資安公司 BreachLock 發布《滲透測試情報報告》（2026 Penetration Testing Intelligence Report），研究基於過去 12 個月內於全球執行的 4,970 多次實測滲透測試，以及高達 531,770 項具體漏洞的匿名統計數據。

內容透過跨越 60 多個產業領域的大規模實測結果，指出企業在加速導入 AI 與雲端架構時，攻擊面擴張速度已遠超資安治理能力的真實困境，並為企業指明從「收集漏洞清單」轉向「主動驗證實質風險」的轉型路徑。

📎 這份報告適合誰閱讀？

適合以下 5 類工作者與團隊閱讀：

• 資安長與資安高管
• 資安維運與 SOC / 紅紫隊人員（負責模擬真實攻防的資安演練團隊）
• 雲端架構師與 IT / DevOps 工程師
• 應用程式與 AI / LLM 開發團隊
• 合規與風險管理人員

🔴 報告洞見

全球資安威脅新常態

當前企業面臨的資安環境正在經歷前所未有的動態變化。隨著自動化攻擊工具與 AI 技術普及，駭客發動攻擊的門檻顯著降低，攻擊速度則呈現爆發性成長。

報告數據顯示，攻擊者的行動速度快得驚人，從首次突破防線到攻陷其他內部系統，平均只需要 29 分鐘；甚至在漏洞剛被公開的 24 小時內，駭客就能拿出對應的入侵工具。

這種極速化的攻擊節奏，對傳統以人工反應為主的防衛機制造成了巨大衝擊。

企業雖然為了符合合規要求而增加漏洞檢測的頻率，但由於資產掌控力不足與修補資源有限，導致絕大多數被發現的弱點長期未獲處理。

這種「只檢查不修補」的現象，讓多年前就已公開的已知漏洞，至今依然普遍存在於企業內網中，持續累積成沉重的資安負債。

AI 代理人的風險爆發

《滲透測試情報報告》首次針對 AI 進行專屬實測，結果令人擔憂。接受測試的 AI 系統無一倖免，全都存有國際資安標準（OWASP）所警告的重大安全弱點。

這反映出，企業搶著將 AI 落地商業應用的速度，已經遠遠超越了資安防線的建置步調。

在所有 AI 漏洞中，最常見且破壞力最大的，是佔了近三成（28%）的「提示詞注入」（Prompt Injection）。

簡單來說，這就像駭客對 AI「下催眠指令」或用話術誘騙，讓 AI 忽略原本的安全設定去執行非法操作。在實測中，駭客甚至能利用 AI 的連線功能當跳板，結合 SSRF（伺服端請求偽造）技術，直接穿透防線並存取企業原本不對外開放的內網資產。

當企業開始部署能自主辦事的 AI 代理人時，漏洞連鎖破壞力更被成倍放大。報告指出，有 15% 的 AI 應用給了 AI 過大的權限，例如讓同一個 AI 代理人既能讀寫檔案、呼叫 API，還能存取資料庫與發送郵件；一旦這個 AI 被惡意指令操控，駭客就能「接管」這個高權限的 AI，直接用它的合法身分大規模外洩資料或亂發惡意郵件。

此外，企業在打造 AI 內部知識庫時，若餵給 AI 的檔案夾帶了惡意指令，就會直接污染 AI 的資料記憶；而如果幫 AI 隨便裝上未經審查的第三方擴充外掛，也可能像使用到危險套件一樣，為企業埋下後門隱患。

新一波破口：雲端與身分權限

除了 AI 風險之外，雲端架構與身分驗證的防護漏洞，是造成企業實體資料外洩最主要的源頭。BreachLock 數據顯示，雲端環境出現極高風險（Critical）漏洞的比例高達 1.34%——這是傳統網站（0.10%）的 13 倍，更是企業內部網路（0.04%）的 33.5 倍。

