宇樹科技（Unitree Robotics）掛牌上海科創板隔日，創辦人王興興迎來上市後首次公開演講。相較首日股價大漲逾 460% 的市場熱度，他談起人形機器人的實際能力時，給出的判斷相對審慎，指出機器人距離大規模進入工廠與家庭，仍有幾道關卡尚未跨過。

在 2026 世界機器人大會上，王興興首先把問題指向效率與泛化能力。他表示，機器人現在已能完成部分簡單裝配，但效率仍低於人類；一項任務即使在固定場景充分蒐集資料與訓練後，成功率可以逼近 100%，只要更換物品、環境或任務，表現就可能明顯下滑，碰到新工作往往還得重新訓練。他因此把泛化能力不足，視為當前全球機器人產業的核心瓶頸。

《Reuters》則指出，驅動機器人決策與互動的 AI 模型，仍是限制人形機器人大規模部署的主要因素。而宇樹科技目前投入最多資金與人力的方向，也正是世界模型。

什麼才算機器人的「ChatGPT 時刻」？

王興興在演將中也為具身智慧（embodied intelligence）真正跨過門檻，給出一個具體判準。對他來說，如果把機器人帶進一個完全陌生的環境，只靠語音或文字指令，就能在約 80% 的陌生場景完成約 80% 的任務，才算迎來具身智慧的「ChatGPT 時刻」。

至於還要等多久，他估計，在樂觀情況下最快 2 至 3 年，較保守則可能需要 5 至 10 年。但要跨過這個門檻，泛化能力不足還只是表面問題。王興興認為，更棘手的是 AI 模型一旦進入真實物理世界，誤差就開始產生與累積。

最後幾毫米，為何成為機器人難跨過的關卡？

王興興以抓取物品為例，機器人的手看起來已經接近目標，但最後一點觸覺回饋或位置偏差如果無法即時修正，整個任務就可能失敗。真正影響成功率的，往往是最後幾公分，甚至幾毫米。

這也是機器人 AI 與語言模型（LLM）的一項重要差異。他解釋，語言模型的輸入與輸出都留在數位空間，但機器人必須把模型判斷轉成真實動作，每一次執行產生的偏差，又會影響下一次感知與行動，讓誤差持續累積。這也是為什麼機器人學會一項任務，不代表換到陌生環境後還能照樣完成。

王興興在 2025 年也曾表示，當時機器人的硬體能力已基本夠用，雖然成本、可靠性與量產仍要持續改善，相較之下，具身 AI 模型更缺乏足以支撐廣泛應用的突破。

宇樹怎麼解？重押具身 AI 模型，再用 AI 改造研發流程

宇樹對 AI 模型的投入也反映在募資規畫上。該公司原募投計畫規模為 42.02 億元人民幣，其中 20.22 億元投入 AI 機器人模型研發，高於投入機器人機身、關節與運動控制等技術研發的 11.1 億元。

在模型端，宇樹目前同步推進 WMA（World-Model-Action，世界模型－動作）與 VLA（Vision-Language-Action，視覺－語言－動作）等路線。

WMA 希望讓模型不只根據眼前畫面決定下一個動作，還能預測機器人採取行動後，周遭環境可能如何變化，再據此規劃下一步；VLA 則把機器人看到的環境、人類下達的語言指令與最後執行的動作連接起來，提升理解與執行不同任務的能力。宇樹最新招股意向書顯示，該公司近一年也持續推出融合世界模型與 VLA 的模型，強化多步驟規劃、環境干擾下的操作與多任務能力。

資料怎麼來也是王興興關注的問題。他在演講中主張，大量真人與網路資料可以作為主要的預訓練來源，再搭配不可或缺的真機資料，因為機器人最終仍要把模型能力落到真實物理世界。

除了改善模型本身，王興興這次還提出另一個方向：直接用 AI 改造機器人的研發流程。宇樹正在預研一套物理 AI 機器人自進化系統，讓 AI 搜尋論文與開源方案、自行撰寫控制程式，先進入模擬環境測試，再部署到真實機器人，依 AI 與人類評分結果持續修改。目標是讓資料、技能與測試經驗可以累積，降低每遇到新任務都要重新由工程師開發的成本。

不過，這些模型距離廣泛商用仍有一段距離。宇樹在 8 月上市前路演中表示，WMA 與 VLA 目前仍處於持續研發測試階段，主要在自有工廠等試點場景進行部署驗證。

一邊是資金與人力持續往模型集中，一邊是 WMA、VLA 仍在試點驗證。這也呈現宇樹對現階段機器人產業的判斷：AI 模型既是下一階段最重押的方向，也是人形機器人距離大規模應用仍最需要補上的能力。

【推薦閱讀】

◆ 【中國首家人形機器人 A 股掛牌】宇樹科創板首日飆 460%：年出貨 5,500 台、淨利 2.78 億，美國優勢不復存在？

◆ Physical AI 半年吸金 474 億美元：軟體創投為何開始改押實體世界？

◆ 美國無人機加速去中化，台廠下一步不只是接單：共同研發、共同生產成新機會

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Bloomberg》、Unitree 1、Unitree 2、《panews》、《Global Times》，首圖來源：擷取自 Unitree Robotics

隨著 AI 資料中心在全球以驚人速度擴張，科技巨頭們在等待傳統電網緩慢擴建之餘，也愈來愈積極尋找能繞過電網、直接為資料中心供電的自備電力解決方案。在這一波綠能與穩定電力爭奪戰中，由微軟創辦人 Bill Gates 創立的核能新創公司 TerraPower，計畫在今年宣布旗下第一個直接對接資料中心的核能發電專案，並預計於 2027 年正式動工。

然而，對這些科技巨頭而言，AI 資料中心真正棘手的能源考驗，已不只是單純的容量問題，而是 AI 運算特性帶來的全新挑戰。AI 的工作負載會引發巨大且難以預測的電力需求升降，這種用電特性迫使供電系統必須同時滿足「全天候高容量輸出」與「極高調度彈性」這兩種本質上相互衝突的需求。

GPU 用電瞬間暴衝又驟降，AI 資料中心穩定供電成難題

在進行 AI 模型訓練或即時回應使用者提問（prompts）時，成千上萬顆 GPU 會隨著運算任務啟動與結束，在極短時間內集體改變工作狀態，使資料中心的電力負載出現大幅度的瞬間飆升與驟降。這種劇烈的需求曲線，與傳統企業資料中心相對平穩、好預測的用電模式截然不同。施耐德電機（Schneider Electric）發表的白皮書指出，隨著資料中心的規模不斷擴大，這種負載波動所產生的電力震盪甚至可能達到吉瓦（GW）的級別，這對任何供電系統來說都是極為嚴苛的考驗。

《華爾街日報》盤點美國四座已經運作或正在建設的離網與部分離網資料中心，發現其中就有三座曾遭遇重大電力系統故障。例如，替馬斯克旗下 xAI 的 Colossus 資料中心提供燃氣渦輪發電的 Solaris Energy Infrastructure，其發電設備便被揭露出現發動機曲軸斷裂與燃氣渦輪出現裂縫等嚴重問題。此外，Vantage Data Centers 在維吉尼亞州的園區也曾因關鍵電力故障，被迫切換至柴油發電機長達一天。至於 Crusoe 在 Stargate Abilene 的專案也同樣面臨渦輪故障這一類技術瓶頸。

對此，電力服務商 AlphaStruxure 總經理 Troy Patton 透露，曾有科技巨頭客戶向他提出僅需「10 幾毫秒」的超短電力響應時間，他對此直言：「這種響應速度是任何旋轉發電設備或鋰電池都從未應對過的。」儘管面臨高昂建置成本與巨大運作風險，科技大廠為了爭奪算力，依然願意自建離網電力系統以縮短部署時間，例如亞馬遜（Amazon）正計畫在德州建置一座高達 7.65 吉瓦的離網資料中心，這相當於 7 到 8 座核電廠的發電量，也充分顯示「多快能取得可靠電力」已成為 AI 基礎設施競爭中的最大瓶頸。

核電最擅長穩定輸出，AI 卻要求瞬間反應

面對綠色無碳且全天候穩定的發電需求，核能自然成為科技巨頭們眼中的救星。核電最大的優勢在於能長時間維持高功率輸出，在美國，核電廠約有 92.5% 的時間是以最大功率運轉，是可靠度極高的電力來源。

然而，核能發電的本質並不具備快速變化的彈性。根據落磯山國家實驗室（NLR）的數據，現有的傳統核反應爐每分鐘大約只能調升或調降額定輸出的 5%，根本無法跟上 AI GPU 負載在毫秒內波動的頻率。

即使是新一代的小型模組化反應爐（SMR），其調節速度提升至每分鐘 10% 左右，仍然難以對接 AI 資料中心的極端波動。更關鍵的是，核電是所有發電技術中資本支出最高的類型，雖然業界寄望 SMR 的大規模量產能降低成本，但這仍需要十年以上的時間才能驗證。

因此，對於初期建置成本極其昂貴的新型反應爐，營運商必須盡可能維持在 100% 的滿載輸出，才能攤提龐大的投資成本並實現獲利。如果只是為了配合資料中心的運算起伏而時常降低發電輸出，將嚴重損害核電資產的經濟效益。

把穩定發電與快速調度拆開，TerraPower 用儲熱替 AI 資料中心補上調度彈性

為了跨越這個核能與 AI 資料中心之間的門檻，由 Bill Gates 創立的 TerraPower 決定不要強迫核反應爐追著 GPU 的負載跑。例如，TerraPower 設計的 Natrium 反應爐是一座 345 MW 的鈉冷快反應爐，運作邏輯是讓反應爐本身始終維持在穩定、全功率狀態運作，將核分裂產生、暫時不需用於發電的熱能，儲存在熔鹽儲熱系統中。當資料中心的 AI 運算需求低迷、用電下降時，反應爐依然滿載，並將多餘熱能儲存起來，一旦 GPU 集體啟動、電力需求瞬間暴增時，熔鹽儲熱系統便立刻釋放先前儲存的熱能，快速產生大量蒸汽來推動渦輪發電機組，進而大幅提升電力輸出。

這套核能搭配儲能的混合架構，最初是為了在電網上與風力、太陽能等具有間歇性、不穩定產出的再生能源相搭配而設計。然而，這項技術卻意外契合 AI 資料中心的劇烈波動。透過這套儲熱緩衝系統，TerraPower 不僅能保留核反應爐高容量因子的經濟效益，又能提供資料中心急需的調度彈性，進一步在競爭激烈的 AI 電力市場中取得獨特優勢。

SMR 要能從示範工程走向大規模複製，才是核能解方的真正考驗

隨著 AI 資料中心擴建、製造業回流美國以及社會全面電氣化的多重推動，美國的電力需求正迎來數十年未見的爆發性成長。這股風潮將 SMR 從實驗室的概念，推向整個核能產業最受矚目的成長核心。TerraPower 的 Natrium 示範專案，正是全球先進核反應爐從簡報和設計圖走向真實建設的關鍵里程碑。

然而，《Reuters》專欄作家 Gavin Maguire 指出，SMR 技術如今面臨的最大挑戰，是「工業化能力」。整個產業必須克服供應鏈不完備、燃料短缺，以及首批示範電廠的龐大投資風險。SMR 能否真正成功，關鍵在於能不能將核電廠從過去每一座都需重新設計、在地興建的巨型複雜工程，轉變成可在工廠中標準化製造、運往現場組裝，且能夠重複部署的標準化產品。

AI 的爆發正在重新定義能源產業對「可靠電力」的衡量標準：在過去，只要能穩定、源源不絕地提供電力即可，但到了 AI 時代，電力系統還必須面對劇烈的負載波動。TerraPower 的核心賭注，正是讓核反應爐專注於恆定、高效運轉，並將靈活調度的重任交給中間的儲熱緩衝層。這項創新確實為 AI 資料中心的電力困局開闢一條新道路，但這套核能儲熱模式能否成為主流，關鍵仍在於先進核能產業能否在未來幾年內跨越工業化的鴻溝，從一座座昂貴的「示範工程」，成功走向可低成本、大規模複製部署的「商品化」之路。

【推薦閱讀】

◆ 晶片還沒出貨，Anthropic 傳先下單 2.5 億美元：Fractile 憑什麼三個月估值翻六倍？

◆ 想用最強 AI，就得讓 AI 留存你的資料嗎？OpenAI 與 Anthropic 給出兩種答案

◆ Marvell 願拿股權換 Google 大單，Broadcom 為何可能不跟進？AI 客製晶片競爭規則正在改寫

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Reuters》、《WSJ》，首圖來源：TerraPower

Salesforce 推出 Slack Code，讓團隊能直接在 Slack 與 AI 程式碼代理協作，並即時掌握開發進度。《SiliconANGLE》報導指出，程式碼代理正逐漸成為開發團隊的一員，不僅改變開發人員撰寫程式的方式，也正在重塑企業的軟體開發流程。Salesforce 將其多人協作理念延伸至軟體開發，讓 AI 程式碼代理從開發人員個別使用的工具，進一步成為團隊協作的一環。

Salesforce 表示，Slack Code 已開放使用，支援多家 AI 業者提供的程式碼代理，所有 Slack 方案均可使用。企業也能透過 API 建立更多連接器，串接第三方 AI 代理及相關開發工具。不過，使用者仍須先取得所選 AI 代理的使用權限，才能透過 Slack Code 使用該代理。

打破 AI 開發孤島：Slack Code 將程式碼代理搬進頻道，望實現團隊全透明協作

《SiliconANGLE》提及，現在不只是工程師，連產品、行銷等非技術人員也能直接透過 AI 協助開發企業應用程式。在這樣的情況下，如何讓 AI 的工作過程納入團隊溝通，而不是只停留在個別開發人員的終端機裡，變得更加重要。

Slack 首席行銷長 Ryan Gavin 接受《SiliconANGLE》訪問時表示，過去開發人員與 AI 代理各自工作，累積的知識與效率往往只留在個人手中，企業難以從中獲得更大的整體效益。因此，Salesforce 希望透過 Slack Code，讓團隊能直接在 Slack 中與程式碼代理合作，並把開發過程公開給其他成員查看。目前支援的代理包括 Anthropic 的 Claude Code、Vercel 的 v0、Cognition AI 的 Devin，以及 OpenAI 的 ChatGPT 等。

例如，團隊可以先在 Slack 頻道討論要為應用程式加入的新功能，或處理發現的程式錯誤。過去，討論結束後，團隊成員通常各自回到終端機，讓 AI 代理處理不同工作，再提交程式碼、進行審查，最後回到團隊中討論結果。Slack Code 則把這個過程直接搬進 Slack：只要在頻道中標記程式碼代理，Slack 就會建立專屬的 Code Channel，讓代理處理工作，同時將產出的程式碼、修改前後的差異及可運作的預覽版本呈現給團隊成員檢視。

