，並不代表品牌預算已大量轉進聊天機器人。事實上，2026 年超過 80% 的美國 AI 廣告支出，依然投向傳統付費搜尋廣告，也就是與 Google AI Overviews 這類生成式內容一同出現的廣告版位。 AI 沒有取代搜尋，付費搜尋團隊反而成為 AI 廣告主力 eMarketer 指出，即使到了 2030 年，這種與 AI 搜尋結果相鄰的廣告形式，仍將占美國 AI 廣告總支出的 58.6%，顯示聊天機器人內部的付費廣告在短期內依然不會成為市場主體。 eMarketer 分析，AI 平台的崛起並未完全取代原有的搜尋行為，反而進一步擴展消費者的線上探索情境。數據顯示，在過去 18 個月中，美國消費者投入線上探索的總時間增加了 12%。因此，對品牌主而言，現有的付費搜尋團隊實際上已經在管理大部分的 AI 廣告曝光，原有的關鍵字策略、文案測試、競價與投放基礎設施也都可以直接沿用，品牌並不需要為此另外重建一套全新的 AI 廣告投放架構。 OpenAI […]

【科技早餐】AI 擴張進入安全與資源關卡：白宮啟動資安機制、H200 出貨中國、紐約暫停資料中心

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊白宮啟動 GOLD EAGLE AI 資安機制，哈薩比斯倡前沿模型送檢 美國白宮啟動名為 GOLD EAGLE 的 AI 資安協調機制，串聯聯邦政府、前沿 AI 業者、開源軟體社群，以及金融、能源和醫療等關鍵基礎設施，加快處理 AI 發現的軟體與系統漏洞。這套機制將協助不同單位共享漏洞資訊，減少重複掃描，並加快漏洞的排序、驗證與修補。隨著先進 AI 已能大規模尋找系統弱點，美國政府也擔心，相同能力可能被攻擊者用來鎖定重要基礎設施。 同一天，Google DeepMind 執行長哈薩比斯（Demis Hassabis）撰文表示，能像人類跨領域學習與解決問題的通用人工智慧（AGI），可能在幾年內出現，對文明的影響可比人類掌握火或電力。他呼籲美國成立由產業出資、政府監督的前沿 AI 標準機構，初期鼓勵達到一定能力門檻的模型，在發布前自願接受安全測試，未來再逐步建立更完整的監督制度，並推動國際共同標準；若風險升高，監督機構也可協調主要 AI 公司放慢開發。 ＊NVIDIA H200 開始少量出貨中國，美方再放行三家企業採購 美國商務部主管工業與安全事務的次長凱斯勒（Jeffrey Kessler）在國會表示，NVIDIA H200 AI 晶片已開始出貨到中國或香港，但目前數量「非常少」。美國先前已批准阿里巴巴、騰訊、字節跳動和京東等約十家中國企業採購 H200，不過相關交易仍受到美國出口許可與中國進口審查影響，因此一度沒有實際出貨。 《路透》報導指出，美方近期又核准中興通訊（ZTE）旗下中興康訊、伺服器製造商至索（Maginfra），以及金山軟件（Kingsoft）旗下網路技術公司，採購 NVIDIA 或 AMD 的先進 AI 晶片。新增許可讓獲准採購先進晶片的中國企業，從大型網路平台擴及更多設備與雲端業者，但目前已確認的 H200 出貨規模仍有限。華府一方面限制中國取得可能用於軍事用途的尖端算力，另一方面也顧及美國晶片業者的海外市場，相關許可與出貨進度持續受到關注。 ＊紐約暫停大型資料中心許可，AI 擴張碰上電力與民生壓力 紐約州長侯可（Kathy Hochul）簽署行政命令，暫緩部分用電規模達 50MW 以上大型資料中心的州政府許可程序，最長一年，讓州政府評估能源、水資源與環境影響，並研議新的保障措施。侯可表示，資料中心快速擴張，對電力與水資源帶來前所未有的需求，也可能推升居民的公用事業費用。紐約也成為美國第一個以全州措施暫停大型資料中心開發的州。 這項政策引發科技業者反彈，資料中心業界警告，暫緩開發可能影響地方投資與就業，也削弱美國擴充 AI 基礎建設的速度。另一方面，美國政府先前已推動「電費支付者保護承諾」，Amazon、Google、Meta […]

OpenAI Codex 負責人來台：下一代 AI 的定義，不再只由模型決定

「你不再只是要求 Agent 做事，而是能像委託同事一樣，完全將任務委託給它。」OpenAI 負責 Codex 的產品主管 Rohan Varma，在 AWS Summit Taipei 的主題演講中，用這句話定義了企業 AI 應用的下一個階段。 Rohan Varma 回顧，過去三年 AI 輔助寫程式的方式歷經三次演進。最初是自動補全，開發者仍親自寫程式，模型只建議接下來幾行程式碼。約一年前進入協作階段，開發者與 Agent 一起處理較小任務，被視為極具生產力的體驗。而大約六個月前，隨著 GPT-5.3 與 GPT-5.4 等模型推出，OpenAI 稱之為「自主委託（agentic delegation）」的階段正式展開。 Agent 自己工作數小時，直到驗證完成 自主委託的核心，是讓 Agent 具備自我驗證工作成果的能力。Rohan Varma 解釋，當使用者要求 Codex 完成一項具挑戰性的任務，例如「完成這個功能」、「製作這份簡報」或「執行這個原本要花一週時間的完整分析」，Codex 會自行工作數十分鐘甚至數小時，實際執行程式碼測試、比對其他資料來源，確認結果無誤後才回報。 這個轉變也改變了衡量標準。Rohan Varma 指出，價值的衡量已從「寫了多少行程式碼」轉為「實際完成了多少工作」，而這正是 Codex 設計的核心理念。 從軟體工程，擴展到全公司工作流 Codex 最初是聚焦於 AI 寫程式的工具，但 Rohan Varma 表示，一個擅長寫程式的 Agent，本質上就是自動化的核心單元，因此也能勝任電腦上的其他任務。目前 Codex 的應用已從開發，延伸到產品管理、財務與銷售等領域。 他提到，OpenAI 內部包括策略、銷售與領導團隊的工作，如今都仰賴 […]

追不上 Tesla、Waymo 的數據量，車廠怎麼做自駕？NVIDIA 汽車業務副總裁揭新解法

在自動駕駛競賽中，行車里程與訓練數據是建立技術優勢的重要基礎。Waymo 已累積龐大的無人駕駛里程，Tesla 也憑藉大量上路車輛，持續取得真實世界資料，但多數車廠缺乏建立十億英里等級數據規模所需的資源，龐大的車隊、算力與驗證成本，因而成為投入自駕研發的主要門檻。 隨著汽車產業從軟體定義車輛走向由 AI 重寫軟體的「AI 定義車輛（AI-Defined Vehicle）」，NVIDIA 也從晶片供應商進一步擴展為自駕平台業者，透過 NVIDIA DRIVE 整合車載晶片、作業系統、軟體演算法與雲端基礎設施。 NVIDIA 汽車業務副總裁吳新宙近日接受《The Verge》旗下 Podcast 節目《Decoder》專訪時指出，資料共享是許多車廠加入 NVIDIA DRIVE 生態系的重要誘因。NVIDIA 希望透過不同合作專案共同累積的行車數據，協助個別車廠縮小與 Tesla、Waymo 等領先者之間的資料差距。 共享數百萬小時行車資料，車廠不必再從零開始 對想跨入自駕領域的車廠而言，自行建立並營運一支大型資料蒐集車隊，意味著沉重的資本支出。吳新宙指出，實體測試車隊的運作與維護成本高昂，不同車廠又可能在各自的專案中，重複蒐集相似的道路情境。 為了解決這樣的痛點，NVIDIA DRIVE 的既有計畫已在真實道路上蒐集數百萬小時的資料，並持續從不同車款與合作專案中累積更多行車數據。在 NVIDIA 的資料共享機制下，參與相關車輛專案的合作夥伴可以運用這些資料訓練與最佳化自駕模型，減少個別車廠從零建立資料基礎的負擔，也降低重複蒐集數據與建置基礎設施的支出。 真實路測覆蓋不了的情境，NVIDIA 每天進行約 500 萬次模擬驗證 除了實體車隊蒐集的真實道路資料，NVIDIA 也將運算視為另一種資料來源，希望透過模擬與合成資料，補足實際路測難以完整涵蓋的罕見或極端情境。 其中，NVIDIA 的 NuRec 神經重建技術能提取真實世界的感測器資料，在模擬環境中重建道路場景，並調整背景、車輛行駛軌跡或行人出現的時間點，從相同的真實情境生成大量不同變體。透過大規模運算，NVIDIA 能進一步產出數千萬個資料點，提供生態系合作夥伴訓練與測試模型。 吳新宙將自動駕駛開發形容為一個「三台電腦的問題」（three-computer problem），這三台電腦分別負責模型訓練、模擬驗證，以及在車內即時執行推論。NVIDIA DRIVE 的目標，就是提供涵蓋這三項需求的基礎設施。 為降低端到端模型出錯的風險，NVIDIA 也讓一套依據既有安全標準開發的「經典技術堆疊」與端到端模型並行運作，逐幀檢查模型輸出的行車軌跡是否符合安全規範。NVIDIA 目前每天在模擬系統中執行約 500 萬次測試，端到端模型則維持一天約 10 次的迭代頻率，以持續驗證模型在不同情境下的表現。 不必整套買下，NVIDIA 讓車廠依能力選擇自駕開發層級 NVIDIA […]

把 54GB 大模型壓進 iPhone 跑：PrismML 如何挑戰「模型越大越強」的產業定律

當整個 AI 產業都在比誰的模型更大，Apple 正在評估的，卻是一家專門把模型「變小」的新創。據《CNBC》與《The Information》報導，這家從加州理工學院（Caltech）衍生的公司 PrismML 宣稱，能把阿里巴巴開源模型 Qwen 從約 54GB 壓縮到不到 4GB，讓完整的 270 億參數模型直接跑在 iPhone 上。 PrismML 執行長 Babak Hassibi 甚至預測，或許三年後，人們需要的 AI 智慧有 95% 都能在手機、筆電等地端裝置上取得，只剩最高階的 5% 才得上雲端。 記憶體省 10 倍以上，回應速度快 6 倍 PrismML 的做法，是大幅簡化模型內部資訊的儲存方式，把每個數值從 16 位元壓到只剩 1 到 3 種可能值。Hassibi 將此比擬為晶片業從 8 位元走向 4 位元、再往前推進一步。該公司宣稱，壓縮後的模型記憶體用量減為原本的 10 分之一到 15 分之一，回應速度快 6 到 8 倍，耗電少 3 到 […]

ChatGPT 正準備從螢幕走進房間：OpenAI 首款硬體裝置如何重塑下一代 AI 入口？

據《Bloomberg》報導， OpenAI 正在積極跨足消費級實體硬體市場。首款曝光的硬體裝置將是一款可移動、無螢幕的智慧型裝置，這款產品的定位並非市面上常見的普通語音助理，而是能夠生活在家庭環境中，與使用者建立深層情感連結的「人性化 AI 夥伴」。 這款產品目前仍處於密集的開發階段，OpenAI 的內部目標是在 2026 年下半年正式發表，並於 2027 年上市。不過，由於 Apple 已對 OpenAI 提起訴訟，這款產品的實際上市與銷售時程，也可能會依照後續法律訴訟的結果而面臨變數。 從聊天框走進房間：OpenAI 首款硬體會如何運作？ 在產品的外觀與基礎功能方面，這款裝置在外型上類似於一般的智慧喇叭，但將具備強大的整合控制能力。除了可以控制家中的智慧家電、播放各類媒體娛樂內容、回答日常疑問並處理訊息外，還能深度串接 ChatGPT 所提供的各項生成式 AI 模型與技術服務。 為了提升使用的便利性與隨身伴隨感，裝置內建可重複充電的電池，讓使用者可以隨意將其搬移到不同的生活空間。不論是抱著它到洗衣間做家事、移至廚房協助烹飪，還是放置在臥室或客廳播放音樂，都能輕鬆融入。 不同於傳統的智慧喇叭，這款裝置更搭載相機以及其他多種環境感測器，用來幫助 AI 實時理解使用者所處的當下情境。OpenAI 內部將此裝置描述為「專為 AI 打造的全新類型運算裝置」，目的是協助忙碌的現代人提升日常生活與工作的生產力。 在對話與溝通能力上，該裝置將會採用比傳統智慧喇叭更為進階的模型，並搭載 OpenAI 近期推出的 GPT-Live 語音技術。這項進階語音技術被設計得更像真人，使裝置能夠同時進行聆聽與說話，並在對話過程中更自然地調整語氣與語境，同時以極快的速度處理複雜資訊，提供流暢的雙向對談體驗。 OpenAI 為何強調硬體裝置的「個性」與陪伴感？ OpenAI 認為，這款產品最核心的競爭力與定義性特徵，在於其獨特的「個性」（personality），以及與使用者建立近似人類般情感連結的能力，而非單純接收語音指令後生硬地提供答案。 為了強化這種實體陪伴的真實感，研發團隊特別在產品結構中加入能自行活動的機械元件。這些可動元件能夠在與人互動時產生實體反應，使原本靜止的物體呈現出彷彿擁有生命、生動靈活的感覺，進而成為 ChatGPT 在現實世界中的實體化身。OpenAI 執行長 Sam Altman 甚至曾對早期原型機給予極高的評價，形容它是「世人所見過最酷的科技結晶」。 隨著時間的推移，這款裝置會透過與使用者的長期互動來深化對主人的理解，進而變得更加個人化。OpenAI 期望該裝置能主動預測使用者的各項需求、適時呈現相關資訊，並最終發展成為最了解主人偏好與習慣的專屬生活專家。為了達到這種深度的個人化協助，裝置在取得使用者授權後，甚至可以取用電子郵件等個人數位資訊。AI 會將這些郵件資料與長期累積下來的習慣、偏好進行深度整合，提供量身打造且極度個人化的協助。 正如科技媒體《WeRSM》報導，當這款硬體同時具備無螢幕、高可移動性、個人化以及實體動作反應等特徵時，AI 的介面就不再只侷限於螢幕中的對話框，而是變成一個存在於物理房間中、能完全融入使用者日常生活、無處不在的「空間介面」（spatial interface）。這種轉變重塑了 AI 的社交定位，因為聊天機器人只是使用者主動開啟與使用的工具，而一個能主動感知、移動且具有反應能力的實體伴侶，則是使用者願意主動允許其融入日常作息的存在。 讓 ChatGPT […]

【出貨數全球第一，落地仍是少數】中國拿機器人賭人口危機，恐重演電動車價格戰

中國正把人形機器人與工業自動化，當作因應人口老化與科技主權競爭的雙重解方。從中央政策到地方工廠，一場規模罕見的產業轉型正在展開，但這場轉型究竟走到哪一步，業界與市場觀察者的判斷並不一致。 轉型的起點源自中國無法迴避的人口結構現實。聯合國數據顯示，中國 15 至 64 歲的工作年齡人口在過去十年觸頂達 10 億人，預估將在 2100 年降至僅 3 億人。中國三一重工卡車製造副總經理黃鐵指出，中國人口結構正在轉變、人口逐漸縮減是不可否認的事實，對勞力密集產業而言，以機器人取代人力是必然趨勢。 政策傾國家之力加碼 面對這個趨勢，北京選擇加速機器人化。根據國際機器人聯盟統計，2021 年至 2024 年間，中國工廠安裝的機器人數量翻倍至 200 萬台，居全球之冠；國產機器人占新安裝機台比例，也從 2020 年的 30% 升至 2024 年的 57%。 北京去年還宣布設立一檔為期 20 年、規模達人民幣 1 兆元的基金，支持機器人等「新質生產力」發展；根據《路透社》去年報導，官方自 2024 年起已至少投入 200 億美元補貼相關研發。 出貨數字亮眼，但落地應用仍是少數 在工業機器人已大規模普及的基礎上，北京的下一個目標是人形機器人。摩根士丹利在上月發布的報告中指出，人形機器人將是中國未來 5 到 10 年出口機械的下一個關鍵動能，並將這波發展類比十年前電動車產業的崛起。 報告估算，中國去年出貨的人形機器人，占全球 13,000 至 16,000 台總量的 90%；今年中國國產人形機器人銷量，預估將攀升至約 5 萬台，居各國之首。 不過路透社 Breakingviews 引用另一組摩根士丹利數據指出，中國去年實際售出的人形機器人僅 12,000 台，主要買家是 AgiBot […]

什麼是「上下文炸彈」？防守方第一次把 AI 提示注入反過來當武器

長期以來，「提示注入（Prompt Injection）」是攻擊者手上最順手的武器之一：把一段惡意指令藏進郵件、文件或程式碼，就可能讓大型語言模型（LLM）背叛它的使用者，外洩機密或執行有害動作。然而，有資安公司最近做了一件反直覺的事，它用一種名為「上下文炸彈（Context Bomb）」的手法，把提示注入反過來當成防禦武器，讓入侵的 AI Agent 一讀到就主動停手。據資安研究者指出，這是已知第一次有防守方把這個補不掉的漏洞轉為盾牌。 先看懂敵人：提示注入為何是 AI 資安難題 根據學術期刊《Information》2026 年 1 月的一篇論文，提示注入之所以難解，源自 LLM 的根本設計。傳統軟體靠語法把「指令」和「資料」分得一清二楚，LLM 卻把送進來的一切當成自然語言文字處理，天生沒有區辨指令和內容的界線。也因此，開放網路軟體安全計畫 OWASP 把提示注入列為 LLM 的首要安全威脅，並定調它是架構性弱點，而非單一實作瑕疵。 提示注入攻擊大致可分為兩類：直接注入，以及間接注入。前者俗稱越獄，駭客直接下指令繞過安全限制；後者指模型在讀取網頁、檔案等外部內容時，被藏在其中的指令操控，使用者甚至毫無察覺。棘手的是，間接注入如果再加上具備「致命三要素」（特權存取、處理不可信輸入、能對外傳輸資料）的 AI Agent 能力，一次成功的注入就可能變成系統的全面失守。 當入侵者變成 AI Agent，發出警示已不夠用 當 AI Agent 能自主呼叫工具、存取資源，入侵這件事本身也開始被自動化。Tracebit 先前一項涵蓋 951 次攻擊、在模擬 AWS 靶場中進行的基準研究就顯示，AI 平均只要約 14 分鐘，就能一路提權到管理員層級。 Tracebit 原本的防線是「誘捕探針」（canary），也就是一批看似正常、實際無人使用的假資源，一旦被 AI Agent 探測就發出高可信度警報，平均能在攻擊者採取關鍵動作前約 8 分鐘示警。問題是，示警不等於阻止，這又給了 Tracebit 一個念頭：與其只是示警，能不能做出一種真正讓攻擊停下來的東西。 上下文炸彈：用模型自己的安全機制讓攻擊者收手 Tracebit 給出的答案，就是 Context Bomb（上下文炸彈）。做法是把提示注入埋進假密碼、假金鑰這類誘餌裡，具體來說，是做成一支假的 AWS Secrets […]

【科技早餐】AI 算力擴張擠壓供應鏈，Meta 加碼 5GW、手機出貨創 13 年同期新低

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Meta Hyperion 擴至 5GW，含 AI 晶片總成本估逾 2,500 億美元 Meta 宣布擴建位於美國路易斯安那州的 Hyperion 資料中心，將運算能力從原先超過 2GW，提高至至少 5GW，計畫投資金額也增加到超過 500 億美元。這座園區是 Meta 至今規模最大的資料中心，將用於訓練大型語言模型及其他 AI 系統。Meta 也將投入超過 10 億美元，改善當地道路、供水與廢水處理等基礎建設。自 2024 年 12 月動工以來，Meta 已向路易斯安那州企業發出超過 16 億美元合約；全面營運後，預計提供超過 1,000 個工作機會，是原先承諾的兩倍。 《彭博》另引述知情人士報導，Meta 公布的投資金額尚未包含昂貴的 AI 晶片等設備；若一併計入，整體成本估計可能超過 2,500 億美元，但 Meta 尚未正式公布 500 億美元以外的支出。為支撐園區龐大的用電需求，Meta 也將負擔相關能源基礎建設成本，包括支應七座新的天然氣發電廠。除 5GW 運算能力外，園區其他設施的用電需求也將超過 2GW，進一步擴大當地電力與公共設施建設規模。Meta 表示，園區擴建將分階段完成。 ＊AI 擠壓記憶體供應，全球手機出貨創 13 年同期新低 研究機構 […]