雲端之所以成為風險重災區，根本原因在於雲端身分與權限控管（Cloud IAM）設定太鬆，以及安全監控失靈。

許多企業快速上雲時，為了省事直接給了系統「完全不設限的通行權限」，甚至讓通關金鑰直接暴露在雲端環境中。

更致命的是，高達 30% 的雲端實測顯示，系統內建的「安全監控警報」竟被手動停用，讓駭客能在完全不觸發任何警報的情況下，如入無人之地長期竊取資料。

在手機 App 與 API 安全上，權限與憑證的漏洞同樣嚴重：

• 手機 App 密碼直接印在程式裡：iOS App 高達 97% 的重大漏洞（佔行動端總漏洞 35%），都是因為開發者把通關密碼或金鑰直接寫死在程式碼中；這就像把大門鑰匙直接鑄在門把上一樣，駭客只要用免費工具花幾分鐘拆解 App，就能直接撈出鑰匙打穿後端系統。
• API 連線「改個數字就能看別人個資」：在系統連線（API）測試中，高居漏洞榜首（佔 28%）的是越權存取（BOLA）。簡單來說，就是系統沒有嚴格檢查身份，駭客只要把請求裡的訂單或帳戶編號「1001」改成「1002」，就能直接偷看別人的私密交易或個資。加上佔 22% 的身份驗證漏洞（例如密碼永不過期、連線次數不設防），API 已經成為企業最容易被攻破的入口。

🧭 防禦戰略轉向：從盲目收集清單到「實測真正風險」

面對龐大且不斷增加的漏洞數量，傳統「產出 PDF 檢測報告後，按清單排隊修補」的維運模式已徹底失靈。

報告數據顯示，企業目前的漏洞整體修補率僅有 4.3%，即便針對最危險的極高風險漏洞，修復率也只有 5.3%。這意味著高達九成以上的漏洞檢測出來後，都只是寫在報告裡「掛網暴露」，根本沒有在真實系統中得到解決。

為了解決漏洞多到「修不完也補不完」的資安負債僵局，BreachLock 建議企業防禦策略必須進行三大轉型，從被動整理清單，轉向以「實測真正風險」為核心的主動防禦：

• 一，引入「假設已被入侵」思維與紫隊演練：不再花時間重複測試最外層的防火牆，而是直接假設「駭客已經拿到一張員工識別證或一台內網電腦」，進而實測他在系統內部到底能撬開哪些門、翻出哪些敏感資料。透過這種實戰演練（紫隊演練），資安團隊才能精準抓出哪些漏洞真的「會被武器化入侵」，並把有限的人力集中在最致命的破口上。
• 二，將「一年一次點狀測試」升級為「持續性滲透測試」：一年只做一次滲透測試就像「一年只體檢一次」，中間無數次系統更新都可能產生新漏洞。透過 PTaaS（滲透測試即服務），企業能結合雲端平台與自動化機制，在每次應用程式上線、雲端設定變動或 AI 模型更新時，進行持續性的實戰驗證，確保新漏洞不會長時間無人理會。
• 三，制定具備強制力的「分級修補限時令」：資安團隊不該要求工程師修補每一個小瑕疵，而是要依據漏洞被真實利用的可能性，訂出明確的修補時限——例如，報告建議極高風險漏洞必須在 72 小時內強制修復，高風險漏洞於 14 天內完成，並在開發流程中加入自動金鑰掃描與權限稽核，從源頭把關。

2026 年資安戰場的勝敗，關鍵已不在於企業購買了多少昂貴的防禦軟體，而是在於驗證防線與處理漏洞的反應速度。當 AI 代理人與雲端新架構將攻擊面拉擴至全新維度時，繼續抱持被動的合規掃描心態，只會讓資安負債無限期累積。

唯有將資安維運從「被動產出漏洞報告」，徹底轉型為「以實測驗證為導向的主動防守」，並且集中資源鎖定 AI 治理、雲端 IAM 身分控管與 API 授權這三大新破口，企業才能在駭客武器化攻擊的浪潮中，重新奪回資安防護的主導權。

＊閱讀完整報告內容，請見：Penetration Testing Intelligence Report 2026

【更多產業研究報告】

◆ 【微軟前沿企業 AI 轉型守則】試點小組人均營收成長 9.4%，靠「角色加速配方」找出職務痛點嵌入 AI

◆ 【全球 900+ IT 高管報告】雲端與 AI 時代新規：49.1% 企業為導入 AI 加速上雲，IT 拚的不是客製軟體而是資料整合

◆ 【政府 AI 轉型下一步】64 國建好數位身分只是起點，AI 代理正在改寫政府服務方式

 >> 其他產業研究報告

＊初稿由 AI 協作，首圖來源：Unsplash

TypeSafe 9 月中推出 Jev 後，「決策模型（Decision Model）」快速成為 AI 領域的新熱點。不到三週，OpenAI 推出 Decisions API，AWS、Cloudflare 接連發布 Strands Decider 2B 與 Clef，開發者社群與研究團隊也快速跟進。這波熱潮背後，是 AI 代理內部不同工作的分工開始被重新檢視。