Ryan Gavin 表示，Slack Code 的核心就是縮短從「團隊提出想法」到「團隊完成開發並部署程式碼」之間的距離，讓開發過程中的討論與實作不再彼此分離。他將這種模式帶來的好處形容為加速學習，因為團隊與 AI 代理都能從公開的工作過程中獲得更多資訊。

Slack Code 並非要取代工程師在終端機或 IDE 中進行實際程式開發，而是讓團隊能在開發過程中更早提供意見，避免工程師完成工作後才發現方向有誤，最後又得重新修改甚至整個重做。Ryan Gavin 也指出，AI 代理本身已經能大幅縮短程式開發時間，讓工程師可以把省下來的時間投入策略規劃、創意發想、效能最佳化，以及進一步改善產品等工作。

開發初期讓設計與行銷前置參與，工程師將能專心接手原型優化？

Slack Code 也希望讓更多相關人員能在開發初期就參與其中。舉例來說，如果產品改動涉及使用者介面，團隊可以提早找行銷或設計人員提供意見，協助開發人員在動工前確認方向。不只開發團隊能使用 AI 代理，行銷或業務部門也可以自行利用程式碼代理構思並開發應用程式，先完成初步的程式設計。等到進入整合階段、準備製作原型或部署時，再邀請工程師檢查程式碼並進一步調整，讓成果符合正式上線的要求。

此外，所有開發過程都會留在 Slack 中。《SiliconANGLE》提及，像團隊討論、AI 代理產出的成果、GitHub 儲存庫連結、程式碼差異（diff）及 Canvas 等資訊，都會隨著專案進行保存並在結束後封存。團隊日後也能回頭查看完整紀錄，了解當初如何開始、做過哪些決定，以及最終的開發方向。

Valoir Research 執行長 Rebecca Wettemann 表示，企業若要真正發揮 AI 的價值，就不能只著眼於提升個人生產力，而應進一步將 AI 融入整體營運流程。他認為，Slack Code 能讓 AI 不再只是個別員工使用的輔助工具，而是成為融入工作情境、協助團隊協作的 AI 系統。

＊本文開放合作夥伴轉載，資料來源：《SiliconANGLE》、Slack，圖片來源：Slack。

為了買更多 AI 晶片，科技公司現在不只要找供應商，還得回答另一個問題：一次數百億美元的算力帳單，錢從哪裡來？根據《Bloomberg》報導，半導體大廠博通（Broadcom）正與金融機構洽談新一輪 AI 晶片融資，優先擔保債務可能達 600 億至 700 億美元，另有約 300 億美元次順位債務，整體規模最高可能逼近 1,000 億美元，資金將支援 Anthropic 等 AI 公司擴充算力。

不過，這不是 Broadcom 自己在公司帳上借進近千億美元。《Reuters》指出，新債預計由特殊目的公司（SPV）發行，也就是另外成立一家公司承接交易，由銀行、私募信貸等投資人出資購買 AI 設備，再提供給需要算力的客戶使用。Broadcom 則可能替部分優先債務提供支持。

前情提要：Broadcom 6 月才有過一次類似作法

這套做法並非第一次出現。今年 6 月，Broadcom 與私募資本業者 Apollo、Blackstone 宣布成立 AI XPV Platform，第一筆交易規模達 350 億美元，用來支援 Anthropic 增加超過 1 GW 的運算容量；整個平台目標是在 2028 年前支援超過 20 GW AI 算力部署，採用 Broadcom 的 XPU 與網通方案。

Broadcom 等公司當時沒有在官方公告中詳述這 350 億美元怎麼運作。《Financial Times》6 月進一步報導，這項代號 Big Sky 的交易透過一家特殊目的公司 Compute SPV 籌資，由 Apollo、Blackstone 與多家金融機構提供或安排資金，SPV 再買進 Google TPU 系統，租給 Anthropic 使用。換句話說，Anthropic 不需要先拿出 350 億美元一次買斷設備，而是持續支付租金，SPV 再以這筆收入償還投資人的債務。

《Financial Times》形容，這類安排借鏡 Boeing、GE 過去為飛機與引擎建立的供應商融資模式。當設備價格高昂，客戶不必自己一次買斷，而是由外部資金先買下資產，再透過長期租賃回收投資。但金融機構一次投入數百億美元，也得考慮最壞情況：如果 Anthropic 有一天付不出租金，這批昂貴的 AI 晶片還值多少錢？

《Financial Times》8 月再追蹤 Google、Broadcom 與 Anthropic 的整體融資布局時，進一步拆解這項安排。報導指出，Broadcom 對部分優先債務提供「殘值支持」。如果 Anthropic 無法履約，SPV 會先嘗試把 TPU 轉租或出售；只有設備處分所得仍不足以償還受保障的債務時，Broadcom 才需要承擔部分差額。也就是說，金融機構承擔的風險不再完全押在 Anthropic 未來能不能持續付錢，也多了一層來自 Broadcom 的保障。

Broadcom 為什麼願意替客戶承擔這層風險？

因為這筆融資最後買的，正是 Broadcom 自己參與供應的 AI 系統。Anthropic 今年 4 月宣布與 Google、Broadcom 簽署數 GW 的下一代 TPU 算力協議，後續揭露規模已達 5 GW，預計自 2027 年起陸續上線。Broadcom 長期參與 Google TPU 等客製化 AI 晶片，因此 Anthropic 能不能取得足夠資金擴充 TPU，也直接牽動 Broadcom 的訂單。

《Financial Times》8 月估計，圍繞 Google、Broadcom 與 Anthropic 的整體融資布局可能達約 2,000 億美元，其中約 1,500 億美元與晶片採購有關。6 月的 350 億美元 Big Sky 交易，正是這套更大融資體系中已經落地的一部分。

而當 AI 建設高度仰賴借款，誰站在背後提供信用支持，也可能直接影響資金成本。《Financial Times》指出，今年春季有 Google 支持的資料中心專案，借款利率中位數約為 7.1%，相較之下，圍繞 NVIDIA GPU 建置的新雲端（neocloud）業者約為 9.3%。Jefferies 分析師認為，這反映 NVIDIA 生態系面臨的結構性資本成本劣勢。

這不代表 AI 公司會單純因為利率較低就決定買哪一種晶片，但當一座 AI 基礎設施動輒需要數百億美元，融資成本本身就足以影響整體部署成本。對晶片商而言，替客戶降低「買得起算力」的門檻，也等於替自己的晶片訂單鋪路。

不只 Broadcom，NVIDIA 也在替 AI 算力找錢

Broadcom 並非單一案例。《Reuters》近日報導，NVIDIA 正與 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs、KKR 等金融機構合作，希望建立 AI 算力融資平台，吸引超過 5,000 億美元第三方資本；NVIDIA 最多可能對其中約 1,250 億美元提供支持。

NVIDIA 執行長黃仁勳也把 GPU 描述為能持續產生收入、又能轉移給其他使用者的資產。這是整套融資模式能成立的重要前提：金融機構評估的，不只是一家 AI 公司會不會還錢，也開始評估 GPU、TPU 等昂貴設備未來能不能轉售、轉租，以及這些硬體本身還剩多少價值。

不過，融資並沒有讓 AI 建設的風險消失，只是把風險重新分散到 AI 公司、晶片商、金融機構與資料中心業者之間。《Financial Times》指出，Google、Broadcom 與華爾街圍繞 Anthropic 建立的約 2,000 億美元合約，最終仍高度仰賴 Anthropic 持續支付晶片與資料中心租金。Jefferies 分析師 Jonathan Petersen 也提醒，當龐大的 AI 供應鏈建立在少數大型雲端業者與前沿實驗室持續投資之上，一旦這些公司縮減支出，相關環節都可能跟著放慢。

因此，Broadcom 與 NVIDIA 做的並不是突然跨行當銀行，而是把金融機構一起拉進 AI 晶片的銷售鏈。過去晶片商主要解決算力怎麼做出來；當單筆部署進入數百億美元規模，現在還得協助回答客戶怎麼付得起的問題。

Broadcom 最新這筆優先擔保逾 600 億、整體逼近千億美元的融資，值得注意的不只是金額龐大，而是當 AI 晶片開始被出租、估值，甚至拿來支撐巨額債務，資本能力也正成為 AI 晶片競爭的新條件。誰能替客戶找到更便宜、更充足的資金，未來也可能影響下一張大型 AI 晶片訂單最後落到誰手上。

【推薦閱讀】

◆ Marvell 願拿股權換 Google 大單，Broadcom 為何可能不跟進？AI 客製晶片競爭規則正在改寫

◆ NVIDIA 聯手 6 大金融巨頭籌 5,000 億美元：AI 算力正變成新的「可投資資產」

◆ Physical AI 半年吸金 474 億美元：軟體創投為何開始改押實體世界？

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《Reuters》1、《Reuters》2、《Financial Times》、《SiliconANGLE》、BlackStone，首圖來源：Broadcom

全球一線工作流程數位化與自動化領導廠商斑馬科技（Zebra Technologies Corporation; NASDAQ：ZBRA）於 8 月 19 日至 22 日在台北南港展覽館 一、二館同期舉辦的「2026 台北國際自動化工業大展（Automation Taipei）」及「第 31 屆台北國際物流暨物聯網展（Taipei International Logistics & IoT Exhibition）」展示最新智慧自動化解決方案，呈現由人工智慧、機器視覺及無線射頻辨識（RFID）技術驅動的斑馬科技解決方案，如何協助企業實現高效率且自動化的營運。

斑馬科技大中華區副總裁暨總經理于放表示：「斑馬科技致力於為企業提供連結實體與數位世界的高效技術能力。在當前 AI 推動創新與自動化持續演進的時刻，我們將持續開發整合 AI、機器視覺及 RFID 等關鍵技術的解決方案。透過將資料智慧直接導入至一線營運，我們協助企業連結一線工作人員、自動化工作流程，並即時掌握營運管理可視性，成功實現智慧自動化。」

2026 台北國際自動化工業大展：提升半導體製造的精準度與效率

在台北國際自動化工業大展，斑馬科技攜手碁仕科技、霖思科技與肯定資訊科技，聚焦半導體自動光學檢測（Automated Optical Inspection；AOI）及先進封裝製程的嚴苛需求，展示機器視覺技術如何實現高速、高解析度且精準的影像擷取以及微細缺陷檢測能力，進而提高生產效率並提升整體營運效率：

• 全新 CV70 CoaXPress 相機系列（CV70 CoaXPress Camera Series）：全新斑馬科技 CV70 CoaXPress（CXP）機器視覺相機系列，提供多種解析度選項，並可依據機型支援每秒最高 289 幀的畫面更新率。其精巧機身設計尤其適用於空間受限的半導體檢測設備及晶圓 AOI 系統。憑藉高頻寬、低延遲及小型化設計，有助於顯著提高狹小空間內的影像擷取速度和檢測覆蓋範圍。
• Rapixo CoF 影像擷取卡（Rapixo CoF Frame Grabber）：本次展示重點呈現工業成像系統如何實現卓越效能、可靠性與靈活度。Rapixo CoF 影像擷取卡支援高達 100 Gbps 的資料傳輸量，以及最遠 250 公尺的相機連接距離，適用於遠距離、高速及高解析度的多相機檢測應用架構。透過光纖技術，能有效降低電磁干擾（electromagnetic interference；EMI）風險，適用於半導體自動光學檢測（Automated Optical Inspection；AOI）與先進封裝製程設備環境。
• Zebra Aurora 軟體套件（Zebra Aurora Software Suite）：此軟體套件能協助開發人員輕鬆建立客製化機器視覺應用程式。透過整合 CV70 相機系列與 Rapixo 影像擷取卡，斑馬科技提供完整、高速且經過驗證的機器視覺系統。此整合架構能幫助半導體及先進製造企業因應更高解析度、更快速生產線及複雜缺陷檢測等關鍵需求，進一步提升系統穩定性與檢測效率。

斑馬科技亞太地區機器視覺與影像產品線業務總監 Kelvin Cho 表示：「臺灣向來是斑馬科技機器視覺業務的關鍵市場。透過與在地合作夥伴緊密合作，我們致力於協助台灣企業推動數位轉型。隨著半導體製程持續朝向高密度互連、先進封裝與玻璃基板應用發展，檢測系統需要處理更大量的影像資料，並在高速產線中即時辨識微小缺陷。本次展示的解決方案正是針對這些關鍵需求而設計。」

第 31 屆台北國際物流暨物聯網展：簡化物流與倉儲工作流程

在同期舉辦的台北國際物流暨物聯網展，斑馬科技展示針對物流與倉儲產業打造的最新解決方案。透過從入庫到出庫的逐步實境工作流程展示，斑馬科技呈現由 AI、機器視覺及 RFID 技術驅動的解決方案，如何提升企業的智慧自動化能力：

• 斑馬科技 RFID 產品組合與解決方案：此系列解決方案專為運輸、物流及倉儲應用而設計，透過在供應鏈各關鍵檢查點部署 RFID 讀取器，幫助企業能夠追蹤資產狀態、即時位置、時間戳記及物品資訊，例如資產標籤和序號。透過將這些移動流程數位化，企業可提高營運可視性，並讓一線營運更加緊密連結。結合軟體應用程式後，系統還能提供關鍵商業洞察，協助企業改善工作流程。
• AI 驅動的 TC501 與 TC701 強固型行動資料終端（Rugged Mobile Computer）：這兩款裝置透過裝置端智慧為一線工作人員提供支援，均搭載專為高效能 AI 所設計的先進處理器，可直接在裝置上快速執行本機 AI 運算。其配備更高解析度的自動對焦相機，以及企業級 AI 相機應用程式，能夠主動擷取多元且高品質的資料，為人工智慧模型提供訓練資訊。強固耐用的設計與高速無線連接功能，協助工作人員從容應對複雜的一線挑戰。此外，搭配Zebra Frontline AI Suite，企業可針對特定工作流程痛點，快速建置客製化 AI 應用程式。
• 包裝工作站解決方案（Packing Bench Solution）：在實境應用展示中，斑馬科技固定式工業掃描解決方案展示固定式工業掃描器、智慧相機及印表機如何協同運作，實現即時資料擷取。此架構可改善包裹完整性評估、實現自動生成標籤，並執行自動內容驗證，進而簡化工作流程、降低錯誤率，同時提升生產效率與品質控管。

