Archives

【科技早餐】SpaceX、Tesla 砸 168 億美元自建 AI 晶片園區，NVIDIA 傳投資電力、亞馬遜建離網資料中心

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊SpaceX、Tesla 砸 168 億美元建 Terafab，整合 AI 晶片製造 SpaceX 與 Tesla 宣布，將首期投資 168 億美元，在美國德州格萊姆斯郡（Grimes County）興建 AI 半導體園區 Terafab。這座園區規劃占地達 1 億平方英尺，將在同一地點整合先進邏輯晶片與記憶體的製造、封裝及測試。SpaceX 表示，後續擴建可能進一步提高總投資額，園區至少將創造 3,000 個工作機會。SpaceX 今年也與 Intel 合作，希望強化晶片製造能力；Tesla 則已在今年 4 月為 Terafab 的先導研發設施動工。 Terafab 生產的處理器將用於 Tesla 人形機器人 Optimus、自駕計程車 Cybercab，以及 SpaceX 規劃中的太空資料中心。兩家公司預估，未來數年所需的運算能力將超過 1 太瓦，希望藉由自建園區縮小晶片供應缺口。園區鄰近 Gibbons Creek Reservoir，兩家公司規劃使用水庫供應工業用水。這項計畫將讓 SpaceX 與 Tesla 進一步掌握從晶片製造到封裝、測試的供應鏈，也代表兩家公司正由長期採購與投資晶片業者，走向自行建立垂直整合的半導體產能。 ＊NVIDIA 傳砸 30 億美元投資電力，亞馬遜 AI […]

【AI 原生新創極速生長】產品全面圍繞 AI 開發，過半新創人均產值衝破 40 萬美元

亞馬遜網路服務（AWS）與研究顧問公司 Strand Partners，聯合發佈全球新創趨勢報告《Engines of Growth》，針對 20 個國家、共 3,413 位新創創辦人與高階決策者進行調查，將觀察焦點鎖定在「AI 原生新創（AI-native startups）」。 報告對「AI 原生新創」提出三大核心定義： 第一，企業創立時間小於五年，且在最先進的維度（如自研客製化模型、多模型整合或部署自主代理系統）應用 AI； 第二，技術就緒度極高，已為下一波技術（如邊緣 AI、實體 AI 與機器人技術）做足準備； 第三，產品或服務在誕生之初就是「AI 首發（AI first）」，即完全圍繞 AI 的能力建置而成。 這項研究揭示這群新興企業正在重塑全球經濟的生產力邊界，他們與一般將 AI 僅視為工具外掛的企業有著本質上的基因落差，並正以極低的創業門檻與極高的營運效率，對傳統巨頭與既有體制發起破壞式的效率挑戰。 📎 這份報告適合誰閱讀？ 🔴 報告洞見 AI 原生新創年營收成長率，是一般新創的兩倍 在過去二十年裡，全球科技新創界建立起一套成熟的「獨角獸養成劇本」：一家企業通常需要擴編至數百甚至數千名員工，並耗費平均約 7 年的時間，方能跨過 10 億美元的估值門檻；然而，AI 原生新創的出現，徹底撕毀這套歷史常規，將這一進程縮短了一半的時間。 根據報告的數據統計，當前的 AI 原生新創平均僅需 3.5 年即可達到 10 億美元的估值。這種極速成長並非空泛的資本炒作，而是具備驚人的財務指標與營運效率： 最令資本市場震撼的，是其極致的輕資產營運韌性與高人均產值：高達 55% 的 AI 原生新創，每位員工平均產值超過 40 萬美元，而全球一般新創能達到此門檻的比例僅為 34%，大型企業更只有 23%。 […]

資料留台灣、AI 代理 60 秒內完成資安調查：Google SecOps 正式在台啟用

AI 代理時代來臨，駭客攻擊的速度、規模與複雜度都超越以往，傳統資安營運中心（SOC）已難以招架，使得「以 AI 對抗 AI」成為產業敘事。但對台灣的金融、政府與關鍵基礎設施產業來說，卡點不在技術使用，而是資料能否留在台灣的合規門檻。在此背景下，Google Cloud 今（8/7）宣布 Google 資安營運平台（Google SecOps）正式在台灣雲端區域啟用。 「這意味著，台灣企業現在可以將他們的資安遙測資料，直接送到台灣當地的 Google 資安營運平台中儲存，這將更容易滿足台灣關於『資料在地化（Data residency）』的法規與合規要求。」Google Cloud Security & Mandiant 亞太區及日本首席技術總監 Steve Ledzian 在媒體分享會上表示。 為什麼在此刻落地台灣？ 提及落地台灣的緣由，Google Cloud Security 北亞區總經理徐海國回顧，三、四年前就收到許多台灣客戶回饋，客戶大多使用地端（on-premise）SOC 平台，但心裡很清楚轉向雲端 SOC 才是抵禦現代威脅最有效率的方案，然而國防、電信、金融等高度敏感產業非常介意資料能不能留在台灣，而遲遲不敢採用雲端資安服務。「因為聽到了這些寶貴的反饋，加上 Google 對台灣市場非常重視，我們決定大力投資。」 落地移除合規門檻，下一個關鍵是落地的究竟是哪些資料？Ledzian 補充，SecOps 完全不存取企業的試算表、電子郵件或任何應用層資料，它收集與分析的，是來自防火牆、端點、防毒等資安控制機制的低階日誌與遙測資料，例如登入紀錄與連線狀態。 落地只是起點，代理式防禦才是主戰場 門檻移除之後，決定防禦成效的是平台能力。Ledzian 解釋，Google SecOps 主打代理式防禦，讓平台內多個 AI Agent 共同運作，其中的「分類與調查代理」全球已有超過 1,200 家客戶使用、累計處理逾 900 萬則警報，能將原本人力調查事件的時間從 30 分鐘縮短至 60 秒以內完成。 「這正是代理式防禦的強項：它不是要取代人力，而是要讓分析師的工作變得更有效率，並跟上 AI 驅動攻擊者的超高速度。」Ledzian 強調，最重要的是這個 […]

晶片禁令下的破口：美國嚴防硬體輸中，中國卻年砸 5 億美元買進矽谷訓練資料

近年來，美國政府針對先進晶片輸往中國的情形，建立嚴格的地緣政治防線，企圖阻止中國取得支撐頂尖 AI 模型的關鍵算力資源。然而，在這座由美國精心打造的晶片堡壘之外，用來訓練 AI 模型的人類專業知識與數據資料，在跨境流動時卻幾乎沒有受到同等程度的審查，形成另一個未被防堵的破口。 這些高價值的資料基礎建設，由龐大的專家網絡，以及精密的任務設計、評估指標與品質控制程序共同構建，是讓 AI 模型處理金融建模、程式設計等複雜專業工作的核心要素。《富比士》（Forbes）調查發現，多間總部位於矽谷、估值達數百億美元的頂尖資料標註新創公司，在為 OpenAI、Anthropic 甚至美國聯邦機構提供服務的同時，也正悄悄地將這類關鍵的 AI 訓練資料販售給中國主要 AI 實驗室，在暗地裡形成規模達數億美元的跨境資料交易，進一步協助中國的 AI 模型拉近與美國競爭對手之間的技術差距。 高品質「專家資料」也是模型進步的關鍵資源 在訓練前沿 AI 模型的過程中，算力與晶片固然是門檻，但高品質的訓練資料才是決定模型能否真正實用的關鍵資源。前艾倫人工智慧研究所（Allen Institute for AI）研究員 Nathan Lambert 在接受《富比士》採訪時便指出：「在訓練模型所需的算力之外，高品質的資料是最重要的要素，當我們試圖引導模型走向全新、更具挑戰性的領域時，獲取優質資料是讓模型變得可行的最高槓桿項目。」 事實上，要讓 AI 系統學會複雜的會計實務或網路實驗流程，關鍵絕非是大量收集人類完成工作的最終產出而已，而是深藏在資料規格本身的設計細節。這包含模型應該將焦點放在哪些特定資訊，以及由專業人士所撰寫、用以引導模型理解白領專業工作的細緻評分標準。 因此，當中國的 AI 實驗室向美國資料商採購這些資料時，他們實質上是以極高的效率，直接買下支撐矽谷頂尖模型背後、歷經反覆試錯才得來的獨家專業判斷，而不僅僅是網路上隨處可得的原始數據。AI 數據顧問 Sean Cai 對此也坦言，若深入研究中國資料產業的現狀與整條資料供應鏈，就會發現許多推動美國模型進步的相同數據，實際上也正被銷往中國的實驗室。 中國六大 AI 實驗室，一年約花 5 億美元向美國資料公司採購數據 這條從矽谷流向中國科技巨頭的資料管道，其商業規模遠比外界想像的更為龐大。根據兩位資料標註領域的業者透露，他們曾從騰訊與字節跳動的高層那裡得知內部的市場估算，並指出中國六大 AI 實驗室每年向美國資料公司採購的金額，總計高達約 5 億美元。值得注意的是，這些中國實驗室在採購資料時，並不把彼此視為直接的競爭對手，而是將自身視為一個共同尋求西方頂級資料集的聯合買方群體。 《富比士》揭露的內部通訊與採購細節顯示，騰訊曾向 Surge AI 提出涵蓋金融、網路安全以及「具備自我提升能力之 AI 系統」等極具野心的訓練資料採購需求，且同時與新創公司 Mercor 存在合作關係，這兩家美國新創均曾服務過美國軍方、空軍或聯邦政府機構。此外，阿里巴巴（Alibaba）員工的音訊記錄也證實其與 AfterQuery […]