機器人模擬資料不夠逼真？MIT 用 3 個 AI Agent 直接「生」出來

會走路、能後空翻的機器人越來越常見，但要它們走進廚房或客廳幫忙做家事，得先在部署前大量練習。「模擬環境」成了諸多機器人主要的練習場，然而現有的模擬房間多半家具稀疏、擺設單調，機器人在裡面練得再熟，一進到現實仍可能派不上用場。MIT（麻省理工學院）電腦科學與 AI 實驗室（CSAIL）與 Toyota Research Institute（豐田研究院）最新發表的 SceneSmith，就是要縮小這道落差。 SceneSmith 是一套階層式的 Agentic 框架，只要給它一句自然語言描述，就能自動生成可直接丟進物理模擬器的 3D 室內空間，小至單一房間、大到整棟房子都能產出。它的做法是派出 3 個 AI Agent 分工協作，把場景一層一層搭建起來，讓機器人在上工前先於虛擬世界練到飽。至於這些模擬世界「夠不夠真」，正是這項研究最想回答，也最難證明的問題。 真正卡住機器人的不是模型，而是「沒地方練習」 這道落差之所以難補，關鍵不在物理引擎。MIT 電機資訊工程與航太、機械工程教授，同時也是 CSAIL 首席研究員的 Russ Tedrake 指出，過去幾年支撐機器人模擬的物理引擎進步很快，真正沒被解決的，是如何生成足夠豐富、足夠多樣的模擬內容，去捕捉真實世界的複雜度。 具體來說，真實住家充滿密集雜物、可開合的家具，以及各種能被單獨操作的小東西，光是一個廚房櫃子就塞滿盤碗杯子。這類雜亂正是機器人操作的一大難題，但稀疏的模擬環境往往無法讓機器人為此做好準備。模擬與真實之間的這段距離，正是機器人領域常說的 reality gap。 3 個 AI Agent 分工蓋房子：設計師、評審、協調者 SceneSmith 的核心，是把「蓋一個房間」拆成一連串階段，交給 3 個各有職責的 VLM（視覺語言模型）Agent 協作完成，MIT 說明其底層採用當前頂尖的 GPT-5.2。 第一個是負責提案的 designer（設計師），生成場景元素。第二個是 critic（評審），判斷這樣擺是否合理、物理上是否可行。第三個是 orchestrator（協調者），管理兩者來回、決定何時定稿，若品質不夠好還能把設計退回幾步重來。 整個流程依專案頁說明分成五個階段，從建築格局、家具擺放，到牆面、天花板，最後才放進機器人能實際操作的小物件。 與過去方法不同的是，SceneSmith 生成的物件都直接帶有碰撞幾何與質量、摩擦力、慣量等物理屬性，還能加入可開合的櫃子、抽屜這類有關節的家具。靜態物件更是靠 text-to-3D 隨需生成，物件詞彙不受固定資產庫限制，做完即可匯出到 Drake、MuJoCo、Isaac Sim 等主流模擬器。 CSAIL […]

企業還沒準備好，AI Agent 卻已進入核心流程：34 位 CEO 示警四大治理難題

AI 在企業中所扮演的角色，正迎來一場從「生成內容」走向「自主決策與行動」的結構性轉變。《Fast Company》近期訪問 34 位來自醫療、金融、國防、行銷等領域的企業執行長，探討他們對 Agentic AI（代理型 AI）的策略、布局、期待與擔憂。多數受訪執行長認為，企業尚未為這場全面性變革做好準備，但 AI Agent 卻已經加速進入日常營運流程。 KPMG 在 2026 年 6 月進行的調查也呼應這項趨勢。報告指出，51% 的銀行正在試行 AI Agent，應用範圍涵蓋財富管理、客戶審查、交易與企業資金管理。例如紐約梅隆銀行（BNY）便將數位員工視為團隊成員，不僅為其配置登入帳號與暱稱，也讓它們執行特定任務並彼此互動，人類主管則負責訓練、品質控管，以及進行類似績效評估的管理工作。 然而，AI Agent 從「提供協助」走向「自主執行」，也將企業推向治理的深水區。隨之而來的，是運作速度與商業成果之間的落差、內部資料與流程的斷裂、模糊的問責制度與資安威脅，以及員工職能從執行者轉向管理者的巨大轉變。這四大治理難題，正是企業在真正取得 AI Agent 紅利前，必須面對的考驗。 考驗一：效率提升不等於商業成果，AI Agent 恐讓企業更快走錯方向  隨著 AI 自主程度提升，企業對生產力的期待也快速升高，但更快完成工作，不等於創造更好的商業成果。美國運通執行長 Steve Squeri 表示，公司擴大採用 AI 輔助開發工具後，程式開發週期縮短 30%，未來 Agentic AI 更可能從支援開發者，走向承擔設計、測試與部署新功能的完整責任，改變企業創新的速度與規模。 醫療編碼公司 Arintra 執行長 Nitesh Shroff 也表示，其 AI 編碼引擎每月在 Mercy Health 自主處理逾 5 萬份病歷，協助營收提升 5.1%，並讓人類編碼人員轉向更複雜的工作。然而，運用 […]

Anthropic、OpenAI「模型蒸餾」爭議延燒，為何燒成 AI 控制權之戰？

近期，美國 AI 政策圈一場關於「模型蒸餾（distillation）」的討論，意外讓另一個更大的議題浮上檯面：未來 AI 的競爭，究竟由誰決定規則？蒸餾本身是一道實驗室裡的常見技術：向一個模型丟出大量問題，把問答紀錄蒐集起來，再拿去訓練另一個模型，成本低、效果好，學界與小型開發者長期都在做。它原本毫無爭議，直到指控的對象變成中國公司。 根據《Bloomberg》報導，Anthropic、OpenAI 等美國業者近期持續向華府示警，認為中國企業可能透過蒸餾快速複製美國最先進模型的能力，因此政府應考慮建立新的管理機制，限制高能力模型的流通。消息曝光後，外界開始關注白宮是否將針對中國開源模型、或高能力開源模型建立新的審查制度。 如果只看這則新聞，事件看似圍繞國家安全與 AI 風險；然而，隨著更多評論與產業人士加入，這場爭議的焦點逐漸改變。真正浮上檯面的，不只是蒸餾技術，而是 AI 時代究竟由誰決定「哪些知識可以學、哪些能力不能學」。 從「知識蒸餾」到「知識竊取」，一個技術如何被推上國安層級 同一個技術，換個講法，性質就變了。蒸餾長期被視為業界常態，Elon Musk 甚至向聯邦法院表示這是「標準做法」、「基本上所有 AI 公司都在做」，還說過 SpaceX 旗下 xAI「部分」用了 ChatGPT 模型來訓練自家 AI。 轉折點是 2025 年中國新創 DeepSeek 推出低成本強模型 R1。此後 OpenAI 與 Anthropic 相繼指控 DeepSeek、MiniMax、Moonshot AI 等公司違反服務條款蒸餾其模型，Anthropic 更在 6 月底致聯邦官員的信中，把 Alibaba 的行為稱作「工業規模」的攻擊。於是在華府圈，一個新名詞誕生了：「對抗式蒸餾（adversarial distillation）」。 政策動作隨之而來。美國政府已開始與業者分享情資、協助辨識模型濫用；OpenAI 與 Anthropic 推動反壟斷豁免以互通威脅資訊，跨黨派議員也提案制裁大規模蒸餾者。這股力道甚至外溢到出口管制：Anthropic 於 6 月初推出模型 Fable 5 後，美國商務部一度限制其向外國人提供存取，Anthropic 索性全面斷線，管制雖隨後解除，蒸餾問題卻無明確解方。 防堵方的理由不只商業考量，更帶著急迫感：業界普遍相信 […]

Harness Engineering 為何是 AI 軟體交付護城河？因為模型只會越來越可替換

AI 已經能大量寫程式，但真正該解的問題正在改變。當 Claude Code、Codex 這類 AI 寫程式代理快速普及，軟體團隊很快發現一件事：讓代理產出更多程式碼，並不等於交付更好的軟體。OpenAI 一支內部團隊曾以 Codex 在 5 個月內寫出約 100 萬行、全程無人手寫的產品，這類案例說明 AI 會不會寫程式已不再是重點，接下來要解的，是怎麼讓它在真實、大型的專案裡穩定、安全又可重複地交付。 而這個問題的答案，正凝聚成一個新的關鍵字：Harness Engineering，它指的是模型以外的那整層工程環境。技術社群 HackerNoon 進一步把它整理成 Context、Skills、Boundaries、Verification、Learning 五項控制，主張 AI 軟體交付真正的持久優勢，不在模型本身，而在你替模型打造的這層「支架」。這五項能力，究竟各自要建什麼？ Harness 是什麼？為什麼決勝點從模型移到模型外圍 Thoughtworks 傑出工程師 Birgitta Böckeler 在 Martin Fowler 的網站上定義，harness 指的是「一個 AI 代理裡除了模型以外的一切」，也就是 Agent = Model + Harness。在寫程式代理裡，一部分支架是內建的，例如系統提示或程式碼檢索機制；但代理也讓使用者能為自己的系統，再打造一層專屬的「外層支架」。 她指出，一個好的外層支架有兩個作用：一是提高代理「第一次就做對」的機率，二是提供回饋迴路，讓問題在送到人類眼前之前就先自我修正，從而減少審查負擔、提升系統品質。 這兩個作用，對應 Böckeler 拆出的兩種控制方向：指引（guides，前饋控制）在代理動手之前就先引導它，提高第一次就做對的機率；感測器（sensors，回饋控制）則在代理動手之後觀察結果、協助它自我修正。她進一步以執行方式區分：確定性（computational）控制由 CPU 執行,像測試、lint、型別與結構分析，快且可靠；推論式（inferential）控制則是語意分析、AI 程式碼審查這類「以 LLM 當裁判」的做法，較慢、較貴也較不穩定，但能提供更豐富的引導與語意判斷。她也提醒，只有回饋、沒有前饋，代理會不斷重犯同樣的錯；只有前饋、沒有回饋，代理則永遠不知道規則到底有沒有用——兩者缺一不可。這組框架，正是理解底下五項控制的透鏡。 HackerNoon 則把 harness 描述為「代理的運作環境」，它決定了代理能找到什麼、能用哪些工具、有哪些權限、要走哪些流程、必須通過哪些檢查。關鍵在於，這套環境的目標不是給代理無限自主，而是讓對的事更容易做、危險的事更難做。該文也強調，這不是把 […]

全球半導體信心創 21 年來第三高，企業為何依然焦慮？KPMG 揭三大韌性考驗

專訪：沈貝怡撰稿：李昀蔚 AI 帶動的半導體景氣，究竟是真金白銀，還是資金炒作的泡沫？KPMG 最新發布的《2026 全球半導體產業大調查》顯示，產業信心指數升至 63 分，創 21 年來第三高紀錄，有 73% 的企業認為 AI 已成為主要營收來源，並預估 2026 年全球半導體市場規模將突破一兆美元。 然而，在需求快速成長的同時，企業也面臨原料與能源供應、跨國營運及人才短缺等壓力。本集《全新一週》，特別邀請安侯企管公司科技與企業績效服務執行副總經理李威陞，從 AI 超級循環的需求結構出發，逐步解析台灣半導體供應鏈要如何真正承接市場機會，而不是在需求爆發之際，反而被算力、能源、原料或人才「掐住喉嚨」。 AI 從單點需求走向全面堆疊，半導體競爭轉向資源掌握力 過去半導體景氣循環，往往由特定終端市場帶動，例如 PC、智慧型手機或雲端服務。相較之下，這波 AI 浪潮的不同之處，在於需求同時延伸到 GPU、HBM、先進封裝、記憶體傳輸、資料中心與算力基礎設施。 李威陞指出，AI 所帶動的並非單一產品需求，而是多個技術與產業環節交互堆疊，因此影響的層次、產業與區塊都比過去更廣。企業對 AI 的需求也不只來自外部客戶，像是半導體公司本身同樣是 AI 使用者，設計、EDA、測試、判斷與檢查等工作，都可能藉由 AI 提升效率。 從資料中心這一類基礎設施的高使用率，以及相關企業對財務表現的樂觀預測來看，AI 需求並非只停留在資金層面。「所以是不是真的泡沫化，我倒沒有那麼的悲觀，但是要謹慎，這個是必要的，」李威陞指出，現在真正的問題已經不是「市場有沒有需求」，而是企業能否掌握足夠資源，把需求轉換成實際營收。 資源韌性：有訂單，也要有原料、能源與算力 《2026 全球半導體產業大調查》顯示，有 58% 的企業擔心需求不確定性，34% 製造端主管憂慮未來三年的電力與能源供應。這些結果實際上反映的是同一件事：市場需求愈強，企業對關鍵資源中斷的風險就會更敏感。 以半導體為例，由於製程仰賴氦氣、稀土、鍺、水與電力等資源，其中任何一環受戰爭、關稅、運輸或政治變化影響，就可能拖慢生產。李威陞形容，這就像餐廳已經有客人上門，卻可能缺少食材、水或電的狀況。 因此，資源韌性不只是提早簽訂長約，更包括強化需求預測、分散供應來源、培養新供應商，以及提高原料回收與使用效率。企業也必須把資源所在地、運輸時間、能源政策與地緣政治納入整體策略，從過去追求集中採購與最低成本，轉向確保在關鍵時刻「買得到、運得回來、用得下去」。 李威陞指出，算力同樣是資源韌性的一部分。當半導體企業不只供應 AI 市場，也要在內部導入 AI，如何確保設計、測試與營運所需的算力，不必完全受制於外部供應，將成為新的戰略課題。 跨國布局韌性：海外商機背後，藏著稅務、法規與營運隱形成本 隨著半導體供應鏈逐漸向美國、日本、歐洲等市場擴張，企業面臨的挑戰也從製造與成本管理，延伸到稅務、法規、智慧財產權與跨文化營運。在《2026 全球半導體產業大調查》中有 50% 受訪者，將涉及智慧財產權的貿易保護、關稅與限制措施，列為未來三年的首要挑戰。 李威陞強調，企業除了土地、建廠與人力成本，還要處理關稅、當地稅、州稅、移轉定價、全球最低稅負制，以及智慧財產權歸屬等問題。不同國家的勞動法規、管理文化與員工工作意願，也可能改變企業原本熟悉的營運模式。此外，各國提供的補助與優惠，背後通常伴隨就業保障、在地採購或培養當地供應鏈等條件。這些支出在投資初期不一定明顯，卻可能成為額外增加的隱形成本。 這對中小型供應商而言，尤其是一大考驗。由於大型企業通常已有法務、稅務與區域營運團隊，中小企業卻可能因客戶要求，在經驗與資源不足的情況下被迫出海。若只看到營收與訂單成長，卻未先盤點稅務、法規與營運風險，海外商機也可能轉化為長期成本。因此，透過大型企業、產業聯盟與跨國專業機構補足知識與經驗，將是降低試錯成本的重要方法。 人才與組織韌性：AI […]

【GeoAI 電網革命】電力需求快速成長、電網設計跟不上，GeoAI 成智慧調度新解

現代電網的設計與規劃，其實無法應對劇烈的電力傳輸波動，而單純增加發電量的傳統方式也已遠遠不夠，此時地理人工智慧（GeoAI）或許可以成為有效解決方案。

【iPod Shuffle 還在賣？】不推播、不演算、不連網，「慢科技」開始被當最大賣點

Tony Fadell 走進紐約 28 街地鐵站，迎面撞上一張巨幅廣告推銷 iPod Shuffle，訴求只有四個字：Zero screen time」——Fadell 是 iPod 的設計者之一，看到這張廣告他大吃一驚，不只因為一款他二十多年前做的東西還在賣，更因為站內每個人同時戴著藍牙耳機、盯著手機串流音樂，那張海報像是在對一個已經不存在的問題開藥方。 但那張廣告顯然有市場。廣告出自二手科技平台 Back Market 行銷長 Joy Howard 的團隊，她觀察到人們對「科技優化生活每個環節」感到厭倦，開始想用更有意識的方式使用它。 除了約有五成三的美國成年人表示希望減少螢幕時間，對從小活在社群媒體與智慧型手機裡的年輕世代來說，有線耳機、復古遊戲機、傻瓜相機反而帶著某種魔力，因為它們不推播通知、不投放廣告、不用演算法猜你喜歡什麼。 Howard 把這股風潮稱為「慢科技」。過去的「快科技」執著於消除一切摩擦，人們現在卻反過來把摩擦視為劃出界線的方式。 放棄智慧型手機：理想很豐滿，現實很骨感 面對科技疲勞，有人選擇釜底抽薪。翻蓋機、跑 Android 的電子墨水手機、Light Phone 這類極簡裝置，近年都有一批忠實用戶。Light 共同創辦人 Kaiwei Tang 說，十年來顧客不斷回饋換機後生活變得更自由，而且使用者裡二十到三十五歲的比例高得讓他們自己都意外。 只是這條路走起來比想像中難。行動遊戲出身、現在開發減少螢幕時間 App「MOQA」的 Austin Murray 直說，銀行、飯店入住、刷卡付款如今全都預設你有一支智慧型手機，真要脫離幾乎是不可能的事。 小說家 Calvin Kasulke 同時付費使用 Opal 和 Freedom 兩款限制螢幕時間的 App，他坦承光靠意志力根本管不住自己，但他也說，除非哪天蘋果推出電子墨水版 iPhone，否則他不打算降級。 多數人因此走向折衷，讓功能照留，只設法降低誘惑力，比如 Oura 智慧戒指和 Whoop 手環這類無螢幕穿戴裝置，正是這個邏輯下的受益者——美國健身追蹤裝置的消費支出，在一年內成長了 88%。 科技業的矛盾回應 Fadell […]

【科技早餐】AI 擴張進入資源戰：川普重押 Intel、台積電營收創高、資料中心搶土地水電

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊川普重押 Intel，先進封裝成追趕台積電突破口 《華爾街日報》最新揭露，美國總統川普政府把振興 Intel 視為半導體戰略要務，不只將原本約 90 億美元的聯邦補助轉換為接近 10% 的公司股權，也積極協助 Intel 爭取 Apple、NVIDIA 與 SpaceX 等大型客戶，希望擴大美國本土晶片製造能力。消息人士指出，Apple 計畫將部分 Mac 與 iPhone 晶片交由 Intel 生產，相關合作討論是在 Apple 與川普政府進行半導體關稅談判期間展開。 美國政府也正推動 Intel 擴大新墨西哥州先進封裝廠產能。政府官員與 Intel 認為，相較於仍需長期追趕的先進製程，先進封裝是近期較有機會拉近與台積電差距的領域。不過，Intel 晶圓代工部門過去四季累計營業虧損仍達 104 億美元，外部客戶對製程進展、良率與穩定供貨能力仍有疑慮。 ＊AI 需求續強，台積電第二季營收創 1.27 兆元新高 台積電公布 2026 年第二季營收約新台幣 1.27 兆元，年增約 36%，創下單季新高，也略高於市場預期。受惠於 AI 應用帶動先進晶片需求持續成長，台積電 6 月營收達 4,426.8 億元，年增 67.9%、月增 6.2%，推升第二季整體營收再創紀錄。台積電目前是 NVIDIA、Apple 等大型科技公司的主要晶片製造供應商。 […]

AI 打敗 60/40？摩根大通測試 AI Agent 挑戰華爾街最經典投資策略

「60/40」股六債四，是全球投資人沿用數十年的經典資產配置，如今摩根大通（JPMorgan）首度公開揭露一項測試結果：讓 AI Agent 自己判讀市場、自主調整股債比例，並在過去 20 年的回測中，繳出勝過傳統 60/40 組合的成績。不過，率先端出這份成果的摩根大通，卻同時對外提醒：先別急著把這當成 AI 已能穩定打敗市場的證據。 之所以有人想挑戰這個老基準，和它近年的處境有關。60/40 靠的是股債互補：股票下跌時，債券通常能撐住；但 2022 年兩者同步重挫，讓它創下 1937 年以來最慘的一年，市場也開始認真尋找替代方案。 8 組 AI 代理全數勝過 60/40，連自家模型都輸了 根據《Bloomberg》與《BeInCrypto》報導，這項實驗由摩根大通跨資產策略團隊操刀，以策略師 Thomas Salopek 為首。該團隊打造了 8 組 AI 代理，讓它們依市場狀況在股票與債券之間移動配置：成長強勁時偏向加碼股票，前景轉弱則提高債券比重。 判讀的依據，是把市場依成長與通膨分成四種情境（regime）。根據《MarketWatch》整理，Goldilocks 代表成長高於趨勢、通膨回落，有利風險性資產；再通膨（reflation）是成長與通膨同步走高，有利景氣循環股與信用債；停滯性通膨（stagflation）為成長走弱、通膨卻僵固，防禦型公債與實質資產占優；避險（risk-off）則是成長急凍或金融壓力主導，長天期公債成為避風港。 在橫跨 20 年的回測中，表現最佳的一組代理，每年績效比傳統 60/40 組合高出 0.7 個百分點，年化波動度則低約 2.8%。《BeInCrypto》進一步指出，8 組代理在風險調整後全數勝出，夏普比率（Sharpe ratio）介於 0.74 到 0.95 之間，明顯高於 60/40 組合的 0.61。 更值得注意的是，這些代理跑的是 OpenAI 與 Anthropic 的現成模型，卻不僅打敗 60/40，也勝過摩根大通自家、原本就用來輔助資產配置決策的規則式（rule-based）市場情境模型。摩根大通表示，這是該行首度嘗試建立能自行判別市場情境的 AI […]