(本文訊息由斑馬科技提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：斑馬科技。）

2026 台北國際自動化工業大展登場，鼎新數智以「Agent Space 實現企業 AI 代理」為主軸，展示 AI Agent 如何深入製造現場，參與異常研判、生產調度、能源與工安管理，並進一步銜接設備控制與現場執行。Agent Space 串聯 ERP、MES 營運數據與 AIoT 設備數據，打通從現場數據採集、營運研判到設備控制的完整鏈路，由指揮官智能體（Agent）調度製造現場各類職能的專家智能體（Agent）協作，依據交期、產能、安全與能源等營運目標，推進跨系統研判、跨職能協作與現場執行。

現場透過「生產節拍異常」、「能源需量管理」與「產線工安異常」三大情境，展現 AI Agent 參與製造營運的完整歷程。不同於僅辨識異常或提出建議的單點 AI，Agent Space 可整合營運數據與現場資訊，評估事件對交期、產能、能源及安全的影響，再由指揮官智能體調度不同專家智能體協作，讓 AI 不只處理眼前異常，更能從營運目標出發，推進後續決策、協作與執行。

製造現場涉及設備、生產、排程、能源與工安等不同領域，所需的專業知識與判斷能力也各不相同。鼎新 Agent Space 並非以單一 Agent 承接所有任務，而是依據不同領域與職能，將所需的專業知識、判斷邏輯與任務技能，建構為製造主管、產線班組長、設備工程師及廠務能源工程師等不同專家智能體（Agent）。

單機異常不擴大為生產停擺，AI Agent 協作維持交付節奏

以「生產節拍異常」為例，當設備出現送料異常徵兆，設備工程師 Agent 可即時偵測並示警，依授權觸發停機防護；指揮官智能體則同步調取 ERP、MES 中的工單、排程、產能與人力資訊，研判事件對交期的影響。如需調整生產計畫，指揮官智能體隨即啟動跨職能協作，由製造主管 Agent 掌握全廠設備狀態與可用產能，提出替代機台及工單改派方案；產線班組長 Agent 接續核對排程及人力配置。方案經確認或符合授權規則後，再由設備工程師 Agent 完成替代機台參數設定，將受影響工單轉移至可用機台。

透過事前辨識高風險機台並及早介入處置，可降低 20% 以上停機率；以金屬加工產線為例， Agent 可協助在 2 小時內完成 300 件產品的排產作業，具體展現 AI 從風險預警、生產調度到任務執行的協作效率。

相較於傳統設備告警後，仍需由人員逐一查找資料、跨部門協調，透過 Agent Space 的智能體協作可將設備異常與工單、產能、人力及交期影響納入同一任務研判，依據交期與產能目標推進生產調度及現場執行。這使現場應變從仰賴個人經驗與人工協調，轉為將專業經驗融入智能體協作的運行機制，讓單一設備異常不擴大為生產停擺，守住產能與交期目標。

調度多元專家 Agent，打造製造現場多智能體協作

Agent Space 以鼎新長期累積的 ERP、MES 流程數據與製造知識為基礎，串聯 AIoT 設備數據與控制能力。當任務發生時，由指揮官智能體理解任務需求，統籌並調度不同專家智能體協作，讓各類專家 Agent 將現場事件放回企業營運脈絡研判，形成從現場數據採集、營運研判、跨職能協作到設備控制與執行的完整任務鏈。

同時，透過權限控管、行為紀錄與任務追蹤，保留判斷依據及操作歷程，確保 AI 參與現場運行的過程可控、可追溯、可查核。

展會期間，鼎新數智專家蘇景峯亦以「OT Agent—IT×OT 的 AI 自主代理人運行現場」為題進行分享。他指出：「工廠導入 AI 的價值，不在於增加另一套監控工具，而是縮短異常發生後查找資料、跨部門確認及追蹤處置所需的時間，讓現場人員能將更多精力投入例外處理、風險研判與關鍵決策。」

將任務經驗封裝為 Skill，持續累積組織能力

任務完成後，鼎新 Agent Space 可將任務過程中的判斷依據、協作流程與執行結果，進一步沉澱為 AI Agent 可調用的 Skill，作為日後處理同類任務的知識與行動基礎，讓分散於人員及系統中的經驗，轉化為可複製、可持續運用的組織能力。

鼎新數智製造事業群副總裁黃昱凱表示：「AI 走進工廠，不是取代人的判斷，而是讓人的經驗得以延續與放大，並將分散於不同職能的知識轉化為組織能力。要讓 AI 真正參與現場運行，更需要軟體、設備與產業夥伴共同協作。」

為使 AI Agent 的決策能直接銜接設備控制與現場執行，鼎新數智此次攜手歐迪爾，串聯企業營運系統、邊緣控制與現場機台，打通從營運判斷到設備執行的關鍵環節。企業無須一次全面汰換既有架構，可從特定產線或關鍵異常情境切入，驗證 IT、AI 與 OT 的串接成效，再擴展至更多產線、設備及管理場景，建立可複製、可擴展的 AI 導入模式，推動 AI 由單點應用走向規模化運行，為智慧製造升級注入新動能。

(本文訊息由鼎新數智提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：鼎新數智。）

AI 的發展正延伸至能夠感知環境、理解任務並控制實體設備的具身智能。多模態 AI 讓機器人可以接收語言、影像、影片及 SOP 等多種形式的指令，依現場狀況調整動作，從學習、推論、執行皆可自主完成，回應缺工、少量多樣與頻繁換線需求。

今年自動化展，台達適逢 55 週年，並以「前行共好．AI 創變智造未來」為主軸，以雙展區的形式呈現 AI 與智能製造的整合應用，在主展位呈現軟硬體整合方案，其中，具身智能雙臂協作平台、仿人雙臂與協作機器人成為吸晶亮點；今年增加的第二展區，則以電子業、半導體等行業所需的驅動控制、機器視覺等產品展示為主。

台達運動方案事業部資深副理陳維庭表示：「具身智能同時包含 AI 模型、高自由度硬體、感測器與運動控制，難度在於把跨領域能力整合起來。」AI 理解指令後，必須將任務轉換成可執行的路徑與機器人關節命令，雙臂協作更涉及碰撞檢查、路徑避讓及即時控制。

客戶端的需求也在同步轉變。台達智能機器人事業部資深產品經理易子民觀察到，過去工業機器人多靠人工教導，面對物件誤差時相當吃力，如今客戶更希望機器人能自行判斷周遭環境與工件狀態，例如發現瑕疵品時能決定不抓取。他認為，具身智能目前仍處於早期發展階段，後續仍須累積模型訓練與場域經驗，才能處理更複雜的任務。具備環境判斷能力只是第一步，進入產線後，機器人還須符合工廠對精度、可靠度、安全及生產節奏的要求，這也成為台達參加 2026 台北國際自動化工業大展的展示重點。

具身智能雙臂協作機器人：現場繪製肖像，並以 AI 控制平台串起感知、決策與運動控制

位於主展位的具身智能雙臂協作平台，可看出AI如何將抽象指令轉換成機器人可執行的動作，充分展現出台達在 AI 推理、環境感知與機器人控制的技術整合能力。

整套流程由 AI Agent 負責協調。「我們建立的 AI Agent 可辨識與來賓互動、完成肖像繪製的任務目標，並依各執行階段調用所需工具。」陳維庭解釋，AI Agent 就像任務總指揮，會依照執行進度調用語言、影像及運動控制工具，讓抽象需求得以轉化為機器人的實體動作。

而背後的關鍵在於台達的AI機器人控制軟體平台，串聯 AI 模型、運動控制，以及 RS-M 模組機器人、電爪等設備作動。結合 NVIDIA Jetson AGX Orin 模組，最高達 275 TOPS AI 算力，同時透過 NVIDIA Isaac ROS Nvblox 與 cuMotion 等軟體套件，建立即時 3D 環境模型、動態避障。底層則透過 EtherCAT 與高精度伺服控制，將 AI 規劃結果轉換成兩支六軸模組機械手臂的同步動作，並依據感測資訊持續修正路徑。

陳維庭指出，這套平台第一個能力是整合負責 AI 推理的「大腦」與負責即時運動控制的「小腦」，第二個能力是透過 AI Agent，把需要的工具與模型全部串接起來，最後控制手臂完成任務。繪製肖像只是其中一種應用，平台可依任務更換末端工具、技能模組及機器人構型，「今天是雙臂繪圖，到了實際產線，只要換成對應的工具與技能，還是可以透過 AI Agent 完成相關任務所需的動作。」目前台達將應用方向鎖定電子製造與伺服器組裝。

具身智能導入製造現場後，機器人可透過語言、影像、SOP 或人員示範取得任務資訊，再依視覺與感測結果調整動作與執行路徑，因應少量多樣、快速換線與複合工序。陳維庭表示，多模態 AI 可讀取 SOP 文件與操作影片，讓機器人據此學習工作流程及執行方式。台達可將負責 AI 推理的「大腦」與即時運動控制的「小腦」整合於單一平台，並納入長期累積的機器人與運動控制經驗，減少另外配置 AI PC、控制器與自行串接多套系統的負擔。

台達機器人技術布局

易子民進一步將台達的機器人布局分成三個層次：前瞻技術，以具身智能與仿人雙臂屬為代表；核心零組件，主要為模組化關節，並供具備開發能力的機器人廠商與系統整合商依需求自行組裝；行業方案則可直接導入產線，涵蓋取放、分檢、鎖附與疊棧等應用。他指出，這些成熟方案不少已在台達自家工廠長期運作。

除具身智能雙臂協作平台，台達也展出自行研發的關節模組仿人雙臂，呈現人形機器人所需的硬體能力。陳維庭認為，目前具身智能與人形機器人仍在前期發展階段，「關節是人形機器人最重要的硬體組件之一，體積要小，還要具備足夠的扭力與內建感測能力。」台達的智慧力控關節將馬達、驅動器、編碼器、扭矩感測器與安全設計整合於單一模組，兼顧高功率密度、輕量化與碰撞感測，讓機器人廠商或系統開發者可依構型選用。

在機器人成熟方案中，新推出的 RS-C 協作型機器手臂支援手拉教點，可記錄位置與軌跡，再自動重播動作，降低換線時的操作門檻；吊掛式 SCARA 由設備上方作業，手臂下方可形成 360 度工作範圍，減少機身占用的空間。RS-M 模組機器人的側邊螺絲鎖附方案，則整合台達螺絲機、下壓控制與機器視覺，可處理外殼側面等不易由上方鎖附的位置。另一套高負載移載疊棧方案同樣採用 RS-M，臂展達 1,800mm，搭配圖形化操作介面設定堆疊層數與排列方式，應用於產線末端、倉儲物流及疊箱作業。模組化手臂可搭配不同末端工具與控制功能，依任務調整系統軸數。

從台達的具身智能雙臂協作平台，可看到 AI 提出的決策如何轉換成精準、安全且可重複的工業動作；當這套能力通過可靠度、製程條件與生產節奏的檢驗，就有機會成為產線上穩定運作的生產單元。

(本文訊息由台達提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：台達。）

清晨五點在雲林的魚塭旁，一位漁民正把飼料與石灰粉扛上木板船。傳統養殖作業中，漁民經常需要頂著高溫划船，徒手將石灰或飼料均勻撒入魚塭，不僅耗費大量體力，也伴隨粉塵與落水風險。而這樣的情景是台灣養殖現場每一天的縮影。

面對傳統產業缺乏合適工具介入的缺口，豐漁水產看見契機，帶著「模組化智慧無人養殖船」在今（2026）年台灣創博會（tie）創新經濟館亮相。

今年創博會，由經濟部產發署召集技術司、中企署、能源署、國營司及智慧局整合經濟部科研成果，以「AI 落地百工百業」為核心，聚焦半導體、智慧製造、淨零永續、精準健康及跨域前瞻產業應用，推動 AI 軟硬整合創新，展現產業導入與商用成果。

其中，由經濟部智慧財產局策劃的「臺灣專利超級站」也在館內展出，展區匯聚國際獲獎專利與跨域創新應用，讓參觀者理解專利如何轉化為貼近產業需求的解方。而豐漁水產的無人船正是專利成果落地商業化的代表之一，展現台灣專利軟硬整合的實力，更為傳統漁業轉型升級與躍上國際市場注入全新動能。

「幫助漁民享受科技的美好，不只能存在於實驗室中。」

豐漁水產創立於 2023 年，而這段創業故事的起點，源自於家人的日常。

許宏德表示，岳父是一位從事文蛤養殖的資深漁民，每天需要在足球場大的魚塭中划船投餵，讓他認知到傳統養殖不僅體力負擔極大，更伴隨著高風險，漁民需徒手潑灑強鹼性的石灰粉，稍有不慎就會侵蝕到皮膚與眼睛，社會新聞中更不乏漁民意外落水溺斃的悲劇。「最初的想法是買一台無人機協助他的工作，但他一聽就非常抗拒，因為無人機的操作繁雜，對高齡漁民來說門檻太高了。」許宏德笑著回憶，也是那時讓他動念，不如設計一台安全性高、操作更為直覺的「水上無人船」。

「做這件事的初衷，是為了幫助漁民享受科技的美好，而不是讓科技只存在於實驗室中。」許宏德表示，要真正落地到現實，必須通過「漁民能不能自己用」這道門檻。

豐漁水產技術長李紹綦表示，團隊在研發第一代產品時，原先設計透過 App 控制遙控無人船，但當船隻實際在漁塭現場卻碰壁。其一，是偏遠漁塭通訊環境差，一旦斷訊船隻便無法行駛；其二是漁民在操作現場雙手沾滿泥沙與強鹼，無法使用手機操作螢幕；其三，是每艘船隻都需要使用網路、安裝 SIM 卡支付月費，對於傳統漁民來說容易造成心理排斥。

為了解決偏遠養殖場域的通訊問題，許宏德與團隊重新打造雙軌通訊系統，保留網路通訊與實體遙控等不同操作方式，使設備即使在網路訊號不穩定的環境下，仍能維持實際作業所需的操控能力。為了驗證設計的可行性，團隊透過養殖協會舉辦應用說明會，並帶著無人船讓漁民親自試用。「我們達成的目標是，讓漁民上手只需 5 分鐘，從 8 歲到 80 歲都能操作。」許宏德表示，這項落地成果不僅顯著減輕高齡漁民的體力負擔與風險，更大幅降低技術門檻，讓年輕一代更有機會回鄉參與傳統養殖，為在地產業轉型。