《VentureBeat》指出，如果系統只需要回答「這個工具該不該執行？」或「這筆請求該走哪一條路徑？」這類答案範圍明確的問題，讓大型語言模型先生成一段解釋，反而會增加時間與成本。決策模型則直接替預先允許的答案評分，因此更適合放在 AI 代理周邊，頻繁處理工具選擇、路由或操作檢查等窄範圍判斷；寫作、程式設計與複雜推理，仍交給能力更完整的生成式模型。

而隨著更多業者加入，決策模型也不再只有一種做法，AWS、Cloudflare 與其他開發者團隊，開始從模型大小、部署方式、多模態能力與架構設計上做出不同取捨。

延伸閱讀：Jev 為何爆紅？AI Agent 正重新分配「誰來做決策」

Jev 帶起熱潮，OpenAI 也把決策能力獨立做成 API

TypeSafe 9/15 推出 Jev，讓模型讀取目前狀態與預先定義的問題後，直接回傳選項、分數或是非判斷，以及各答案的機率，不需要像一般大型語言模型逐字產生回答。

OpenAI 9/29 也在 DevDay 發表 Decisions API。它不是另一款獨立決策模型，而是使用 OpenAI 的 Luna 模型，讓開發者先定義問題與有限選項，再由模型根據文字或圖片進行分類、請求路由，或選擇 AI 代理下一步行動。OpenAI 的加入顯示，這種設計思路已不只停留在新創或開放模型社群，也開始被大型 AI 業者做成正式產品能力。

AWS 推 Strands Decider，押注小型化與自行部署

AWS 10/1 推出的 Strands Decider 2B 僅約有 20 億參數，以阿里巴巴 Qwen 團隊的 Qwen3.5-2B 基礎模型為底層，移除原本負責逐字產生文字的元件，改成直接替候選答案評分。

AWS 的重點不是單純追求更高測試分數，而是把模型做得夠小，讓企業能直接放在自己的環境執行。Strands Decider 可在一般 CPU、GPU 或個人電腦上運行，AWS 也公開模型權重、程式碼、訓練資料與方法，方便企業自行部署、修改，甚至避免每次判斷都必須呼叫外部雲端模型。《VentureBeat》因此指出，Strands Decider 目前最明顯的差異不在於已證明比 Jev 更準，而是開放、自行部署與可重現。

AWS 還示範把它放在 AI 代理真正呼叫工具之前。當代理準備查詢天氣，卻在使用者沒有提供所在地時自行猜測城市，Strands Decider 會先判斷這項參數有沒有依據、現在是否適合執行，再讓系統決定放行、阻擋或要求進一步確認。

AWS 傑出工程師 Marc Brooker 向《TechCrunch》表示，AWS 是在與客戶討論 AI 代理流程時發現這類需求，也就是許多工作步驟其實不需要完整大型語言模型的能力與成本，因此促成 Strands Decider 這類專門處理有限判斷的模型。

Cloudflare Clef 不追求最小，改押多模態與企業微調

Cloudflare 同日推出 Clef 與 Clef-flash，走的路線和 AWS 不太一樣。兩款模型分別採用較大的 Qwen 系列模型為基礎，除了文字，也能處理圖片與影片，並支援更長的輸入內容。

Cloudflare 還把模型部署在 Workers AI，並同步推出強化學習微調服務，讓企業依自己的資料與判斷規則調整模型。另一個值得注意的地方，是 Clef 直接相容 Jev 的 API，原本使用 Jev 的應用不需要重新改寫整套呼叫介面就能切換模型。這代表 Jev 帶來的影響可能不只是一款熱門模型，它採用的輸入、問題與機率輸出形式，也開始被其他業者沿用。

不過，Clef 的硬體門檻也更高。《The Register》指出，Clef-flash 與完整 Clef 自行部署分別約需 41 GB 與 85 GB 顯示記憶體，明顯高於 AWS 的 2B 模型。報導也提醒，Cloudflare 雖稱 Clef 為開源模型，但沒有公開完整訓練資料，因此更精確的說法應是開放權重。

不只三款，決策模型也開始分尺寸、分架構

而且決策模型已不只 Jev、Strands Decider 與 Clef。《VentureBeat》整理，Jev 推出後數週內，市場陸續出現 Laya、Kev、Bespoke Nimble 9B、Mapika decider、FLock this-that-model 等模型，而且設計方向已開始分化。例如 Laya 僅 4.21 億參數，Kev 則提供不同模型尺寸。