【333 Robots Community Meetup】AI 機器人如何走出實驗室？陽明交大 HCIS Lab、帕德創新、台灣夏普拆解 3 條落地路徑

在 AI 加速邁向實體世界的關鍵轉折點，實體人工智慧（Physical AI）已成為下一波科技變革的核心驅動力。由 TechOrange 科技報橘、鴻海科技集團與三創育成共同舉辦的「333 Robots Community Meetup」，是每個月都會舉行的 AI 機器人開發者交流活動，目標是匯聚學研界、新創圈與國內外的機器人專家，共同探討前沿技術如何走出實驗室，解決真實世界中的痛點。 在六月的活動中，邀請到來自國立陽明交通大學、帕德創新（POD Innovation）、台灣夏普的講者，分享實體 AI 在不同面向的最新落地進展，並帶領與會者直擊國際高難度挑戰賽、高風險軌道工業的數位分身，以及陪伴機器人的未來。 陽明交大 HCIS Lab 以傳統運動學突破雙手操作挑戰賽，奪全球季軍 第一場演講由參與 IEEE ICRA WBCD（雙手操作挑戰賽），並奪得全球季軍的國立陽明交通大學人本智慧系統實驗室（HCIS Lab）團隊，帶來詳盡的技術解析。HCIS Lab 團隊成員林谷翰分享：「因為只有三天的準備時間，現場數據收集具有極高不確定性，因此我們決定採取兼具解釋性與成功率保證的傳統運動學路徑。」因此，團隊捨棄需要大量訓練數據且不確定性高、難以評估失效機率的端到端 VLA 大模型，轉而以傳統工程方法（Good Old-Fashioned Engineering，GFE）為核心，並採用傳統運動學求解作為底層控制。 針對比賽中高精度的生物實驗室試管插拔任務，團隊更採用螺旋搜尋（Spiral Search）演算法，當機械手臂夾持試管逼近洞口、導致視覺遭完全遮蔽時，系統會稍微放開夾具給予活動空間並進行轉動，使物件自然掉入槽內，成功克服公厘級的精確度考驗。 虛實整合的軌道革命：帕德創新以數位分身克服落地門檻 緊接著，帕德創新（POD Innovation）共同創辦人簡文昱分享數位孿生（Digital Twin）技術在傳統軌道產業的顛覆性應用。過去數十年來，傳統軌道產業高度仰賴傳統 SOP，因為在真實場域進行安全測試的風險極高，且公務體系規章嚴苛，因此開發者幾乎不可能借用場域來收集實際的車禍或碰撞數據。 為了解決這個長年無解的落地門檻，帕德創新團隊透過 Blender 與 Unreal Engine 等模擬軟體，重建高精度的軌道環境、木頭紋路與光影材質。在 3D 資產建構上，他們透過 Shader 調整材質光照，將原本需要數十萬個數據點的 CAD 車頭，大幅濃縮至數千點，在確保視覺逼真度的同時，顯著節省渲染與運算資源。 「數位分身是讓 AI 安全走入高風險軌道產業的完美實驗場，透過模擬，我們可以在虛擬世界自由測試並生成大量合成數據，」簡文昱表示，目前這項技術已成功部署於高雄輕軌，並在近期透過模型壓縮優化，將原本運作於 250 瓦電競筆電上的端到端模型，轉移至僅 30 […]

複雜度堪比 Y2K：企業啟動後量子遷移，該先盤點什麼？

過去數十年來，量子運算一直被視為距離大規模商用仍很遙遠的前瞻技術。然而，這個觀念如今正在被打破，因為早期量子運算已悄然進入實用階段。部分敏銳的企業不再消極等待真正完美的機器誕生，而是採取實用主義，開始將早期量子運算與現有的傳統電腦相結合，共同處理傳統運算架構難以迅速克服的問題。 然而，量子實用化腳步加速，也同步敲響傳統資訊安全的警鐘。這項強大的運算能力是一把不折不扣的雙面刃，在大幅提升企業最佳化效率的同時，也可能具備破解現行主流數位防禦體系的破壞力。因此，當企業思考量子技術未來能創造多少營運效益時，一個更迫切的挑戰也隨之浮現：企業是否已替這項技術可能動搖的加密根基、舊設備與自動化流程，做好相應的安全防護與預算準備？ P&G 實測量子混合運算，商用價值與技術限制同步浮現 在實際的商業應用場景中，消費品巨頭寶僑（P&G）與軟體業者 SAS 的合作，便是一項極具指標性的實踐。雙方共同挑戰一項具有龐大解法組合、其可能性甚至超越宇宙中原子總數的原料儲存排程與最佳化問題。若單純依靠傳統電腦進行運算，整項排程工作需要耗費 6 個小時才能完成；然而，在改採量子與傳統電腦協同工作的混合運算架構後，處理時間大幅縮短至 12 分鐘。雖然在純粹使用量子電腦的實驗中，該問題僅花費 2 分鐘便得出答案，但計算結果卻不夠可靠，這也揭示目前早期量子電腦依然受到高錯誤率與不穩定性的技術限制。 從這項混合運算案例可見，現階段對多數企業而言，最可行且最具商業價值的應用路徑，並非立即以量子電腦徹底取代既有計算設備，而是將新興的量子運算與現有的傳統運算架構互補搭配使用。儘管如此，這段過渡期可能會比原先預期更短。IBM 預估，首批能將錯誤率控制在可接受範圍的「容錯」（fault-tolerant）量子電腦，可能在 2030 年問世；Google 則預期，相關技術突破可能在 2029 年出現。這些由頂尖科技大廠提出的預期時間表，無疑是在提醒企業，量子運算跨入下一個實用發展階段的速度正在加快，因此企業必須提早做好技術轉型的準備。 量子商機浮現，風險卻被低估 量子電腦在高效處理特定複雜數學問題上所展現的強大能力，也成為它對現行數位世界的重大威脅。現代數位防禦體系，不論是保障銀行帳戶、醫療紀錄與政府機密的安全防護，還是深植於企業底層的作業系統與自動化流程，幾乎都依賴由大質數或橢圓曲線構成的複雜加密技術。然而，量子電腦在理論上可能破解這些數學難題，使全球資料防護體系面臨前所未有的挑戰。 在企業的實際營運中，更棘手的威脅在於，一些舊系統與設備可能因本質上無法直接進行軟體更新，或替換成本過於高昂，而必須長期留在營運流程中。這代表，未來的後量子防禦遷移絕對不只是安裝一次簡單的安全更新，而是一項必須全面盤點底層設備、相依系統與自動化流程的長期重建工程。 然而，面對這種「生存級」的技術變革，企業的準備工作卻顯得相當緩慢。根據貝恩顧問公司（Bain）的調查，在北美與歐洲受訪企業中，僅約 10% 已建立具備資金支持的因應計畫，以應對量子相關威脅。 後量子遷移複雜度堪比 Y2K，企業為何陷入進退兩難？ 為了應對這場日益逼近的技術威脅，對密碼技術有高度依存度的加密貨幣產業已首當其衝。一些加密業者與區塊鏈開發者正著手將網路升級至抗量子密碼技術，但這項工程極其浩大。根據一家大型加密貨幣業者的資安主管估計，單是一家公司要將系統全面升級至完整的量子防護狀態，就可能耗時兩年。這項工程的複雜程度，堪比當年全球耗資超過 3,000 億美元進行系統改造的千禧蟲過渡期（Y2K）。 此外，這項遷移還伴隨沉重的技術與成本權衡。後量子數位簽章的檔案體積通常比傳統簽章大得多，這會顯著推升資料儲存與網路傳輸頻寬的需求。對加密貨幣產業而言，這不僅會大幅增加營運成本，還可能損及使用者體驗。再加上後量子密碼本身仍在快速演進，過早採用尚未成熟的方案，反而可能在系統中引入未知的新漏洞。然而，如果選擇消極觀望，非得等到量子威脅明確出現才啟動遷移，企業又將陷入時間不足的困境。 在評估量子商機的 ROI 之外，企業更要為風險保留預算與時間 面對這波科技變革，企業當前最迫切需要進行的準備，並不是盲目替換所有加密技術，而是應盡快啟動內部資產盤點，釐清哪些關鍵資料、作業系統、硬體設備與業務流程，未來最容易受到量子運算能力的威脅與破壞。與此同時，企業也必須開始在財務規畫上未雨綢繆，為後續的抗量子技術測試、系統升級、設備替換及分階段遷移工程，在預算與時間表中保留足夠的資金與緩衝時間。 企業若在此刻只為量子技術可能帶來的營運效率精算投資報酬率（ROI），卻遲遲不願為其可能破壞的數位基礎架構與系統流程進行風險定價，那麼當真正的變革來臨時，企業可能沒有足夠的資金與時間，完成這場關乎生存的挑戰。 【推薦閱讀】◆ Q-Day 倒數中：池安量子資安揭企業啟動「後量子遷移」的 4 大關鍵步驟◆ 川普按下量子競賽加速鍵：2028 量子電腦目標，為何讓比特幣、金融網路與政府資安同步備戰？◆ AI 之後的下一場算力戰：IBM 砸 100 億美元，拚 2029 年突破容錯量子電腦門檻 ＊本文開放合作夥伴轉載，資料來源：《Financial Times》、《Reuters》，首圖來源：Unsplash

越可能被 AI 取代的職缺，招募需求反而回升？Indeed 揭勞動市場反轉訊號

過去幾年，AI 與就業的討論幾乎都圍繞著同一個字：取代。生成式 AI 問世後，最容易受到 AI 影響的白領工作，普遍也成為招聘下滑最明顯的一群。但全球最大求職平台 Indeed 的研究部門 Hiring Lab 最新分析，卻發現一個不同於過去三年的現象：近一年來，這些高 AI 暴露職業反而率先恢復招聘。 不過，這並不是整體就業市場回溫的跡象。Indeed 數據顯示，同期美國整體職缺仍下滑約 7%，只是高 AI 暴露職業的招聘卻開始反彈。而這個轉折之所以值得中高階主管注意，不只是它挑戰了 AI 只會取代工作的既有印象，更因為企業新增的需求，正集中在一群截然不同的人才。 AI 與招聘需求的關係，開始出現反轉 Hiring Lab 經濟學家 Guillermo Gallacher 的研究指出，自 Anthropic 的 Claude Code 於 2025 年 2 月下旬問世以來，美國軟體開發職缺數量回升近 15%，同一期間整體職缺卻下滑約 7%。2025 年 2 月也是「Vibe Coding」一詞首次出現的時間點，用來描述開發者以自然語言指示 AI 撰寫程式，自己則把更多心力放在產品設計與架構規劃。 Gallacher 強調，相關性並不代表因果關係。市場變化同時受到景氣、企業投資等多重因素影響，因此不能直接認定 Agentic AI 帶動了招聘回升；但廣泛可用的 Agentic AI 工具與軟體職缺反彈幾乎同步發生，仍是一個值得持續追蹤的新現象。 更值得注意的是，真正翻轉的不只是軟體工程，而是 AI […]

GPT 效率提升 54% 只是「好的開始」？Palo Alto Networks 執行長示警：Token 成本不降 90%，企業 AI 難以規模化

企業導入 AI 的熱潮正迎來轉捩點。Palo Alto Networks 執行長 Nikesh Arora 近日接受《CNBC》訪問時指出，Token 成本未來兩年仍須大幅下降，長期降幅甚至可能達到 90%，才能支持企業進行大規模 AI 導入。 Nikesh Arora 進一步解釋，Token 價格未來一年可能先下降最多 20%，之後的降幅甚至可能擴大至 90%。他的核心觀點是，若成本無法持續降低，企業將難以負擔 AI 規模化運作所帶來的龐大支出。 儘管 OpenAI 執行長 Sam Altman 表示，最新推出的 GPT-5.6 家族旗艦模型 Sol，在代理式程式開發任務上已提升 54% 的 Token 效率，但 Nikesh Arora 對此表示，這項進展「只是一個好的開始」，顯示企業仍期待前沿模型的使用成本進一步下降。 企業要求 Token 降價，前沿模型卻面臨獲利保衛戰 在企業要求降低 AI 成本的背後，整個 AI 產業鏈也正承受龐大的資本回收壓力。紅杉資本（Sequoia）合夥人 David Cahn 估算，到 2026 年，全球 AI 基礎設施支出將高達 1.5 兆美元。David Cahn […]

【裝了就拔不掉】AI 監控合約讓美城市進退兩難，Flock Safety 與它製造的監控困局

在美國，一套 AI 監控基礎設施正以快於公眾察覺的速度蔓延，這套系統的核心產品叫做自動車牌辨識系統（ALPR），由 Flock Safety 公司生產，通常安裝在道路旁，記錄所有經過車輛的影像與行蹤。 全美目前已安裝逾 10 萬台，絕大多數來自 Flock。但這個數字背後，卻是資安漏洞、執法人員濫用、讓無辜市民收到傳票的 AI 誤判，以及一套讓城市幾乎無法退出的合約機制。 能力遠超「車牌辨識」 外界習慣叫它「車牌辨識攝影機」，但這個稱呼低估了它的實際能力，因為讀車牌只是基本功，更關鍵的是它的搜尋方式：執法人員可以直接輸入自然語言，像是「左側有刮痕、車斗載有越野車的皮卡」或「貼有美國國旗貼紙的綠色轎車」，系統就會自動比對並列出符合的影像。 Flock 攝影機跑的是修改版 Android，影像無線上傳後由 AI 建立索引；除了車牌辨識系統，Flock 也賣追蹤個人的 AI 監控攝影機、行動監控拖車，以及四旋翼無人機。這套系統的搜尋範圍也不只限本地，許多警察局加入了全國共享網路，德州的警察可以直接搜尋麻薩諸塞州的 Flock 影像。 Flock 沒有直接跟聯邦機構簽約，但 ICE 等國土安全部門經常透過地方警局的資料共享協議取得存取權——丹佛警察截至 8 月已代 ICE 執行逾 1,400 次搜尋，404 Media 在 2025 年也揭露，全美各地地方警察局曾多次搜尋 Flock 資料庫來協助移民執法。 三個已有記錄的問題 Flock 的問題不是偶發的，而是在三個層面上都有具體記錄，包括系統本身的資安漏洞、執法人員的主動濫用，以及 AI 辨識錯誤導致的無辜牽連。 一、資安漏洞 Flock 一再強調系統安全，但漏洞不斷被人找出來。Benn Jordan 是其中發現最多問題的人（他是沒有正式資安背景的音樂人兼 YouTuber），他和研究員 John Gaines 示範了，只要能摸到 Flock […]

56% 英美消費者已讓 AI 幫忙篩品牌、擋廣告，忠誠度計畫該如何重寫？

生成式 AI 快速滲透消費者的日常決策流程，也開始改變品牌建立忠誠度的方式。顧問公司 Gale 最新發布的《The Preference Economy》報告指出，當大型語言模型（LLM）逐漸成為消費者搜尋、比較與購買商品的入口，品牌與消費者之間的關係正被 AI 重新定義。 過去仰賴點數累積、會員折扣與優惠券維繫顧客的忠誠度策略，正面臨前所未有的挑戰。未來真正決定品牌能否被消費者看見的，可能不是廣告曝光，而是是否能成為 AI 優先推薦的品牌之一。 消費者開始讓 AI 篩品牌，第一方數據成為入場券 Gale 的報告調查了英美兩國 3,000 位消費者，顯示 56% 的消費者願意將品牌溝通交由 AI 助理代為處理，近三分之一的受訪者甚至已開始主動指示 ChatGPT、Google Gemini 等 AI 工具，在購物時優先推薦自己偏好的品牌。Gale 執行長 Andrew Noel 預估，未來兩到三年內，將有六至七成的消費者會指示大型語言模型為自己設定品牌偏好，例如把往來對象縮小至少數幾個偏好品牌；在他看來，AI 將成為品牌與消費者之間的重要過濾器。 這項變化讓第一方數據的重要性再次提升。過去許多企業累積大量會員資料與交易紀錄，但真正能夠轉化為洞察的比例並不高。如今品牌需要更深入理解消費者的行為模式、偏好與使用情境，建立高品質且持續更新的第一方數據，才能提高 AI 對品牌的理解程度，增加被推薦的機會。當消費者開始直接告訴 AI 自己偏好的品牌時，品牌競爭的焦點已經逐漸轉向資料品質與偏好管理能力，而非單純的廣告投放規模。 不再空有幽靈會員！以極致便利與高效數位流程重塑會員價值 除了 AI 帶來的新競爭環境，消費者對忠誠度計畫本身的期待也已經出現改變。報告指出，多數消費者平均加入 4 至 6 個會員或忠誠度計畫，但其中不少已成為長期沒有互動的「幽靈會員」。尤其千禧世代與 Z 世代對數位服務體驗有更高期待，若會員制度操作繁瑣、介面不直覺或兌換流程過於複雜，即使提供更多折扣，也難以維持忠誠度。 報告顯示，在 25 至 34 歲的受訪者中，高達 61% 曾因競爭品牌提供更好的忠誠度體驗而改變消費選擇，即便對方提供的折扣或回饋並沒有更具吸引力。這也反映出，消費者衡量忠誠度計畫的標準已逐漸轉向使用便利性與互動品質。會員制度若能提供快速登入、簡單兌換、個人化推薦與流暢的數位流程，更容易提升顧客留存率，也更符合 […]

同時服務人類與 AI 的網站才能生存，WordPress VIP 技術長解析品牌下一步

WordPress VIP 技術長 Brian Alvey 表示，對於 AI 代理而言若網站內容難以解析，那麼網站實際上將直接隱形，而能夠同時服務人類與 AI 代理的企業，才能於未來生存下來。

【科技早餐】AI 基建從缺貨走向自研：SK 海力士示警 2027 最缺，Meta 晶片交台積電

【科技早餐】今天精選 9 則國內外重要科技新聞。 ＊SK 海力士赴美募資 265 億美元，示警 2027 年記憶體最缺貨 韓國記憶體大廠 SK 海力士（SK Hynix）正式登上美國那斯達克（Nasdaq），這次發行的美國存託憑證每股定價 149 美元，共募集約 265 億美元，超越阿里巴巴，創下外國企業赴美股票發行最大規模紀錄。這次發行獲得超過七倍認購，顯示市場仍看好 AI 帶動的記憶體需求。 SK 海力士執行長郭魯正接受《路透》專訪時表示，全球記憶體產業可能在 2027 年面臨史上最嚴重的供應短缺，即使公司持續擴充產能，客戶需求到 2030 年之後，仍可能高於供應能力。公司目前也在評估新的晶圓廠投資地點，美國、日本與東南亞都在考慮範圍，但尚未做出決定。 ＊Meta 自研晶片交台積電生產，AI 算力明年擴至 14 GW 《路透》取得的內部備忘錄顯示，Meta 計畫今年 9 月開始生產新一代自研 AI 晶片 Iris。這款晶片屬於第四代「Meta 訓練和推論加速器」，由 Meta 依照自身需求設計，並與博通（Broadcom）合作，再交由台積電生產，希望降低 AI 運算成本，並減少對 NVIDIA 與超微（AMD）的依賴。 內部備忘錄顯示，Iris 將補強 Meta 目前大量採購的 GPU，共同支援旗下 Facebook、Instagram 與其他 AI 服務。Meta 計畫今年部署 7 […]