模組化無人船與 AI 視覺精準投餵

而這艘無人養殖船，背後的關鍵優勢在於「模組化」的設計邏輯。

「過去養殖業者需要人工在魚塭旁手動控制撒料量與路徑、撒石灰和投放水質耗材，不僅耗時費力且分布不均，更讓自己曝露在粉塵危害和落水風險中。」李紹綦表示，而無人養殖船透過投餵模組，可沿著離岸預設路徑定時撒料，漁民只需在岸邊遙控確認，便能縮短工作時間、提升撒料均勻度與穩定度。

許宏德補充說明，相較於市場上部分採固定功能設計的無人船產品，豐漁水產以「全船模組化與組件可分離拆裝」為核心設計，將電控、主機、電池及功能模組獨立拆分，實現一艘船體「一個功能對應一個模組」的彈性架構。漁民可依據自身需求「需要什麼才買什麼」，透過拆裝不同模組切換投餵、粉劑、水劑與拖曳等四種作業模式降低採購成本。若是船隻發生故障，也只需將損壞模組零件更換良品，節省農業機具售後維修成本。

李紹綦表示，團隊目前也正整合 AI 視覺與感測技術，透過船上鏡頭觀察水面光影、水花等動態資訊，未來可望進一步判斷魚群攝食活躍程度，並作為投餵量調整依據，降低過度投餵造成的飼料浪費與水質負擔。

從彰化到日本，只要有水的地方就有商機

「只要有水的地方，就會有我們的產品。」針對豐漁水產的未來願景，許宏德表示目前無人養殖船已經完成商業化量產，在彰化到屏東的沿海養殖場域銷售超過百台，廣泛應用於傳統魚塭、蝦塭以及文蛤養殖場等多樣化場域。

而這項量產能力也帶來海外市場的信任與佈局。在好食好事基金會加速器的牽線下，豐漁水產正積極佈局國際市場，目前已與日本沖繩在地合作夥伴展開市場導入與經銷合作，並持續推動當地場域驗證，逐步建立日本市場布局。同時團隊目光也投向東南亞市場，以智慧無人船緩解當地養殖產業面臨的缺工、勞動力老化以及智慧化轉型陣痛問題。

針對下一步的產品方向，許宏德表示豐漁水產更將無人船的應用範疇延伸至更廣的水域場景。受益於模組化設計，只需更換檢測模組，船隻就能執行生態巡檢與水質監測；換上清理模組，便能收集水面漂流垃圾，未來甚至能改裝為水上救生艇或跨足軍工國防領域。

最後許宏德透露，因應近年政府推廣的「漁電共生」場域，目前團隊正進一步開發自主導航、環境監測與自動化補給等技術，讓船隻未來能在魚塭中自主避開障礙、執行導航與補給，進一步降低人工介入頻率，相關系統預計於 2027 年陸續完成場域驗證與導入。

豐漁水產的無人船從解決家人的務農痛點，到進入國際市場，證明「科技沒有離想像中遙遠」。當 AI 軟硬整合技術貼近土地、走入漁塭，所代表的不僅是綠色養殖商機，更是讓傳統產業更安全且永續傳承的科技溫度。

豐漁水產「可分離式智慧無人養殖船系統」將於 9 月 17 日至 19 日在台北世貿一館舉行的台灣創博會（TIE）「創新經濟館」登場。

https://tie.twtm.com.tw

Alphabet 旗下 Robotaxi 龍頭 Waymo，近日首度公開車載運算系統的關鍵設計細節。為了應付愈來愈複雜的 AI 工作負載，Waymo 過去八年已將車載運算能力提升至原來的 20 倍。不過，Waymo 想把「資料中心級算力」搬上車，真正的挑戰並不只是追求更高的算力峰值，而是必須在道路震動、溫度變化等環境下長時間穩定運作，更要在硬體異常時維持系統運行，因此 Waymo 將車載運算架構的核心原則歸納為「即時反應、強韌耐用、備援」三大原則。

原因在於，車上的相機、光達（LiDAR）與雷達持續產生大量感測資料，AI 必須在毫秒之內完成環境感知與判斷，再轉換成駕駛指令。在完全無人駕駛的 Robotaxi 裡，也沒有駕駛員能在系統出錯時即時接手，因此 Waymo 最新一代車載運算系統不是單純增加更多晶片，而是重新整合特殊應用積體電路（ASIC）、感測器、散熱、硬體備援與 AI 模型，讓資料中心等級的 AI 運算能真正在道路上即時、穩定且不中斷地運作。

不是只拚算力，Waymo 用自研 ASIC 把感測到行動的延遲降到最低

Waymo 宣布，在最新第六代 Robotaxi 中，正式導入首款自研 ASIC。這顆晶片採用台積電 5 奈米製程，運算效能超過 1,000 TOPS（每秒 1,000 兆次運算），若單看 TOPS 指標，其 AI 運算能力已可與 NVIDIA 最新的自駕車運算系統相比。

Waymo 自研晶片的目的，是針對 Robotaxi 最關鍵的工作負載量身打造：快速處理感測器持續產生的原始資料，並盡可能縮短資料轉換成 AI 模型可用資訊的時間。為此，Waymo 特別針對低延遲進行設計，希望把從感測器接收到第一個像素（first pixel），到車輛做出行駛反應之間的時間壓到最低。

這顆 ASIC 的設計以 Waymo 超過 2 億英里的自動駕駛行駛資料為基礎，並針對反應速度、可靠度與備援能力進行最佳化，同時支援卷積神經網路（CNN）與 Transformer 等不同 AI 模型。從系統架構來看，ASIC 位於感測資料進入運算系統的最前端，負責初步處理與融合資料，再交由後續運算元件進行更深層的駕駛判斷，讓 Waymo 能直接針對自動駕駛最關鍵的 AI 工作負載進行最佳化。

這項能力尤其重要，因為 Waymo 第六代感測系統同時配置 13 顆相機、4 顆光達與 6 顆雷達，ASIC 必須即時整合不同角度、不同感測原理產生的資料，轉換成一致的環境資訊，供 AI 判斷車輛周遭狀況。

其中還包括「時間去噪（temporal denoising）」技術，也就是透過比對前後影格辨識並降低影像雜訊，改善低光源環境下的感知能力。換言之，Waymo 自研 ASIC 的價值不只在於突破 1,000 TOPS，更在於讓來自 13 顆高解析度相機及其他感測器的大量資料，能在極短時間內完成處理、融合並送進 AI 決策流程。

把資料中心級算力搬上車，Waymo 如何同時搞定耐震、液冷與體積限制？

低延遲解決的是「時間」問題，但 AI 真正上路後，還得面對資料中心不會遇到的物理限制：車載硬體必須長時間承受道路坑洞造成的震動、車輛行進時的衝擊，以及酷暑與嚴冬帶來的劇烈溫差。

為了應付這些環境，Waymo 將 CPU、GPU 與自研 ASIC 等運算元件置於強韌化（ruggedized）的外殼中，以確保系統即使面對持續震動與惡劣天候，仍能穩定運作。另一方面，超過 1,000 TOPS 的高算力也帶來散熱壓力，Waymo 沒有額外加裝獨立且大型的冷卻設備，而是利用車輛既有的液冷系統替晶片散熱，讓運算元件能在不同氣候條件下維持適當工作溫度。

車載電腦的體積與噪音同樣受到限制。運算系統不能無限制擴張、占滿後車廂，也必須盡可能維持安靜，避免影響乘坐體驗。這也代表要把資料中心等級的算力搬上道路，Waymo 必須在運算效能、延遲、散熱、耐震、體積與噪音之間取得工程平衡。

晶片到整套系統都有備援，Waymo 要降低 Robotaxi 單點故障風險

即使硬體能承受道路環境，Robotaxi 還面臨另一個更嚴苛的要求：系統不能因單一元件故障而中斷。一般雲端系統若伺服器發生異常，通常還能切換至備援資源，但 Robotaxi 沒有等待系統重啟的餘裕，道路上的危險可能在不到一秒內發生，因此 Waymo 也將備援（redundancy）列為車載運算系統不可妥協的設計原則。

每輛第六代 Robotaxi 的車載運算系統中，都配置兩顆相同的自研 ASIC。正常行駛時，兩顆晶片共同運作，一旦其中一顆發生硬體故障，或因異常產生錯誤運算結果，另一顆便能迅速接手，降低單一硬體失效直接影響行車安全的風險。Waymo 也強調，這種備援思維並不只存在於晶片層級，而是一路延伸至整套運算系統。

自研晶片只是其中一環，Waymo 用 CPU、GPU、ASIC 分工打造 Robotaxi 大腦

做到低延遲、耐環境與備援之後，下一個問題是：這麼多運算工作，是否都需要由 Waymo 自己的晶片處理？答案是否定的。

儘管推出自研 ASIC，Waymo 並未把車上所有運算工作都放進單一晶片，而是採取「異質運算（heterogeneous system）」架構，由客製 ASIC、中央處理器（CPU）、圖形處理器（GPU）與其他專用加速器分工協作。

Waymo 將自家的研發與晶片設計資源集中在最關鍵的即時感測器融合（sensor fusion）與前端機器學習（front-end machine learning），至於任務調度（orchestration）、資料移動（data movement）、系統日誌記錄（logging）等非機器學習核心工作，則繼續交由合作夥伴提供的晶片與元件處理。

因此，Waymo 自研 ASIC 更接近針對核心自駕工作負載進行「選擇性垂直整合」，而不是全面取代第三方晶片。Waymo 目前的車載運算供應鏈仍包含 AMD、NVIDIA、Micron、Samsung、SanDisk、Socionext，以及負責晶片代工的台積電，自研 ASIC 一方面能分散對 NVIDIA、AMD 等第三方晶片供應商的依賴，另一方面也呼應母公司 Alphabet 近年透過客製晶片掌握 AI 運算成本與核心技術的方向。

目前，自研 ASIC 已搭載於 Waymo 最新一代 Robotaxi，特別是與中國吉利旗下電動車品牌極氪（Zeekr）合作開發、代號 Ojai 的純電 Robotaxi，也已在洛杉磯、舊金山與鳳凰城向一般乘客開放搭乘服務。Ojai 搭載 Waymo 第六代自駕系統，相較前一代 Jaguar I-Pace 平台使用更少、成本更低的硬體元件，同時能適應更廣泛的氣候與地理環境。這也顯示，Waymo 的車載運算架構已從追求單點性能，逐步走向兼顧成本、可靠性與大規模部署的系統設計。

從前端 ASIC、液冷、雙晶片備援，到 CPU、GPU 與 ASIC 的異質運算分工，當 AI 從資料中心走入 Physical AI 場景，低延遲、環境耐受性與系統可靠度，也將與算力本身一樣，成為決定能否真正落地的關鍵。

【推薦閱讀】
◆ Physical AI 半年吸金 474 億美元：軟體創投為何開始改押實體世界？

◆ 美國無人機加速去中化，台廠下一步不只是接單：共同研發、共同生產成新機會

◆ 美軍出資研發、中國做成產業：宇樹科技如何把美軍研究成果變成機器狗量產優勢？

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《The Register》、《The Verge》、《SiliconANGLE》、《Gizmodo》，首圖來源：Unsplash

生成式 AI 讓寫軟體這件事變得越來越容易，這促使過去擅長押注軟體與網路服務的矽谷創投，開始把資金移往更難被 AI 複製的實體世界。專注 AI 的創投公司 Gradient 合夥人 Darian Shirazi 直言，傳統軟體已不再有吸引力，因為 AI 能輕易複製，像 Anthropic 這樣的公司幾秒內就能生出一套軟體。根據 Crunchbase 統計，光是 2026 上半年，Physical AI 新創的募資金額就達 474 億美元，較去年同期成長近 80%。

曾押注 Snap、Uber 的創投，開始寫支票給晶片與機器人

Crunchbase 將 Physical AI 界定為涵蓋機器人、自駕車、航太、無人機、工業自動化與感測器等領域。依其統計，2026 上半年這類新創共完成 521 筆交易、募得 474 億美元，約為 2025 下半年 120 億美元的四倍；單是上半年的金額，就已超過 2022 至 2024 三年合計的 419 億美元。

推升這波金額的是幾筆大額交易。Crunchbase 指出，Waymo 於 2 月完成的 160 億美元 D 輪，以 1,260 億美元估值募得，一筆就占了上半年創投總額的近三分之一。國防科技新創 Anduril 5 月再募 50 億美元，估值達 610 億美元，較不到一年前翻倍；Shield AI 於 3 月拿下 20 億美元 G 輪，估值跳升至 127 億美元；專攻自主海上載具的 Saronic 同月完成 17.5 億美元 D 輪，估值來到 92.5 億美元。

退場方面，SpaceX 於 6 月 IPO 募得 750 億美元、估值 1.77 兆美元，是其中最突出的一筆。併購端則以 Mobileye 約 9 億美元收購以色列人形機器人新創 Mentee Robotics 最受矚目，該公司明言這筆交易與其切入 Physical AI 的布局有關。

軟體被 AI 複製，SaaSpocalypse 逼創投走出舒適圈

驅動這股轉向的，是軟體本身的處境。《華爾街日報》觀察，Anthropic 與 OpenAI 的 AI 工具已重擊 Salesforce、Workday 等上市軟體公司的股價。曾早期投資 Snap、Uber 的創投，如今紛紛跨進晶片、電力與製造等陌生領域。BlueYard Capital 合夥人 David Byrd 稱這是一場往深科技的大轉向，並坦言過去那套投資商用軟體公司的做法，未來恐怕行不通。

連過去專攻加密貨幣的 Paradigm 都完成首筆製造業投資，押注生產機器人與資料中心零件的鈑金公司 SendCutSend。市場對實體科技的想像空間也被放大，NVIDIA 執行長黃仁勳在 3 月的 podcast 節目宣稱，Physical AI 是科技業首個能觸及的 50 兆美元產業機會。

另一筆數據同樣值得參照。《華爾街日報》引用 PitchBook 的資料，全球機器人與 Physical AI 的創投投資，從 2019 年的 42 億美元增至 2025 年的 260 億美元，2026 年到 5 月 20 日為止已募得逾 230 億美元。這組統計的涵蓋範圍與 Crunchbase 不同，兩者的絕對金額不宜直接並比，但一路墊高的軌跡，同樣指向資金正加速流入實體科技。

把硬體當成資料飛輪的通路，是這波押注的邏輯

在投資人眼中，實體世界的吸引力來自幾項條件同時成熟。Edison Partners 合夥人 Ryan Ziegler 表示，Physical AI 是軟體、硬體、感測器與服務的匯流，隨著硬體成本下降，硬體本身可成為軟體與資料的通路，形成資料智慧的飛輪。