史丹佛大學與 NVIDIA 的 CLM-8B 更從架構下手，把目前狀態與候選行動分開處理，讓重複使用的行動可以預先計算，試圖降低 AI 代理反覆從同一批工具或行動中做選擇時的成本。

不過，模型快速增加也讓差異化成為新的問題。《TechCrunch》指出，Jev 問世後已有數十個類似模型出現，既反映市場對這類技術的興趣，也讓它們究竟能產生多少獨立價值受到檢視。

Brooker 認為，決策模型真正的技術挑戰，是在速度、準確率、機率校準與通用理解能力之間取得平衡。另一方面，這類較小模型的開發成本可能只有數百到數千美元，因此他也不認為市場一定會由大型前沿 AI 公司主導。

目前不同團隊已開始從模型大小、架構、部署方式與多模態能力尋找決策模型的不同解法，這也讓下一個值得觀察的問題在於，哪些 AI 代理工作適合真正從大型語言模型拆出來，以及這些專門模型能否在降低延遲與成本的同時，維持足夠的判斷品質。

【推薦閱讀】

◆ Gemini 4 終於登場：一次可輸出 100 萬 token，Google 為何要把 AI 單次工作量做這麼大？

◆ OpenAI 推出 Dots 到底新在哪？AI Agent 正從「接任務」走向「接責任」

＊本文開放合作夥伴轉載，資料來源：Strands Agents、《VentureBeat》1、《VentureBeat》2、《TechCrunch》1、《TechCrunch》2、《The Register》，首圖來源：AWS

AI 正逐步改變零售商與商家之間的關係。《PYMNTS》報導，過去零售市場主要圍繞 4 項競爭槓桿，包括消費者占有率、賣家占有率、廣告支出占有率與錢包占有率；如今，AI 進一步帶來第 5、6 項槓桿，也就是決策權占有率，以及意圖基礎設施占有率。

賣家端的系統整合戰：Amazon 與 Walmart 搶占商家的「決策權占有率」

近期亞馬遜（Amazon）與沃爾瑪（Walmart）的產品更新，正反映出這項變化。Amazon 升級 Seller Assistant，讓 AI 能持續監控商家的業務狀況，並在商家設定的限制範圍內提出建議或執行相關行動。Amazon 也推出 Multichannel Selling，將 Walmart、eBay、TikTok Shop 與 Shopify 的訂單、庫存及商品目錄，整合至 Amazon 賣家用來管理業務的平台 Seller Central；另外，Amazon Ads Agent 現在可以透過自然語言指令規劃、管理與最佳化廣告。

Walmart 則持續發展 Scintilla 平台，從零售分析進一步朝 Walmart 所稱的「商務智慧」（commerce intelligence）發展，利用第一方資料與 AI 辨識業務表現變化與潛在機會，並將分析結果連結至實際行動。

Walmart 也在近日宣布「Shop to Light」功能。消費者可以透過 Walmart App 尋找商品並請系統協助定位，門市系統會讓商品所在位置亮起，同時貨架標籤上的小型 LED 燈會閃爍，協助消費者找到商品。

零售平台成為賣家的作業系統：Amazon、Walmart 從資料分析走向直接執行

《PYMNTS》指出，過去賣家的科技工具通常分散在不同系統，例如使用不同平台處理電商與電商市集，再搭配企業資源規劃（ERP）系統管理庫存、物流業者處理履約，以及專門的廣告與分析軟體，並由員工或代理商協調各項工作。

不只是工具，賣家的生意本身也分散在多個通路。根據 PYMNTS Intelligence 5 月發布的報告《Why Main Street’s Digital Survivors Are Pulling Ahead: Four Years of Small Business Data》，在使用電商市集平台的企業中，48% 表示 2022 年 1 月至 2026 年 2 月期間，透過該管道取得的銷售額增加；另外，有 57% 的中小型企業透過自有網站銷售商品，凸顯若只看單一電商市集，能掌握的商家業務其實相當有限。

Amazon 近期的產品布局，正試圖消除這些系統之間的界線。Amazon 本身已掌握需求、轉換率、廣告、庫存、履約、定價與顧客行為等資訊，而 Multichannel Selling 則讓商家可以直接從 Seller Central 管理 Walmart、eBay、TikTok Shop 與 Shopify 的業務。Amazon 表示，2025 年 Seller Assistant 提出的建議行動，有超過 90% 的時間會被商家採納，每月使用的賣家則超過 23 萬名。