【AI 時代的曝光成效衡量】14 倍長期價值遭財報低估，CMO 需打破「最後點擊」盲點找回獲利

董事會與經營層在審視行銷預算時常面臨一個痛點：大家知道預算花出去了，但到底帶回多少實質收益？如果只看報表上的「最後點擊」來發放獎金或分配預算，很容易漏算那些在前期默默幫企業「創造需求」的行銷投資。這不僅是報表誤差，更會影響管理層的資本配置判斷。 Google 發佈的《The Science of Demand: Ads measurement in the AI Era（需求科學：人工智慧時代的曝光成效衡量）》報告，希望協助企業回答這些問題。為確保每一筆投入都能精準轉換為業績，以下報告摘要從對齊財務目標、釐清報表盲點、升級數據資產、驗證真實因果，以及統一決策標準等面向，為經營層梳理清晰的決策路徑。 📎 這份報告適合誰閱讀？ 報告主要針對企業內負責預算分配、商業成長，以及數據基礎建設的決策者及專業人員所撰寫，適合以下五類工作者閱讀： 🔴 報告洞見 行銷不只是捕捉需求，而是創造需求 對於現代企業的行銷長而言，最大的挑戰已經從「參與市場」，升級為「透過精準度將價值倍數放大」。 過去那種依賴直覺、容許預算浪費的黑箱花費時代已正式宣告終結，取而代之的是高度波動與預算嚴格審查的新常態，這意味著企業投入的每一分錢，都必須能產出實質的商業價值。 為了在這場由 AI 驅動的極速競爭中勝出，Google 在報告中提出「需求科學（The Science of Demand）」的概念，以此描述一套將行銷從成本中心轉向長期獲利引擎的分析框架，核心建立在一個獲利方程式之上：數據＋因果關係＋更好的決策＝獲利性成長。 企業必須意識到，行銷的任務已不再只是被動「捕捉現有需求」，而是必須主動出擊去「創造需求」。但現實是，多數企業的報表系統根本看不見這類前期投資的價值。 只看最後點擊，會漏掉高達 14 倍的真實行銷價值 在行銷部門追求長期成長與財務部門要求短期實證之間，長年存在著巨大的摩擦與「能見度落差」。許多企業至今仍過度依賴「最後點擊」思維與標準的「30 天回溯期」來評估行銷成效，這種為了迎合財報週期而產生的短視盲點，正在扼殺企業真正的成長動能。 如果高管只願意獎勵促成最後轉換的那個點擊，將會摧毀在前端負責播種、創造消費者渴望的行銷引擎。 最新的實證研究指出，標準的 30 天點擊與 3 天參與觀看回溯期，雖然足以捕捉 70% 的一般搜尋曝光轉換，但對於著重於「創造需求」的曝光格式卻嚴重失真。同樣的短效回溯期，只能捕捉到 50% 的最高成效曝光轉換，以及僅 40% 的需求開發曝光轉換。 這代表超過一半以上的行銷價值，在傳統財報上是完全「隱形」的。 外部研究也佐證了這個問題的嚴重性，根據 Fospha 的研究數據指出，過度依賴傳統的最後點擊歸因，會導致 YouTube 與 Demand Gen 這類前期需求創造活動的真實投資報酬，被嚴重低估高達 14 倍。這不僅是報表上的誤差，更是企業在資本配置上的重大失靈。 […]

64% 製造業主管稱 AI 提升效率，為何營收、成本仍沒明顯改善？揭開 3 大 ROI 盲點

製造業正以前所未有的速度將 AI 導入日常營運場景，然而這股技術熱潮的成果，卻無法完全體現在財務報表中。根據 Grant Thornton 最新發布的「2026 年 AI 影響力調查」（Grant Thornton’s 2026 AI Impact Survey），在受訪的 100 位製造業主管中，沒有任何一個人表示 AI 為企業帶來顯著的營收增長，同時也沒有人說明 AI 已經帶來顯著的成本節省。相較之下，在參與同一項調查的其他產業中，對於營收成長、成本節省兩項成果的回報比例，分別都達到 12%。因此，這種在調查中出現「零回報」的現象，也格外吸引關注。 這項數據並不代表製造業在 AI 投資上毫無收穫，因為仍有高達 64% 的受訪製造業主管，明確表示 AI 確實有提升營運效率，且有 62% 的主管希望在營運部門中進一步擴大 AI 應用，這一比例在所有受調查的產業中位居首位。 然而，「效率提升」與「財務回報」之間存在著巨大的脫節，這也成為效率成果無法進入財報損益表（P&L）的卡關點。 生產線上的效率提升，雖然在技術演示中看起來非常完美，但除非這項效率提升能夠具體轉化為減少廢料、降低非計畫停機時間、下降庫存水準，或是減少保固索賠件數，否則就永遠只是虛擬的技術指標，無法化為財務長願意在損益表上簽字認可的成果。至於這股技術活動與實際財務收益間的巨大落差，實際上深植於製造業在採購、技術部署與治理上的三大核心盲點。 盲點一：製造業被競爭焦慮推著走，先啟動 AI 才再尋找商業問題 首先，許多製造業投入 AI 專案的出發點，往往來自於非理性的市場恐慌。調查指出，高達 45% 的製造業主管坦言，競爭焦慮是他們採用 AI 的最主要驅動力，這代表他們並不是從已經計算出成本的瓶頸、瑕疵率或其他具體的營運痛點出發，而只是因為擔心被競爭對手超越。 這種「先啟動、再找問題」的模式，在製造業屢見不鮮。許多團隊容易從「AI 也許能幫忙」的直覺想法，直接跳躍到「啟動試點」的執行階段，卻忽略在專案開始前，應該定義清楚該專案預計要改善哪一項營運或財務數字。這種做法導致 AI 模型與技術架構先被定義出來，但支持這項投資的商業案例卻還沒有建立的荒謬現象。 Epicor 產品暨創新長 Arturo Buzzalino 對此提出警告。他認為，當企業將 AI 視為科學實驗，推出與目標、價值以及核心流程脫節的獨立試點、通用聊天工具或客製化模型時，其實就是在浪費資金。 […]

公開人形機器人 25 自由度機器手！1X：手是通往物理世界的 API

手指能撿起錢包裡的硬幣、旋轉並裝上燈泡、拉起外套拉鍊，也能察覺物品正從掌中滑落，立即調整抓握。人形機器人新創 1X 最新公開 NEO 的新一代機器手，試圖把人類每天不假思索完成的手部動作，交給機器人。 根據《WIRED》報導，NEO 的五指機器手具備 25 個自由度，接近人手常見的 27 個自由度，並採類似人體肌腱的驅動設計。1X 表示，開發這雙手的目標，是移除限制人形機器人能力的「硬體上限」，讓資料成為能力擴張的主要障礙。 1X 更給這雙手一個特殊定位：「通往物理世界的 API」。 Introducing NEO’s 25 Degrees of Freedom, tendon-driven hands — nearing or surpassing human-level dexterity, strength, speed, and reliability. For seventy years, robotics worked around the hand problem. The humanoid bet is the reverse: it lives or dies at the fingertips. […]

AI 理財顧問為何比傳統業者更有優勢？金融業正在陷入一場「不對等競爭」

搜尋引擎最初的設計並非用來診斷疾病，但如今已有數百萬人在看醫生之前，會先諮詢所謂的「Google 醫生」。現在，AI 也正在對個人財務領域帶來極為相似的影響。 目前通用型聊天機器人已被越來越多人用來詢問理財問題，這股新興趨勢更被《金融時報》形容為「ChatIFA」。根據英國金融行為監理局（FCA）發布的報告顯示，已有約 1,100 萬名英國消費者願意或正在使用 AI 協助理財決策，範圍涵蓋儲蓄、借貸等層面。這些消費者不只是利用 AI 彙整與簡化資訊，其中高達 61% 的 AI 使用者表示他們會向機器人尋求具體的理財建議，甚至有將近四分之一的用戶，會把銀行對帳單等個人極度敏感的隱私資料上傳給 AI，以獲得更精確的回答。 這項轉變讓金融服務業面臨一個立即且嚴峻的課題：當 AI 能夠免費提供看似高度個人化、具體且具說服力的財務建議時，用戶未來是否還會願意付費聘請昂貴的傳統理財顧問？雖然客戶最終可能仍需要透過券商或特定管道，來執行這些由機器人推薦的交易，但這種純粹的通道服務，在金融服務鏈中絕對不是利潤的核心。因此，這股「AI 搶佔理財入口」的焦慮感，近期已在資本市場上掀起波瀾，進而重挫美國大眾市場財富管理龍頭 Charles Schwab、Raymond James，以及英國 St James’s Place 等機構的股價。 AI 理財顧問的真正優勢：不是更懂金融，而是更不受約束 這並不是一個老派金融巨頭因為技術落後，而輕易被新科技顛覆的故事。事實上，市場上已建立聲譽的傳統金融集團，完全有能力在技術上超越聊天機器人，因為他們擁有龐大的科技預算來打造數位投資諮詢介面，同時也握有海量的客戶數據支撐這些建議。甚至在便利性上，傳統金融機構可能更具優勢，因為銀行原本就掌握客戶的薪資、日常消費與儲蓄習慣，讓客戶不需要像面對聊天機器人一樣，重新手動上傳自己的隱私資料。 然而，傳統機構面臨的最大限制往往不是技術，而是無法擺脫的監管枷鎖。正規金融機構無法隨意提供客戶個人化的財務建議，因為金融市場存在極為嚴格的消費者保護規範，一旦給出錯誤建議，傳統機構將面臨巨大的法律責任、客戶賠償與監管處罰。 相較之下，通用 AI 工具目前卻能憑藉極少資訊給予建議。例如，當一名英國儲戶僅提供極為簡略的個人背景時， AI 聊天機器人就能直接給出具體回覆。這種在灰色地帶直接給出具體個人化建議的能力，讓通用 AI 工具在與受監管的金融機構競爭時，擁有不對等的優勢。 AI 能快速回答所有問題，卻不用承擔錯誤代價 為了解決這項競爭劣勢，Lloyds 與 Barclays 等英國主流銀行，目前正積極開發「目標支持」 工具。這是一項試圖介於具體「財務建議」與一般性「理財指引」之間的中間型服務。然而，這類工具的每一項輸出仍必須經過極其審慎的合規校準，不太可能像通用聊天機器人那樣，以高度靈活的自然語言，快速回覆用戶各種個人化的財務提問。 在面對 AI 給出的理財建議時，《金融時報》指出，我們很難期望單靠溫和的「免責聲明」就能降低壞建議所帶來的危害。大型語言模型在本質上就被設計成聽起來非常有說服力，這導致人類在實踐中往往會過度信任 AI 的輸出結果。 這種過度信任背後隱藏著極大的消費者保護黑洞。根據 FCA 的調查顯示，在曾經向 AI 諮詢個人財務建議的受訪者中，僅有 40% […]

高雄市政府經濟發展局局長廖泰翔：讓 AI 應用從過去的單點案例，串連成產業網

製造業升級目前的瓶頸，是老師傅腦中累積數十年的隱性經驗難以複製與傳承。當資深員工陸續退休、師徒制逐漸瓦解，如何用 AI 把「人」的 know-how 留下來，成為台灣製造業共同的課題。 TechOrange 科技報橘日前在高雄舉辦「2026 AI 智慧大工廠論壇」，以跨越經驗斷層，重塑製造韌性為主題，邀請高雄市政府經濟發展局指導，並集結鴻海科技集團、華碩、金屬工業研究發展中心、杰倫智能、谷林運算等專家，分享 AI 如何驅動傳統產業升級——從智慧排程、視覺檢測、預測性維護，到把老師傅的經驗轉化為可規模化、可傳承的數位資產。 為降低在地企業的 AI 轉型門檻，高雄市政府經濟發展局局長廖泰翔表示，經發局將持續協助企業對接像鴻海、華碩等 AI 技術、算力資源，把高雄既有的硬體製造優勢轉化為 AI 應用服務，讓 AI 從過去的單點案例串連成全面的產業網。 鴻海談未來工廠：AI 負責繁瑣事務，人類做決策判斷 鴻海科技集團正將傳統工廠轉型為具備「可帶走的製造能力」的智慧生產場域。面對全球龐大的生產體系與數據，鴻海科技集團智慧製造平台處長郭錦斌指出製造業升級的瓶頸並非缺乏 AI 模型，而是老師傅的隱性知識與經驗難以被複製與傳承。 「為什麼要做 GenAI，就是把個人經驗轉換成讓系統可以理解、流程被採用，被不同工廠持續改善的一個製造過程，」郭錦斌表示，為了跨越這個門檻，鴻海推出 Project Genesis 智慧製造平台，重新定義問題，並將複雜的現場痛點拆解為 AI 可執行的任務，並導入多代理協作（Multi-Agent）架構，透過 AI 將個人經驗轉化為系統能理解、流程能採用，且能在不同工廠間持續優化的可複用資產。 「當繁瑣的事務被機器取代後，人類就能進行更有價值的判斷，」郭錦斌強調，高度自動化與 AI 的介入，將人類的角色從過去的「資料整理者」，轉變為「問題定義者與決策審核者」，未來工廠的運作也將打破單點資訊孤島，透過品質、設備與排程等不同領域的 AI Agent 共同推理，提供經過多方權衡的綜合決策方案，透過這樣的人機閉環（Human-in-the-loop）治理護欄，共同推動製造業升級。 華碩四大 AI 解方，協助製造業跨越被動管理瓶頸 華碩智慧解決方案處長呂文成指出，華碩整合 4 種 AI 解決方案以及工業安全防護平台 AIEHS，全面解決工廠營運的轉型痛點。 第一是智慧排程派工系統「AISODA」：打破過去人工排程耗時、能見度低且插單溝通冗長等問題，華碩透過 AI 以「最短作業時間、最少在製存貨、最高產能利用率」等目標進行最佳化排程調度。 第二是 AI 視覺檢測「AISVision」：提供無程式碼的視覺開發環境，只需資料蒐集、資料標記、模型訓練、模型部署 […]

從開源 Llama 到付費 Muse Spark 1.1：Meta 如何用低價 API 搶攻 AI Agent 開發入口？

在 SpaceXAI 推出新模型、OpenAI 發表最新 GPT 5.6 之際，Meta 隨後也推出最新的專有 AI 模型 Muse Spark 1.1。這款內部研發代號為「Avocado（酪梨）」的新模型，不僅在功能上瞄準 AI Coding 與 Agentic AI，更在商業策略上搭配極具競爭力的超低價 API 與免費額度，試圖在開發者採用及大規模商業部署的入口處，正面迎戰 OpenAI、Anthropic 與 Google 等強勁對手。這也象徵 Meta 正式跨出過去以 Llama 開源模型為主的路線，試圖透過全新的 Meta Model API，向企業與開發者收取模型使用費。 Meta 推出低價 API 的策略與野心 為了在競爭激烈的市場中迅速吸引用戶，Meta 將 Muse Spark 1.1 的 API 價格設定為每百萬輸入 token 收費 1.25 美元、每百萬輸出 token 收費 4.25 美元，並為每個新帳號提供 20 美元的免費額度。Meta AI 長 […]

ChatGPT Work + GPT-5.6 同日登場，OpenAI 這次比的不是誰更聰明

OpenAI 同時端出兩項產品：主打企業市場的 AI 代理 ChatGPT Work，以及新一代模型 GPT-5.6。《Reuters》形容，前者是期待已久的 AI「超級 App」正式登場，後者的重點則從更聰明轉向更省──OpenAI 執行長 Sam Altman 強調的，GPT-5.6 做同樣的事更省。 搶白領工作入口，ChatGPT Work 正面對決 Claude Cowork ChatGPT Work 的定位，是把 OpenAI 的聊天機器人 ChatGPT 與其 AI 寫程式工具 Codex 結合起來，讓原本不會寫程式的一般工作者，也能用上程式設計工具的能力。 根據《The Verge》，它能從使用者選定的 App、檔案與工作流程中蒐集脈絡，產出文件、試算表、簡報與網頁應用等成品；OpenAI 並提供「統一外掛目錄」，讓 ChatGPT 可連接 Slack、Gmail、Google Drive、行事曆與 CRM 等工具。 Mac 與 Windows 桌面版應用程式的全球用戶（含免費用戶）已可立即使用；網頁與行動端則先開放給 Pro、Enterprise 與 Edu 用戶，Plus 與 Business 用戶會在接下來幾天陸續取得。OpenAI 同時推出新的 ChatGPT 桌面應用程式，以及可直接透過 ChatGPT […]

Vitals ESP 7 重大改版 打造 AI 時代知識管理新體驗

「AI 能力越強，越需要高品質、可信、可治理的企業知識」。生成式 AI 持續改變企業取得與運用知識的方式，如何讓組織知識更容易保存、查找及活用，也成為企業推動 AI 轉型的重要課題。歷經 20 多年的深耕與超過 800 家企業客戶的實務淬鍊，知識管理領導品牌 Vitals ESP 日前迎來跨世代重大改版。除了優化平台介面、強化使用者體驗，更深化 AI 智能與資訊安全應用，全面提升日常使用便利性，協助企業打造更智能、高效、安全的數位大腦。 Vitals ESP 始終以「成為企業最值得信賴的知識中樞」為願景，透過新技術與使用者回饋不斷優化產品。面對 AI 時代的來臨，知識管理不再只是文件保存工具，更是企業累積智慧資產、串聯組織經驗的重要基礎。 持續深化 AI 應用 讓知識取得更直覺 隨著生成式 AI 改變使用者取得資訊的習慣，企業對知識管理的期待也從過去的「找得到」，進一步提升為「問得到、看得懂、學得會」。然而，面對龐大的文件與多元資料來源，如何提高回答精準度、降低理解門檻，並讓知識真正被活用，已成為企業導入 AI 過程中的關鍵挑戰。 因此，Vitals ESP 7 持續深化 AI 應用，推出單一或自選資料集口語問答、附檔 AI 摘要、即時翻譯多國語、自我評量及 AI 問卷等功能，協助企業提升知識查找、學習與傳承效率，讓知識不只是被保存，更能在日常工作中發揮價值。 另一方面，隨著企業內部 AI 應用與異質系統日益增加，如何讓知識不侷限於單一平台，而能成為各項應用共同的智慧基礎，已成為企業邁向智慧化的重要關鍵。為此，系統提供彈性的 API，讓企業能將知識與生成能力延伸至更多應用場景，串聯不同系統與服務，逐步朝向企業數位大腦發展。 優化使用體驗與安全機制 兼備便利與安全 除了持續深化 AI 應用外，叡揚資訊也不斷傾聽使用者需求，致力於提供更便捷且友善的使用體驗。Vitals ESP 7 採用簡潔現代化的介面設計，並優化首頁資訊呈現、行動上傳及文件管理等功能，讓使用者能更專注於內容閱讀與知識分享，提升日常工作的便利性與效率。 另一方面，隨著企業累積大量重要知識與機敏資料，資訊安全也成為知識管理不可忽視的一環。除既有的異常使用偵測機制外，本次亦新增限制內網閱讀等功能，進一步強化敏感資料保護，在兼顧知識分享效率的同時，也守護企業核心知識資產。 持續深化知識治理 邁向企業數位大腦 AI […]

【影子 AI 治理危機】AI 政策沒人遵守，高管隱瞞 AI 使用的比例是基層員工 2 倍

企業 AI 治理失效問題有 6 大主要面向，分別是影子 AI、AI 代理所有權不明、AI 僅在部署前審查、AI 治理政策執行不一致、對 AI 過度信任，以及缺乏對 AI 代理進行逐次授權的機制。

不再埋頭比價、彙整報表：TAMKO、Amazon 用 AI 代理，讓採購時間更值錢

企業採購正迎來新一波 AI 轉型浪潮。隨著生成式 AI、AI 代理（AI Agents）以及智慧自動化工具快速成熟，採購部門開始擺脫過去仰賴人工分析報表、比價與彙整資料的工作模式，將重心轉向更高價值的策略決策。 波士頓顧問集團（BCG）指出，企業若將 AI 整合至採購流程，最高可降低 45% 的整體成本，並減少採購團隊約 30% 的工作量，使人力得以投入供應商管理、策略規劃等更具價值的工作。另一份 2025 年美國生產力中心（APQC）研究也顯示，80% 採用 AI 的企業改善了資料品質，64% 的企業表示決策變得更加精準且有效，顯示 AI 已逐漸成為企業提升採購效率的重要工具。 TAMKO 靠 AI 代理整合系統，龐雜數據變決策依據 建材製造商 TAMKO 便是積極導入 AI 的代表案例。該公司採購長 Dean Czuma 表示，公司並沒有以 AI 取代原有採購系統，而是在既有的基礎執行系統之上增加一層智慧分析能力，希望透過數位化與 AI，加快洞察速度、優化工作流程，進一步提升整體營運成效。 TAMKO 導入的是 dSilo 開發的 Procure AI Agents（採購 AI 代理），其核心概念是在企業既有資料架構上建立一個智慧分析層，整合採購專業知識、AI 演算法與進階資料視覺化能力，自動分析散落在各系統中的採購資訊，萃取出具決策價值的「支出情報（Spend Intelligence）」。 過去，採購人員往往需要花費大量時間整理 ERP、財務系統及供應商資料，才能理解企業支出結構。如今，AI 能自動找出隱藏於龐大資料中的採購模式、成本變化與潛在節省機會，協助團隊更快掌握異常支出、供應商績效以及採購趨勢，讓管理者能更迅速做出決策。 Dean Czuma 表示，dSilo 的 AI […]