Eclipse Capital 合夥人 Joe Fath 則認為，技術門檻快速下降、人才與需求同時湧入，讓資金越來越往能達成量產、留住客戶的公司流，而最強的護城河會屬於垂直整合、掌握多個環節的業者。他也強調，客戶真正看重的是營運效率、可靠度與營收，而非單純的技術先進程度。

不過熱潮之下仍有隱憂。Eclipse Capital 創辦人 Lior Susan 提醒，部分機器人新創估值高昂卻幾乎沒有營收，他也質疑一般創投是否真有能力評估一座工廠或一台機器人，「這不是幾個小孩在車庫裡做的小 app，你沒辦法造假。」資金已大量湧入實體世界，但如何判斷這些標的的真實價值，仍是這波轉向尚未解決的問題。

【推薦閱讀】

◆ 美國無人機加速去中化，台廠下一步不只是接單：共同研發、共同生產成新機會

◆ 美軍出資研發、中國做成產業：宇樹科技如何把美軍研究成果變成機器狗量產優勢？

◆ 直接在軍艦上造出 12 架無人機：美軍如何將「分散式製造」接進前線供應鏈？

＊本文開放合作夥伴轉載，資料來源：Crunchbase、《The Wall Street Journal》，首圖來源：Unsplash

美元是全世界最通用的貨幣之一，然而卻不是每一個地區、每一間企業，全都可以輕鬆利用美元進行交易。新創銀行 Augustus 的誕生，正是為了解決前述問題，然而這家公司的背後，居然是由一位 25 歲的年輕人推動與掌權。

近日 Augustus 宣布，公司已成功募得 1.8 億美元資金，朝他們所盼望的「全球美元銀行」理念更進一步。

通匯銀行效率低落，美元分銷體系失靈

根據 Augustus 的想法，所謂的「全球美元銀行」即是讓海外銀行和金融科技公司，能夠直接存取美元帳戶及支付通道。

目前，此類機構大多是透過一連串的中間商來接觸美元，這些中間業者在台灣通常被稱作「通匯銀行」或「代理銀行」，運作緩慢且效率低落。

年僅 25 歲的 Augustus 執行長 Ferdinand Dabitz 表示，美元是世界上最偉大的產品，但是其分銷體系卻從根本上完全失靈。為此 Ferdinand Dabitz 提出的解決方案，就從零開始建立一家「真正的銀行」，而非依附在他人之下。

Augustus 表示，公司目標客戶主要來自拉丁美洲、東南亞、中東及非洲，因為這些地區的企業、機構，想要獲取美元的難度相對最高。

穩定幣處理資金轉移，AI 全天候結算

在實務上，Augustus 認為加密貨幣將能夠於通匯銀行業務上發揮關鍵作用。

簡單來說，除了現行的 SWIFT、ACH 與 SEPA，該公司還允許客戶利用穩定幣進行資金轉移，同時 Augustus 並不會發行自己的加密貨幣，僅會將其當成基礎架構。

除此之外，Augustus 的核心平台 Marble 亦導入了人工智慧，透過 AI 實現全天候結算，不會被傳統的銀行營業時間所限制。

Ferdinand Dabitz 也主張自動化是促成一切的關鍵，畢竟銀行若想讓 AI 代理自主處理資金流動，那麼自然就需要一套可程式化的貨幣進行操作。

取得有條件批准，混合模式是金融未來

在 2022 年，Ferdinand Dabitz 創立了一家名為 Ivy 的支付公司；今年 5月 Augustus 則獲得了有條件批准的美國國家銀行執照，成為了自 2010 年之後，第 8 間入手該類牌照的金融企業。

根據外媒推算，若 Augustus 成功取得最終批准，那麼 Ferdinand Dabitz 將會成為超過一個世紀以來，最年輕的美國聯邦特許銀行負責人。

Ferdinand Dabitz 強調，所謂的「混合模式」將是金融業的未來，他更預期十年之內，每家清算銀行都將提供穩定幣支付管道，就如同 Augustus 旗下的 Fedwire 服務。

找 30 年老將助威，公司估值已超 10 億

在 Augustus 中 Ferdinand Dabitz 並非孤軍奮戰，總裁 Greg Quarles 擁有 30 年以上的銀行業資歷，同時非常熟悉監管機構的標準和要求。

Greg Quarles 表示，從他的角度來看，若只是修補舊有建設，將無法實現具有意義的創新，因此就必須像 Augustus 一樣從零開始，自基礎打造全新事物。

目前 Augustus 公司估值已超過 10 億美元，最新一筆融資由 Tiger Global 領投，包含 Hummingbird、QED、Nubank、Ramp、Circle 和 Deel 創辦人等單位、個人，亦都參與了 Augustus 的投資，這也使得該新創銀行的累計融資額，已經達到驚人的 2.1 億美元。

根據 Augustus 說法，該公司的歐元清算業務，當前由位於芬蘭的一家受監管機構進行處理，而知名加密貨幣交易所 Kraken 亦是 Augustus 的客戶之一。

從零開始困難耗時，正巧跟上納管風潮

美國銀行業巨頭 Capital One 共同創辦人 Nigel Morris 曾指出，通匯銀行業務是目前金融服務體系中，尚未受到金融科技公司挑戰的最後一塊領域；顯然 Augustus 正式為此而來。

從零開始建立一家銀行既困難且耗時，例如由 Plaid 共同創辦人所設立的基礎建設銀行 Column，即便早就已經取得營運執照，最後仍然花費數年時間，才得以對外擴大規模。

美國通貨監理局（OCC）給予 Augustus 的牌照仍具備附加條件，因此該公司暫時還無法以特許銀行身分進行營運。

只不過，考慮到世界各國監管機構，原則上都在收緊對數位貨幣與跨境支付的相關規範，因此未來 Augustus 闖關成功、正式納管的機率將會很高。

【推薦閱讀】

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

＊本文開放合作夥伴轉載，參考資料：The Next Web、Augustus，首圖來源：Pexels

（責任編輯：鄒家彥）

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊Google 聯手 Marvell 開發 AI 晶片，2033 年前合作營收上看 1,200 億美元

Marvell 宣布擴大與 Google 的客製化晶片合作，將為 Google 的 TPU 生態系開發 AI 推論加速器、儲存控制器、網路及記憶體介面控制器，以及近記憶體運算產品，涵蓋 AI 運算、資料儲存與傳輸等環節。

Marvell 同時授予 Google 最多約 5,897 萬股認股權，其中大部分與未來採購掛鉤。從 Marvell 2027 會計年度第 3 季至 2033 會計年度結束，每增加 5 億美元客製化產品營收，就有一批認股權歸屬；若達到全部門檻，累計營收約為 1,200 億美元。Google 過去主要與博通（Broadcom）合作開發 TPU，雙方協議將延續到 2031 年。分析師認為，加入 Marvell 主要是擴大供應來源，不代表全面取代博通。

＊OpenAI 財務長據報稱 2027 年上市，業務加速可能提前

《CNBC》引述兩名知情人士報導，OpenAI 財務長 Sarah Friar 在公司內部會議表示，OpenAI 將在 2027 年成為上市公司；如果業務持續加速成長，也可能提前掛牌。OpenAI 已在今年 6 月以保密方式提交上市文件。Friar 表示，首次公開募股不是終點，而是一個里程碑，也是公司再次籌措資金的方式。

會議資料顯示，OpenAI 本季迄今的營收年化水準成長 35%，企業業務營收年化水準成長 50%；AI 程式編寫與工作工具的每週活躍用戶達到 2,000 萬人。面對 Anthropic 可能率先公開上市文件，甚至在 9 月掛牌，Friar 表示員工不必把上市視為雙方之間的競賽，OpenAI 會按照自己的發展時程推進。

＊Stripe 傳逾 80 億美元收購 OpenRouter，擴大 AI 模型調度布局

支付平台 Stripe 宣布收購 AI 模型平台 OpenRouter，雙方沒有公布交易價格。《路透社》引述知情人士表示，交易價值略高於 80 億美元。OpenRouter 成立於 2023 年，讓開發者及企業透過單一介面，使用、測試及切換不同供應商的 AI 模型，不必分別建立串接系統。

OpenRouter 目前提供超過 400 款 AI 模型，每天處理超過 10 兆個 token，服務超過 1,000 萬名開發者及企業。平台協助企業路由模型請求及最佳化 token 用量，以管理日益增加的 AI 支出。Stripe 過去一年也推出 token 計費等產品，用來追蹤模型使用量。《金融時報》報導，這將是 Stripe 成立以來規模最大的收購，OpenRouter 在交易完成後將繼續獨立營運。

＊NVIDIA 為 GPU 企業媒合北歐資料中心，加速算力部署

《CNBC》引述兩名知情人士報導，NVIDIA 正協助持有 GPU、但缺乏部署空間的企業，與北歐具備土地、電力及機房容量的資料中心業者接洽。一名消息人士表示，NVIDIA 曾詢問當地資料中心是否已有願意購買或租用算力的客戶；另一名消息人士則表示，NVIDIA 也曾為美國及亞洲的 GPU 持有者與 AI 基礎設施業者牽線。

NVIDIA 財務長 Colette Kress 今年 6 月曾證實，公司參與這類媒合工作，協助企業取得可用的土地、電力及機房基礎設施，讓算力更快上線。北歐擁有較充足的電力與土地，低溫環境也有利於資料中心散熱，近年吸引多項 AI 基礎設施投資。挪威電網業者 Statnett 表示，目前等待接入電網的資料中心容量已達 2.3 GW。

＊宇樹科技：機器人軟體最快 2 至 3 年突破，尚難大規模部署

宇樹科技創辦人暨執行長王興興表示，機器人產業正朝向具身智慧的「ChatGPT 時刻」前進。他把重要轉折點定義為：未來機器人進入陌生家庭後，只要接收語音或文字指令，就能自行完成約八成任務。不過，目前機器人軟體仍落後硬體，尚不足以支撐大規模部署；樂觀估計，重大突破可能還要 2 至 3 年，最晚可能需要 5 至 10 年。

8 月 19 日至 23 日在北京舉行的世界機器人大會，共有超過 300 家業者參展，展示超過 2,000 項產品，並推出逾 150 款新品。現場應用包括分類包裹、包裝手機及協助家務，中國業者正嘗試把人形機器人從舞蹈、格鬥等展示，推進到製造、物流及家庭等實際場域。不過，人形機器人在多數應用中的效率仍低於人力，軟體能力仍是擴大部署前的主要限制。

＊Amazon 無人機配送年底擴至近 500 座美國城市與城鎮，規模增六倍

Amazon 宣布，Prime Air 無人機配送服務將在 2026 年底前擴大到近 500 座美國城市及城鎮，覆蓋範圍約為目前的六倍，預計可觸及數千萬名消費者。Prime Air 現在從 11 個據點提供服務，涵蓋亞利桑那、佛羅里達、堪薩斯、路易斯安那、密西根、內布拉斯加及德州等七州。

Amazon 接下來將進入芝加哥、雪城、克里夫蘭、亞特蘭大與波夕等都會區。公司表示，今年已透過無人機完成數十萬件包裹配送，目前每天配送數千件商品，可選品項涵蓋食品、電子產品、藥品及日用品，最快 30 分鐘送達。Prime Air 仍須取得地方政府批准，服務也只會開放給位於合格郵遞區號及配送範圍內的消費者。

＊SK 海力士公布 CPO 路線圖，光學互連長期延伸至記憶體

SK 海力士與美國維吉尼亞大學、麻省理工學院及多所大學研究團隊，在《Nature Electronics》發表共同封裝光學（CPO）技術路線圖。研究指出，AI 系統運算吞吐量約每兩年提高三倍，但互連頻寬同期只增加約 1.4 倍，資料在晶片及不同系統之間移動，逐漸形成新的「頻寬牆」。

CPO 把光學收發元件與處理器整合在同一封裝內，縮短電訊號傳輸距離，再利用光線傳送資料，以提高頻寬並降低延遲及耗電。路線圖預期，光學互連長期將延伸到記憶體介面，透過光子中介層直接連接運算與記憶體資源，讓多個 AI 加速器共享大型記憶體池。不過，這仍是技術發展藍圖，低功耗光子元件、通訊協定與系統可靠性等問題仍待解決。

＊全球智慧穿戴七年營收估破 1 兆美元，智慧眼鏡占比升至近兩成

Counterpoint Research 預估，2026 至 2032 年，全球消費性智慧穿戴裝置累計營收將超過 1 兆美元，期間營收年複合成長率約 12%，高於出貨量約 6% 的年複合成長率。差距主要來自消費者轉向健康監測功能更完整、具備裝置端 AI，而且價格較高的產品。

智慧手錶與真無線藍牙耳機仍是最大市場，七年累計營收估計達到 5,580 億美元。智慧眼鏡、智慧戒指及智慧吊墜則是成長較快的類別。其中，智慧眼鏡在 2032 年的營收估計達到 440 億美元，占當年智慧穿戴營收接近五分之一，應用涵蓋即時翻譯、導航、通訊及即時資訊服務。Counterpoint Research 認為，智慧穿戴市場正從出貨量驅動，轉向由功能與單價帶動營收。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《CNBC》、Stripe、《Reuters》、《Financial Times》、《CNBC》、《Reuters》、《Reuters》、Amazon、SKHynix、Counterpoint，首圖來源：AI 生成圖。

英國 AI 晶片新創 Fractile 的第一批晶片預計要到 2027 年才會問世，卻已傳出 Anthropic 已先簽下約 2.5 億美元的採購協議。據《Bloomberg》報導，這家 2022 年才成立的公司，正以 65 億美元的投前估值洽談新一輪募資，預計進帳約 6 億美元，較三個月前的約 10 億美元估值大幅跳升逾 6 倍。晶片都還沒交貨，資本與大客戶為何搶著上車？

不押訓練、也不靠 HBM：賭「又快又便宜」的推論

Fractile 由牛津大學機器人研究學者 Walter Goodwin 於 2022 年創辦，鎖定推論市場，也就是 AI 模型回應使用者查詢的運算過程，而非投入模型訓練。Goodwin 向《華爾街日報》表示，前沿 AI 模型當前最關鍵的瓶頸，是產生有用回應所需的時間；隨著模型越來越大、越來越複雜，完成一項任務動輒需要數千萬的 tokens，而資料在處理器與記憶體之間的移動速度，決定了查詢的延遲。

Fractile 對這個瓶頸的解法，是打造了一款邏輯晶片，並在伺服器機櫃內設計一套連接記憶體的架構，要在不犧牲速度的前提下拉高頻寬；同時捨棄主流的 HBM 高頻寬記憶體，也不依賴晶片內的 SRAM。另外值得關注的是，它們把記憶體與運算單元在實體上交錯排列。Fractile 說明，前沿模型推論同時需要低延遲與高吞吐量，而現有硬體難以兼顧，交錯設計正是為了同時滿足這兩項需求。