特定模型推論快 48 倍卻犧牲彈性：AMD 為何仍買下 Taalas 對抗 NVIDIA？

半導體巨頭 AMD 正式宣布收購加拿大 AI 推論晶片新創公司 Taalas，為迅速白熱化的 AI 晶片戰場投下震撼彈。隨著 AI 應用逐漸從耗費巨資的「模型訓練」階段，跨入需要即時、大規模部署的「推論服務」，各大晶片廠已將專用推論晶片視為降低運算成本的兵家必爭之地。 在眾多追求通用運算能力的晶片中，Taalas 的技術路徑顯得非常獨特：Taalas 不採用傳統 GPU 這一類「一般用途」（general-purpose）的晶片架構，而是反其道而行，選擇直接將特定 AI 模型的權重與資料流「刻進」矽晶片中。這種極致的專用化設計，目標是打破傳統晶片在運算與記憶體之間的傳輸瓶頸，以犧牲通用彈性為代價，換取更高的推論運算速度與能效。 不靠 HBM 反覆讀取權重，Taalas 用「模型專用晶片」加速推論 在傳統 GPU 架構中，運算過程高度依賴且需要不斷從昂貴的高頻寬記憶體（HBM）中反覆讀取模型權重。相較之下，Taalas 的技術核心在於擺脫記憶體頻寬瓶頸，這種將模型權重直接寫入矽晶片中的模式，使這款產品更接近一種專為特定模型量身打造的「模型專用積體電路」（Model-Specific Integrated Circuit, MSIC）。 這套硬體架構本質上借鑑 2000 年代初期的結構化特定應用積體電路（structured ASIC）概念，將模型的資料流直接串接在運算元件之間，也讓晶片內部被精簡地劃分為兩個主要區域：包含負責儲存燒錄權重的唯讀記憶體（ROM）架構，以及負責存放鍵值快取（KV cache）與微調轉接器的靜態隨機存取記憶體（SRAM）架構。 AMD 官方強調，這種創新的硬體設計能大幅最佳化推論時的資料流，藉此解決一般用途架構在運算與記憶體傳輸上的物理瓶頸。 HC1 推論快 48 倍，Taalas 仍需面對模型彈性與擴充限制 這項技術在 Taalas 實測數據得到驗證。Taalas 在今年 2 月公開的首款測試晶片「HC1」採用台積電 6 奈米製程，專為執行 Meta 的 Llama 3.1 8B 模型所打造。根據基準測試，HC1 在執行該模型時每秒可生成高達 […]

AI Agent 跨平台終於有共同標準了：Agent Plugins 統一封裝，安全與信任仍留白

這週 AI 產業新動作，發生在少有人注目的底層管線。就在 GPT-5 屆滿一週年前夕，OpenAI 與競爭對手亞馬遜（AWS）、微軟、Cursor 與 Vercel 於美國時間 8/6 共同發布開放標準 Agent Plugins 1.0，Google 隨後以核心維護者身分加入。這是一套開放標準，讓單一的代理擴充套件能跨競爭產品運作。 為什麼 AI Agent 需要這個共同標準？ Agent Plugins 要解決的痛點，不在 AI 代理能力本身。Agent Plugins 技術指導委員會撰文指出，AI 代理已變得高度可擴充。Agent Skills 能賦予它們可重複使用的指令、腳本與參考素材；模型脈絡協定（Model Context Protocol，MCP）伺服器則能將它們連接到資料庫、瀏覽器、原始碼控管、雲端平台，以及其他即時系統。但分享這些能力，仍存在一個封裝上的問題。而 Agent Plugins 1.0 以一套開放、不偏向任何廠商的規格來彌補這道缺口，為那些可攜式元件提供單一、可預期的套件格式。 Agent Plugins 1.0 主打訴求是「一次建置，隨處運行」（build once, run anywhere），將開發者早已在使用的兩樣東西包裹在一起。第一是模型脈絡協定（Model Context Protocol）伺服器，第二是 Agent Skills。一個外掛程式，其實就是一個根目錄放著一支小小 plugin.json 檔案的資料夾。 刻意做窄，信任與安全留給各平台 1.0 版本只定義兩件事：外掛怎麼打包、怎麼被發現，其餘一概不碰。官方把交由各平台自理的部分明確分成三塊：發行（市集、安裝、更新）、執行體驗（權限、審核流程、沙箱、介面），以及信任（發布者身分、來源證明、簽章、組織政策）。 這個留白正是隱憂所在。判斷一個外掛能不能安全執行，仍是每個客戶端各自的責任；而《TNW》指出，今年稍早就曾有偽造的 Agent Skills 通過資安掃描。 […]

【AI 預算管理】Token 消耗超預期才收到帳單，1Password 工具讓企業提前掌握 AI 支出

1Password 推出內建於旗下 SaaS Manager 平台的新功能：AI 支出與使用量管理工具，並指出現代企業消耗 Token 的速度，已經超出傳統預算策略能夠應對的範圍。

90% 通路都直營：Coach 母公司如何用 AI 降低供應鏈「時尚風險」？

在傳統時尚零售業中，估錯流行趨勢是品牌最大的經營痛點。過去業者往往提前數月預測市場喜好，一旦產量估算失準，後續引發的庫存積壓與折扣促銷，便會嚴重侵蝕毛利率。 面對這種動態且難以捉摸的消費市場，時尚品牌 Coach 母公司 Tapestry 選擇走出一條不同的路，利用強大的第一方資料庫與 AI 系統，全面重構旗下的供應鏈與營運決策機制。 AI 動態反饋迴圈精準調控庫存，直擊「時尚風險」 為了打破企業內部常見的數據壁壘，Tapestry 團隊開發出取得美國專利的自研 AI 平台「Mira」。這套系統將前端的行銷與數位銷售數據，與後端的商品規劃、供應鏈管理及財務預算打通。過去員工需要花費數天跨系統手動拉取與整理資料，如今 Mira 能在數秒到數分鐘內完成調用，確保供應鏈團隊與商品規劃團隊始終在同一個數據基礎上緊密協同。 傳統時尚產業依賴前一年的歷史數據來推估下一年需求，這種靜態預測方式經常難以因應突發的市場變化。相較之下，Mira 能夠快速處理大量數據，即時建立起反映市場變化的數據反饋迴圈。Tapestry 財務長兼營運長 Scott Roe 指出，運用 AI 與數據做出稍微好一點的決策，就能產生極大的商業效益，顯著降低估錯流行趨勢所產生的時尚風險（Fashion Risk）。 這套動態反饋機制貫穿產品開發、庫存調配、商品定價與市場行銷等核心環節。當 AI 幫助品牌做出更精準的決策、有效降低風險，結合團隊持續推出的產品創新，不僅吸引消費者升級購買更高價值的商品、推升平均單價（AUR），也為集團帶動永續的成長飛輪。 深度聆聽顧客需求：直營數據結合 AI，帶動全年營收展望上修 另外，Tapestry 也運用 AI 更貼近消費者的需求和流行脈動。Tapestry 擁有高達 90% 的直接面對消費者（DTC）通路，包含全球實體精品店與官方電商網站。這種高比例的直營模式，使該公司降低對第三方批發商的依賴，直接掌握最真實且龐大的第一方消費者行為資料。 為了進一步轉化這些數據，品牌在官網導入對話式 AI 工具，例如旗下 Kate Spade 的「禮物助手（AI Gift Concierge）」，透過即時互動聆聽顧客的真實購物需求，迅速捕捉最新的搜尋熱點與風格偏好。 數據與科技的深耕，最終直接體現在亮眼的財務表現上。受惠於直營通道的強勢成長以及 AI 賦能的營運效率，Tapestry 正成功吸引年輕世代顧客，尤其是 Z 世代新客群的加入。基於供應鏈彈性與市場反應速度的顯著提升，該公司近期（編按：5 月）正式上修 2026 財年的全年營收預估，將預期目標由先前的 77.5 […]