AI 省下初階人力，卻可能形成人才斷層：南韓、瑞士揭職場新警訊

受惠於全球對 AI 晶片與資料中心的龐大需求，南韓半導體巨頭三星電子（Samsung Electronics）與 SK 海力士（SK Hynix）的市值雙雙突破 1 兆美元。在工會的推動下，晶片部門的員工甚至迎來高達將近 40 萬美元的平均獎金。然而，這股令人矚目的 AI 紅利並未均等地流向所有勞工，而是沿著既有的勞動市場斷層分配：利益高度向擁有強大就業保護的「大企業內部員工」傾斜，而外包商、中小企業以及最關鍵的「年輕求職者」，則被隔絕在大門之外。 這並非南韓獨有的現象。橫跨萬里的歐洲金融重鎮瑞士，同樣正在發生類似變革。一項針對瑞士求職平台 jobs.ch 超過 730 萬則職缺廣告的研究指出，隨著企業加速採用 AI，瑞士初階職缺的廣告數量已顯著低於 2023 年以前的水準。 這兩國的案例共同揭示一個關鍵警訊： AI 對勞動市場的衝擊並非單純、粗暴的「全面取代工作」，而是正在悄悄改變招募偏好，讓初階職缺快速萎縮，而資深職位則更受重視。這種被稱為「資歷偏誤」的招募趨勢，極可能導致企業未來的人才培養出現嚴重的世代斷層。 AI 正在形成「資歷偏誤」：南韓青年職缺消失，資深工作者更吃香 南韓近年來的青年就業數據，持續為社會敲響警鐘。韓國銀行（Bank of Korea）經濟學家 Jinsu Han 與 Samil Oh 引述行政資料指出，在過去三年中，南韓 15 至 29 歲的青年工作減少 21.1 萬個，與此同時，50 多歲工作者的就業人數卻反向增加 20.9 萬個。這種青年就業下降的趨勢，在 AI 暴露程度較高（AI-exposed）的白領與技術產業中尤為明顯。數據顯示，資訊服務業的青年就業大幅減少 23.8%、出版業減少 20.4%，電腦程式設計、系統整合與管理領域下降 11.2%，而專業服務業也減少 8.8%。 經濟學家將這種勞動結構的轉變定義為「資歷偏誤的技術變革（seniority-biased technological change）」，背後的邏輯在於，初階工作者所仰賴的技能，多為可公式化、標準化的教科書知識，而這恰好是 AI 最擅長、最容易快速替代的領域。相反地，資深工作者長期累積的隱性知識、社會人際交往能力與職涯經驗，則更難被 […]

【科技早餐】AI 資源戰再擴大：Apple 加碼美國晶片、中國擬放行 NVIDIA H200、Meta 押注加拿大電力

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Apple 加碼 Broadcom 逾 300 億美元，美國將增產 150 億顆晶片 Apple 宣布，將在與 Broadcom 合作延長至 2031 年的基礎上，擴大金額超過 300 億美元的多年期合作，雙方將在美國設計及生產客製化晶片元件與先進無線連線技術，預計帶動超過 150 億顆美國製晶片生產，並支持數百個美國工作機會。Broadcom 將投入 15 億美元，擴建及升級位於科羅拉多州（Colorado）科林斯堡（Fort Collins）的製造設施。 這項協議是 Apple 美國製造計畫目前規模最大的合作承諾，也是公司未來四年投資美國 6,000 億美元布局的一部分。Apple 執行長庫克（Tim Cook）表示，美國製造的晶片對產品效能與連線能力相當重要。不過，產能回流也面臨人才壓力。根據麥肯錫（McKinsey & Co.）、國際半導體產業協會（SEMI）等機構的研究，到 2030 年，美國半導體產業可能短缺約 15.7 萬名技術人才。 ＊中國考慮限量放行 NVIDIA H200，DeepSeek、字節跳動可望受惠 中國政府正考慮允許部分大型 AI 業者限量採購 NVIDIA H200 AI 晶片。根據《The Information》報導，中國官員近期已向阿里巴巴（Alibaba）、字節跳動（ByteDance）與 DeepSeek 表示，相關企業可能很快取得採購許可，但最終核准數量仍在評估，可能低於 20 萬顆，不到企業原先需求的一半。 美國政府先前已允許 NVIDIA […]

員工都在用 AI，為何公司還看不到 ROI？Google Cloud 揭企業 AI 落地斷點

一家已有 138 年歷史、承保業務遍及全球的保險公司，已投入超過 5,000 萬美元發展生成式 AI，執行長見到 Google Cloud 亞太區 AI 上市業務董事總經理 Harsha Konduri，第一個問題卻是：「為什麼我們仍看不到合適的 ROI？」 這不是單一企業的困境，Harsha Konduri 在今（7/9）日舉辦的 Google Cloud Day Taipei 主題演講指出，87% 的企業 AI 專案從未達到生產規模，仍有大量專案停留在展示階段；真正把 AI 嵌入營運流程、形成競爭優勢的專案，占比甚至不到 5%。 Harsha Konduri 認為，問題往往從企業如何定義 AI 策略就已經開始。他歸納企業最常見的幾項誤區，包括把 AI 策略押在單一模型或供應商、認為擁有大量資料自然能形成優勢，甚至只把 AI 當成降低人力成本的工具。 台灣 57% 企業已部署生成式 AI，焦慮卻從怕不懂變怕跟不上 這股壓力在台灣更加明顯。IDC 台灣總經理江芳韻在 Google Cloud Day 活動中指出，IDC 去年下半年調查亞洲超過 950 家企業，台灣已有 57% 企業部署代理式 AI，高於亞太平均的 36%。企業對代理式 AI […]

Physical AI 缺的不是網路資料，而是動作標籤：General Intuition 如何把電腦遊戲數據變成機器人訓練燃料？

目前，AI 技術的採用與投資正在邁入新階段，也就是將 AI 的應用版圖，逐漸擴展至實體經濟中。在這一波實體 AI（Physical AI）與世界模型熱潮中，總部位於紐約的 AI 新創 General Intuition 正嘗試在競爭激烈的市場中開闢一條新路。 《TechCrunch》旗下 Podcast 節目《Equity》，近期特別專訪 General Intuition 的共同創辦人暨執行長 Pim de Witte，深入剖析 General Intuition 如何利用電子遊戲數據，顛覆傳統機器人的訓練模式。 傳統大型語言模型（LLM）的預訓練方法，主要是複製網路上所有的文字數據，並要求模型預測下一個文本標記以發展出理解能力。雖然文字是極佳的資訊壓縮媒介，但這種模式會產生在某些領域表現出色，卻在某些領域表現不佳的狀況。這個癥結點在於，文字本質上會移除現實世界運作所需的空間與時間資訊；相較之下，卻有一種數據來源不只包含網際網路級別的資訊密度，更具備現實世界的空間及時間動態，那就是「電子遊戲」。因此，General Intuition 也將電子遊戲數據，視為預訓練實體 AI 的新藍海。 General Intuition 看見的資料缺口：實體 AI 需要真實動作標籤 傳統大型語言模型所依賴的文字數據，本質上都是從作者的主觀視角出發，所以難免帶有個人偏見。由於文字代表的是一種「被描述的現實」，但實體 AI 必須在「被感知的現實」中訓練，以一種中立且無偏差的方式理解世界，這就是為什麼網路上雖然有數百萬部 YouTube 影片，卻無法直接用來訓練高品質的實體 AI 世界模型，因為最關鍵的局限就在於，這些網路影片缺乏畫面外的「真實動作標籤」。例如，在一段飛機降落的影片中，飛行員移動方向舵的具體物理動作，無法在影片像素流或畫面影格中呈現。 Pim de Witte 指出，雖然有些 AI 實驗室主張可以單純從像素中推導出動作資訊，但當客戶要求模型在極端情況下依然要做出完美表現時，這種推測出來的數據就會出現嚴重誤差，進而導致系統失控。因此，如果缺乏真實的動作標籤，AI 模型在面對邊緣案例（Edge Cases）時，誤差會不斷累積，且模型將無法有效把自身的動作與周遭環境區隔開來。面對這樣的挑戰，General Intuition 決定利用獨家的「遊戲畫面加上玩家按鍵輸入數據」進行訓練，讓模型得以在精確的時空維度中推理與控制。 數億小時遊戲影片與玩家操作數據，如何變成機器人的世界模型？ 為了實現這個願景，General Intuition 擁有獨特且具規模的專有數據庫，因為該公司是從 Metal […]

ADI 與安馳攜手六校賽車隊　開啟智慧感測與能源系統技術交流

當 AI、機器人與電動車快速發展，企業對具備硬體實作與系統整合能力的人才需求持續提升。台灣六支學生方程式賽車隊每年集結超過 300 名工程學生投入開發，是國內少數能培養跨領域系統整合能力的重要學生團隊。亞德諾半導體（Analog Devices, ADI）與安馳科技（Macnica Anstek）於 2026 年 7 月 7 日共同舉辦「智慧感測與能源系統工作坊」，邀請國立臺灣大學、國立清華大學、國立陽明交通大學、國立成功大學、國立臺灣科技大學及國立臺北科技大學六校車隊分享 ADALM2000（M2K）量測應用與電池管理系統（BMS）開發經驗，打造學生車隊與產業之間的技術交流平台。 本次工作坊聚焦「智慧感測」與「能源系統」兩大主題，由各車隊分享實際造車過程中的技術成果與開發經驗。國立陽明交通大學分享如何運用 M2K 量測工具驗證 BSPD（Brake System Plausibility Device）安全機制，確保油門與煞車訊號符合賽事安全規範；國立臺北科技大學則分享 DC-DC 轉換器開發經驗，說明如何透過量測分析切換雜訊、驗證系統效率並優化電源設計。其他車隊也分享電池管理、電源系統及整車開發等實務經驗，透過跨校交流彼此學習，累積更多工程實作與系統整合經驗。 在能源系統方面，六校車隊多數採用 ADI LTC6813、LTC6811 系列多電芯電池監控 IC 作為電池管理系統（BMS）核心元件，協助提升高壓電池系統的量測精度、通訊可靠性與安全性，也是目前國際學生方程式賽車廣泛採用的解決方案。活動最後也比照學生方程式賽事中的靜態賽（Static Event）形式，由企業代表針對各車隊提案提供回饋，不僅讓學生從產業角度檢視設計成果，也讓企業更深入了解學生團隊的系統整合、工程思維與問題解決能力。在校園裡，這些車隊就像在有限資源中努力成長的工程花朵。他們沒有企業完整的研發設備與資源，卻必須完成接近業界開發流程的挑戰，從設計、製造，到不斷修改，每年重新打造一輛全新的電動賽車，在反覆驗證與問題解決的過程中，累積系統整合與工程實作能力。 ADI 資深銷售經理陳曜桎和安馳科技總經理陳發勇則表示，希望此次工作坊成為企業與學生團隊深化交流的起點，未來持續串聯更多企業資源，推動智慧感測與能源系統相關技術交流，陪伴更多台灣年輕工程師站上國際舞台。隨著各車隊即將啟程前往日本、歐洲及澳洲參與學生方程式賽事，也期許學生將一年來的努力成果帶向國際，在世界舞台展現台灣工程人才的實力。 (本文訊息由安馳科技提供，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：安馳科技。）

比 Claude、GPT 便宜一半：Grok 4.5 不爭最強模型，要用成本效率戰撼動 AI 市場

SpaceXAI 與 AI 程式開發新創公司 Cursor 深度整合後，正式推出首款聯合開發模型 Grok 4.5。相較於以往的 Grok 版本，Grok 4.5 被明確定位為面向軟體工程、法律與金融服務等高難度、長時間任務的旗艦產品，擺脫過去一般聊天機器人的定位。 《Bloomberg》指出，這款旗艦模型是 SpaceXAI 爭奪企業客戶、追趕 Anthropic 與 OpenAI 等強勁對手的關鍵行動，特別是在金融服務領域，SpaceXAI 正在積極強化處理金融工作流程的能力，核心目標就是要贏得華爾街客戶的青睞，藉此開拓更龐大、穩固的營收來源。 Grok 4.5 基準測試未登頂，成本效率卻突圍 在各大 AI 基準測試中，Grok 4.5 其實並未在所有維度上都取得壓倒性的領先。例如，在測試複雜命令列任務的 Terminal Bench 2.1 中，Grok 4.5 取得了 83.3% 的佳績，幾乎追平獲得 83.4% 的 GPT-5.5，與 Anthropic 的 Fable 5 也僅差 1 個百分點。然而，在解決真實 GitHub 問題的 DeepSWE 1.1 測試中，Grok 4.5 的得分僅為 53%，明顯落後於 GPT-5.5 […]

OpenAI 推 GPT-Live 加入 AI 全雙工競賽，「聊天框的終點」比想像更近？

過去兩年，和 AI 對話大致有兩種樣子：在聊天框裡打字，或是對著麥克風口述，再等上一兩秒聽它一句略顯生硬的回覆。OpenAI 最新推出的語音模型 GPT-Live，想改寫的正是這個節奏，它讓 ChatGPT 能一邊說、一邊持續聆聽，正式把 OpenAI 推進 AI 全雙工（full-duplex）競賽。《VentureBeat》更指出，在多家業者已經投入相同技術的此刻，聊天框走向終點的那一天，可能比任何人預期的都更近。 不必等你把話說完：全雙工如何改變人與 AI 的互動 GPT-Live 由 GPT-Live-1 與 GPT-Live-1 mini 兩款模型組成，即日起在 iOS、Android 與 ChatGPT.com 全球上線，取代原本的進階語音模式（Advanced Voice Mode）。付費用戶預設使用 GPT-Live-1，免費用戶則用 GPT-Live-1 mini。 它最關鍵的技術轉變，OpenAI 稱為全雙工架構。在電信領域，全雙工指通話雙方能同時說與聽；放到 AI 上，意思是模型在生成回應的同時，仍持續處理你正在說的話，不再需要等一個乾淨的靜默，才判斷你講完了沒。用 OpenAI 的說法，模型每秒可做出多次互動決策：該說話、繼續聽、停頓、插話，還是呼叫工具。 實際體驗上，這讓語音助理能在你還在說話時插入「嗯哼」、「對」、「了解」這類回應，在自然的停頓處接話而不搶快，也能在被打斷時不至於整段脫軌。《Business Insider》的示範中，使用者要求 ChatGPT 一邊確認會議日期、一邊查天氣與路況，模型以簡短的「嗯」、「好」回應，並在使用者不斷追加需求時仍沒有跟丟。 相比之下，OpenAI 在 2024 年 9 月推出的進階語音模式雖然已把處理與生成收進單一模型，卻仍以僵硬的輪流方式運作。由於它靠靜默來判斷發言結束，一個短暫停頓或背景雜音都可能被誤判成「你講完了」，於是不合時宜地插話。有研究者在 X 上形容那種體驗像「對講機式的輪流」，而 GPT-Live 要終結的正是這個時代。從 2023 年初代 ChatGPT 語音的串接式管線（語音轉文字、大型語言模型、文字轉語音三段接力，早期約有 1,700 […]

93% 的 CIO 做不了快決策：AI 時代的領導者困境

過去，資訊長（CIO）職責主要圍繞在維護 IT 基礎設施，確保組織系統運作順暢。然而在生成式與 Agentic AI 席捲企業的此刻，這個角色經歷三十年來最劇烈的重塑。 在拉斯維加斯舉行的 Info-Tech LIVE 2026 大會上，IT 研究及顧問公司 Info-Tech Research Group 執行長 Tom Zehren 說，「CIO 已經沒有所謂正常的位置了」，一句話道盡 CIO 當前的處境。 Tom Zehren 指出，過去十二個月出現了三十年來最高的 CIO 更替率，背後主因是董事會與執行長對 AI 落地速度逐漸失去耐心。 Zehren 在會上拋出 CIO 心態必須轉變的方向，「過去許多領導者習於扮演『CI-NO』的角色，一遇到風險就先否決、先喊停；如今則必須切換成『CIO-yes, and⋯』的態度，也就是先肯定說『可以』，再主動為組織尋找前進的路徑，並擁抱可規模化的代理式 AI 架構，而不是成為創新的煞車鍵。」 CIO 存續的關鍵：如何把技術轉化為真實業務價值？ 這正是 CIO 角色的根本轉變：衡量 CIO 的標準，已經不是看他構建了多少技術，而是看這些技術在組織裡被用得多好、又擴展到多大規模。 寶僑（P&G）資訊長 Seth Cohen 直言，最有效的 CIO 如今首先是業務領導者，運用 AI、資料與數位能力加速組織成長、改善決策、創造更好的體驗；Krispy Kreme 的全球資訊與技術長 Angela Yochem 也認為，CIO […]

【科技早餐】前沿 AI 進入管制、供應鏈與資本戰，中美審模型、DeepSeek 補晶片

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊中國擬限制海外使用先進 AI 模型，模型出口也成國安議題 《路透》引述知情人士報導，中國政府最近與多家科技企業開會，討論是否限制海外存取中國最先進的 AI 模型。參與會談的企業包括阿里巴巴、字節跳動與智譜 AI，會議由中國商務部主導，國家發展和改革委員會也派員參與。 消息人士表示，討論內容包括是否對最先進 AI 模型加上限制，不論是閉源模型，還是開放權重模型，都可能納入範圍。官員也提到，若涉及專有 AI 技術外流或遭竊，可能依中國國安相關法律處理。目前限制範圍仍在討論中，可能只適用於未來模型，也還不確定何時生效。 ＊GPT-5.6、Fable 5 陸續放行，美國前沿模型先審再上線 《Axios》報導，美國商務部已批准 OpenAI 更廣泛推出 GPT-5.6。這款模型原本因美國政府基於國安疑慮要求延後，OpenAI 先限制給少數經審查的合作夥伴使用。這次獲准後，OpenAI 預計推出 GPT-5.6 系列三款模型。 這和 Anthropic 的案例相互呼應。美國政府之前對 Fable 5 和 Mythos 5 實施出口管制，由於 Anthropic 無法即時驗證使用者國籍，曾暫停兩款模型存取。6 月底限制解除後，Fable 5 恢復全球使用，Mythos 5 則先恢復給部分美國組織與合作夥伴。Fable 5 在部分付費方案的促銷期結束後，將改由 usage credits 按量計費，顯示前沿模型上線後仍面臨算力與成本限制。 ＊DeepSeek 自研推論晶片，中國 AI 自主化卡在供應鏈 《路透》報導，中國 AI 新創 DeepSeek […]

歐洲人形機器人新勢力：特斯拉前科學家成立 UMA，靠什麼吸引 50 家企業洽談？

人形機器人競賽長期由美國與中國企業主導，如今歐洲也出現新的參賽者。曾參與 Tesla Optimus 與 Autopilot AI 開發的機器學習科學家 Rémi Cadene，與前 Google DeepMind、Hugging Face 工程師共同創立巴黎機器人新創 UMA，並在近日正式發表首款人形機器人 Northstar。 根據《Bloomberg》報導，UMA 已與約 50 家潛在客戶洽談實際應用場景，並決定優先進軍歐洲市場。Cadene 將原因指向歐洲的高勞動成本與人口結構變化。他表示，歐洲人口老化日益嚴重，勞動成本居高不下，市場對於機器人的需求將會非常強勁。 Starting with the fundamentals Prototype Version 0AI, Software, HardwareA small team, 9 monthsDesigned and assembled in Paris at @UMA_Robots pic.twitter.com/BJvtpgHctL — Remi Cadene (@RemiCadene) July 7, 2026 一支從巴黎出發的「夢幻團隊」 UMA 之所以一亮相就受到關注，很大程度來自它的團隊經歷。Cadène 在 Tesla 工作約三年（2021 至 2024 […]