Walmart 則以自身第一方商務資料為起點，爭取同樣的機會。根據 Walmart 提出的願景，Scintilla 可以辨識即將缺貨的商品，再直接推動供應商補貨，或將分析所得的洞察轉化為 Walmart 零售媒體廣告平台 Walmart Connect 的廣告活動。

《PYMNTS》提及，Amazon 與 Walmart 不一定需要直接取代 ERP 業者、電商平台、零售分析公司、市集管理軟體或廣告科技公司，只要能成為商家決定這些系統該執行哪些工作的介面即可。

PYMNTS Intelligence 報告《Will the 2026 Shopping Season Go Agentic?》指出，約有 1.32 億人曾在 AI 協助下完成零售購買，另有 22% 的消費者現在會從 AI 工具開始進行線上購物研究。但買方與賣方目前仍不是完全自主運作。人類仍會設定目標、權限與限制，在這些條件確立後，位於目標與最終交易之間的更多戰術性決策，則可能交由軟體執行。

＊本文開放合作夥伴轉載，資料來源：《PYMNTS》、Amazon1、Amazon2，圖片來源：Amazon。

OpenAI 持續探索 ChatGPT 作為 AI 購物助理的應用。OpenAI 宣布，全球推出兩項新的購物功能，包括讓使用者虛擬試穿服裝與配件，以及新增收藏（Favorites）功能，讓使用者儲存喜歡的商品，方便之後再查看。

OpenAI 推出「虛擬試穿」功能，ChatGPT 升級 AI 購物助理體驗

《TechCrunch》提及，這項更新正值 AI 助理持續探索購物應用之際。OpenAI 先前曾推出即時結帳（Instant Checkout）功能，但這項功能最終表現不佳，促使 OpenAI 調整方向。近期，代理式 AI 新創公司 Instinct 也開始向使用者推送商品推薦，但部分使用者認為，這類主動推薦有些過頭，比起有用的建議，更像是廣告。

《Digital Trends》指出，ChatGPT 每週已有超過 12 億名使用者，且其中許多人已經會利用 ChatGPT 尋找購物靈感。從這個角度來看，OpenAI 此次推出虛擬試穿與 Favorites 並非從零開始建立購物場景，而是在既有的使用習慣上加入更多功能。《Digital Trends》提及，兩項功能可以形成連續的購物流程，使用者先透過虛擬試穿探索商品，再決定購買，或將商品儲存下來日後查看。

OpenAI 表示，新的購物功能採用近期推出的 ChatGPT Images 2.5 模型。OpenAI 宣稱，該模型可以產生更自然的光線與更豐富的材質細節，也能更可靠地遵循圖片編輯指令，並降低圖片生成延遲。

其中，虛擬試穿功能可以讓 ChatGPT 使用者上傳自拍照或全身照，查看特定服裝或配件穿在自己身上的效果。當使用者在 ChatGPT 的購物搜尋結果中看到服裝或配件時，會出現新的「Try on」按鈕，使用者點選後即可上傳照片進行試穿。使用者也可以直接上傳商品圖片，例如網站截圖，再要求 ChatGPT 將該商品套用到自己的照片上。

跨入時尚靈感領域：ChatGPT 迎戰 Google 競爭與 AI 試穿信任度考驗

另一項新功能則是 Favorites，讓使用者可以將在 ChatGPT 中找到的商品儲存至 App 內的 Library，之後再回頭查看。OpenAI 表示，這些商品也會與使用者建立的虛擬試穿圖片一起儲存。

OpenAI 也表示，ChatGPT 還能以其他方式協助使用者購物。例如，使用者可以描述自己想嘗試的穿搭風格，再要求 ChatGPT 尋找完成這套造型所需要的服裝；也可以上傳名人的穿搭照片，要求 ChatGPT 找出照片中人物穿著、且目前可以購買的商品。

《TechCrunch》指出，讓 ChatGPT 根據名人穿搭照片尋找可購買商品的功能，使其進入了近年由 Pinterest 與 Google 主導的服裝靈感與商品探索領域。這類服務除了提供時尚靈感，也可以進一步轉化為線上零售商的銷售機會。但 ChatGPT 是否會成為使用者進行這類活動時的首選，目前仍有待觀察，尤其 Google 已在 2025 年推出虛擬試穿功能。《Digital Trends》也補充，消費者是否信任 AI 為自己生成的試穿畫面，才是這項功能真正的關鍵問題。

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Digital Trends》、OpenAI，圖片來源：OpenAI。