至於能跑多快，Fractile 給的數字相當高調。官方主張最先進模型的執行速度可提升至多 25 倍，成本降至十分之一，並宣稱能對數千名同時上線的使用者各自每秒輸出數千的 token。Goodwin 把自家產品定位為「又快又便宜」。

推論晶片資金與訂單正在集中，新戰場圍繞 token 成本

Fractile 的崛起不是單一案例，同樣鎖定推論市場的新創，近期接連拿到巨額資金和訂單。根據《Reuters》報導，主打讓模型跑得更快更便宜、專為 transformer 架構設計晶片的 Etched，8 月估值在不到一個月內翻倍至 210 億美元，最新一輪募得 7 億美元，由 Jane Street 領投，Kleiner Perkins、Sequoia、Andreessen Horowitz 等跟進；該公司稱已拿下超過 10 億美元的客戶合約。

以「餐盤大小」晶片著稱，同樣主攻推論的 Cerebras，則已在 5 月中掛牌。它的晶片大到足以把資料留在單一晶片內，免去在多顆晶片之間搬移資料的耗能與延遲。根據《CNBC》報導，Cerebras 登上 Nasdaq，單次募得 55.5 億美元，是自 2019 年 Uber 上市以來美國科技業規模最大的 IPO，估值更來到 950 億美元。

推論這塊市場的入局者，不只 Fractile 這類新創。據《華爾街日報》報導，Majestic Labs 等業者選擇從伺服器記憶體切入，主打足以承載訓練參數上看 10 兆的大模型；NVIDIA、AWS、Google Cloud 等大廠則陸續推出推論專用處理器，各自從不同角度卡位同一塊市場。

領投 Etched 的 Kleiner Perkins 管理合夥人 Mamoon Hamid 向《Reuters》表示，推論正成為 AI 最重要的基礎設施市場之一，而贏家將以「每一美元、每一瓦能跑多少 token」來衡量。

只是，估值狂飆與晶片能否成為好生意，是兩回事。Cerity Partners 合夥人 Michael Ashley Schulman 向《Reuters》指出，半導體的歷史上，不乏技術亮眼卻始終沒能長成好公司的晶片，市場此刻仍在摸索這塊機會究竟有多大。對 Fractile 而言，2.5 億美元訂單與 65 億美元估值已經標定了資本的期待，但真正要兌現這份期待的晶片，還要等到 2027 年才會交到客戶手上。

【推薦閱讀】

◆ Marvell 願拿股權換 Google 大單，Broadcom 為何可能不跟進？AI 客製晶片競爭規則正在改寫

◆ 零件比前代少一半、推論最高快 30 倍：Cerebras 推 CS-4，讓 GPU 與專用晶片各自做擅長的事

◆ 成立不到 4 年拿下 10 億美元訂單：AI 晶片新創 Etched 為何被視為 NVIDIA 新勁敵？

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《The Wall Street Journal》、《Reuters》1、《Reuters》2、Fractile、《CNBC》、《Tom’s Hardware》，首圖來源：擷取自 Fractile

隨著人工智慧（Artificial intelligence，AI）、半導體與數位經濟快速發展，全球供應鏈競爭已不再只取決於生產與物流效率，跨境支付、融資、資料交換及金融基礎設施能否同步運作，也逐漸成為企業韌性的重要一環。

FinTechOn 2026 暨亞洲金融科技聯盟高峰會（AFA Summit）將於 9 月 2 日至 3 日在臺北遠東香格里拉飯店登場，延續去年的討論，今年持續聚焦「金融科技 × 全球供應鏈」（FinTech × Global Supply Chain），深入探討金融科技如何協助全球供應鏈提升跨境資金流動效率、強化風險管理，並推動亞洲市場之間的監理及產業協作。

AFA 主席、臺灣金融科技協會名譽理事長蔡玉玲（Jaclyn Tsai）表示：「全球供應鏈韌性已不只是『在哪裡生產』的問題，也取決於企業能以多快的速度完成付款、融資與驗證，並因應市場變化。在數位經濟中，市場碎片化是有成本的。AFA 成員所代表的 16 個市場都各有強大實力，但若能有效串聯，所能創造的可能性將更大。」

韓國、香港與東南亞多國將攜產業代表團來臺

自去年起，臺灣金融科技協會主辦的年度論壇 FinTechOn 結合 AFA 高峰會。去年，AFA 成員積極派遣代表參與；今年，隨著 AFA 平台的國際影響力與產業連結持續提升，參與形式也進一步升級，不僅 AFA 代表親自來臺，香港、韓國、馬來西亞、菲律賓、印尼與柬埔寨都將組成產業代表團來臺，展現對 FinTechOn 與 AFA 高峰會的高度重視。

AFA 是一個自發性成立的國際合作平台，致力於推動區域內的金融創新、政策對話與產業連結。AFA 由亞洲 16 個領先的金融科技協會與組織共同成立，每一個經濟體僅能有一個協會或組織代表，包括：臺灣、韓國、新加坡、日本、菲律賓、印尼、香港、馬來西亞、泰國、柬埔寨、蒙古、尼泊爾、印度、越南、斯里蘭卡與烏茲別克，涵蓋從新興市場到發達國家的多元金融科技生態。 



臺灣供應鏈優勢，金融基礎設施成下一階段關鍵

鈺創科技創辦人、董事長暨執行長盧超群（Nicky Lu）博士，歷來致力於貢獻全球 IC 設計及半導體產業。他指出，全球電子與半導體供應鏈規模龐大，臺灣電子與半導體產業全年產值預估約達 6,700 億美元，支撐如此龐大產業體系的金融基礎設施，也必須同步升級。

盧超群表示：「對產業而言，我們需要速度與效率，但同一時間，也需要安全、可靠與韌性。」

盧超群曾任世界半導體理事高峰會 (WSC) 主席 (2014-15)、台灣半導體產業協會(TSIA)理事長(2013-17)暨現任常務理事、全球半導體聯盟 (GSA) 理事會主席 (2009-11) 暨現任理事及亞太領袖會主席、台灣人工智慧晶片聯盟 (AI-on-Chip Taiwan Alliance, AITA) 會長與台灣新竹科學工業園區科學工業同業公會常務理事。

他指出，在全球半導體或 AI 供應鏈中，一次金融或交易環節的失誤，影響可能不只侷限於單一交易，而可能進一步影響生產、交貨、供應商與客戶，甚至波及跨越多個國家的整體供應鏈。

亞洲市場加速金融科技與實體經濟整合

AFA 認為，亞洲下一階段金融科技發展的核心，不只是個別市場推出更多創新產品，而是如何提升市場間的互通性，讓金融服務真正支援跨境運作的實體產業，而這也是 9 月 2 日即將登場的 FinTechOn 與 AFA 高峰會的關注焦點。 除臺灣外，韓國、日本及馬來西亞等亞洲市場，也正從 AI 支付、跨境標準及供應鏈金融等面向推進金融科技基礎設施升級。

AFA 副主席、韓國金融科技產業協會（Korea Fintech Industry Association）全球合作主席洪東杓 (Dongpyo Hong) 表示，韓國正測試 AI 代理依服務實際使用時間即時完成小額支付；「若要讓這類先進模式有效運作，穩定幣可能成為其中一種效率較高的支付與結算基礎設施。」

AFA 財務長、日本金融科技協會（Fintech Association of Japan）副會長落合孝文（Takafumi Ochiai）指出，跨境金融服務的關鍵在於提升市場互通性。他指出，金融行動工作組織（Financial Action Task Force，FATF）規範及 ISO 20022 都屬全球性規則，並強調：「必須將產業、資訊科技與金融三者一併納入考量。」

AFA 副主席、馬來西亞金融科技協會（FinTech Association of Malaysia）顧問馬偉權（Wilson Beh）指出，AI、資料中心及半導體企業在區域內擴張，正推升匯款、支付及供應鏈融資需求。他表示：「AFA 的使命之一，就是連結金融科技經濟與實體經濟。」

【推薦閱讀】

◆ AI 用得多不等於生產力高：看摩根大通、高盛、花旗，如何用 3 種管理模式重新定義「AI KPI」

◆ 【金融 AI 代理安全與防禦】AI Agents 直接經手支付與交易，機構「分階段放權」才是安全底線

◆ Cloudflare Wallets 讓 AI Agent 自主付款：為何網路基礎設施商也開始做支付？

（本文訊息由 臺灣金融科技協會 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：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：臺灣金融科技協會。）

隨著生成式 AI、數位孿生、AI 視覺檢測、自主移動機器人（AMR）等應用快速進入製造現場，工廠正從「設備自動化」邁向「AI 驅動的實體智慧」。然而，當設備數量持續增加、產線配置頻繁調整，且越來越多 AI 應用設備必須在工廠內移動時，提供持續、可靠與即時通訊的工業網路成了決定智慧製造應用能否穩定運作的關鍵。四零四科技（Moxa）於台北國際自動化工業大展上，以高速漫遊、強韌無線骨幹與工業級即時通訊技術，瞄準 AI 視覺 AMR、設備巡檢等關鍵任務應用，讓無線網路成為實現工業智慧應用落地的網路底座。

AI 實體化，帶動工業無線網路需求升級

AI 應用進入工廠後，資料傳輸與即時控制的重要性大幅提升。例如 AI 視覺系統需要將高解析影像或 3D 點雲即時傳送至邊緣設備進行推論；機械手臂、AMR 等設備的「感知—認知—執行」閉環，也要求控制資訊能以低延遲、高可靠度方式傳遞。一旦網路出現瞬斷、延遲或漫遊不穩定，影響的就不只是資料傳輸，更可能牽動設備的移動、避障甚至生產流程。因此，工業無線網路正從傳統「資料傳輸管道」，轉變為 AI 實體化應用的基礎神經系統，並在高頻寬感知資料回傳、低延遲控制、動態拓樸連線及工業資安等層面扮演關鍵角色。

從高速漫遊到極速自我修復，打造自主移動設備的強韌無線環境

針對 AMR、AGV 及自主機器人等移動設備的通訊需求，移動過程中的無線漫遊品質是關鍵。 Moxa 以 Turbo Roaming 低於 50 毫秒的高速漫遊切換能力為基礎，協助 AMR 等移動設備在不同無線存取點之間切換時維持連線穩定性，降低漫遊造成的通訊中斷風險。Moxa 更與所羅門及綠捷合作，將 Turbo Roaming 工業無線技術直接導入自主移動與智慧巡檢場景。

Moxa 同時亦於展會中展示 AeroMesh 強韌無線骨幹的進階技術，其多路徑備援架構能自組成網與自動修復，當其中一條通訊路徑或網路節點發生異常時，系統可在 2.5 秒內重新尋找可用路徑並迅速自動恢復通訊，這對運作範圍與網路拓樸持續變化的移動設備而言尤其關鍵，就如同為工廠建立一套「會自己找路」的無線網路，降低單一路徑故障對 AMR、AGV、機器人與機器狗等設備造成的停機風險。

此外，展會現場另一大亮點為 Moxa 展出全台首家榮獲 CC-Link IE TSN Wireless Class A 官方認證的工業級無線通訊方案。該方案可賦予無線網路「確定性」的傳輸實力，將時間敏感型網路（TSN）與無線區域網路（WLAN）等無線技術結合，建立更智慧、靈活的工廠，將高速、高精度的工業控制和 IT / OT 整合擴展到無線環境；在封包遺失率低於 1% 的條件下，可達到延遲低於 100 毫秒、抖動低於 50 毫秒的高標規格，讓無線網路的應用從一般資料傳輸進一步延伸至對即時性與可靠度要求極高的工業控制場景。而藉由此一認證的肯定，Moxa 進一步加速 Wi-Fi 6 於嚴苛製造場域的落地應用，讓客戶能更放心地將其部署至以 PLC 為核心的 AGV、AMR、移動裝置設備、CNC 與機械手臂等周邊系統，兼顧超低延遲控制與產線彈性，顯著降低佈線成本並提升整體產能，讓智慧工廠真正實現彈性化。

從 AMR 到智慧巡檢，無線網路擔任關鍵任務要角

Moxa 與所羅門合作展示無人工廠場景，具體呈現無線工業網路結合實體智慧（Physical AI）的應用價值。所羅門 AMM（Autonomous Mobile Manipulator，自主移動式機械手臂）整合 AI 視覺與數位孿生技術，在複雜的工廠環境中快速部署，並可自主移動與執行 3D 視覺辨識，即使跨越不同無線區域或面對訊號干擾，仍能維持穩定通訊，以實現不間斷 AI 精準移動控制。當 AMM 在不同區域移動時，背後需要持續交換大量影像、感測與控制數據，而在導入 Moxa Turbo Roaming 技術後，即時滿足了自主移動設備的視覺資料穩定傳輸和即時控制的需求。

智慧巡檢則是產線與廠房的另一項重要應用。綠捷在 Moxa 展區展示結合 AWK 系列 Wi-Fi 6 無線網路的巡檢機器人方案，鎖定高科技廠房等關鍵場域，對於細微溫濕度、空氣微粒品質、氣體外漏等監控要求相對嚴苛的環境場域變化，透過 Moxa Turbo Roaming 技術，呈現 AP 間切換時間低於 50 毫秒的高速漫遊切換能力，提供穩定的無線連線，確保巡檢機器人準確移動，支援長時間自主巡檢和影像與感測資料即時且穩定的傳輸。

從「故障後處理」邁向主動監控維運

隨著自主移動設備與無線節點持續增加，智慧工廠面臨的另一項挑戰，是如何掌握整體網路的運作狀態。當網路成為生產的關鍵基礎設施，管理者不能等到設備斷線或產線異常後才進行處理。因此，Moxa 也展示全域可視化網路管理能力，讓網路維運轉向集中化、可視化與主動維運。透過 MXview One 工業網路管理平台，企業可集中和即時掌握製造場域的網路設備狀態、安全防護狀況、異常告警與運作情況，讓網路維運從「發生問題後處理」轉向集中化、可視化與更主動的監控與預防。

從高速漫遊、強韌無線骨幹，到工業即時通訊與全域網路可視化，Moxa 的無線工業網路布局顯示，當 AI 逐步走進實體製造現場，無線工業網路的角色也正在改變——它不再只是連接設備的傳輸管道，而是讓系統能夠持續感知、即時協作、自主移動與執行的關鍵基礎設施，提供兼具高可靠性、低延遲、動態連線、快速恢復與資安韌性的工業通訊環景。