為什麼 AI 做的 App 一眼就被看穿？三大跡象揭開 Vibe Coding 的 UI/UX 盲點

在 AI 技術快速發展的背景下，軟體開發領域正掀起一股 Vibe Coding 浪潮，像是 Claude Code、Lovable、Replit 與 Base44 等工具，讓完全不具備技術背景的創作者，也能在短短幾小時之內，僅憑直覺與想法打造出可變現的應用程式。 然而，這些由 AI 設計的應用程式在市場上大量湧現後，卻開始暴露出高度同質化的特徵，許多產品雖然外表看起來十分精美，實際使用時卻不夠直覺。這些設計細節在產品處於小規模測試時或許無傷大雅，但一旦決定擴大規模並進入商業化階段，種種隱藏的設計盲點就可能演變成致命的商業問題。對此，《Business Insider》歸納出三大特徵，分析 AI 設計的應用程式最常在哪些地方露餡。 特徵一：介面長得越來越像，AI 生成設計陷入「平均美學」 這些由 AI 打造的應用程式，第一個明顯跡象在於其設計風格顯得單調與公式化。AI 設計新創公司 Impeccable 執行長 Paul Bakaus 指出，AI 生成設計的典型特徵，就是往往會大量出現米色或帶有淡淡色彩的背景，並搭配標準的無襯線字體。他將這種現象稱為「演算法版的 Uniqlo 或 Ikea」，意即這種設計雖然不差，但完全缺乏獨特性。  華盛頓大學人機互動（HCI）學者 Donghoon Shin 發表的研究也證實，這種 Vibe Coding 模式已經導致軟體介面設計同質化。他進一步向《Business Insider》表示，這類產品的設計往往會收斂成「單一且符合統計平均值的美學」。這套美學包括以大量白色和灰色為主的溫和配色、單一的品牌強調色、標準無襯線字體，以及處處可見的圓角元素和投影效果。 當《Business Insider》記者實際使用 Base44 測試製作一款新聞室照片編輯器的應用程式時，產出的介面就充斥著大量的米色元素與無襯線字體。卡內基美隆大學人機互動研究所副教授 Sauvik Das 則將此現象定義為設計上的「回歸平均值」（regression to the mean）效應。  這類設計上的平庸感也引起部分開發者的警覺。例如印度的一位產品經理 Priyanshi Bansal 就曾使用 Claude […]

便宜中國 AI 模型還能用多久？北京擬限制海外存取權，企業省下成本卻換來供應鏈風險

中國研發的 AI 模型近年憑藉極低的 token 成本，以及逼近美國前沿模型的性能，在海外市場迅速崛起，成為許多企業降低營運成本的熱門選擇。然而，《Reuters》報導，目前中國正在研擬對最先進的 AI 技術實施出口管制，這將直接衝擊海外企業，讓原本省下的短期成本轉化為長期的供應鏈風險。這也凸顯，美中科技競爭的戰線已經延伸到模型與 API 的海外存取層面，讓企業在追求成本效率的同時，面臨前所未有的地緣政治不確定性。 低價中國 AI 模型爆紅後，北京為何考慮限制海外存取？ 阿里巴巴打造的 Qwen、字節跳動推出的豆包，以及 Z.ai 的 GLM-5.2，近年來因價格低廉、效能逼近美國前沿模型，在國際開發者與企業市場中迅速累積大量用戶。特別是 GLM-5.2，在部分基準測試中已直逼美國頂尖模型，使用成本卻僅為競爭對手的一小部分。對此，Vercel Agent 基礎設施主管 Harpreet Arora 曾指出：「當任務不需要最強模型時，團隊會開始把工作轉向最便宜且足夠好的模型上，而近期中國模型正贏得這場成本效益的選擇。」 然而，這項成本優勢即將迎來政策變數。據報導，中國商務部上月已召集阿里巴巴、字節跳動、Z.ai 等科技巨頭開會，討論限制海外存取中國最先進 AI 模型的可能性，且限制範圍可能涵蓋閉源模型、開放權重模型，甚至尚未發布的新模型。同時，中國官方也考慮將洩漏或非法轉移受保護 AI 技術的行為，直接納入國家安全法處理，並進一步收緊外資對中國國內 AI 新創公司的投資與融資限制。 為了建立具體的法規框架，中國法律專家已提出一套「分級審查」的構想。在此構想下，基礎的開源 AI 工具僅需進行簡單備案，較先進的技術則須通過嚴格的安全審查，而最敏感的前沿模型甚至可能被禁止對外公開發布，或僅限於中國境內使用。這一系列針對本土技術外流的「防禦型」立法考量，底層邏輯實際上與美國對中國實施的科技封鎖相同，那就是企圖將頂尖的 AI 模型鎖定在國境之內。 AI 模型成美中兩國戰略資產，技術保護主義正築起新高牆 中國這一連串擬議中的限制措施並非孤立的政治決策，而是美中雙方皆已將頂尖 AI 模型視為國家不可流失的「戰略資產」。事實上，中國的做法很大程度是在模仿美國政府的政策先例。美國政府先前同樣以國家安全為由，下令限制外國人存取 Anthropic 最先進的 Fable 5 與 Mythos 5 模型。雖然面向大眾應用的 Fable 5 已經被重新開放，但針對網路安全專業人士設計、具備極強漏洞探測能力的 Mythos 5，至今仍僅開放給少數受信任的美國機構與合作夥伴使用。 美國對高風險前沿模型的管制，加深了中國對技術外流與資安防禦落差的焦慮。中國網路安全巨頭奇虎 […]

5 分鐘重算最佳產能！華碩智能整合方案部處長呂文成分享如何應用 Industrial AI 打造可落地的智慧製造流程

面對製造業 AI 轉型的強勁需求，華碩智能整合方案部處長呂文成日前於 TechOrange 科技報橘在高雄舉辦的 AI 智慧大工廠論壇中表示，華碩推出一系列從產線、廠務到廠區的全方位工業級 AI 智慧製造解決方案，涵蓋智慧排程派工、AI 視覺檢測、馬達振動檢測與設備預防保養、設備信號監測等，整合 4 種 AI 解決方案以及工業安全防護平台 AIEHS，全面解決工廠營運的轉型痛點。 一、AISODA 智慧排程打破人工盲點，5 分鐘重算最佳產能 在製造現場，排程與派工是影響產能與交期的關鍵。傳統人工排程高度依賴紙本作業與個人經驗，管理能見度通常只能以「日」為單位，一旦遇到客戶抽單或插單問題，往往需要耗費多位人員數小時的冗長溝通與協調。 為解決此痛點，華碩推出 AISODA 智慧排程派工系統，整合企業資源規劃與製造現場的報工資訊，將人、機、料、法及行事曆等要素納入運算。使用者只需透過「特殊預約、拆單指定、權重優先與滾動派工」四個步驟，即可在短時間內算出兼顧最短作業時間、最少在製存貨與最高產能利用率的最佳化方案。呂文成強調，「我們希望透過這個 AI 賦能排程，將管理的細膩度跟能見度降低到以『分鐘』為單位，並讓生產能見度擴展至 30 到 60 天，並透過系統整合，在 5 到 10 分鐘內重新排程。」此外，AISODA 具備閉環運行的能力，能依據派工計畫與實際產出數據進行 PDCA 的滾動驗證與即時調校，提升計畫的透明度、準確性與可信任度。 二、AISVision 零代碼視覺檢測，克服傳統 AOI 痛點 除了生產排程，產品品質控管也是製造業的關鍵。華碩推出的 AISVision 視覺檢測模型工具，打破過去導入 AI 視覺專案必須具備軟體開發能力的限制，工程師只需透過「資料蒐集、資料標記、模型訓練與模型佈署」四個步驟，即可輕鬆建立 AI 模型。 這套系統支援分類、分割、旋轉物件偵測及異常檢測等多種演算法，在第一線產線應用中，AISVision 尤其擅長解決傳統光學檢測（AOI）設備因嚴格閥值所導致的「高度過殺」痛點，協助企業降低複檢的人力成本，目前該系統已成功應用於金屬扣件、汽車零件、電子組裝與食品包裝等多個領域。 三、 AISSENS + AISPHM 打造預測性維護智慧防線 在廠務端，設備的穩定運作是維持生產不中斷的基礎。傳統設備監控往往在無預警故障後才發出警報，導致意外停機與高昂維修成本。為此，華碩提出 AISSENS […]

Meta 首款 AI 圖像模型 Muse Image 登場：真正難複製的優勢，藏在 Instagram 裡

Meta 旗下超級智慧實驗室（Meta Superintelligence Labs）近日推出首款圖像生成模型 Muse Image，最引人關注的不是它的效能數字，而是它能直接 @ 標註公開的 Instagram 帳號，把真實人物的長相帶進 AI 生成的圖像裡。當各家圖像模型的能力差距逐漸縮小，Meta 押注的競爭籌碼，或許不在模型本身。 效能不是第一，但這不是 Meta 的重點 Muse Image 是 Meta 超級智慧實驗室繼 4 月推出大型語言模型 Muse Spark 之後的第二款重要模型，原始開發代號為 Mango，由 Alexandr Wang 領軍打造。 就模型能力而言，Meta 並不是領先者。根據《CNBC》引述的 Meta 內部測試，Muse Image 在單張與多張圖像編輯等任務上落後 OpenAI 最新的 GPT Image 2，但勝過 Google 的 Nano Banana 2。Meta 官方指出，Muse Image 在圖像競技場 Arena 的文字生圖、單張與多張圖像編輯等多項人類偏好排行榜上暫居第 2。換句話說，它夠強，卻不是最強。 值得關注的是，Meta 替 Muse […]

AI 工具部署容易，轉成商業價值很難：BCG、Revelio 示警企業勝負卡在策略與流程

過去兩年來，全球企業競相部署聊天機器人、AI 代理人與各種自動化助理，期望能在這波技術浪潮中搶佔先機。現在，這股部署熱潮正迎來關鍵的分水嶺，因為在企業實際運作中，部署 AI 工具其實相對容易，真正困難的是如何將其轉化為商業價值 。許多企業在完成技術部署後，卻赫然發現，如何引導員工「用得好」才是最艱難的挑戰，這導致多數新工具未能轉化為實際的營運成效。 這場技術革命究竟是策略重要，還是工具關鍵？波士頓諮詢公司（BCG）最新的全球調查數據給出答案 。這項研究指出，只要企業擁有明確的策略方向，即便員工手邊能夠取得的 AI 工具資源相當有限，依然有高達 80% 的人表示 AI 在工作中創造可衡量的實質影響。相反地，如果組織內部缺乏清晰的策略指引，即便企業給予員工充足的 AI 工具取得管道，也僅有 60% 的人能看見成效 。這項鮮明的對比也揭示當前企業的導入盲點：缺乏策略的技術投資，終究只是一場低效的工具堆疊。 買工具不等於買到生產力：蜻蜓點水式採購只是無效投資 許多企業在導入 AI 時面臨的第一個迷思，就是誤以為只要編列預算、購買軟體授權，企業的生產力與營運成效就會自然提升。為了釐清這種「買了技術就能自動升級」的盲點，金融科技公司 Ramp 與勞動力情報平台 Revelio Labs 聯手分析近 22,000 家美國企業的支付憑證與員工數據。他們的研究發現，單純把 AI 當作點綴、跟風採購的企業，與真正將 AI 深度融入營運的企業之間，在「業務擴張與聘僱成長」上，展現出完全不同的結果。 這份研究指出，蜻蜓點水式的「低強度採用者」，每人每月的 AI 支出平均不到 3 美元，其整體員工人數在引進 AI 後幾乎沒有改變，反映出單純購買工具對企業的實質擴張毫無助益。相反地，願意深耕技術的「高強度採用者」，每人每月平均 AI 支出約 34 美元，這群企業在引進 AI 後的前 24 個月內，整體員工人數成長了 10% 以上，初階職位也同步增加 12%。 因此，要跨越「買了工具卻看不到成效」的瓶頸，關鍵在於企業是否進行深度的內部重組。正如調查研究作者在報告中所分析，AI 採用的真正效益，不可能只靠訂閱企業版聊天機器人就能實現，而是必須高度依賴互補性的投資、組織變革，以及企業內部的學習。缺乏這三層深層配套的蜻蜓點水式採購，最終只會讓高昂的軟體服務流於擺設，無法為企業帶來真正的成長與回報。 從省時到倦怠：BCG 示警企業 […]

【後 LLM 時代】AI 頂尖研究者競逐的下一個前沿：從預測文字到理解物理世界

電腦科學家 Louis Castricato 花八年研究大型語言模型，但他離開了布朗大學的博士班，因為他認為，人們基本上已經過了做真正基礎 LLM 研究的時間點；而 Castricato 不是唯一這樣想的人，包含 AI 教母李飛飛在內，愈來愈多 AI 領域的頂尖研究者，正在投入他們認為的下一個前沿：讓 AI 系統學會如何在物理環境中反應的「世界模型」。 聊天機器人不會拿起咖啡杯 語言模型的運作方式，是透過反覆預測下一個詞或像素，來生成新的文字、圖像或程式碼。這套方法在過去幾年，讓 AI 助理改變了辦公室工作與部分創意領域的生態，但它有一個根本的限制。 卡內基美隆大學電腦科學院長 Martial Hebert 說，世界的幾何結構、手部移動的動態、與杯子接觸時的物理互動，這些都遠比預測句子裡的下一個詞複雜得多。聊天機器人能告訴你如何拿起一個咖啡杯，卻沒辦法真的拿起它。 圖靈獎得主 Yann LeCun 則用一個更日常的例子說明這個問題：當有人問「洗車店在 100 公尺外，我應該走路去嗎」，不少 LLM 會建議步行，理由是距離很近，卻忽略了「車必須被開進洗車店」這個最基本的物理前提。 LeCun 指出，這不是一般所說的「幻覺」問題，而是模型根本缺乏對物理世界因果關係的內部建模能力。 LLM 能說出「如果我這樣做可能會發生什麼」，但那是在複現訓練資料中的語言模式，而非真正在內部模擬世界的運作。 什麼是世界模型？每個人的答案都不一樣 儘管這個概念正在吸引大量研究者的注意，它至今沒有一個公認的定義，往往取決於開發者想建構什麼應用。 李飛飛近期的發言提供了一個對比性的描述：語言模型學習文字的統計結構，世界模型學習的則是空間與時間的統計結構——光如何照在表面、從未被攝影機捕捉過的角度花園長什麼樣、物體如何回應力量並遵循物理定律。 李飛飛是 ImageNet 的創建者，這個 2009 年的資料集催生了電腦視覺的深度學習革命，她同時也是舊金山新創 World Labs 的創辦人，她將世界模型形容為「當今 AI 中最重要、也最被過度使用的詞彙之一」。 已離開 Meta 首席 AI 科學家一職、在巴黎創辦 Advanced Machine Intelligence […]

企業 AI 太難用，員工就自己找工具？企業治理影子 AI 的 90 天解法

企業砸重金導入 AI，效率雖然提升，但有一個問題正在檯面下擴大：公司其實不太清楚員工到底怎麼使用 AI。資安業者 Teramind 的研究發現，就算公司已經買了企業級授權，仍有 67% 的 AI 使用跑在沒人管的個人帳號上。錢花了、工具買了，真正的使用卻落在企業看不到的地方。 這種公司看不見、也管不到的 AI 使用，就叫 Shadow AI（影子 AI）。它指的是員工繞過公司核准的工具，改用個人帳號、免費版本，或直接從瀏覽器打開各種 AI 服務來處理工作。 Shadow AI 難纏的地方，不在員工不守規矩，而在公司給的安全 AI 選項，可能比員工自己找的工具還難用。 不是員工不守規矩，而是企業「看不見」 Shadow AI 第一個麻煩是可見度。Teramind 指出，86% 的企業根本看不清資料怎麼流進、流出 AI 工具。而這些看不見的使用還在快速長大。資安業者 Netskope 的威脅研究團隊 Netskope Threat Labs 在《Cloud and Threat Report: 2026》裡觀察到，過去一年企業內用 genAI 的人數變成三倍，送出去的提示量更是六倍，從每月 3,000 則衝到 18,000 則。但用得多，出事也多。 同一份 Netskope 報告顯示，敏感資料違規事件一年翻倍，平均每家公司每月踩到 223 次，其中六成的內部威脅都和個人雲端帳號有關。報告還提到，有一半的企業連一套能真正執行的 AI 資料政策都沒有，因此帳面上的違規數字，很可能只是實際風險的冰山一角。 更根本的問題是，「工作用 AI」和「私人用 […]

【科技早餐】AI 全球重排：聯合國喊管制、中國轉本土晶片、Microsoft 裁 4,800 人控成本

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊聯合國首場 AI 治理對話，古特瑞斯籲禁止殺手機器人 聯合國在日內瓦舉行首屆「全球 AI 治理對話」（First Global Dialogue on AI Governance），會議為期兩天，邀集各國政府、科技業、學術界與公民社會代表，討論 AI 發展下的治理方向。聯合國秘書長古特瑞斯（Antonio Guterres）警告，AI 正以極快速度發展，已經快到連開發者都難以跟上。如果缺乏全球性規範，AI 可能重塑經濟、改變工作型態、影響選舉，甚至打破安全平衡。 古特瑞斯表示，創新需要護欄，如果 AI 要展現強大力量，就必須受到治理。他特別點出兒少安全，呼籲企業簽署 AI 兒童安全承諾，要求 AI 系統在開放給兒童使用前，必須先證明安全性；當兒童出現痛苦跡象時，系統也應停止互動，並轉介給真人協助。他也警告，最先進的 AI 系統正集中在少數企業與少數國家手中，開發中國家幾乎沒有話語權，可能讓數位落差進一步變成 AI 落差；在軍事領域，古特瑞斯則呼籲以國際法禁止致命自主武器，避免機器在沒有人類控制與判斷下選擇目標並發動攻擊。 ＊中國 AI 晶片本土化加速，NVIDIA 市占壓力升高 《彭博》報導，彭博智庫最新調查顯示，中國企業正在把更多 AI 加速器預算轉向本土晶片。受訪的中國高階主管表示，未來 12 個月，預計會把 46% 的 AI 加速器預算分配給中國本土產品，高於目前的 30%。這反映美中科技緊張關係正在重塑中國 AI 基礎設施建設，也讓本土晶片供應商取得更多市場機會。 雖然 NVIDIA 產品仍受到中國企業歡迎，但隨著 H20 晶片在政策與採購環境下更受限制，加上中國政府先前要求科技公司降低對 H20 的採用，中國本土晶片供應商的機會正在升高。可能受惠的企業包括華為、海光信息與寒武紀。《彭博》也曾報導，中國未來 5 年可能投入約人民幣 […]

不賣家用人形機器人夢：Agility Robotics 如何用 RaaS、工業認證與真實數據打進倉儲物流現場？

總部位於美國奧勒岡州的雙足人形機器人製造商 Agility Robotics，宣布將透過與 Churchill Capital Corp XI 合併，以高達 25 億美元的估值登上公開市場，成為首家完全致力於人形機器人開發與銷售的上市公司。 然而，與許多喜歡宣傳家用人形機器人願景的競爭對手不同，Agility Robotics 執行長 Peggy Johnson 並未向投資人推銷家用機器人即將普及的想像。Peggy Johnson 坦言，家庭環境遠比倉儲與工廠更混亂且不可預測，因為內部充斥著寵物、嬰兒、訪客以及隨意擺放的物品，所以人形機器人真正進入家庭至少還需要 10 年以上的時間。相較之下，倉儲與製造場域雖然複雜，卻擁有固定走道與可預測的設備和工作流程，這讓第一波雙足人形機器人的商業化主戰場，必然會聚焦在企業級的工業與倉儲場景。 Agility Robotics 如何用 RaaS、安全認證與真實數據拉開差距？ 《TechCrunch》分析，Agility Robotics 在商業策略與技術路徑上均採取極為實用主義的路線。這種務實定位直接反映在其創新的「機器人即服務（RaaS）」訂閱制商業模式中。Agility Robotics 目前已取得超過 3 億美元的已預訂（booked）多年期營收，代表約 1,000 台機器人的訂閱合約，客戶並非一次性買斷硬體，而是支付月費以獲取持續的服務。這群已通過核實並具備明確部署計劃的早期合作名單，包括物流巨頭 GXO Logistics、電商龍頭 Amazon、加拿大豐田汽車、工業零件大廠 Schaeffler 與拉丁美洲電商巨擘 Mercado Libre。 除了獨特的商業模式，安全認證與數據累積更是 Agility Robotics 與競爭對手拉開差距的關鍵。當其他對手仍在實驗室或精心編排的影片中展示機器人功能時，Digit 已經符合嚴格的工業安全認證。此外，在軟體技術上，Agility Robotics 雖然採用大語言模型處理語義層的指令翻譯，但他們認為最核心的專利壁壘仍是控制平衡、行走與操縱的物理層 AI。 Peggy Johnson 指出：「大語言模型有整個網際網路的數據可以進行訓練，但當你思考雙足人形機器人的物理人工智慧（physical AI）時，這在大部分公司其實並不存在。」然而，憑藉著深厚的實務累積，Agility Robotics 已經擁有目前業界最大規模、在真實環境中實際運行機器人的數據湖（data lake），這項技術能協助企業補上年輕世代不願從事且招募困難度較高的勞動職缺。 […]