Google 首度把自家 AI 晶片送上太空。美國時間 10/1，太空公司 SpaceX 的 Falcon 9 火箭執行 Transporter-18 任務，其中一顆由衛星公司 Planet Labs 製造、約冰箱大小的衛星，搭載了 4 顆 Google TPU。這也是 Google 的 Project Suncatcher（捕日者計畫）首次把 TPU 真正送進軌道。《CNN》形容，這次發射可視為 Google 在軌道 AI 資料中心競爭中率先展開的一波實際行動。

Up, up, and away. 🚀

Today, in partnership with @planet, we launched a prototype satellite carrying four TPUs into orbit on @SpaceX's Transporter-18 rideshare mission. This launch is the first step of Project Suncatcher, our long-term research moonshot to see whether we can one… pic.twitter.com/6WakAX8q7N

— Google (@Google) October 1, 2026

Google 去年公布 Project Suncatcher，研究能否把 AI 運算基礎設施搬到低地球軌道，利用更長時間日照取得電力，再讓多顆搭載 AI 晶片的衛星彼此連線、共同處理運算。不過這次還不是在打造完整的太空資料中心，而是先確認最基本的硬體條件。Project Suncatcher 負責人 Travis Beals 表示，第一次發射的目的，是確認哪些設計能運作、找出可能的失敗點，再把結果用到後續任務。

4 顆 TPU 先上太空，一次只能跑約 15 分鐘

《The Wall Street Journal》報導，這顆衛星未來一年會讓 4 顆 TPU 執行 Google Gemma 模型、回答簡單問題，觀察晶片在經歷火箭發射後，能否承受輻射、溫度與供電條件不同的太空環境。

Google 官方指出，衛星升空前已先做過劇烈震動測試，模擬火箭發射過程中最高約 10 倍重力加速度，部分 TPU 元件甚至可能承受 50～100 倍重力。Google 表示，目前硬體已通過地面測試，但真正進入軌道後的狀況，仍要靠這次任務取得實際資料。

其中最直接的問題就是散熱。地面資料中心可以靠空氣或水冷帶走熱能，但太空接近真空，無法利用空氣對流散熱。Google 目前採用 heat pipes（熱管）搭配 radiators（散熱器）的方式，把 TPU 產生的熱導出，再向外輻射。根據《TechCrunch》報導，這次 TPU 會以每次 15 分鐘為一個運作區段，之後暫停，避免對衛星的供電與熱管理系統造成過大負荷。

另一項風險是宇宙輻射。《CNN》指出，高能粒子可能造成 bit flip（位元翻轉），讓晶片內的資料發生錯誤。Google 先前已在地面以粒子加速器測試 TPU，結果顯示一般推理（inference）工作的錯誤率相當低，但真正長時間處在太空環境後會如何，仍要靠這次任務確認。

下一步不是多送幾顆晶片，而是讓衛星一起算

如果這次測試順利，Google 下一步要處理的就是晶片之間的高速互連。Google 與 Planet Labs 預計 2027 年再發射兩顆衛星，測試透過雷射通訊讓不同衛星上的 TPU 交換資料。這一步是未來放大規模的關鍵，因為大型 AI 模型需要大量加速器共同運算，不能只把 TPU 分散裝進不同衛星。

難點在於，現有太空雷射通訊多半針對長距離、較低頻寬傳輸設計，Google 需要的則是短距離、極高頻寬連線，而且衛星彼此都在高速移動，還得持續精準對準。Google 形容，難度類似兩個都在移動的物體，相隔數英里仍要持續瞄準硬幣大小的目標。

如果雙衛星互連可行，Google 更長期研究的架構之一，是讓 81 顆衛星緊密編隊並行運算，每顆衛星搭載數十顆 TPU，朝大型分散式 AI 運算叢集發展。《TechCrunch》引述 Project Suncatcher 負責人 Travis Beals 表示，Google 現在思考的，已是未來幾年大型模型可能需要的跨機櫃運算規模。

但是發射成本不降，太空資料中心仍很難放大

不過，就算 TPU 能在太空正常工作，成本仍是更現實的問題。《The Wall Street Journal》指出，以目前條件估算，若要打造 1 GW 等級的軌道資料中心，成本可能約 300 億美元。另外，要把大量運算設備送上太空，本身就很昂貴。

《TechCrunch》依 Google 研究估算，如果未來發射成本要降到每公斤約 200 美元，SpaceX 的 Starship 重型運載火箭未來 10 年可能需要累積約 1,800 次發射，平均每年約 180 次，而且還是假設每次都能載運 200 公噸。問題是，Starship 到目前為止，單一年份最多也沒有超過 5 次發射。《CNN》也指出，大量衛星進入低地球軌道後，還會增加軌道壅塞與碰撞風險。