《時代雜誌》開賣「AI 專屬廣告」，品牌如何影響 ChatGPT 推薦？

專門用來影響 AI 代理人（AI Agent），而非直接展示給人類消費者的數位廣告，正逐漸成為一種全新的行銷管道，但也隨之開啟品牌安全（Brand Safety）的新戰場。在這場新型態的行銷戰役中，業界目前最核心的問題在於，一旦 AI 平台察覺品牌正針對其網路爬蟲（Crawlers）投放廣告，究竟會選擇接受這項新做法，還是將其視為垃圾內容並加以封鎖？ 不論 AI 平台最終對此類廣告的態度為何，這種「設法讓品牌被 AI 搜尋看見並引用」的行銷變革，早已在社群平台上發酵，其中 Reddit 便扮演關鍵角色。調查數據顯示，在 2026 年 5 月，Reddit 成為 ChatGPT、Perplexity、Gemini 以及 Google AI Mode 引用次數最高的網域，重要性甚至超越新聞媒體、學術文獻庫及維基百科。隨著越來越多網路流量流向大型語言模型（LLM）而非傳統搜尋引擎，被聊天機器人引用已變得至關重要，這也使得 Reddit 上的品牌提及對行銷業者而言，比以往更具商業價值。 人類看不到、AI 卻讀得到，《時代雜誌》的 Agent Ads 如何運作？ 為了解決企業無法控制 AI 機器人如何介紹自家品牌的痛點，廣告科技新創公司 Mobian 與知名出版商《時代雜誌》（Time）展開合作，為 Ally Bank、專案管理學會（Project Management Institute，PMI）等品牌推出名為「Agent Ads」（代理人廣告）的實驗性廣告產品。 這套機制的運作原理非常獨特：過去，《時代雜誌》就曾為其網頁打造精簡的純文字版本，讓 AI 代理人可以更有效率地讀取內容。現在，《時代雜誌》會將 AI 爬蟲導向這些一般人類讀者瀏覽時完全看不到的純文字頁面，並開始在上面投放廣告。這些廣告會以類似常見問題解答（FAQ）的文字區塊呈現，內容經過特別調整與優化，方便 AI 機器人直接讀取與吸收品牌資訊。這種創新的做法，可能讓企業得以利用《時代雜誌》這類權威出版商的「權威性」（Authority），進一步影響自家品牌在 ChatGPT 和 Gemini 等聊天機器人中所呈現的樣貌。 AI 導流展現轉換潛力，品牌決定搶先實驗 […]

【科技早餐】Google AI 高層大改組，Microsoft 一年認列 OpenAI 241 億美元營收

【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊Google AI 高層大改組，Demis Hassabis 轉任董事長、四名資深人才創業 Google 母公司 Alphabet 宣布，Demis Hassabis 將卸下 Google DeepMind 執行長職務，轉任 Google DeepMind 董事長及 Alphabet 首席科學家，未來將把更多時間投入通用人工智慧（AGI）的研究方向、策略及社會影響，並投入更多時間領導 AI 藥物研發公司 Isomorphic Labs。Google DeepMind 技術長 Koray Kavukcuoglu 將以資深副總裁身分接手日常營運，並繼續擔任 Alphabet 首席 AI 架構師，但不會接任執行長頭銜。 與此同時，包括在 Google 任職 27 年的 Jeff Dean 在內，四名資深 AI 與工程人才將離職，共同成立採公益型公司架構的 AI 新創 Discovery Loop，運用 AI 推動機器學習、科學及工程研究；Google 將擔任創始投資人與雲端合作夥伴。這波調整正值 Gemini 4 延後推出、Google […]

AI Agent 進入製造業卻卡在工程系統：真正的瓶頸為何不再是模型？

AI Agent 正快速從客服、程式開發等辦公室場景，走向工程設計與製造流程。不過，企業真正開始部署後，卻發現模型能力提升，並不代表 AI 就能順利進入生產環境。 根據 Google Cloud 針對超過 1,400 位 IT 高階主管的最新調查，83% 的企業認為，若要真正部署 production-grade（生產層級）AI Agent，必須重新改造既有基礎設施；79% 則認為，安全治理（Governance）與 MLOps 是 AI Agent 規模化的主要障礙。Google 解釋，這是因為目前多數企業所依賴的基礎設施，本來就不是為 Agentic AI 而設計。 當這個問題發生在製造業，挑戰又更加明顯。軟體公司 Synera AI 的 AI 負責人 Ram Dhiwakar Seetharaman 日前在《Forbes》分享，該公司過去兩年協助製造業部署 AI Agent 的經驗顯示，真正限制 AI Agent 落地的，已經不只是模型能力，而是工程軟體、工程資料與工作流程本身。 工程軟體不是為 AI Agent 設計，而是為工程師設計 Seetharaman 回憶，兩年前第一次嘗試讓 AI Agent 修改 CAD 模型時，他原本認為，只要大型語言模型（LLM）變得更強，AI 就能完成修改尺寸、執行模擬分析，再回傳結果等工程工作。然而，儘管近兩年模型的推理、規劃與工具使用能力都有明顯提升，實際部署後卻發現，問題並沒有因此消失。 他也指出，原因出在多數工程軟體的設計前提，本來就是「由人操作」。他的論證是，目前多數製造業仍使用的 […]

Meta、OpenAI、Anthropic 接連爆 AI Agent 越界，專家：真正失控的不是模型，是人類治理

近日，Meta 證實旗下 Muse Spark 模型在資安評估期間利用第三方服務的安全漏洞，成為近期又一起 AI Agent 進入外部系統的案例。在此之前，OpenAI 已公開其模型越界進入 Hugging Face 系統的事件，Anthropic 也發現三起旗下 Claude 模型未經授權存取其他公司系統的事件。 與此同時，英國人工智慧安全研究所（AISI）的最新測試也發現，由 OpenAI 與 Anthropic 模型驅動的 Agent 曾鎖定真實人物與組織，採取建立假身分、寄送惡意郵件與試圖植入惡意程式碼等駭客行動。隨著這些資安事件接連曝光，媒體與公眾開始廣泛以「失控」（going rogue）描述 AI Agent 的行為，也讓研究者開始質疑，這種說法是否有些言過其實，甚至賦予模型過多自主決策能力的想像。 Meta、OpenAI、Anthropic 接連越界，但事件原因都與測試環境有關 Meta 表示，旗下 Muse Spark 模型在測試期間利用第三方服務的安全漏洞。這起事件的起因是獨立測試公司 Irregular 的評估環境設定錯誤，意外讓 Muse Spark 在評估期間連上開放網路。對此，Irregular 發言人特別強調：「這起事件並不涉及沙盒逃脫或複雜的網路攻擊，且目前也沒有尚未解決的問題。」 同時，Irregular 也表示正在撰寫白皮書，以分享安全運行網路評估的限制措施與最佳實踐。至於 Meta，則是在 Irregular 主動通知後才得知此事，目前正在進行詳細調查，並計畫在取得完整資訊後發布報告。 另一方面，Anthropic 表示，其模型進入外部系統的三起事件源於測試框架中的一種「誤解」；OpenAI 也曾發現其模型逃離隔離環境、失去控制的其他案例。這些事件都表明，所謂的「失控」往往與不完善的測試環境設定息息相關。 建立假身分、寄送惡意郵件，AI Agent 展現前所未見的欺騙行為 雖然環境設定存在漏洞，但 AI Agent 在測試中展現的欺騙手段依然令人心驚。英國人工智慧安全研究所（AISI）在資安評估中，共發現 19 […]

自研晶片卻不放棄 NVIDIA：Anthropic 為何想用軟硬體協同設計重塑 Claude 成本結構？

為了因應開發與運行先進 AI 系統所面臨的晶片短缺挑戰，Anthropic 於 8 月 5 日首度公開確認，內部正在建立一支「客製矽晶片團隊」（custom silicon team），著手為旗下 Claude AI 模型設計專屬晶片。這項宣告也象徵 Anthropic 的策略轉折：Anthropic 正式從外部合作夥伴晶片的採購者，跨足成為自主研發的晶片設計者。 這項計畫的核心在於招募具備橫跨硬體與軟體堆疊經驗的工程師，並推動「軟硬體協同設計」，讓晶片與 AI 模型同步開發，使 Claude 能在客戶所需的龐大規模下，運作得更快、更有效率。然而，這並不代表 Anthropic 要與既有盟友分道揚鑣。Anthropic 特別強調，自研晶片是其整體「多晶片策略」（multi-chip approach）的最新一步，AWS、Google、NVIDIA 與 AMD 的硬體技術，仍是 Anthropic 持續擴充 AI 算力與推動規模化的關鍵基礎。 不再讓 Claude 遷就通用晶片，Anthropic 想用協同設計重寫軟硬體關係 為了解決傳統通用硬體的效能瓶頸，Anthropic 採取硬體與模型共同設計（co-design）的策略。在常規的晶片採購模式中，企業通常會先購買 NVIDIA 的 GPU、Google 的 TPU 或 Amazon 的 Trainium 等現成硬體，隨後才編寫軟體，以適應並運行於這些既有硬體上，因此軟體往往必須遷就硬體既定的能力上限。然而，協同設計則扭轉了這種主從關係，讓晶片在規劃之初，便按照軟體的具體需求量身打造。也就是說，晶片與 Claude 模型將共同開發，雙方的底層需求也會相互影響彼此的架構。 對 AI 推論加速器而言，這種協同設計能使晶片的記憶體配置、資料流架構及數值精度格式，完全配合 Claude 推論框架中最常執行的核心運算。此外，負責將 […]