一句話 AI 就幫你生影片，背後它怎麼思考的？

一句話生成整部影片，AI Agent 正在搶走導演的工作？AI 不只聽懂你，它開始「自己拍片」了 想像一下：你只是說了一句「我想做一部關於西施犬獨自在家的短片」，然後去泡了杯咖啡回來，結果畫面、配音、背景音樂全部都好了，這就是 AI Agent（代理人）現在正在做的事。 提示工程之後，下一步是什麼？ 在目前的生成式 AI 領域，我們正從「提示工程」轉向「創意導向」，所謂提示工程（Prompt Engineering），就是你用文字告訴 AI 你想要什麼，例如「畫一隻坐在草地上的柴犬」，AI 根據這段描述生成結果，這已經很強了，但你還是在手動操作每一個步驟。 不過現在正邁向 AI Agent 的工作流，AI 不只會回應你的單一指令，而是像一位助理一樣，自動規劃並執行一連串複雜的任務，不需要再管理每一個素材，而是由一個 AI Agent 擔任你的編導，管理複雜的流程。 對於缺乏技術背景，或者缺乏靈感的人來說，現在能更容易將一個簡單的想法轉化為完整的作品。這意味著，如果你缺乏靈感，代理人可以構思故事、生成角色並從零開始構建整個敘事，降低創作初期的門檻。 AI Agent 怎麼讓角色從頭到尾長得一樣？ 那麼，這個「編導」背後是什麼？ ADK（Agent Development Kit，代理人開發套件） 是讓你可以快速組裝模型作為 Agent 的大腦、串接工具作為手腳，甚至快速將多個 Agent 組成一個多代理團隊，如此一來就能快速操控 AI Agent，你可以把它想像成一個遙控器，複雜的電路都藏在裡面，只需要按按鈕，就能用網頁介面就能跟代理人互動。 ADK 最厲害的地方，是它讓角色在整部影片裡「認得出來」，很多人以為這單靠代理人的「記憶」，但實際上更有趣：它用的是多模態推理（Multimodal Reasoning）。簡單說，就是它能同時看懂文字、圖像、聲音，而不是只懂其中一種。第一張生成的圖像，會成為整個專案的主視覺，後續每一個畫面、每一段影片，都會跟這張圖對齊，確保同個角色在不同場景裡長得一樣。 而且你不需要寫任何程式碼，如果想調整音量，就直接說「把音樂調大聲一點」，AI Agent 自己會去處理後面的技術細節。 如果不夠好，它會選擇重做，而不是硬著頭皮往下走，這也是它跟傳統自動化腳本最大的差別，傳統腳本是照順序執行，AI Agent 的每一步都是一個有意識的判斷。 AI Agent 怎麼跟工具說上話？ AI Agent 再聰明，也需要有人幫它接線，MCP（Model Context Protocol，模型上下文協定）伺服器就是扮演這個角色。你可以把它想像成一個翻譯官，AI […]

企業忙著省 token，AI 巨頭卻狂送新創免費算力：OpenAI、Google 在搶什麼？

當企業才剛開始為 AI Agent 推高的 token 帳單踩煞車，站在供給端的 AI 巨頭卻反向大手筆把算力免費送出去。問題是，這些公司此刻都正面臨 IPO 前改善獲利的壓力，為什麼還願意倒貼？ 根據《華爾街日報》報導，OpenAI、Anthropic 與 Google 等業者正擴大對新創的免費額度（credits）與折扣，部分新創甚至從多家業者手中拿到逾 300 萬美元額度，規模相當於美國種子輪募資的中位數。 這個落差之所以受到關注，是因為企業需求端才剛轉向。《Fortune》報導，過去一度盛行、以 token 用量高低衡量員工生產力的 tokenmaxxing 正在退燒；《華爾街日報》更觀察，企業逐漸發現用量高不等於投資報酬率高，開始改用 FinOps、用量儀表板與部門上限等雲端時代的成本管控手段管帳。就在需求端收緊的同時，供給端的巨頭卻反向猛送。 補貼戰打到 Y Combinator，一家新創可拿逾 300 萬美元 補貼戰升溫有一條清楚的時間線。《華爾街日報》指出，OpenAI 的程式碼能力一度落後於主打 coding 的 Anthropic，直到今年 3 月推出 GPT-5.4、追上對手多數能力後，才大舉派出業務，把由 GPT 驅動的 Codex 工具推銷給矽谷各地新創，並常以量大折扣等優惠搶客。 除此之外，今年 5 月，OpenAI 執行長 Sam Altman 在新創加速器 Y Combinator（YC）的活動上，向當屆每一家新創開出以股權換取價值 200 萬美元 OpenAI token 的條件，被 YC 合夥人形容為震撼全場的「mic […]

鴻海智慧製造平台處長郭錦斌：Multi-Agent 會成為工廠常態，Project Genesis 讓每台機台都能自主推理

過去的製造現場高度仰賴資深師傅的經驗，但這些隱性經驗難以被具象化，當企業要將生產模式複製到海外市場時，往往因為缺乏標準化流程，面臨員工學習曲線拉長、工作效率落差的困境。因此推動智慧製造的核心關鍵，就是把這些藏在老師傅腦中的隱性知識轉化為可複用的數位資產與標準工作流。 鴻海科技集團智慧製造平台處長郭錦斌日前於 TechOrange 科技報橘在高雄舉辦的 AI 智慧大工廠論壇中指出，面對全球龐大的生產體系與數據，鴻海正積極將傳統工廠轉型為具備「可帶走的製造能力」的智慧生產場域。他強調，製造業升級的真正瓶頸並非缺乏 AI 模型，而是老師傅的隱性知識與經驗難以被複製與傳承。 為了跨越這個門檻，鴻海推出 Project Genesis 智慧製造平台，重新定義問題，將複雜的現場痛點拆解為 AI 可執行的任務，並導入多代理協作（Multi-Agent）架構，透過 AI 將個人經驗轉化為「系統能理解、流程能採用，且能在不同工廠間持續優化」的可複用資產。 AI 多代理協同架構，讓工廠具備自主推理大腦 在過去的製造現場，異常偵測往往散落在各個獨立的系統孤島中，當問題發生時，挑戰通常會同時橫跨品質監控、設備維護、產線排程、物料供應與人力調度等多個層面，且解決方式高度依賴個人經驗判斷，並以人工方式追蹤回報進度。這樣的處理模式不僅耗時，更容易因人為疏失或經驗斷層導致產能與良率損失。 「為什麼要做 GenAI，就是把個人經驗轉換成讓系統可以理解、流程被採用，被不同工廠持續改善的一個製造過程，」郭錦斌表示，為了解決此痛點，鴻海推出 Project Genesis 智慧製造平台，建立可落地、可複製且可擴展的 AI 導入路徑，將複雜的現場問題，拆解為 AI 可執行的任務，涵蓋問題觸發、任務拆解、Agent 分工以及人機閉環四大關鍵步驟。 在這套系統中，鴻海的核心技術在於多代理協同（Multi-Agent）架構。郭錦斌指出，「Multi-Agent 會成為未來常態，每個工廠、機台都將有自主產生並處理數據的能力。」在鴻海所打造的 Agentic Ops AI 上，當機台故障或是良率出現波動而觸發警報時，將透過品質、設備與排程等不同領域的 AI Agent 共同推理。 系統首先會透過統籌 Agent，指派維修 Agent 匹配工程師的技能與順序，同時呼叫重平衡 Agent 同步模擬多場景下的產能變化，以及聯繫人力 Agent 確認線上作業員的班別與供給狀態，協同品質與排程 Agent 即時重排訂單與物料供應。 最終系統將提供經過多方權衡的綜合決策方案，如方案 A 為「產量 8K 且良率 97%」或是方案 B […]

AI 晶片「去輝達化」有機會嗎？華為擬用 Ascend 950PR 攻南韓，卻仍卡在三大門檻

隨著全球 AI 基礎設施需求呈現爆發式成長，NVIDIA GPU 供貨緊縮與高昂成本，正促使各國企業積極尋找替代方案。在這樣的背景下，中國科技巨頭華為（Huawei）正蓄勢待發，計畫在 2026 年第四季首次將其 AI 加速晶片與系統引進南韓市場，正面挑戰 NVIDIA 在韓國市場的霸主地位。然而，面對南韓市場的高度敏感性與地緣政治考量，華為能否成功讓當地企業買單，仍面臨多重考驗。 華為進軍南韓 AI 晶片市場，Ascend 雙晶片與 Atlas SuperPod 成進攻主軸 《ETNews》與《Tom’s Hardware》報導，華為南韓分公司（Huawei Korea）已與南韓在地大廠 Hansol PNS，以及長期合作夥伴 SK Shieldus 簽署總代理協議。目前，華為已在南韓全面展開商業化工作，包括技術培訓、價格制定、行銷推廣以及南韓在地化的品牌策略編寫。 華為主打 AI 推論工作負載的 Ascend 950PR 晶片已進入量產。 作為首波進軍南韓的 NPU 晶片之一，Ascend 950PR 專注於推論任務，配備華為自研的 HBM「HiBL 1.0」記憶體，該記憶體之晶粒（dies）是由國外取得並於內部自建封裝而成，已於今年 4 月正式進入量產階段。 專攻 AI 訓練需求的 Ascend 950DT 晶片則計畫在第四季正式推出。 這款專為 AI 訓練工作負載設計的處理器，搭載「HiZQ 2.0」規格的華為自研 HBM，預計於今年第四季發布，與推論晶片形成完整的雙晶片產品陣容。 至於超大規模叢集系統 Atlas 950 […]

Anthropic 發現 Claude 藏想法的「J 空間」：只看 AI 寫出來的推理，治理恐怕不夠

隨著推理模型與 AI 代理（AI Agent）崛起，人類開始要求 AI 不只給答案，也要「說明自己怎麼想」。模型展開的思維鏈（Chain-of-Thought，CoT），因此被視為觀察 AI 決策過程的重要窗口，研究人員也嘗試從中辨識錯誤、欺騙或危險意圖。但 Anthropic 最新研究提出一個更棘手的問題：AI 說出口的「思考過程」，可能不是全部。 Anthropic 最新一篇由 16 位作者完成的研究發現，Claude 內部存在一個在訓練過程中自行浮現、他們稱為 J-space （J 空間）的小型工作空間，模型會在這裡「想」一些從未寫進推理文字、也沒出現在最終答案裡的概念。更關鍵的是，研究團隊開發了一套名為 J-lens（Jacobian lens）的工具，能讀出 J-space 裡這些沒說出口的念頭，甚至反過來介入、改寫 Claude 最後給出的答案。 J-space 是什麼？Claude 心裡在想、卻沒寫出來的地方 根據 Anthropic 官方部落格，J-space 有幾個值得注意的性質。它並非工程師刻意設計或寫進去的，而是在 Claude 的訓練過程中自行浮現；它的容量很小，一次只容納數十個概念，佔模型整體內部活動不到十分之一；而且它與大家熟知的思維鏈「把想法寫在草稿紙上」不同，J-space 是在神經活化中默默運作，讓模型能「想」一個概念而不必寫下來。 J-lens 借用了一個名為 Jacobian 的數學概念，它的運作方式，是為模型詞彙表裡的每個字，找出最可能讓模型在之後某個時點說出該字的內部活動樣態。要注意的是，某個樣態亮起，不代表模型正要說那個字，而是那個概念此刻「在它心上」。 J-lens 讀出的內容，往往遠超過 Claude 正在讀或寫的文字。根據該研究，當 Claude 讀到一段沒人指出過的有漏洞程式碼，它的 J-space 會浮現 ERROR；當它讀到一段其實是提示詞注入攻擊（prompt injection）的搜尋結果，J-space 會浮現 injection 與 fake；讀到一串蛋白質序列的原始字母時，浮現的是該蛋白質的生物功能；而面對多步驟數學題，中間的計算步驟會依序在 J-space 裡出現。這些內容全都沒有寫進模型的輸出。 […]

《虛擬資產服務法》將上路，台灣如何搶進鏈上金融新秩序？臺灣金融科技協會名譽理事長蔡玉玲解析穩定幣、VASP 與供應鏈金融新機會

撰稿：李昀蔚 《虛擬資產服務法》 6 月 30 日正式三讀通過，台灣虛擬資產產業迎來關鍵轉折。過去，虛擬資產多半處在體制外，缺乏明確的法律定位，這也讓許多機構法人與傳統金融業即使高度關注，也大多只能維持觀望態度。如今，隨著專法正式將虛擬資產服務提供商（VASP）納入監管體制，台灣終於有了自己的監管框架，讓產業得以在合規的基石上，重新思考台灣在全球鏈上金融秩序中的位置。 本集《全新一週》主題為臺灣金融科技協會名譽理事長、亞洲金融科技聯盟主席蔡玉玲，在科技報橘主辦的「2026 科技金融論壇」演講精華。蔡玉玲強調，虛擬資產的監管與發展絕非單純的島內監管問題，更牽動著金融基礎建設、跨境支付、穩定幣、央行數位貨幣（CBDC）、VASP 生態系與供應鏈金融等新一輪國際競爭。因此，這部專法的通過不是終點，更是台灣在這場全球鏈上金融競爭中，從觀望者走向積極參與者的起點。 亞洲鏈上競爭升溫，台灣不能只用島內思維看虛擬資產 目前，全球虛擬資產的採用率正在持續擴大，且亞洲已成為全球成長的核心引擎，在虛擬資產採用程度上排名首位，預估到 2030 年，亞洲將超越美國，成為全球最大的虛擬資產市場。在台灣周邊，鄰近的香港、新加坡、日本和韓國都已積極布局，試圖建構自己的虛擬資產中心，並推動成熟的交易、流動性與生態系計畫，這也代表台灣不能只把虛擬資產看成島內監管問題，而必須放在區域競爭的脈絡中觀察。 例如，亞洲市場同時具備高零售參與度、跨境支付需求與穩定幣應用場域。北美市場雖然起步稍慢，但正透過比特幣 ETF、穩定幣立法與機構投資人的參與展現動能，目的是打造全球加密資產的資本形成中心，主導美元穩定幣的霸權。相較之下，歐盟市場雖以《加密資產市場監管法案》（MiCA）取得法規確定性，卻也因較嚴格的規範，影響流動性與創新動能，導致部分交易活動流向其他市場。拉丁美洲與非洲因本國通膨與匯率危機展現出避險的實用型需求，中東則展現強烈的政策推動決心。 在這場變革中，各國央行的態度至關重要，批發型央行數位貨幣（Wholesale CBDC）的發展在 2026 年已超越技術實驗，進入基礎設施化的實戰階段。諸如 mBridge 和 Project Agorá 等多國跨國合作專案，正試圖建構全新的金融公共底層，對傳統的 SWIFT 結算系統帶來巨大的挑戰與競合壓力。面對這場基礎建設之爭，台灣必須思考自己在其中的定位。蔡玉玲提醒，鏈上的世界是無國界的，任何人都可以隨時在鏈上註冊錢包並進行跨境交易，防堵是行不通的，因此虛擬資產這一題，台灣絕對不可能關起來做。對台灣而言，「我們雖然不是先驅，但我們不能缺席，我們有沒有機會在某個領域有領先的地位，這個是可以一起思考的，」蔡玉玲說。 VASP 正式納管，台灣用彈性立法打開合規新市場 蔡玉玲說明，《虛擬資產服務法》的通過，核心在於納管與定調。過去 VASP 業者僅適用洗錢防制聲明，處於體制外，導致機構法人與金融業因合規與會計疑慮而保持觀望。如今專法正式實施，讓虛擬資產的法律定位更明確，也將有效吸引機構資金湧入。 在立法技巧上，台灣採取母法原則性規定、細節留給子法的方式。由於科技改變人類行為的速度極快，法律若定得過細，很快就會與產業脫節。透過具備彈性的子法搭配，能讓台灣在風險監管與產業創新之間，保留動態調整的空間。 從競爭走向結盟，金融機構與 VASP 如何共建 Web3 新生態？ 隨著《虛擬資產服務法》開啟金融機構兼營 VASP 的大門，蔡玉玲認為，傳統金融業與虛擬資產業者之間，應走向分工而非零和競爭。現存的八家 VASP 業者在過去缺乏規範的叢林時代，冒著巨大風險在最前線打仗，累積深厚的產業認知、敏捷度與創新能量。相較之下，傳統金融機構擁有強大的社會信用、廣大客戶與充沛資金。 因此，蔡玉玲分享，最理想的生態系模式是傳統金融機構投資 VASP 業者並進入其董事會，因為透過股權投資與業務分工，既能讓傳統金融機構獲得成熟且快速的 Web3 創新平台與技術支援，又能為金融體系築起有效的風險防火牆，避免因傳統金融業過度兼營多項業務而分散資源。 此外，VASP 業者在取得金融機構地位後，雖有助於促進與傳統金融業的數據分享，但這也代表未來若發生違規，業者必須承擔等同於傳統金融機構的責任，可謂機會與挑戰並存。 光有法規還不夠，穩定幣需要找到台灣的殺手級應用 談到穩定幣的監管與定位，蔡玉玲強調，「穩定幣是未來結算基礎的核心，所以會是一個全天候秒級的結算新工具」。目前《虛擬資產服務法》在穩定幣的監管框架上對標國際趨勢，要求十足資產準備、排除演算法穩定幣，且初期發行主體限制在金融機構。雖然法規允許錨定外幣，但蔡玉玲提醒，鑑於日本、韓國、香港及歐盟皆積極發展自身穩定幣，因此台灣應審慎考慮先發展台幣穩定幣。 然而，光有完善的法規基礎工程還遠遠不夠，如果沒有殺手級的應用場景，穩定幣與虛擬資產就只能停留在空轉的投機市場中。蔡玉玲呼籲，台灣必須將鏈上金融，與台灣在全球最引以為傲的製造業供應鏈深度結合，藉此創造供應鏈升級的應用場域。如果台灣能利用穩定幣與智慧合約技術，將供應鏈的物流、金流、資訊流三流合一，進行全天候秒級的跨境結算與融資，這不只能推動台灣傳統供應鏈升級，更能為台灣虛擬資產產業創造出全球無法複製的殺手級應用。 從跨部會協調到公鏈競爭，台灣虛擬資產不能只停在合規 展望下一步，蔡玉玲指出，台灣仍必須直面三大核心挑戰。首先是打破多頭馬車並強化跨部會協調，虛擬資產涉及銀行局、證期局與央行等多個主管機關，政策推動往往面臨摩擦，因此關鍵並不在於成立全新的部會，而是應在金管會架構下，指派一名專責的副主委來強力主導與協調跨部會的事務，以確保監管在防範風險與開拓產業之間取得平衡。 其次是境外執法的現實挑戰。合規代表著高昂的成本，若政府無法有效對境外非法平台執行監管與處罰，將導致合規的國內業者生存維艱。然而，受限於國際政治與外交關係，台灣在境外的執法能力面臨天然限制，這有賴於監管單位子法設計的智慧。 […]

演算法引路、會員制收網：零售品牌如何用忠誠度打造 AI 時代護城河？

生成式 AI 正快速改變消費者探索商品的方式，愈來愈多人不再直接搜尋品牌名稱，而是向 AI 描述自己的需求，讓 AI 推薦最適合的產品。然而，當 AI 開始接手商品發現（product discovery），真正決定消費者最終在哪裡下單、是否持續回購的關鍵，卻未必是演算法，而是會員制度、品牌信任，以及長期建立的人際互動。 AI 負責提供問題解方，而「忠誠度」負責鎖定結帳終點 根據行銷科技公司 Novi 的 CEO Kimberly Shenk，AI 的推薦邏輯與傳統搜尋引擎已有明顯不同：當消費者提出需求時，AI 並不是優先推薦知名品牌，而是先理解問題，再尋找最符合需求的解決方案。 她也提醒，AI 找到答案，並不代表消費者就會立即完成購買。許多 AI 搜尋結果最後並沒有直接導向購物車，因為消費者仍會回到自己熟悉的平台消費，例如累積會員點數、使用既有優惠，或延續原本的購物習慣。換言之，AI 改變的是商品探索入口，但真正掌握交易與回購的，仍是零售商多年建立的忠誠度生態。 高達 95% 銷售全靠鐵粉！如何用數位大腦串連「線上瀏覽、門市出貨」 美國美妝零售商 Ulta Beauty 表示，目前擁有約 4,700 萬名會員中，超過 95% 的銷售都來自忠誠度計畫。龐大的會員資料也成為 AI 發揮價值的重要基礎，協助企業建立更精準的推薦演算法、產生更多個人化內容，並透過新推出的 Ulta AI，串聯線上、門市與會員服務，打造更一致的全通路購物體驗。 戶外用品零售商 Boot Barn 同樣將忠誠度視為全通路營運的核心。該公司目前約有 30% 的訂單採取門市取貨（Buy Online, Pick Up In Store），另有 40% 的訂單直接由門市出貨，顯示實體據點早已不只是販售商品的場所，更成為物流與履約的重要節點。 Boot Barn […]