更多關於 Moxa 工業網路、無線通訊與智慧製造應用案例資訊，請參閱：
釋放整廠無線未來 | Moxa

(本文訊息由 Moxa 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：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：Moxa。）

近年來，全球工業自動化巨頭洛克威爾自動化（Rockwell Automation）正積極透過不同路徑，將 AI 技術推向製造現場最前線。其中一條路線，是透過 FactoryTalk Analytics VisionAI，讓 AI 在邊緣端進行運算，使其更靠近生產線與相機設備，以便即時、高效判斷產品瑕疵；另一條路線，則是與工業預測性維護領域的領先廠商 Augury 展開深度合作，將具主動性的 Agentic AI 導入工廠設備維護與可靠性管理流程，讓 AI 不只是偵測與診斷異常，更進一步跨入建立維修任務、規劃工單的行動階段。

這兩條並進的技術路線，也分別回應製造業邁向工廠自主化時面臨的即時判斷與流程執行兩大關鍵問題。透過 Edge AI 與 Agentic AI 的雙軌布局，洛克威爾自動化正逐步縮短工業現場從資訊感知到實際執行之間的距離，推動製造業從傳統的程式化自動化，走向更具適應能力的自主製造。

Edge AI 進駐生產現場，洛克威爾自動化讓視覺檢測從事後分析走向即時判斷

在傳統工廠中，依靠肉眼或固定規則進行視覺檢查，有效率往往只有約 80%，而且多數系統缺乏完整的歷史檢查紀錄，使品質管理難以實現數位化追溯與深度分析。為了克服這項痛點，洛克威爾自動化推出 FactoryTalk Analytics VisionAI，並將其與旗下雲端品質管理系統 Plex QMS 深度整合。如此一來，無論是產線上既有的舊相機，還是新部署的影像採集設備，都能透過通用工業影像協定接入 AI 視覺檢測系統，即時從生產影像中辨識各類異常與產品缺陷。

這套系統最關鍵的技術優勢，在於其邊緣運算（Edge Computing）架構。VisionAI 的影像推論模型可直接部署在靠近產線的邊緣端硬體設備，或本地工業電腦（IPC）上，不需要將大量、高速的超高解析度生產影像全部送往雲端處理。這種低延遲的邊緣端影像處理方式，讓產品品質判斷得以貼近實際生產設備的運作節奏。

這種 Edge AI 架構，代表工廠不再只把 AI 當成事後回溯、分析歷史數據的靜態工具，而是讓深度學習物件辨識模型與電腦視覺演算法真正進駐生產現場，成為能即時揪出品質異常的「現場守護者」。洛克威爾自動化對此強調，這樣的設計不僅能提高辨識產品瑕疵的準確度，更能將品質檢查從過去容易出錯的人工目視判斷，轉化為可追蹤、可全面數位化分析的智慧生產流程。

從現場判斷到營運決策，AI Agent 走進品質、作業與分析流程

當邊緣端的相機與 VisionAI 模型即時偵測到產品異常後，這項關鍵判斷不會只停留在現場攝影機或邊緣硬體，而是會透過 RESTful API 與 Webhook，將視覺檢查數據、元數據與判定結果傳送至雲端 Plex QMS 品質管理資料庫，為受檢產品自動建立專屬序列號與事件紀錄。

這套流程會即時更新統計製程管制（SPC）圖表，必要時更可直接啟動不合格品報告（NCR）程序並更新物料履歷，省去人工手動輸入的環節。這種從現場一路串接到品質管理系統的設計，縮短了傳統流程中「發現缺陷」與「品質紀錄、追溯」之間的資訊斷點。

除了品質檢測端的自動化整合，洛克威爾自動化也持續擴大 Plex 軟體套件在其他現場工作情境中的應用。例如，在協助一線技術人員執行現場任務的 Plex Connected Worker 套件中，便導入內建 AI 的 Authoring Agent（編寫代理），可以直接解析中性幾何交換格式的電腦輔助設計（CAD）檔案，並結合產品與技術資料，自動將複雜的 3D 向量幾何圖與裝配階層架構，快速轉換為一線工人可在行動裝置或輔助設備上閱讀的數位工作指示書。

同時，在 Plex Reporting and Analytics（報告與分析）引擎中，也嵌入專屬 AI Agent，提供可立即使用的儀表板。工廠系統管理與營運人員可以透過自然語言與報告工具對話，進一步取得即時決策指標、全面評估營運風險，並在問題發生前進行預警與預測。

這也凸顯洛克威爾自動化並非試圖打造一個龐大、笨重且高門檻的集中式 AI 運算平台，而是採取更靈活、分散的策略，將不同的專屬 AI 模組依照感知、分析、品質管控與一線人員操作等不同環節，「各司其職」地嵌入工廠運作流程。

從故障診斷、工單排序到技師派遣，AI Agent 接手設備維護流程

如果說 VisionAI 是讓智慧系統擁有一雙更靈敏、能即時「看見」生產缺陷的眼睛，那麼洛克威爾自動化與 Augury 的合作，則進一步將自動化帶入自主「採取行動」的新階段。

這項合作將 Augury 研發的 Industrial AI Workforce（工業 AI 勞動力）平台，與洛克威爾自動化旗下的 Fiix 電腦化維護管理系統（CMMS）及 FactoryTalk Optix 軟體緊密串接。透過這套名為 Fiix Asset Health by Augury 的解決方案，設備健康與震動數據不再只是被動等待工程師檢視的預測性維護（Predictive Maintenance）報表，而能主動支援深入診斷、維修規劃、排程與實際派工，形成更完整的智慧維護閉環。

在這套體系下，當 Industrial AI 持續監控並發現工廠內的馬達、泵浦或齒輪箱等核心物理資產出現早期故障徵兆時，AI Agent 便會開始運作。洛克威爾自動化資產管理自動化總監 Sunil Koticha 指出：「機器數據只有在洞察轉化為決策，進而為某人實際完成任務時，才能創造價值。」

透過與 Augury 的合作，AI 會持續解讀設備健康數據、辨識正在發展中的問題，並在 Fiix CMMS 中自動將其轉化為排定優先順序的工單，讓設備異常的發現能直接落實到維護團隊的工作流程中。

AI 不僅可以自動生成工單、依照嚴重程度安排維護優先順序，甚至還能將深入診斷所得的異常原因與建議維修步驟一併整合，交付給最適合處理的技術人員。

當資深技術人員依照系統指示完成設備維護後，實際處理與維修結果還會再次回傳至 AI 系統，形成「設備數據、判斷、行動、回饋」的資料閉環，讓 AI Agent 能持續參與工廠核心資產的生命週期維護流程，並根據實際結果改善後續建議。

用 Edge AI 與 Agentic AI 縮短工廠決策距離

洛克威爾自動化在 Edge AI 與 Agentic AI 領域的並行布局，勾勒出工業智慧化轉型的一個重要轉折：Edge 技術主要負責將算力與判斷能力部署在數據產生地與實體設備旁；AI Agent 則進一步負責把這些判斷轉化為後續工單、工作指令與一線人員的具體行動。

無論是 VisionAI 即時捕捉細微外觀缺陷，再將結果串接至雲端 Plex QMS 的品質管理機制；或是 Augury 的 AI Agent 診斷設備異常後，在 Fiix CMMS 中自動建立維護任務，都顯示 AI 技術正逐步跨越過去橫亙在分析層與執行層之間的鴻溝。

洛克威爾自動化產品經理 Devin Burke 對此表示：「AI 在洛克威爾的工業自主化戰略中扮演著至關重要的角色，透過預測性智慧，製造商得以從原先寫死的自動化轉向更具適應性的自主化，因為系統現在能在軟體、硬體與工人之間進行自我學習、動態調整與緊密協作。」

然而，追求高度自主化並不等於打造完全去人化的工廠。不論是洛克威爾自動化還是 Augury，其核心理念始終是「人機協同」。AI 的優勢，在於能持續從龐雜的工業數據中進行推理、提供高價值的診斷與決策建議，並啟動後續工作流程；但涉及關鍵大型設備的實體檢修、精密現場操作與最終核准等工作，依然需要仰賴資深工程人員的經驗判斷。正如 Augury 執行長 Elan Greenberg 所言：「這與取代那些運行工廠的人無關，而是要放大他們的能力。我們的未來，是要建立能夠為工廠工人和各行各業技師賦能的 AI 代理解決方案。」

過去數年，製造業決策者在審視、評估一項 AI 方案時，目光往往聚焦在各項技術指標。然而，當工廠能做到即時抓出細微缺陷、判斷齒輪箱故障，甚至主動為值班技師建立包含診斷與維護資訊的工單時，AI 的價值才真正從「分析」走向「執行」。

對製造業領導者而言，下一階段更值得關注的指標，或許不再是「工廠內究竟導入了多少個 AI 模型」，而是這些 AI 技術是否真正縮短了從看見（Perception）、推理判斷（Reasoning）到採取行動（Action）的距離，進而一步步推動製造現場走向更高程度的自主決策。

立即報名 9/17 AI 智慧大工廠論壇，Qualcomm、鴻海、緯謙、TeamT5 等專家將共探 Edge AI Agent 超自動化與資安實戰

【推薦閱讀】
◆ 【工業 AI 作業平台】稱工廠供應鏈是 AI 最有價值處，新創 Arrakis 不綁模型、費用跟績效掛鉤

◆ 從機器手臂到半導體設備都不能停機：台達如何用新世代電源生態系兼顧高負載、極端環境與能源效率？

◆ 直接在軍艦上造出 12 架無人機：美軍如何將「分散式製造」接進前線供應鏈？

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Ars Technica》、《WSJ》，首圖來源：Unsplash

隨著台灣金融市場交易量持續成長，高頻交易與自動化交易日益普及，證券商及專業交易機構對底層系統的要求，已不再只是追求速度，更需要兼顧低延遲、高可用性、資源管理效率，以及面對未來業務成長時的擴充彈性。

百商數位科技將自主研發、深耕市場近 20 年的 Speedy 高頻交易系統，與 IBM LinuxONE 企業級運算平台深度整合，推出 SpeedyOne 金融交易方案。透過軟硬體整合與集中部署架構，改善過去「一套交易系統搭配一台實體主機」所衍生的管理與維運問題，協助金融機構逐步邁向集中化、模組化及高彈性的交易系統架構。

分散式架構面臨維運與擴充壓力

金融交易講求即時性與高度穩定。過去，為避免現貨、期貨、權證、造市等不同交易業務相互干擾或競爭運算資源，金融機構多採用「一套系統、一台主機」的獨立建置方式，確保不同業務可以在各自的設備環境中運作。

然而，隨著金融商品更加多元、交易量持續攀升，需要建置的主機、伺服器與機櫃數量也快速增加。除了占用機房空間與電力資源，也容易產生設備規格不一致、部分資源閒置、部分資源不足，以及軟體版本與作業環境難以統一管理等問題。

當金融機構需要進行系統更新、設備移轉或新增交易業務時，傳統分散式架構通常需要投入大量工程人力，分別完成各套系統的設定、測試與升級。若移轉或更新過程出現異常，也可能影響交易服務的連續性。

百商數位科技從長期服務金融客戶的經驗中觀察，現代金融機構所需要的，已不只是提升單一主機的運算效能，而是一套能夠同時兼顧集中管理、安全防護、系統穩定、平順移轉與長期擴充的整體架構。

SpeedyOne 整合軟硬體，推動集中部署

百商數位自主研發的 Speedy 交易系統投入市場近 20 年，長期應用於國內券商與專業投資機構，承載高交易量、低延遲的關鍵交易工作負載。

在既有 Speedy 系統的基礎上，SpeedyOne 進一步結合 IBM LinuxONE 企業級平台的虛擬化、高吞吐運算與資源管理能力，將原本分散於不同主機及機櫃中的交易子系統，整合至單一實體平台集中管理。

金融機構可依照不同業務的實際需求、交易量變化及未來成長幅度，彈性配置運算資源，減少實體主機與機櫃數量，提升機房空間及能源的使用效率。透過集中化管理，軟體版本更新、系統升級及例行維護也能採取較一致的流程，降低人工操作錯誤與跨設備管理的複雜度。

集中部署並不代表金融機構必須一次全面汰換原有設備。考量金融交易服務「需要持續升級，但不能輕易停機」的營運特性，SpeedyOne 採取循序漸進、分階段移轉的導入方式。

企業可依據業務重要性、系統狀況及內部規劃，逐步將不同交易模組移轉至新架構，在維持既有交易服務穩定運作的前提下，降低一次性轉換所帶來的技術與營運風險。

以 20 年金融經驗提供一站式整合服務

百商數位科技表示，SpeedyOne 不僅是 Speedy 產品的技術升級，也是將近 20 年金融交易市場經驗轉化為標準化架構的具體成果。

除了交易系統及運算平台的整合，百商也提供從前期需求盤點、架構規劃、軟硬體整合測試、系統移轉，到正式上線後的在地維運支援，協助金融客戶降低跨廠商溝通與系統整合的負擔。

百商數位科技董事長張立元（Simon）表示：「Speedy 陪伴台灣金融交易市場近 20 年，我們深刻體會到，金融機構面臨的挑戰，已經從單一交易系統的速度競爭，轉變為底層架構能否支援多元業務成長、簡化維運負擔，並持續維持穩定運作。」

他進一步指出，SpeedyOne 的推出，是希望協助客戶突破「一套一台」的架構限制，在確保營運安全及既有服務不受影響的情況下，以分階段、風險可控的方式，逐步完成新一代金融交易架構轉型。

面對金融服務持續數位化，以及全球交易市場快速變動的趨勢，百商數位科技未來將持續深化 SpeedyOne 在證券、期貨及專業投資機構的應用，協助金融客戶建立兼具效能、穩定性、擴充彈性與維護效率的交易基礎架構。

（本文訊息由百商數位科技提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。首圖來源：百商數位科技）

《BBC》報導，全球最大的人形機器人製造商之一宇樹科技（Unitree Robotics）正式登陸上海科創板，首日股價收盤飆升逾 460%，宇樹此次 IPO 定價為每股 150.80 元人民幣（約 16.50 英鎊、22.36 美元），股價首日收在 845 元人民幣。科創板以科技企業為主要上市對象，被視為「中國版納斯達克」。宇樹此次掛牌不僅受到市場高度關注，也象徵中國政府推動機器人產業發展再向前邁進一步。