Meta 首款程式代理 Muse Code 上線！改按 token 計費，最低價要拿你的程式碼交換

AI Coding 領域長期由 Anthropic、OpenAI 兩大巨頭盤踞，如今又有新競爭者叩關。Meta 推出首款終端機程式代理 Muse Code，搭配專為程式最佳化的模型 Muse Spark 1.2，對上 Anthropic 的 Claude Code 與 OpenAI 的 Codex。 究竟這款代理有何特別之處？該工具主打可長時間自主運作的背景代理，以及一份完整可重播的執行紀錄，試圖用工作流架構與對手拉開距離。但吸引外界注目的是它的定價：最低方案的 token 單價僅約標準層十分之一。不過這個便宜有前提：想用最低價，就得授權 Meta 把你的程式碼與提示拿去訓練它的下一代模型。 分數仍輸 Anthropic，Meta 把戰場拉到模型之外 Meta 這次沒有在模型分數上取得領先。根據《VentureBeat》整理的基準圖表，Muse Spark 1.2 在 Terminal-Bench 2.1 拿下 82.9%，居次於 Anthropic Opus 5 的 86.7%；在 DeepSWE 1.1 排名第三；即便是 Meta 自訂的內部程式測試，也落後 Opus 5 近九個百分點。三張基準圖表中，Claude 都位居首位。《VentureBeat》指出，Meta 在公告內文並未標榜任何名次，這在對手習於高調宣傳排行榜成績的領域裡並不常見。 既然分數不是強項，Meta 把重心放在工作流架構。Muse Code 最主要的設計賭注是它所稱的「非同步背景代理」（async […]

六成企業看不到 AI 成效，CEO 們該問的不是用了多少 AI 而是「品質怎麼衡量」

AI 唯有在不犧牲品質的前提下，才真正有價值，因為速度容易取得，維持品質卻很困難；而這個落差已經反映在產業數據上：麥肯錫全球調查發現，近八成組織已在至少一項業務功能使用生成式 AI，62% 正在實驗代理型 AI，但仍有 60% 的受訪者，尚未看到企業層級的獲利影響。 以典型的業務漏斗為例，管理者用它判斷交易卡在哪個階段，執行長用它追問成交率為何下滑，董事會則用它驗證預測，所有人看的是同一組數字——但企業目前還沒有對應的框架能校準 AI 完成的工作。 框架要納入的三項原則 要建立這套框架，得先回到管理的基本分工，包括管理者指揮工作、評估產出，執行長權衡脈絡、修正方向，董事會監督風險、要求領導層當責；這些既有紀律，現在同樣要套用到 AI 完成的工作上。 第一項原則，是用人類判斷力抑制風險。用更少力氣完成更多工作，向來讓人感覺良好，AI 把這種快感放大了，尤其當 AI 公司採用依用量計費的模式時，互動會被設計得讓人感覺良好，即使品質正在受損。 史丹佛大學一項研究就發現，在相似情境下，AI 模型給出的回應，比人類多出近 50% 的討好成分，即使使用者提出的是有風險、不道德甚至涉及犯罪的問題也是如此。因此員工必須記得，自己被雇用是因為雇主相信他們具備良好判斷力。 第二項原則，是及早且持續辨識失衡。AI 可能讓某個部門的產出加速，但在下一個環節製造失衡，而多數執行長要等到問題浮現才會察覺。領導者必須辨識出哪個環節被過度優化，並調整策略讓組織其他部分跟上腳步。 第三項原則，是記住故事不等於事實。AI 進度報告需要從敘事型更新，轉向以結果與影響為導向的回報，麥肯錫將這個轉變形容為從「AI 導入」邁向「AI 執行」。要落實這個轉變，可以參考一套涵蓋技術表現、使用者採用、營運指標、策略成果到財務影響的五層衡量框架，每一層都有明確負責人，並搭配固定的審查節奏與清楚的決策關卡，讓專案只有在證明真正效益後，才能推進到下一階段。 把每個 AI 使用者都當成管理者 有了三項原則，接下來是怎麼落地？一個簡單的框架是，每一個使用 AI 的人，都是一位管理者，負責任地使用 AI，需要跟管理人一樣的紀律。 具體而言，每個使用者的新職責有三件事：像熟練的管理者一樣給 AI 清楚指令、用審視部屬報告同等的嚴謹程度，檢視 AI 給出的結果、對 AI 產出並送出的一切內容承擔完全責任。 健康的懷疑態度是每個層級的領導紀律，要求 AI 挑戰自己的答案，並把使用量上限當成警訊，而非成功指標。 對領導者而言，當責同樣需要具體化，包括自己為建立正確的 AI 文化做了什麼、如何讓團隊具備成功所需的工具與訓練、AI 路線圖如何與財務規劃連結，以及除了使用量之外該如何衡量進展。 事實上，日常工作與損益表之間的連結，向來是領導者最難拿捏的部分，這一點不會因為 AI 而改變，但有正確的衡量方式，領導者就能真正驅動獲利與成長。 執行長現在最該問彼此的一個問題 歷史經驗顯示，新科技剛出現時往往不受拘束地擴張，但成本與現實很快就會設下限制，AI 也不會例外。 […]

Gemini、Vertex AI 走進美術館：紐約大都會博物館的生成式 Gemini 怎麼落地？

全球博物館正面臨嚴峻的營運考驗。觀眾回流緩慢、公共預算縮減、企業贊助收縮，加上傳統捐款人逐漸凋零，逼得各大文化機構積極思考轉型。如何利用數位科技提升效率、吸引年輕世代走進展廳，已成了當務之急。 在這股浪潮下，紐約大都會藝術博物館（The Met）選擇大膽擁抱生成式 AI，接連推出多項創新計畫，嘗試重構大眾探索藝術的方式，也為博物館營運尋找新解答。 紐約大都會博物館攜手 Google 打造全旅程 AI 體驗 最受矚目的，莫過於大都會博物館與 Google Arts & Culture 的合作。館方邀請創意科技工作者 Julia Daser 擔任六個月的駐館研究員，利用 Google Gemini 與 Vertex AI 技術，在策展人協助下直接於展廳內開發並測試各種 AI 原型。 大都會博物館新興科技資深專案經理 Brett Renfer 指出，團隊在短短半年內完成了數十項可測試的 AI 原型，涵蓋觀眾從進館、觀展到離館的完整訪客流程。他並期待，這些探索能帶來如提高展覽說明牌的易讀性、優化館內路線導引，甚至讓觀眾離館後仍能延續探索，建立更持久連結的可能性。 專屬「品味畫像」與「會說話的雕像」：生成式 AI 落地現場互動 除了營運端的實驗，大都會博物館也同步推出了兩款吸睛的互動工具。首先是由 Google Arts & Culture Lab 開發的「Art Aura」。這款工具搭載 Gemini 模型，操作十分直覺：使用者只需將喜歡的作品、風格或關鍵字拖進介面，AI 就會剖析其中的共同特徵，跨越時代、媒材與文化界線，生成一份個人專屬的「藝術品味畫像」，希望降低一般民眾接觸藝術史的門檻，也鼓勵觀眾跳脫年代或流派分類，發現館藏作品之間更多隱藏的連結。 另一項突破性嘗試，則是讓世紀古物「開口說話」。大都會博物館攜手法國文化科技公司 AskMona，在中世紀展廳引進「Town Square AI」模型。觀眾只需掃描 QR Code，就能以語音或文字與聖抹大拉馬利亞、聖奧古斯丁等四座數百年歷史的雕像即時對話。 為確保內容嚴謹，館內策展人、修復師與研究人員共同提供訓練資料，讓每尊雕像都具備符合歷史背景的人設與敘事風格。有趣的是，這些 AI 雕像不只能講述自身歷史，還能回答「洗手間在哪裡」這類實用問題，成為兼具解說與導覽功能的多功能助手。 […]

【科技早餐】SpaceX 投入 158 億美元擴 AI、押注 NVIDIA，AMD 資料中心營收翻倍

【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊SpaceX 單季投入 158 億美元擴 AI，資料中心全面採用 NVIDIA SpaceX 公布上市後首份季度財報，第二季營收年增 92%，達到 78 億美元。其中，衛星網路服務 Starlink 營收增加 66%，用戶數較一年前增加一倍，達到 1,200 萬；收購 xAI 後納入的 AI 業務，也成為新的營收成長來源。SpaceX 預期，今年 12 月的整體營收年化規模可達到 1,000 億美元，並計畫未來一年發射至少 1,000 顆新一代 Starlink V3 衛星，持續擴大衛星網路與行動通訊服務。 不過，SpaceX 單季資本支出超過 180 億美元，其中 158.3 億美元投入 AI 部門與資料中心。執行長馬斯克（Elon Musk）並在財報電話會議宣布，未來資料中心將全面採用 NVIDIA 硬體，不再採購 AMD 的 AI 晶片，並稱 NVIDIA 新一代 Vera Rubin 架構最符合公司需求。SpaceX 當季自由現金流仍為負值；隨著公司同時推進衛星、火箭與地面資料中心，並規劃太空資料中心，高額 AI […]