【人形機器人家用化】22 度手指自由度、22 分貝靜音，1X NEO 用硬體差異化搶進家庭市場

1X Technologies 所開發的 AI 家用人形機器人 NEO，除了 60 萬台幣的低廉售價外，更有 22 度的可驅動自由度，既達到人類等級靈巧度，更是機器人業界新標竿。

【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

人工智慧正全面重塑金融業的營運模式，如今 AI 被大量利用在自然語言處理技術，解讀市場報告、標記會計錯誤並自動整理企業銀行文件。由於技術大幅節省工作時間，各大銀行正在改變其團隊的日常工作方式。 當 AI 開始大量接手資料處理與報告產出，工作者心裡或多或少都會浮現同一個問題：AI 會不會取代我的工作？ 以下把這個焦慮拆開，釐清 AI 對金融業的實際衝擊到底有多大、哪些職位真正面臨被替代的風險，以及在舊職位消失的同時，又有哪些「會財務、也會技術」的混合型新職能正在崛起。 產業將重新洗牌，目前金融業縮減人力只是前菜？ 根據 Bloomberg Intelligence 的預估，華爾街各大銀行在未來數年內，可能因為智慧自動化而裁減多達二十萬個職位。 受衝擊最深的，是那些工作內容以例行報告與基礎財務模型為主的職位，也就是初階分析師與基層會計人員。他們每天處理的，正是 AI 最擅長接手的部分，因此首當其衝。 再往下細看，被替代速度最快的是那些高度重複、規則明確的工作。基本帳務、交易性會計、人工資料輸入，這些任務本來就講求準確與一致，而不是判斷與創意，正好落在機器最容易勝任的範圍。同樣的趨勢也延伸到鄰近領域，像是大量的資料核對工作，以及標準化的零售銀行業務，這些職位的招募數量都在明顯減少。 換句話說，越是「照流程跑」的工作，越快被自動化吃掉。 不過真正的結構性重組其實還沒到來。根據波士頓顧問公司（BCG）的報告，多數銀行目前把 AI 用在基礎任務上，而不是用來推動真正的轉型；也就是說，現在我們看到的裁員，很多是「機器替掉重複勞動」的初步階段，而把 AI 真正用來重塑商業模式、創造高層次價值的階段，大多數機構都還沒走到。 這五種混合職能正在崛起 當基礎運算交給軟體，金融機構反而更需要懂得駕馭這些工具、並把結果轉化成商業決策的人，於是市場上冒出一批全新的混合型職位，它們的共同點是：一隻腳站在財務專業裡，另一隻腳站在技術操作上。以下五種，是目前最具代表性的方向。 第一種是金融與會計領域的「AI 自動化工程師」。這個角色負責設計、部署並監控核心會計流程的自動化工作流，例如應付帳款、應收帳款，以及加速財務結帳。他們等於是在傳統軟體開發與企業財務管理之間搭起一座橋，既要懂會計，也要會寫腳本、操作機器學習平台。 這個職位多半適合中階財務分析師、系統會計或資料工程師轉進，年薪大致落在十三萬到十八萬美元之間，在科技大廠與大型顧問公司裡已經越來越常見。 第二種是「AI 財務規劃分析（FP&A）主管」。傳統 FP&A 是回頭整理上一季的試算表，而這個新角色則是運用即時的機器學習工具，跑預測性的財務模型與各種「假設情境」推演，用資料去預判市場波動與現金流走向。它需要扎實的財務底子、深厚的資料識讀能力，還要能把複雜的 AI 洞察翻譯成清楚的策略故事說給高層聽，年薪約在十三萬到近二十萬美元。 第三種是「AI 治理與合規主管」。當自動化工具越來越多使用在消費者信用評分、放貸演算法與稽核流程，就必須有人確保這些機器做出的決策，依然站得住法律與會計規範。這個角色直接管理自動化工作流背後的倫理、法律與監理邊界，需要風險管理、企業稽核與財務倫理的專業背景，還要有能力辨識演算法偏誤、資料瑕疵或模型裡的安全漏洞。 隨著全球對 AI 與資料的監理趨嚴，它已經迅速成為大型銀行與財富管理平台的關鍵人選，年薪約在十二萬五千到二十萬美元之間，特別適合資深內稽、風險顧問與法遵專才。 第四種是「AI 營收營運（RevOps）分析師」。這個角色把技術、銷售、行銷與財務串在一起，運用機器學習找出營收管線裡看不見的漏洞，即時優化定價結構。因此該職位特別要求工作者對現金流有清楚的理解，也要能跨部門看資料、把數字翻譯成給高層的建議。 隨著訂閱制軟體與數位企業意識到財務與銷售不能再各做各的，這個職位這幾年成長得非常快，年薪大約落在十四萬到二十萬美元。 第五種是「AI 量化投資組合策略師」。他們用機器學習模型來建構、測試並執行新一代的投資策略，不再靠猜測市場走向，而是設計自動化演算法，即時掃描像供應鏈變動、消費者情緒這類另類全球宏觀資料，藉此保護並協助客戶資產增長。 這個高風險高報酬的領域，需要傳統資產管理的功力、資料識讀能力，以及對市場保持好奇、敢問非典型問題的腦袋。它已成為避險基金、資產管理公司與私人財富辦公室維持競爭優勢的重要人選，總報酬通常從十六萬美元起跳。 把這五種職位放在一起看會發現，它們沒有一個是純財務、也沒有一個是純技術，全都站在兩者交會的地帶。 工作者必須軟硬技能兼具，重要的是如何用數字說服他人 因此，想在這場職涯轉變裡長期站穩腳步，金融工作者該補強什麼？ 工作者必須懂得操作現代的雲端平台與資料分析軟體，能夠快速地把數字撈出來、驗證清楚。當運算本身交給機器，「會用工具核對與整理資料」就成了基本門檻，以前自己埋頭算數字就行，現在不會用這些工具，就只能坐等被取代。 再來是軟技能，這部分往往才是真正拉開差距的地方。工作者需要培養自身的果斷決策力，也需要一份願意提問、願意提出新點子的好奇心，此外，在一個機器負責跑算法、人類負責思考決策的環境裡，能不能把見解說服高層，也是非常重要的能力。 報告是死的，數字為什麼長這樣、它對公司意味著什麼、下一步該怎麼做，這個「詮釋與判斷」的層次，目前仍然只能由人類承擔。當工作者能用資料說話、甚至說服，就從一個基礎的「數字搬運工」，變成老闆眼裡可倚賴的顧問。 「打雜學徒」的路被堵住，人才培育的機制重置 AI […]

【科技早餐】AI 供應鏈吃緊：韓國晶片戰加速、三星獲利暴增、NVIDIA 機櫃延後

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊韓國晶片戰加速，水電審批與未來基金同步上路 韓國總統李在明指示官員加快推動上週宣布的重大晶片與人工智慧（AI）專案。根據《路透》報導，李在明警告，如果許可審批、土地取得，以及水電供應出現延誤，可能削弱韓國在先進產業取得主導地位的努力。他表示，現在的關鍵是誰行動更快、誰率先搶占先機，並呼籲在可行範圍內縮短環境審查與其他核准程序。 除了審批速度，電力也是韓國政府關注重點。李在明表示，企業界仍擔心基載電力供應，政府需要提前處理水電等基礎設施問題。同一天，韓國總統秘書室長姜勳植也表示，政府將利用半導體景氣帶來的額外稅收，成立「未來應對基金」（Future Response Fund），投資新的成長動能、支持年輕世代的住房、創業與就業，並回應社會經濟兩極化問題。韓國上週公布規模超過 5,760 億美元的晶片與 AI 投資計畫，目標是鞏固全球主導地位，並促進首爾首都圈以外地區成長。 ＊三星獲利估暴增 18 倍，AI 記憶體缺貨燒到 2027 《路透》報導，隨著 AI 需求持續成長、記憶體供不應求，三星電子（Samsung Electronics）第二季營業利益預料將比去年同期大增約 18 倍。根據倫敦證券交易所集團（LSEG）SmartEstimate 彙整分析師預測，三星 4 月到 6 月季度營業利益估計達 86 兆韓元。若與去年同期的 4.7 兆韓元相比，將大幅成長，也可能讓三星連續三季創下營業利益新高。 這波成長不只來自高頻寬記憶體（HBM），也包括傳統 DRAM 和 NAND 需求升溫。原因是 AI 應用正在從大型模型訓練，延伸到更廣泛的推論與代理型 AI 工作負載。分析師指出，代理型 AI 系統需要執行更複雜的多步驟任務，因此伺服器處理器需要更多記憶體，也需要更大的儲存容量，用來保存和檢索資料。分析師預期，記憶體供應不足的情況，至少可能延續到明年，也就是 2027 年。 ＊NVIDIA Kyber 傳延到 2028，AI 機櫃卡在電路板瓶頸 半導體研究機構 SemiAnalysis 披露，NVIDIA 原訂 2027 […]

飛彈裝上汽車晶片、火箭用上製藥設備：新一代軍工業為何跨界「借技術」？

烏俄戰爭不只改變了戰場上的武器，也暴露傳統軍工業的速度問題。過去，戰機、飛彈與軍艦可以花數年設計、少量生產，再服役數十年；如今，無人機可能數週內就需重新設計，戰場消耗量更以數十萬計。根據《Financial Times》引述北約 5 月數據，烏克蘭平均每月損失約 67 萬架無人機。面對這道「速度差」，一批新型軍工業者正從製造端找答案。 零件交付拖慢改版，Isembard 先重組製造網路 「硬體創新和規模化生產的速度，很大程度受限於快速製造零件的能力，」英國軍工製造新創 Isembard 工程師 Rory Rose 表示，如果一個零件的交付週期需要 6 至 8 週，一年內能完成的設計迭代次數就會減少一個數量級，製造尖端硬體的能力也會大大下降。 換句話說，即使工程師能快速修改設計，零件交付、製程與產線仍可能拖慢下一輪改版。Rose 將西方分散的製造基地與中國相比，表示在中國的製造聚落中，設計者通常能在一天內取得零件。 因此，不同於再蓋一座大型軍工廠，這家英國新創希望透過軟體，把數百家小型精密加工廠串成分散式製造網路。Isembard 採取加盟模式，提供建議、軟體、融資支援、製造流程與訂單來源，讓新業者能在數月、而非數年內建立旗下工廠。 從 2025 年初只有 1 座倫敦工廠開始，Isembard 目前已在英國擁有 6 座工廠，並於美國、法國與德國等海外市場設有 7 座據點，客戶包括國防科技公司 Anduril、無人機業者 Tekever，以及英國傳統國防承包商 Babcock International。 航太零件太慢、太貴，軍工新創跨產業找答案 但重新串聯工廠，只是縮短製造週期的一種方法。另一批軍工新創開始追問更根本的問題：所有零組件，真的都必須來自傳統航太供應鏈嗎？ 《Reuters》訪問 10 名產業主管、專家與美國官員後發現，國防科技新創正從汽車、油氣與製藥產業尋找既有技術，以降低成本並加快武器生產。 舉例來說，製造固態火箭發動機與高超音速武器的新創 Castelion，正轉向汽車業尋找先進駕駛輔助系統與電動車使用的 FPGA，也就是現場可程式化邏輯閘陣列，用於協助飛彈導向目標。Castelion 營運長 Sean Pitt 表示，這類汽車產業處理器的成本僅約同級航太版本的十分之一，取得速度則快 6 倍。 連火箭發動機使用的高壓金屬管，也不一定要向航太供應商採購。Castelion 改用油氣產業水力壓裂製程所需的精密加工管材。報導指出，這類管材同樣需要承受高溫與高壓，但供應商數量更多、價格也低於航太產業的同類產品。 這些案例顯示，新一代軍工業者正在打破過去高度專用化的供應鏈邊界。面對產量與交期壓力，它們開始尋找其他成熟產業已經大量生產、且能滿足性能需求的零組件。 連製程都不用重新發明，Anduril 把製藥技術搬進火箭工廠 […]

首個 AI Agent 端到端勒索攻擊案例曝光：JadePuffer 給 CISO 的 3 大警訊

資安廠商 Sysdig 的威脅研究團隊（TRT）近日揭露首個公開記錄的 AI 代理人勒索軟體（Agentic Ransomware）案例，並將該攻擊行動命名為「JadePuffer」。這是一場完全由大型語言模型（LLM）端到端驅動的完整勒索行動，打破過去勒索軟體背後必須有「人類在鍵盤前操縱」或手動撰寫腳本的常規。因此，研究人員將這類新型威脅定義為「代理型威脅行為者（Agentic Threat Actor, ATA）」，意即其攻擊能力是完全由自主 AI 代理人交付與執行，而非人類操作的工具包。 這場由 AI 代理人主導的攻擊行動，展現出高度系統化且具備即時自我修正能力的自適應手段，並為企業敲響三記警鐘。 警訊一：暴露的 AI 開發框架成為勒索攻擊的天然入口 這場新型勒索風暴的起點，源於企業忽視 AI 基礎設施的安全。JadePuffer 攻擊者首先瞄準暴露在網路上的 Langflow 實例，這是一個用於建立大型語言模型應用與代理人工作流的開源框架。 攻擊者利用了 Langflow 的 CVE-2025-3248 漏洞，該漏洞屬於程式碼驗證端點中缺少身分驗證的缺陷，允許未經驗證的遠端攻擊者直接在主機上執行任意 Python 程式碼。Sysdig 指出，這類與 AI 鄰近的伺服器之所以成為極具吸引力的攻擊入口，是因為開發人員為了維持運作，經常在這些伺服器的環境變數中存放大量雲端憑證或 AI 供應商的 API 金鑰，且在急於部署的過程中往往缺乏妥善的網路存取控制。 警訊二：AI Agent 的自適應橫向移動與無差別憑證搜刮 一旦透過漏洞取得執行權限，JadePuffer 就展現出驚人的自主偵察能力。首先，JadePuffer 會在主機上收集系統資訊，並平行掃描各種類別的機密資料，其中包括大型語言模型供應商的 API 金鑰、加密貨幣錢包和助記詞、資料庫憑證以及系統設定檔。 在完成初步收集後，JadePuffer 會將目標轉向本地，直接匯出 Langflow 本身背後的 PostgreSQL 資料庫以獲取其中儲存的憑證和使用者紀錄，並在審查暫存檔案後將其刪除以規避偵測。 接著，JadePuffer 開始探測內網中可觸及的位址空間，尋找資料庫、物件儲存、金鑰庫與服務發現端點，並嘗試使用預設憑證進行登入。在內網探測中，代理人成功鎖定了容器化部署中常見的 MinIO 物件儲存服務，並直接使用預設的管理員憑證進行枚舉。 […]

人形機器人 Atlas 首登世界盃，真正突破卻在場外：把它「變簡單」為何是關鍵？

2026 年世界盃巴西對挪威的十六強戰，中場休息時，一台身高約 150 公分的人形機器人走進球員通道，先後模仿了 Haaland、Son Heung-min 與 Matheus Cunha 等球星的進球慶祝動作，最後轉身把比賽用球交給裁判。 View this post on Instagram A post shared by Hyundai Worldwide (@hyundai) 這台名為 Atlas 的機器人，由現代汽車旗下的 Boston Dynamics 打造。在此之前，現代已透過「School of Football」為題釋出一連串宣傳影片，片中 Atlas 完成帶球、傳球、射門，並以高難度的足球特技 Ghost Rabona 收尾（一個先以假動作晃過防守者、再用踢球腳繞過支撐腳後方施力踢出的動作）；而世界盃這一場，是它今年 1 月在 CES 亮相量產版後，首度走出影片、在真實賽場上公開演出。不過對機器人產業來說，真正值得注意的訊號並不在球場上，而在場外的製造端。 真正突破：零件複雜度較前代降「一個數量級」 在接受《Forbes》專訪時，Boston Dynamics 機器人行為主管 Alberto Rodriguez 給了一個關鍵數字：第五代 Atlas 的複雜度較前一代「幾乎降低了一個數量級」。他刻意用了「幾乎」，強調並非足足十倍，但方向已經很清楚：零件更少、獨特零件更少，製造流程因此更快、更簡單，換來更高的可靠度與更低的成本，而且是在性能與前代持平、甚至更好的前提下達成。 過去 Atlas 單台造價一度高達 20 萬美元以上，這樣的成本讓它更接近實驗室裡的旗艦展示品，而非能大量出貨的產品。Rodriguez 點出的邏輯是，目前市面上的人形機器人多半昂貴、仰賴手工打造、又難以伺候，而每一個獨特零件，都代表一條要管理的供應鏈、一個要設法迴避的故障點，以及一筆墊高售價的成本。當獨特零件減少，組裝更簡單、可能故障的環節更少，通往量產的路也就更清晰。 硬體潛力已超前軟體，競爭重心正從機械轉向 […]

金融 AI 不只搶營收，Citi、FCA 示警：下一場競賽是防詐、監管與責任歸屬

全球金融業目前正在經歷一場由 AI 驅動的深刻變革。花旗集團（Citi）執行長 Jane Fraser 近日受訪時指出，金融業當前正同時面對兩場至關重要的 AI 競賽：第一場競賽是如何將 AI 技術有效應用在商業模式中，以推動營收成長；第二場則是要確保整個金融生態系統的安全運作。 與此同時，英國金融行為監管局（FCA）執行董事 Sheldon Mills 也發出警告，指出監管機構自身正處於一場應對 AI 的「軍備競賽」之中，因為已有數百萬名消費者開始藉由這項技術來協助個人的財務決策。 Citi 點出銀行 AI 第一場競賽：用 AI 推動營收、產品與客服升級 Jane Fraser 表示，金融業第一場 AI 競賽的核心，是如何將 AI 技術深度應用在銀行的商業模式中，並成為推動營收成長的強大引擎。除了在營收與產品端的重大突破外，AI 也有助於進一步提高銀行的日常運作效率，並在互動中大幅改善客戶服務品質。 為了全面捕捉這波技術紅利，花旗集團在 2026 年 3 月大幅上調對 2026 至 2030 年全球 AI 資本支出與營收的預測，從原先預估的 8 兆美元提高至 8.9 兆美元。這項顯著的調升，主要源自於企業端對 AI 技術的需求和超乎預期的採用速度。花旗預測，AI 工具在未來將以極快的速度進化，持續解鎖全新的企業級應用，並進一步加速「智慧體系統（agentic systems）」與自動化工作流程的普及。 麥肯錫（McKinsey & Co.）的分析也印證此一趨勢，指出在企業金融業務中，AI 工具特別擅長處理客戶數據生成與複雜產品建立等核心任務。在零售金融與私人銀行領域，麥肯錫則預期未來將會出現大量的「代理式 AI 顧問（agentic […]

【1 萬美元的社交機器人】社交優先、放棄步行，Codey 對美國照護缺口的另類押注

美國到 2031 年將面臨至少 900 萬個直接照護職缺無人填補，40% 老年人感到孤獨或與社會隔絕，教師流動率則持續攀升；西雅圖地區新創 Mind Children Robotics 認為，這三個問題有一個共同的解決方向：一台會說笑話、能記住你故事的機器人。 Codey 的設計賭注：社交優先，放棄步行 Codey 是一台身高 3 英尺（約 91 公分）、以輪子移動的人形社交機器人，由 3D 列印零件組成，目標售價低於 1 萬美元。在許多機器人公司仍在追求雙足步行與貨架搬運能力的時候，Mind Children 刻意迴避了這些競爭賽道，共同創辦人 Ben Goertzel 說： 「有很多優秀的機器人公司，但它們的臉孔幾乎是空白的，專注在不摔倒地走路，或是從貨架上取物；我們決定不聚焦在這些問題上，不是因為它們不重要，而是因為其他人都在解決它們。」 Mind Children 把資源押在社交能力上，Codey 能與使用者進行眼神接觸、展現表情、說笑話，並依場景調整互動方式。Goertzel 將它在教室裡的角色定位為「教師助理的助手」；在醫療場景中，它可以陪伴忙碌醫院裡的病患；在長照環境裡，它能提供老年人陪伴與用藥提醒。 近期目標之一是讓機器人能執行按按鈕等簡單的物理任務，第二代版本則計劃於 2027 年推出。 設計上，模組化與零件共用是降低成本的核心策略，「每台機器人上相同零件越多，製造成本就越低，」共同創辦人 Chris Kudla 說，他們想用 20% 的成本達到 80% 的功能。 從單次對話到長期關係 Codey 目前以 OpenAI 的 API 為基礎運行，並在上層疊加客製化的安全護欄。然而，Goertzel 認為真正的價值不在於流暢的單次對話，而在於持續的關係建立。 他正透過去中心化 AI 平台 […]