Google 目前仍把 Project Suncatcher 定位為長期研究。這次 4 顆 TPU 升空，主要還是在測試 AI 晶片能不能先在太空穩定工作；至於把數十顆衛星串成真正的運算叢集，則要等後續互連測試再往前走。

【推薦閱讀】

◆ 一顆算力約等於一座 NVIDIA 機櫃！馬斯克首度公開太空資料中心衛星細節

◆ Gemini 4 終於登場：一次可輸出 100 萬 token，Google 為何要把 AI 單次工作量做這麼大？

◆ OpenAI 推出 Dots 到底新在哪？AI Agent 正從「接任務」走向「接責任」

＊本文開放合作夥伴轉載，資料來源：《CNBC》、《TechCrunch》、《NPR》、《The Wall Street Journal》、《CNN》、Google，首圖來源：Google

人類對於機器人抱有許多幻想，而源自德國的科技新創公司思靈機器人（Agile Robots），正努力將人類的幻想化成現實。

思靈機器人創辦人陳兆芃在接受外媒專訪時指出，未來幾年之內，地球上每一個人，全都會擁有一台屬於自己的私人機器人。

然而，目前思靈機器人的主力產品，卻是機械手臂、夾爪、移動式運輸平台、自動化機台，以及一台身高 174 公分，被稱為 Agile ONE 且適用於工廠環境的人形機器人，似乎沒有任何面向家用的產品。

幻想與實際產品線之間的鴻溝，稱得上是思靈機器人最獨特的地方。陳兆芃強調，這種差異正是人類邁向幻想成真，並逐步壯大機器人產業的必經之路。

資本非關鍵，實體 AI 要面對真實世界

如果詢問大多數人形機器人公司的主事者，他們為何認為自己能夠在激烈競爭的市場中勝出，大多數人的答案是資料、模型或財富投入，但是陳兆芃的回答卻更著重於結構層面。

陳兆芃解釋，大型語言模型（LLM）之所以能夠持續進步，主要是因為其成長模式已經被外界理解、釐清，而且本質上相當簡單。

大型語言模型建立在大規模的文本基礎之上，而且完全數位化，有意發展的企業只要建立起發展模式，包含模型、資料、運算並呈現結果，不斷投入資金就可以得到回報，整個飛輪效應運作得非常順利。

然而，實體 AI 卻沒有這麼簡單。陳兆芃指出，開發實體 AI 的企業，例如機器人公司必須先建立模型、硬體元件、感官系統等，然後才能投入有價值的應用；唯有當應用本身被大規模部署後，這股動能才會回流，進而帶動資本投資、推動運算能力進步、驅動實體產品進化，然後才能再次投入應用領域。

換句話說，實體 AI 製造商所面對的東西是「真實世界」，因此只有讓產品在實體世界中，從事真正有價值的工作，才能進一步創造出經濟價值，然後再把價值重新注入到實體 AI 的飛輪之中。

陳兆芃分析，實體 AI 的飛輪效應有兩個層次，第一層關係到技術，第二層關係到商業，如果開發商無法將這兩者結合起來，那麼就算企業擁有再多資本，其實也根本不重要。

工廠才是產品，機器人僅其中一部分

相較於許多美國、中國的機器人企業，一年內可以募得數十億美元投資，目前發展近七年的思靈機器人，至今合計募資僅 15 億美元左右，不過該公司背後確實有著來自日本軟銀集團的支持。

陳兆芃說，他無法否認美國企業在機器人領域上，擁有非常獨特，甚至是有點不公平的競爭優勢，但競爭本身是好事情，只是機器人市場無法單憑財力就能永續經營。

根據陳兆芃的理念，思靈機器人並沒有把「機器人」當成產品，對於該公司來說，真正的產品其實是打造出「工廠」，或者說「未來的工廠」。

思靈機器人執行董事 Rory Sexton 表示，公司首要目標是解決客戶的問題，其次是要以盡可能低的自動化程度以解決問題，從而減少成本支出，替客戶帶來最佳的投資報酬率。

Rory Sexton 直言，大多數時候客戶只需要一台足夠聰明的機器人，而不是一台運作方式非常複雜的機器人；所以 Rory Sexton 預期，未來數年之內或許人形機器人都不會獨立運作，而是成為某一整套解決方案中的一小部分。