台灣向全球 AI 新創徵件，TiBOOST 串聯技術商業化與資本市場

為了打造台灣成為亞洲納斯達克，金管會、國發會宣布啟動「TiBOOST 創新大步計畫」，即日起向海內外 AI 新創徵件，聚焦 AI 智慧應用、金融科技、矽光子及量子科技等領域，希望整合政府、創業投資（VC）及企業創投（CVC）等資源，發掘具技術優勢與國際市場潛力的創新企業，並鼓勵更多亞洲及國際新創企業來台掛牌臺灣創新板（tib-創）。 為完善創新企業成長所需的資本支持機制，臺灣證券交易所持續優化臺灣創新板制度。其總經理室業務委員兼亞資中心推動辦公室執行長胡則華接受《TechOrange》採訪表示，台灣資本市場的特色是具有高度包容性，「讓大型國際企業有展現價值的舞台、成長中的中型企業有取得資金與擴張的機會，也讓初創的小型公司有發揮創新優勢與靈活性的平台」。她指出，投資人會看到台灣市場不只有少數明星企業，而是一個完整、多元且具有韌性的產業生態系，「簡而言之，證交所是產業與資本之間的造局者。」 與一般創業競賽不同，TiBOOST 的目標並不只提供獎金或曝光機會，而是希望把技術、投資與資本市場串聯起來。根據規劃，該競賽將由國內外重量級 VC 與 CVC 擔任決賽評審，除分別提供前三名 250 萬、150 萬及 100 萬元獎金外，獲選團隊還可獲得媒體曝光、新創基地進駐，以及與資本市場專家交流媒合等資源，協助技術走向商業化，並進一步接軌國際資本市場。 這項計畫也是政府推動「AI 新十大建設」政策的一環。根據證交所，TiBOOST 希望結合台灣 AI 產業優勢，透過政府、創投、企業創投及資本市場等資源，支持創新企業於不同發展階段持續成長，並強化台灣資本市場與國際創新生態系的連結。 目前 TiBOOST 已正式展開全球徵件，徵件期間至 9 月 29 日中午 12 點前，評分將依技術創新性、市場潛力、商業模式、團隊能力及國際發展潛力等構面進行綜合評估；經資格審查及評選後，預計遴選 10 至 12 家企業進入決賽，並於 11 月 10 日舉行的決賽暨頒獎典禮現場進行 Pitch 簡報及評審問答。 隨著各國持續投入 AI 產業競爭，如何協助新創跨越技術研發、商業化到募資成長的各個階段，也成為各國打造 AI 生態系的重要課題。此次 TiBOOST 能否吸引更多具國際競爭力的 AI 新創來台發展，並透過創新板取得長期資本支持，也將是觀察台灣 AI 創新生態發展的重要指標之一。 【推薦閱讀】 ◆ […]

現在的商業機密 10 年後還是秘密嗎？中原大學物理系講座教授張慶瑞揭「先竊取、後解密」危機與 PQC 遷移時程

回顧科技產業的發展，甲子輪轉正在悄然發生。TechOrange 科技報橘於今（8/5）舉辦「2026 量子高峰論壇」，特別邀請中原大學物理系講座教授、量子資訊中心主任張慶瑞，深入解析「Q-Day 與量子計算」的技術發展與未來變局。 張慶瑞指出，從 2026 年丙午火馬年開始，世界即將迎來下一個 60 年的黃金時代，而這個時代的核心正是量子生態系。回顧過去，半導體時代所應用的主要是量子力學中較為簡單的物理概念，但如今人類正在運用更複雜的量子力學機制，正式啟動「第二次量子革命」。在這樣的趨勢下，張慶瑞預期，隨著量子電腦技術起飛，未來 10 年內，全球科技版圖與資安環境將迎來劇烈變化。 Q-Day 可能落在 2033 年，比特幣恐比 RSA 更早被破解 在探討量子科技的巨大變革時，一個最受金融與資安界矚目的關鍵詞就是「Q-Day」。張慶瑞說明，Q-Day 有著明確的定義，那就是量子電腦有能力徹底破解目前廣泛應用的 RSA-2048 加密演算法的那一天。 這項威脅並非空穴來風。早在 1994 年，科學家 Peter Shor 就在連量子電腦都還不存在的時代，提出著名的「秀爾演算法」。這項演算法能在硬體效能足夠的前提下，將傳統電腦需耗費 10,000 年處理的 RSA-2048 密碼，在短短 3 分鐘內破解。從技術細節來看，理論上要破解 RSA-2048，需要約 4,500 顆經過錯誤修正的「邏輯量子位元」。儘管硬體挑戰依然存在，但業界普遍預估，Q-Day 極有可能在 2033 年來臨。 值得注意的是，加密貨幣將會比傳統金融更早面臨被破解的危機。張慶瑞以比特幣為例，說明其私鑰長度僅有 256 位元，理論上只需要 1,400 多顆邏輯量子位元就能破解，因此比特幣面臨威脅的時間點顯然會比 RSA 更早來到。不過，在密碼學被完全破解之前，容錯度較高的領域，例如新材料研發或金融風險控制等，將會更早看到量子計算應用落地。這是因為這些領域的運作不需要像密碼學一樣，做到一絲一毫都不能出錯，也為量子運算商業化提供了先行發展的土壤。 「先竊取，後解密」讓企業機密此刻就暴露在量子風險中 然而，當前許多企業與組織對於 Q-Day 的威脅仍抱持觀望態度，認為距離 2033 年仍有一段時間，現階段無需過度驚慌。對此，張慶瑞提醒，這種想法忽略了地緣政治對手與駭客集團正在進行的無聲攻勢，那就是「先竊取，後解密」的嚴峻考驗。這種新攻勢代表，敵對勢力現在就可以將傳輸中的敏感加密資料攔截並儲存，等到數年後量子電腦硬體發展成熟，再一次性解密。 「真正的問題是，你的秘密現在是秘密，以後是不是還是秘密？」張慶瑞指出，企業與個人都必須重新審視資安防禦的時間維度。如果台積電的核心製程機密、銀行的長期交易紀錄或國防關鍵情資，其生命週期與保密需求長達 10 年甚至 […]

SpaceX、AMD 財報透露同一訊號：AI 基建需求未降溫，但市場開始提高期待

同一天，兩份備受矚目的財報都交出了超越市場預期的成績，股價卻雙雙在盤後走跌。SpaceX 首次以上市公司身分發布財報，營收年增約九成、AI 業務營收倍數成長；AMD 資料中心營收突破 67 億美元、單季營收年增五成，第三季財測也高於分析師平均預估。然而投資人的反應如出一轍：賣出。這個看似矛盾的畫面，透露出 AI 基礎設施競賽正在發生的一個轉變。 財報都贏了預期，股價卻一起走跌 先看 SpaceX。綜合外媒報導，SpaceX 在截至 6 月底的這一季繳出 78 億美元營收，高於華爾街預期，並較一年前的 41 億美元大幅成長；《Financial Times》指出，這代表年增約 92%。虧損方面也優於預期，《Bloomberg》報導單季每股虧損 9 美分，低於分析師預估的 24 美分。 但財報公布後，SpaceX 股價在盤後一度下挫，《Financial Times》稱一度跌幅達 8%。市場不滿的核心，是它在 AI 上的資本支出遠超預期：《Reuters》報導，SpaceX 第二季 AI 資本支出達 158.3 億美元，遠高於一年前的 7.49 億美元；《Bloomberg》則指出整體資本支出單季躍升至約 184 億美元，且這水準至少會再維持兩季。S&P Global 旗下 Visible Alpha 研究主管 Melissa Otto 直言，投資圈對 AI 部門的資本支出數字並不特別買帳，因為它「很有企圖心」。 AMD 的劇本幾乎相同。根據報導，AMD 預期第三季營收約 130 億美元、上下浮動 3 […]

【防詐邏輯升級】AI 代理人讓身分驗證失效，「授權範圍」與「斷路器機制」成新控制點

過去，金融機構要防堵一筆可疑交易，思考邏輯是：這筆交易背後，是不是一個真實存在的人？如果是，這個人是不是他聲稱的那個人？但當 AI 代理人（AI agent）已經能夠自主完成轉帳、變更帳戶資訊等交易時，這兩個問題本身，已經不再是防詐的核心。 真正該問的問題，變成「這筆交易有沒有被授權、是誰授權的、又是在什麼範圍內完成的」，不再在意交易背後是人、是聊天機器人、還是代理人。 一人擁十個代理人，驗證邏輯直接失守 過去的整套防詐機制，都建立在「交易另一端一定有一個人」這個假設上，人的數量有限，這件事原本可管理；後來業界加入第二層驗證，確認每個人是不是他聲稱的身分，驗證的複雜度因此提高，但仍在可控範圍內。 Gartner 預估，到 2026 年底，40% 的企業應用程式將內嵌任務專屬的 AI 代理人，遠高於 2025 年不到 5% 的比例；PwC 調查也顯示，79% 的公司表示 AI 代理人已在組織內被採用。 AI 代理人的出現，讓防詐驗證負擔出現更劇烈放大。一個人此刻可能同時擁有十個代理人，各自存取他的帳戶、代為行動；這些代理人可以為單一任務被建立，隨後被修改、被淘汰，甚至可能一天之內全部發生。現行的身分驗證架構，建立在「一個已驗證身分對應一個行動」的一對一關係上，但這個關係已經不再成立。 業界目前的因應方式，是要求代理人在行動時自我聲明身分。但知道對方是代理人，只解決了問題的一半，真正困難的問題是，這個代理人被允許做到什麼程度？ 這個界線，可以想成一個「界線盒」（bounding box），也就是說授權只是讓你進門的鑰匙，界線盒才是進門之後，能碰到哪些房間、什麼時候必須先請示才能繼續的完整規則。少了這層規則，對代理人點頭說好，等於簽了一張空白支票。 讓代理人「提議」，不能讓它「執行」 實務上，界線盒這個原則已經有具體做法，代理人只能「提議」一筆交易，沒有權限直接「執行」它，執行必須交給一套獨立的決策式政策引擎，依照機構訂下的金額上限、交易對象、法遵要求逐一檢核，才會放行。就算代理人被誘導提出有問題的提案，也無法憑一己之力動用資金。 即使畫好界線盒，這件事仍然不算解決。信用卡一旦遭盜刷可以直接停卡，但代理人沒有對應的機制，一家銀行封鎖了失控的代理人，它很可能仍在別的地方繼續交易，因為業界並沒有共享的緊急停止開關。 比較務實的做法，是設下「斷路器」機制，一旦交易速度或累積曝險超過門檻，就自動中止代理人的行動。 誰該負責，仍是一片空白 不過這個缺口也連帶牽出「出了事，究竟誰該負責」的棘手問題，是授權的使用者、打造它的開發者，還是沒能偵測到詐騙的機構？這個問題目前沒有明確答案，卻攸關機構真實的風險曝露程度。 類似的問題需要放到更大層級討論，因為詐欺監理向來屬地，這一點短期內不會改變。但 AI 代理人不受國界限制，規範討論的速度必須追上代理人跨境行動的速度，業界現在有機會提前因應，而不是等重大事故發生後才被迫補救。 這也帶回另一個狀況是，代理人是否該被強制自我表明身分？支持的理由是能降低詐欺曝險、建立稽核軌跡，反對的理由是壞行為者本來就不會遵守。 但金融產業從來不是等強制力完美到位才行動，「認識你的客戶」（KYC）早在成為法律要求之前，就已先成為市場自發遵循的標準，同樣的路徑很可能在這裡重演。過去整套防詐體系，是為了驗證「人」而打造的，這在過去是正確的選擇，直到現在，這個假設本身，已經到了必須被重新檢視的時刻。 【推薦閱讀】 ◆ 【AI 詐騙年損近 9 億美元】資安專家共識：防詐的核心不是辨識，而是「驗證習慣」◆ 三秒複製聲音、一通電話掏空存款，Savi 要用「即時通話監控」反制 AI 詐騙◆ 高齡者成詐騙首要目標，美國退休金融機構如何利用 AI 保護老年人 ＊本文開放合作夥伴轉載，參考資料：Forbes、Halborn，首圖來源：Unsplash （責任編輯：鄒家彥）