宇樹掛牌掀實體 AI 爭霸，銷逾五千台、創 2.78 億獲利

《BBC》指出，宇樹科技此次上市之際，美中兩國正加速爭奪全球機器人產業的主導權，從機器人硬體到背後的 AI 模型都成為競爭焦點。宇樹不是第一家上市的中國人形機器人企業，但它是首家在中國大陸股市掛牌的人形機器人公司。目前，機器人已廣泛應用於工廠、倉庫及家庭，例如自動化工業設備與智慧吸塵器；與此同時，特斯拉（Tesla）、比亞迪（BYD）及亞馬遜（Amazon）等大型企業也紛紛投入人形機器人開發，瞄準由人類執行的各類工作。

宇樹科技 2016 年成立於杭州，而現在已成為中國機器人產業的重要業者，產品從感測器、自動化機械手臂，擴展至四足及人形機器人。隨著市場需求增加，宇樹去年出貨超過 5,500 台人形機器人，2025 年淨利潤達 2.78 億元人民幣，也是少數已經實現獲利的機器人企業之一。相較於美國競爭對手，宇樹能以更低價格推出功能相近的產品。

宇樹總部所在的杭州也是中國重要的機器人產業聚落之一，當地形成所謂的「黃金集群區」，相關企業長期獲得政府大筆資金支持。英國巴斯大學副教授 Fei Qin 指出，隨著中國人口老化，未來可能面臨勞動力短缺，因此機器人也被寄予協助因應人口結構變化的期待。她表示，北京已將機器人產業列為發展先進科技的戰略優先事項，因為機器人讓 AI 離開螢幕，進入工廠、醫院，以及未來可能進入家庭的實體經濟。

新加坡國立大學研究員 Harold Soh 表示，美國機器人的軟體通常較為友善、容易使用，但中國製造商的價格優勢仍相當明顯。以宇樹機器狗為例，起價約 2,700 美元，遠低於波士頓動力（Boston Dynamics）四足機器人 Spot 約 7 萬美元的售價。不過，Harold Soh 也指出，兩者並非完全相同的產品，因為宇樹部分機器狗的體型較小，但價格差距確實十分顯著。宇樹自 2023 年開始銷售人形機器人，2024 年推出售價 1.35 萬美元、體型接近孩童的 G1。相較之下，包括馬斯克旗下特斯拉在內的主要美國競爭對手，目前仍未開始交付同類產品。

上市前，宇樹也透過一系列大型活動積極提高品牌知名度。近日，宇樹機器人就在北京舉行的「2026 世界人形機器人運動會」亮相，與數百支隊伍競逐跑步、足球等項目，還要完成開箱、整理圖書館書籍等實際任務。宇樹 G1 機器人也曾在中國央視春節聯歡晚會上表演武術，引起大眾及研究人員關注，機器人研究員 David Hsu 表示，機器人以「我們過去從未見過的方式」完成一系列動作，顯示中國機器人產業正在快速崛起。

宇樹成功掛牌，專家：中國人形機器人產業迎「關鍵轉折」

《BBC》提及，一些專家認為，宇樹上市後的市場表現，將成為觀察投資人是否看好人形機器人產業的重要指標。投資公司 RoboStrategy 的 Jack Pearson 表示，宇樹上市讓投資人難得有機會直接投資人形機器人企業，也可能為其他機器人製造商未來上市提供參考。他指出，即使美國正收緊對外國製機器人的進口限制，宇樹仍能成功上市，顯示中國機器人產業正迎來轉折點。

宇樹此次 IPO 距離中國另一家機器人製造商優必選（UBTech Robotics）2023 年在香港上市，約相隔 3 年。優必選今年 7 月推出一款中國官方媒體形容為「超逼真」的機器人，主打情感支持與日常互動，迅速受到國際關注。市場也預期，樂聚機器人（Leju Robotics）、智元機器人（AgiBot）等業者，未來幾個月可能陸續上市，加入這波資本市場熱潮。

市場對機器人產業的高度期待，也伴隨對實際需求的質疑。Harold Soh 表示，人形機器人要真正進入家庭、可靠地完成日常工作，恐怕還要等上數年。業者仍得先解決電池續航、隱私保護及機器可靠度等問題，因此短期內，機器人的主要應用市場仍會集中在工廠、醫院等專業場域。

美中角力升級：川普祭禁令防堵中國機器人

美中兩國都把機器人與 AI 視為攸關未來科技競爭的重要產業，雙方在這一領域的角力也日益升溫。美國總統川普政府今年 7 月以國家安全及保護本土製造業為由，宣布禁止新的中國製人形與四足機器人進口。《The Guardian》提及，美國國防部將宇樹科技列入中國軍事企業名單，稱其為「中國國防工業基礎的貢獻者」。北京則否認美方的相關指控，批評華府將貿易問題「政治化」。

除了機器人，美國也已對中國 AI 模型、電動車等科技產品祭出多項限制。彼得森國際經濟研究所（Peterson Institute for International Economics）研究員 Christine Wan 指出，中國在機器人產業的優勢，也反映出華府面臨的更大難題：中國企業已深度融入全球製造體系，其他國家若要降低對中國供應商的依賴，可能得承擔衝擊本國製造業的代價，因此未必願意輕易切割。

相較之下，西方機器人目前在工廠和消費市場的普及程度仍不及中國。美國機器人業者波士頓動力（Boston Dynamics）表示，預計兩年內將人形機器人導入現代汽車的工廠。現代汽車目前持有波士頓動力多數股權。亞馬遜與特斯拉也正積極布局人形機器人。特斯拉今年稍早宣布，將利用加州一座原本生產 Model S 和 Model X 的工廠，投入 Optimus 機器人的生產。亞馬遜則早在 2023 年便開始測試人形機器人在倉庫中的應用，並向《BBC》表示，目前仍持續研發下一代機器人技術。

《BBC》也向特斯拉與波士頓動力詢問兩家公司的人形機器人發展計畫。機器人研究員 David Hsu 認為，美國已失去在機器人領域的領先地位。「他們（中國機器人公司）已取代美國，成為目前機器人產業最受矚目的業者。」他指出，如今新聞版面上已較少看到美國機器人企業，反而是中國機器人公司受到更多關注。

＊本文開放合作夥伴轉載，資料來源：《BBC》、《The Guardian》，圖片來源：Unitree Robotics。

想用能力最強的一批前沿 AI 模型，企業就必須讓 AI 公司保留自己的資料嗎？這個問題在 Anthropic 今年 7 月調整資料政策後浮上檯面，如今 OpenAI 給出另一種答案。

據《華爾街日報》報導，OpenAI 8/19 預覽新的 Private Safety Processing，主打讓符合資格的 API 客戶，在維持零資料留存（Zero Data Retention，ZDR），也就是不保留 prompt 與模型回應的情況下，仍能跨多次互動辨識模型遭濫用的風險。這項措施也帶有明確的商業競爭意味，OpenAI 希望吸引對 Anthropic 資料留存政策有所顧慮的企業客戶。

兩家公司面對的是同一道難題：模型能力越強，危險使用行為越可能分散在多次請求中才看得出全貌；但對企業而言，讓模型供應商保存敏感資料，也可能成為導入前沿 AI 的阻力。

Anthropic 為安全要求留資料，部分前沿模型不再提供 ZDR

根據 Claude 平台文件，Claude Fable 5、Claude Mythos 5 等被列為 Covered Models 的模型，必須採取 30 天資料留存，無法使用 ZDR。《TechCrunch》指出，這項政策也涵蓋未來能力相近的模型。

Anthropic 的理由是安全。該公司指出，越獄攻擊、網路攻擊或其他高風險行為，可能橫跨數十甚至數百次請求。單看其中一次互動，可能只是正常的研究問題，必須把一段時間內的行為串起來，才能辨識真正的意圖。

Anthropic 也坦言，這項政策可能讓習慣零留存的企業客戶卻步，尤其當競爭對手沒有相同要求時，更可能帶來商業風險。《華爾街日報》報導，包括 Microsoft 執行長 Satya Nadella、Palantir 執行長 Alex Karp 等人都曾對此提出疑慮，認為醫療、金融等高度監管產業，需要更明確的資料不留存承諾。

OpenAI 選另一條路：不留原始資料，也要辨識跨對話風險

OpenAI 的 Private Safety Processing，則試圖把安全監控與原始資料留存拆開。《華爾街日報》指出，OpenAI 過去的安全系統主要逐次檢查單一互動，當危險行為分散在多次請求中，就較難辨識完整模式。新系統因此把監控範圍拉到多次相關互動，同時維持 ZDR。

根據 OpenAI 說明，企業資料可以留在客戶控制的基礎設施中；OpenAI 也正在開發另一種方式，讓資料存放在 OpenAI 環境，但使用由客戶掌握的金鑰加密，使 OpenAI 員工無法直接看到 prompt、模型回應等敏感內容。

一旦系統偵測到例如網路攻擊或生物武器相關風險，OpenAI 收到的不是原始內容，而是標示風險類別與嚴重程度的高階訊號，再據此判斷是否需要採取行動。若客戶不同意判斷，也可以提出申訴，或自行選擇提供更多資訊。

為什麼需要跨多次互動判斷？OpenAI 產品政策主管 Aleah Houze 舉例，一名使用者可能先詢問某家公司軟體的弱點，接著詢問遠端存取方法，再問哪些資安工具可能偵測到這些行為。每一個問題單獨看，都可能屬於正常的資安研究，但串在一起，才可能顯示攻擊正在成形。

OpenAI 已與 Microsoft、Databricks 等早期客戶測試這套系統，預計 9 月擴大推出並公布技術白皮書。不過，目前仍是早期測試階段，外界還需要更多技術細節，才能判斷這套架構在實際部署中，能否同時維持 ZDR 與有效的跨互動安全監控。

資料留不留，開始成為前沿模型的採購條件

OpenAI 與 Anthropic 的不同選擇，也讓 ZDR 的意義開始改變。過去企業談零資料留存，通常關心送進 AI 模型的 prompt、程式碼或內部文件，會不會被供應商保存。隨著 AI 開始執行更長時間、多步驟的 Agent 任務，以及程式開發、資安研究等高風險工作，新的問題則是，如果完全不保存資料，模型供應商還能不能安全地提供能力最強的模型？

這不只是企業對隱私的偏好。Houze 對《華爾街日報》表示，OpenAI 已明確聽到企業客戶對資料不留存的需求，許多服務其他企業的公司，本身就對客戶承諾如何處理高度敏感資料。對金融、醫療、政府，以及處理企業程式碼與內部機密的組織而言，資料留存方式因此可能直接影響模型能不能進入正式工作流程。

Anthropic 選擇以有限時間的資料留存換取更完整的安全脈絡，OpenAI 則試圖證明，跨互動安全分析不一定代表模型供應商必須持有原始資料。

目前還無法判定哪一條路能取得更好的平衡，但前沿模型愈深入企業敏感工作，企業比較 AI 供應商時，看的可能不再只是模型能力、價格與速度，也會多問一個問題：為了確保模型安全，供應商究竟需要拿走多少資料控制權？

【推薦閱讀】

◆ OpenAI 暫停部分前沿模型訓練：AI 安全為何開始影響研發速度？

◆ Marvell 願拿股權換 Google 大單，Broadcom 為何可能不跟進？AI 客製晶片競爭規則正在改寫

◆ 【技術債吃掉 AI 投資報酬】企業砸錢導入 AI，卻因底層跑 20 年前的舊系統而難以兌現

＊本文開放合作夥伴轉載，資料來源：OpenAI、《AXIOS》、《Bloomberg》、《TechCrunch》、《The Wall Street Journal》、Claude Platform Docs、OpenAI Developers，首圖來源：Unsplash

隨著 Q-Day 開始倒數，當現有 RSA、ECC 加密機制，未來量子電腦成熟後僅需數小時便能破解，駭客可能採取「先竊取，後解密」（Harvest Now, Decrypt Later），提前蒐集企業的高價值資料。NetApp 台灣技術總監許宏俊在 2026 量子高峰論壇中直言，「如果你的資料在兩年後依然有價值，現在就要開始準備。」

美國政府並已明令規範 2027 年起採購的新設備必須符合 PQC 規範、2030 年將強制淘汰傳統加密。而在台灣，數發部已於 2025 年發布首版《後量子密碼遷移指引》，金管會也在 2026 年 6 月發布《金融業後量子密碼遷移參考指引》，給予金融業漸進式的轉型時程，要求業者在兩年內完成關鍵資產盤點，進行概念驗證（POC）後開始全面的系統遷移。

面對量子威脅與企業合規需求，NetApp 提出一套涵蓋地端與雲端的 PQC 架構：在靜態資料（Data-at-Rest）方面，透過加密機制保護儲存資料，即使儲存媒體遭到竊取，沒有相應的金鑰仍無法直接讀取其中的機敏內容。傳輸中資料（Data-in-Transit），則導入符合 NIST 後量子密碼標準與相關 FIPS 安全規範的加密機制，降低資料在跨系統、跨部門及混合雲環境傳輸時所面臨的量子威脅。「通過美國國防部、國家安全局採購認證，不斷推動我們往前走，在符合國際規範的同時，去對抗這些可能的威脅，」許宏俊表示。

洞察異常軌跡，以「使用者行為分析」精準阻擋內部威脅

除了針對資料的 PQC 升級，在混合辦公與雲端協作成為常態的當下，員工帳號一旦遭到盜用，駭客便能進入系統竊取高價值資料，甚至進行惡意破壞。因應駭客新型態的攻擊，NetApp 進一步將防線延伸至使用者行為分析（User Behavior Analysis），嘗試及時發現並阻斷異常行為。

透過智慧化監控，系統能精準掌握每一位使用者的日常存取行為，並建立基準（Baseline）：

• 即時偵測異常存取：若一名員工平時只處理 100 份檔案，突然在短時間內大量讀取、複製或刪除 1 萬份檔案，系統就會立即判定為異常行為並發出警報。
• 自動化封鎖與快照防禦：一旦偵測到潛在攻擊，系統會啟動相應防禦機制，並透過 Snapshot 搭配不可竄改、防刪除（Immutable）等技術保護資料副本。搭配儲存層的原生惡意檔案阻擋（Malicious file blocking）機制，在儲存端建立防線。

「我們就曾協助客戶及時攔截到，一名員工在離職前大量 copy 資料，」許宏俊表示，這種從「被動修補」轉為「主動攔截」的智慧化監控，能有效在資料被大規模匯出或加密前切斷駭客路徑，將企業風險降至最低。

面對量子運算帶來的長期密碼風險，企業已紛紛開始提前布署。從盤點高價值資料、推動 PQC 遷移，到透過異常行為分析及早發現資料竊取，建立一套從「資料被偷之前」到「資料被偷之後」都能持續防護的機制，才能降低「先竊取、後解密」的長期風險。