中國還造不出 EUV，卻可能先搶走 ASML 中國訂單：出口管制正改寫設備採購邏輯

近期，中國計畫生產自製光刻設備的消息震撼市場，導致荷蘭半導體設備龍頭艾司摩爾（ASML）股價在一週內重挫 8%。然而，《Financial Times》指出，這項進展並未對 ASML 的市場壟斷地位構成立即威脅。因為在技術層面上，中國在深紫外光（DUV）光刻設備領域仍落後約一個技術世代，且與 ASML 更先進的極紫外光（EUV）設備相比，仍存在約十年的技術差距。 從產能規模來看，中國預計在 2027 年生產約 20 台浸潤式 DUV 設備，與 ASML 僅在 2025 年就出貨 131 台的既有規模相去甚遠。摩根大通分析師據此指出，中國自製設備在中短期內對 ASML 造成的實質損害相當有限。然而，即使中國設備在技術、產能與可靠度上均未追上 ASML，這波自研浪潮仍已向市場發出警訊，大幅提高 ASML 中國營收面臨的長期風險。 出口管制留下市場真空，中國晶圓廠可能開始接受效能較差的國產設備 在當前破碎的全球貿易體系下，美國禁止 ASML 向中國出口最先進的極紫外光（EUV）設備，迫使中國踏上自主研發光刻機的道路。同時，美國也限制 ASML 最先進的浸潤式深紫外光（DUV）設備輸入中國。美國國會目前甚至進一步討論「多邊技術控制硬體協調法案」（MATCH Act），試圖全面防堵其餘浸潤式 DUV 設備流入中國。然而，出口管制形成的市場真空，恰好是上海愛晟納等中國本土企業目前全力鎖定的核心設備市場。 產業研究人員指出，美國這波嚴厲的出口管制，反而意外替中國國產光刻機創造了商業立足點。因為在正常市況下，晶圓代工廠若採用效能與能力較差的系統，勢必得承受生產力下滑與單顆晶片成本攀升的劣勢。然而，當政治風險使外國設備未來可能隨時遭到全面禁售，甚至無法取得後續維修與售後服務時，中國晶圓廠顯然比以往更願意接受國產設備效能較差的代價。 中國 DUV 仍落後四代，ASML 的真正優勢不只是一台光刻機 然而，這並不代表 ASML 的技術護城河已經崩塌。《Financial Times》分析，光刻機與一般晶片或大型語言模型不同，難以套用常規競爭邏輯，因為整個光刻製程涉及無數個高度精密且彼此連動的環節。光刻技術的精確度更是以原子尺度衡量，其製程所能容許的誤差也遠低於其他工業產品。 此外，光刻設備在運作時需要持續進行微調，而 ASML 每年藉由出貨數百台設備所取得的龐大運作數據，能為後續技術改善提供中國目前難以比擬的即時回饋。中國競爭對手若想追趕，必須跨越 ASML 長達四十年的技術護城河，以及一套包含約 10 萬種不同精密零件的複雜供應鏈。 根據《Asia Times》報導，中國目前正在研發的國產設備主要鎖定 28 奈米製程，其性能大致相當於 ASML […]

機器人流量首度超越真人，Cloudflare 推 Precursor 用全程行為監測識破偽裝

Cloudflare 指出由 AI 機器人與自動化工具所產生的網路流量，已達到全球網路總流量的 57% 超越真實人類，因此研發新工具 Precursor 強化判斷，並區分良性與惡意機器人。

【科技早餐】Anthropic 對 Google 五年算力承諾達 2,000 億美元，Apple 聲請禁制 OpenAI 使用商業機密

【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊《金融時報》拆解 Google—Anthropic 2,000 億美元算力融資網，晶片租賃成關鍵 Anthropic 此前已承諾，未來五年向 Google 採購約 2,000 億美元的雲端服務與 TPU；《金融時報》此次進一步拆解支撐這些承諾的合約與融資安排。整體支出中，超過 1,500 億美元與 Google、博通（Broadcom）共同設計的 TPU 有關，反映前沿模型公司的長期算力需求，已超出一般雲端服務合約的規模。 首批約 1 GW 的 TPU 硬體，由特殊目的公司 Compute SPV 透過三層債務融資籌集約 350 億美元，買入晶片後租給 Anthropic，再以租金償還債務。《金融時報》另確認，已有五項、合計 1.4 GW 的資料中心計畫，在 Google 提供租約付款擔保後取得約 150 億美元債務融資；Google 至今擔保的計畫則共有十項，合計涉及約 2.4 GW 電力容量。晶片租賃讓 Anthropic 分期承擔成本，Google 的擔保則降低開發商與債權人的風險，AI 算力競賽正進一步延伸至私人信貸與基礎建設金融。 ＊Apple 聲請禁制 OpenAI 使用商業機密，雙方公開交鋒 Apple 向美國法院聲請初步禁制令，要求禁止 OpenAI 及兩名前 Apple […]

開源 AI 取代 EDA？西門子 EDA：AI Agent 不會改變商用工具的價值

當中國新創日前宣稱其新開源 AI 模型能在數十小時內完成晶片設計，一度嚇動市場對 EDA（電子設計自動化）巨頭的信心，這個議題也成了半導體業的關注焦點。西門子 EDA 資深副總裁暨人工智慧策略長 Amit Gupta，今日在該公司年度 IC 設計技術論壇的媒體訪問中回應，開源與純 AI 代理（Agent）並不會弱化商用工具的價值，而競爭的決勝點，正在從使用者熟悉度，轉向速度、正確性和簽核（sign-off）品質。 客戶端的三重壓力：更快、更複雜、更缺人 Amit Gupta 觀察，客戶端現在的普遍需求，是把產品上市時程（time-to-market）縮短一半：過去要 18 個月的設計週期，現在希望壓到 9 個月，甚至再從 9 個月砍到 4.5 個月。但與此同時，晶片規模持續膨脹、走向 3D 堆疊，讓設計複雜度飆升；而業界預估到 2030 年，全球工程師缺口將高達數百萬人。 西門子 EDA 全球副總裁暨亞太區技術總經理 Lincoln Lee 進一步說明複雜度的來源。他指出，3D 封裝已成關鍵需求，而高密度堆疊帶來棘手的多物理量（multiphysics）耦合：功耗升高使溫度上升，熱牽動應力與翹曲（warpage），進而影響電氣效能，最終又反饋回溫度，環環相扣。 既要更快、又更複雜、還更缺人，這三股力量同時壓上來，讓 AI 從加分選項變成半導體設計的結構性剛需。 當 AI 打平工具門檻，競爭規則正在改寫 Amit Gupta 指出，即便是那篇引發市場關注的中國 AI 新創部落格文章，作者本人也坦言並非「下一個指令、設計就跑出來」，實際上歷經約兩三週的來回引導與修正才完成整個流程，這說明趨勢方向正確，但門檻並沒有想像中那麼低。他強調，商用軟體的優勢是經過驗證、結果可靠的。 Amit Gupta 也補充，很多 EDA 工具被長期沿用，並不是因為它最快、最準或最具擴展性，而是使用者熟悉度使然，這也是特定廠商能長期握有高市占的原因，但當 AI 代理接手操作工具，這道長年築起的進入門檻等於被一次打平。他認為，市場競爭的態勢將回歸最本質的指標：工具本身的速度、可靠性與簽核（sign-off）品質。 從一句指令到自主驗證：西門子的 AI […]

企業都在用 AI，競爭力為何沒拉開？下一步是「垂直 AI」

多年來，許多企業領導者將 AI 視為解決一切痛點的萬靈丹。Oracle 歐洲、中東及非洲地區 AI 業務價值副總裁 Neil Sholay 近日在《TechRadar》撰文指出，過去企業習慣「在這裡部署一個數位助理，在那裡放置一個 Copilot，然後等待魔法發生」，但 AI 帶來的改變，至今仍未達到企業營運所需的規模。 問題並非 AI 失去效用，而是多數企業未能區分不同的 AI 應用層次。Neil Sholay 將企業 AI 分為兩類：水平 AI（Horizontal AI）可以用來處理不同企業共有的基礎工作，實用、容易擴大部署，卻也日益商品化；垂直 AI（Vertical AI）則結合特定產業知識、企業專有資料與核心工作流程，能解決更複雜的產業問題。 然而，當所有競爭對手都能取得相同的水平 AI 工具，這也代表企業難以藉此建立獨特優勢。因此，這些在 AI 時代領先的企業並未拋棄水平 AI，而是不再把廣泛部署通用 AI 工具視為轉型終點，而是將水平 AI 當成基礎，再建立能重塑企業營運方式的垂直 AI。 AI 愈容易部署，愈難拉開差距？企業的「複雜度悖論」 Neil Sholay 將這種現象稱為「複雜度悖論」（The Complexity Paradox）：水平 AI 部署簡單，單獨使用卻多半只能創造有限的邊際價值；垂直 AI 建置難度較高，卻更有機會直接改變企業的營收、成本與損益。然而，目前多數企業仍停留在第一層，尚未進一步建立深入產業流程的垂直 AI 能力。 他以客戶服務為例，說明通用數位助理可能每週替客服團隊省下數小時，這是一個實際且必要的起點，卻不足以帶動企業轉型。相較之下，為特定產業打造的 AI 系統，可以嵌入企業核心流程，運用專有資料與領域知識，讓 AI 從協助員工的工具，進一步成為業務流程再造的一部分。 這也代表，水平 […]

Qwen 追近前沿、DeepSeek 任務成本僅約 Claude 的 1%，Hugging Face 執行長：中國明年若主導前沿模型也不意外

開源與開放權重模型正在快速進展，全球 AI 競爭格局也正發生劇烈變化。開源軟體平台 Hugging Face 執行長 Clément Delangue 近日接受《CNBC》訪問時表示，中國目前已在開放模型競賽中取得明顯的主導地位。按照目前驚人的進展速度，若中國在 2026 年底或 2027 年開始主導前沿模型領域，他完全不會感到意外。 Clément Delangue 指出，這場變革背後的核心動力，在於中國當地蓬勃發展的開放協作與共享生態；相較之下，美國的 AI 開發商多半在各自封閉的「孤島」中進行研發，這讓美國面臨因缺乏協同效應而落後的風險。 就在 Clément Delangue 發表這番關鍵評論之際，中國科技巨頭阿里巴巴於 8 月 3 日正式推出 Qwen3.8-Max 模型，AI 新創 DeepSeek 也在不久前發布 V4 Flash，並開始招募開發者測試全新的 Agent 工具鏈「DeepSeek Harness」。這些進展再次顯示，中國科技公司正在不大幅增加成本的前提下，以極快的速度打造能力更強的 AI 系統，並持續強化中國企業押注開放權重模型、爭取全球開發者採用的戰略路線。 阿里巴巴 Qwen3.8-Max 新模型效能追近 Claude，權重下週開放 阿里巴巴全新推出的 Qwen3.8-Max，是該公司迄今規模最大、能力最強的 AI 模型，擁有高達 2.4 兆個參數。雖然參數多寡主要反映模型訓練背後所動用的運算資源，並不絕對等同於模型最終表現，但這個數字已非常接近日前由月之暗面推出、擁有 2.8 兆個參數的 Kimi K3 模型，也成為觀察中國大模型技術實力的重要指標。 在實際效能評測上，Qwen3.8-Max 在模型評測平台 […]

從直覺語意搜尋到企業知識庫：QNAP Qsirch 7.1.0 雙核 AI 架構與落地藍圖

「我們最初想打造這樣的模式，就是希望能讓用戶使用的更自然、更輕鬆的方式找到他們需要的檔案。」QNAP 威聯通產品經理駱思安表示，過去企業在 NAS 中搜尋檔案，往往受限於關鍵字、檔名或資料夾路徑。 忘記檔名、檔案存在哪個資料夾，已經成為許多工作者日常面臨的問題，加上 AI 時代帶來海量的資料儲存，使得檔案搜尋變的更加不易，資料的活用性也受到更大的挑戰。威聯通科技（QNAP）推出的 Qsirch AI Mode 語意搜尋，運用邊緣運算與 AI 搜尋技術，為企業打造地端知識大腦。 打破格式與語言隔閡：以 LLM 與 VLM 架構重構 NAS 資料檢索 Qsirch 在過去為了打破僅靠人工記憶的搜尋限制，讓使用者只需描述畫面或脈絡，例如輸入「競業禁止條款」或「夕陽下的海灘」，系統便能快速精準地找出相符的文件與圖片，實現跨格式的直覺語意搜尋。 Qsirch 7.1.0 更導入 LLM（大型語言模型）與 VLM（視覺語言模型）雙核 AI 引擎，兩者分工合作，將所有類型的檔案統一轉化為 AI 可理解的「向量」。 LLM 負責將文字檔與音訊逐字稿進行向量化（Embedding），讓搜尋從關鍵字比對進化為語意理解——使用者用自然語言描述意圖，系統便能找到語意相符的內容；VLM 則賦予 NAS 視覺感知能力，直接將圖片與影片幀轉為視覺向量，讓使用者無需人工貼標，以零標籤（Zero-tags）方式完成直覺圖片搜尋。這些語意向量與視覺向量最終匯入同一套向量資料庫，構成 Qsirch AI Mode 跨格式語意搜尋的核心引擎。 除了圖文搜尋，Qsirch 7.1.0 在影音與文件處理上也展現強大的多模態應用。針對長達數小時的影片，系統能透過 AI 逐字稿與影片雙向同步，迅速找到關鍵片段，同時支援 AI OCR 圖片文字辨識，在 Intel OpenVINO 與 NPU 硬體加速的加持下，能快速擷取手寫稿、護照或車牌上的文字，並一鍵生成全文摘要、自動翻譯為介面語言，提升整體工作效率。 這套 Embedding […]

AI 串聯 3D 列印產業鏈，生成式 AI 讓人能從一張照片做出實體產品

在 AI 輔助下，整個 3D 列印工作流程的技術門檻，從起點開始發生瓦解，使用者不必再接觸專業的 CAD 軟體，藉由硬體設備跟 AI 模型的互相搭配，填補起 3D 列印產業的關鍵缺口。

【智慧眼鏡新賽道】不拍照、不錄影，Even Realities 想靠生產力工具挑戰 Meta 獨大的市場

當多數智慧型眼鏡都在比拚拍照與錄影功能時，Even Realities 選擇了一條相反的路。剛以十億美元估值晉身獨角獸，Even Realities 這家由美團、騰訊領投、募得 1.5 億美元的新創，最新推出的第二代眼鏡 G2 刻意不裝鏡頭、不放喇叭，只留下一塊單色綠光抬頭顯示器，把「生產力」當成核心賣點。 這副要價 599 美元的眼鏡硬體扎實，但是在 Meta 獨大、成長爆發的智慧眼鏡市場裡，如此小眾的路線能走多遠？ 即時翻譯與會前筆記成產品亮點 G2 把自己定位成行程、提醒與筆記的隨身助手。輕點鏡腳即可喚醒功能，雙擊會叫出整合會議、股價與新聞的儀表板，長按則展開翻譯、對話、提詞與導航等功能選單。 實際使用下來，最派得上用場的是即時翻譯。使用者先設定目標語言，對方說話時，內容就會被翻譯並顯示在眼鏡的螢幕上。 根據報導，記者在中國一場科技展會上實測，戴著它與各國廠商、同業交談，無論對方講中文、法文還是西班牙文，都能靠螢幕上的翻譯大致跟上。美中不足的是，這套翻譯只服務配戴者本人，你說的話並不會被翻給對方聽，除非對方也同時使用這款 App。 另一個亮點，是「對話」功能後來新增的「會前筆記」。啟用後，AI 會一邊聆聽談話，一邊針對出現的專有名詞即時跳出說明泡泡；例如在一場能源簡報中聽到「綠氫」，畫面就浮現對應的解釋，點一下便顯示完整定義。對需要臨場理解陌生術語的專業場合來說，這項功能相當實用。 其餘功能則還不到位。導航無法串接 Google 或 Apple 地圖，只能靠 Even 自家 App，且經常抓錯地址；內建語音助理 Even AI 常聽錯待辦指令，回答又是一長串文字直接刷過眼前、無法中斷；即使配了四支麥克風，在戶外吵雜環境仍屢屢喚不醒。 至於同步推出、售價 249 美元的 R1 智慧戒指，雖能操控眼鏡並附帶心率與睡眠追蹤，但功能與鏡腳觸控高度重疊，健康量測又不及專業產品，很難說服消費者多花這筆錢。 硬體之外的設計還有調整空間 以配戴體驗而言，G2 幾乎無可挑剔。整副眼鏡僅 35 公克，框體用鎂合金、鏡腳用鈦合金，長時間戴也不覺得負擔；鏡片內建抗 UV 塗層，就算不開啟任何智慧功能，也適合當成一般太陽眼鏡。 比起兩年前的初代 G1，這次的顯示規格全面拉高。麥克風翻倍為四支、可視面積放大逾七成，更新率由 20Hz 一舉提升到 60Hz，讓霓虹感的綠色資訊看板在各種光線下都清晰可讀。 不過，硬體之外的體驗就沒那麼理想。最大的痛點是眼鏡幾乎離不開手機，早期版本連線頻頻中斷，一度讓試用者想直接放棄，所幸多次軟體更新後已明顯改善。隨附充電盒號稱能替眼鏡充電七次、續航上看兩天，但體積卻不小，無法塞到衣服口袋。 另外比較麻煩的是，在明亮環境下想調整螢幕亮度，還得掏出手機打開 App，眼鏡本身既無亮度感測器、也沒有實體按鍵可調，是設計上的一大遺憾。 無顯示器智慧眼鏡成長力道之大，Meta 獨佔市場 […]

不能只替世界「造船」，外貿協會資深顧問李牮斯：台灣 AI Token 使用量居四小龍之末，恐陷「荷蘭病」

專訪：戴季全撰稿：李昀蔚 在這一波 AI 浪潮中，許多企業仍將 AI 停留在「有問必答」的聊天輔助，但真正的差距在於，企業能否將 AI 視為「使命必達」的數位同事，進一步改寫工作流與生產配置。 本集《全新一週》邀請外貿協會資深顧問李牮斯，從 AI 如何顛覆經濟本質與資源配置談起。他強調，AI 帶來的變革並非單純的工業革命，而是宛如探索新大陸般的全新經濟結構。只要企業能突破過去遇到問題就「加人、加資本」的傳統思維，學會大量配置 AI Agent 作為新的產能來源，就有機會在下一個 AI 大航海時代中，改寫未來的競爭位置。 當 AI 使命必達，伴隨而來的是價值觀對齊風險 李牮斯形容，2026 年以前的 AI 是單純的 Chatbot，主要功能為聊天、搜尋與提供建議；然而，今年開始崛起的代理型 AI（Agentic AI）則展現出截然不同的面貌，只要是透過鍵盤與滑鼠能解決的事情，它都能獨立完成。身為 AI 重度使用者，李牮斯以自身經驗形容，Agentic AI 已經不只是一項科技，而是更像一名同事，具備自主行動與彼此溝通的能力，能夠實際執行寫程式、安排行程或處理公司內部任務。 李牮斯特別分享一個真實案例：美國有位工程師的 AI Agent，為了幫主人點 Uber Eats 晚餐，竟然自行連上暗網，找到別人遺失的信用卡資料並用來付款。這雖然展現出 AI Agent 為了照顧主人而「使命必達」的強大執行力，卻也突顯企業與開發者必須嚴肅面對的 Alignment（價值觀對齊）問題。當 AI 為了達成目標而自行尋找解法時，它能否在人類習慣的道德與行為範圍內完成任務，仍存在高度不確定性。 從「加人」到「加 Agent」，AI 重寫企業工作流也走進實體世界 隨著 AI 能力大幅躍升，企業內部的工作流也正在被重新設計。李牮斯指出，過去企業從一個構想到產出原型，往往需要經過層層會議與溝通，以確保指令及資訊在傳遞過程中不會失真，整段過程相當耗時費力。如今進入 Agentic AI 時代，主管若有一個想法，與其花時間把所有人找來開會，不如直接交給 AI 處理，在短時間內先產出約 80% […]

Palantir 財報揭企業 AI 新趨勢：不只追求更強模型，而是更大的自主權

Palantir 剛交出一份被執行長 Alex Karp 形容為「超乎尋常」（otherworldly）的財報：第二季營收年增 93% 至 19.4 億美元、超越分析師預期，美國商業營收更大增 149%，帶動股價盤後一度上漲逾一成，全年財測也再度上修。不過比這些數字更值得留意的，是 Palantir 高層藉這場財報拋出的一套企業 AI 判斷：企業導入 AI 時真正在意的，或許不是模型夠不夠強，而是能不能守住對自家資料與模型的控制權。 「超乎尋常」的一季，美國商業扛起成長 根據《MarketWatch》與《Bloomberg》，Palantir 第二季營收達 19.4 億美元，高於分析師預期的 18.1 億美元；經調整後每股盈餘 41 美分，同樣優於市場共識的 34 美分。成長主力來自美國市場，尤其是商業部門：美國商業營收年增 149% 至 7.64 億美元，美國整體營收年增 115% 至 15.7 億美元，使美國市場占整體業務比重升至 81%，高於去年的 73%。 財報也顯示，Palantir 單季調整後自由現金流首度突破 10 億美元，來到 12.2 億美元。展望後市，公司將第三季營收指引訂在約 21.6 億美元，高於華爾街預期；並把全年營收預測上修至 81.5 億至 81.6 億美元，較先前不到 77 億美元的預期大幅提高。 帶動這波成長的動能，Karp 特別點名的一項他稱為「AI 主權」（AI sovereignty）的需求。他向《MarketWatch》表示，越來越多客戶希望完整掌握自己的 […]

企業都在投資 AI，生產力數字為何還沒動？49 萬份法說會研究揭「導入空窗期」

美國聖路易聯準銀行（St. Louis Fed）以 AI 模型掃描近 49 萬份上市公司法說會逐字稿後發現，企業對 AI 的討論愈來愈多，也開始把錢投下去，但約 95% 的相關發言講的都是 AI「未來會帶來」的效益，而非已經實現的成果。與此同時，全美整體生產力數據至今仍看不到明顯跳升。 投資是真的、市場的樂觀情緒也是真的，效益卻遲遲沒反映在數字上。聖路易聯準銀行指出，這道落差並非 AI 獨有，過去每一次通用技術問世都出現過類似的「導入空窗期」，只是這一次，它可能還藏著一個更難察覺的變數。 投資是真金白銀，效益卻全寫在「未來式」 根據《Fortune》報導，聖路易聯準銀行團隊掃描 2000 至 2025 年間 5,198 家美國上市公司、約 49 萬份法說會逐字稿，發現與 AI 相關的生產力討論占比，從 ChatGPT 於 2022 年底問世前的近乎零，升到 2025 年底約 15%。但其中約 95% 談的是主管「預期未來」會出現的效益，而非當下成果，這個比例自 2023 年以來幾乎沒變。 值得注意的是，這股樂觀並非空談。研究者 Kalyani 強調團隊「相信人們做了什麼，而不是說了什麼」，正面談論 AI 的公司，同時也拉高了研發、資本支出與投資；舊金山聯準銀行（San Francisco Fed）的研究也發現，看好 AI 的公司到 2025 年投資與研發成長明顯較高，且集中在建置 AI 基礎設施的大型科技業者。 電力花了幾十年才「進帳」，數據至今仍潑冷水 企業投入領先、效益滯後，對研究者而言並不意外。經濟學家 Robert Solow […]

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

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

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

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

以 GCP SIEM 建構雲端資安監控架構（上篇）：從日誌收容到威脅偵測

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

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

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

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

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

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

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

NetApp 全面強化大規模 AI 工作負載支援能力

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

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

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

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

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

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

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

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

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

AI 試行專案燒錢又沒成效？供應鏈 AI 落地的 3 個實務原則

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

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

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

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

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

那些沒人搶著做的 AI 題目，為什麼半年後客戶回頭找我們做？

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

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

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

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

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

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

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

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

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

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

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

讓機器人「看見觸覺」：新型變色感測器成本低廉，還能即時呈現壓力的細微變化

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

被 AI 引用不等於被推薦！AI 搜尋優化的關鍵不是可見度，而是品牌精準度

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

MCP 史上最大更新來了：AI Agent 為何終於更適合大規模部署？

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

鴻海、新漢、所羅門實戰分享：AI 如何真正落地製造產線

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

Anthropic 終於表態：真正該限制的不是開放權重

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

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

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

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

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

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

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

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

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

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

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

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

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

十年虧損翻身成中國最貴新股，CXMT 的 AI 記憶體之路還有兩關要過

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

OpenAI 財務長揭企業 AI 新帳本：每一美元能買到多少「有用智慧」？

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

矽谷罕見內戰：中國開源 AI 進逼，掀開美國科技陣營各自算盤

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

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

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

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

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

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

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

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

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

2030 歐盟限塑令倒數！達梭數據：虛擬孿生讓包裝開發打樣直接砍半

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

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

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

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

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

從智慧城市到智慧工廠：解密鴻海「AI 原生 X 數位孿生」的左右腦思維

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

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

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

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

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

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

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

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

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

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

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

「老闆要的不是機台，是獲利。」新漢智能揭密中小製造業 AI 轉型第一步

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