正因如此，思靈機器人特別強調公司技術堆疊的完整性，大舉收購許多系統整合商，並發展機械手臂、靈巧機械手、自主移動機器人、輸送帶、視覺系統等相關產品，甚至開發運用 AI 協助客戶規劃全套自動化解決方案的軟體層。

融合實體 AI 與自動化，才叫做整合

從更實際的角度而言，思靈機器人的發展方式，其實解決了獨立人形機器人公司，至今仍然得面對的整合問題。

Rory Sexton 認為，企業必須先自問，實體 AI 與一般的自動化手段，分別包含哪些部分，並且將兩者融合進行融合後，才能提出一套解決方案。

換句話說，工廠本身就是一台大機器，舉凡人形機器人及其他類型的機器人，全都不過是推動工廠順利運作的一部分。

Rory Sexton 指出，當自動化產品能夠跟客戶的生產線緊密整合，那麼即使導入人形機器人，同樣也能維持整合狀態，期間所有路徑、任務規劃等作業，全都可以視為系統中某個組成部分。

機器人生產機器人，人類依然重要

在思靈機器人位於德國慕尼黑的製造工廠中，目前已有兩條生產線實現了完全自動化，也就是讓機器人生產機器人。

根據該公司說法，德國工廠目前產能約為每天 10 台機器人，每台的生產週期為 3 至 4 天，未來將擴充到一年可出貨 8,000 到 9,000 套產品，某些單一客戶訂單量高達數百台，而機器人硬體幾乎每兩個月就會得到一次更新與升級。

即便讓機器人生產機器人聽起來很科幻，但人類依然承擔著最重要的工作，即多數生產線的最終組裝，還是由技術工人所完成。

發展機器人即服務，輪式平台優先

在各國關稅不斷升高，保護主義重新抬頭的時期，思靈機器人同時在亞洲、美洲及歐洲生產機器人，同時也未將零組件供應商鎖定於單一業者身上，亦不考慮自行製造所有零件，而是採用多家電池供應商及多家馬達致動器供應商。

此外，思靈機器人也推動「機器人即服務」的商業模式，甚至不排除進一步發展成「製造即服務」，讓客戶彈性租賃機器人，畢竟當機器人越靈活，就會變得越實用，這亦是外界特別關注人形機器人發展的主要原因。

只不過，目前思靈機器人所出貨的人形機器人，其底盤卻是採用輪式設計，而非像宣傳影片一樣的雙足設計，似乎跟「靈活」的概念背道而馳。

對此 Rory Sexton 解釋，這是由於歐洲和北美，目前還沒有相關法規與監管依據針對跟人類一起協作的雙足人形機器人；而輪式平台則可以通過多數認證，另外就算沒有雙腿，思靈機器人產品在爬樓梯方面的表現同樣十分出色。

Agile Robots 擁跨國優勢，關稅只是暫時

談起思靈機器人在市場競爭上的關鍵優勢，陳兆芃與 Rory Sexton 都認為，國際化將是個重要關鍵。思靈機器人的員工來自德國、印度、中國，甚至是其他歐洲國家，涵蓋超過 60 個國籍，同時人數比例大致相當。

陳兆芃說，中國擅長供應鏈管理，德國在機電整合知識方面非常出色，美國則在 AI 模型方面有著強大表現，因此如果想在機器人領域建立起成功的公司，就必須同時兼顧所有優勢。

至於機器人領域的跨國監管和關稅壁壘，陳兆芃強調，這完全在意料之中，而且只是暫時情況；若回顧過去的歷史，其實每項新技術都會經歷同樣過程，各國一開始會選擇保護自己的技術，產業成熟之後，又會將技術全部出口。

【推薦閱讀】

◆ 「機器人造機器人」成真？優必選啟用萬台級人形機器人智慧工廠，預計每 10 分鐘產出 1 台
◆ Agility 揭人形機器人的「勞工成本」：一台 Digit 5 年 40 萬美元，多久幫你賺回來？
◆ 【在工廠學習的機器人】與其等待龐大訓練資料集出現，Reimagine Robotics 讓客戶自己教機器人

＊本文開放合作夥伴轉載，參考資料：Forbes、The Wall Street Journal，首圖來源：YouTube

（責任編輯：鄒家彥）

隨著企業建立的 AI Agent 越來越多，如何避免 Agent 彼此重複、職責模糊甚至失控，也開始成為新的管理問題。在這個背景下，一個 Agent 到底該負責多少事？

Salesforce 最近在多 Agent 設計建議中提出一個具體參考：實務上，當單一 Agent 負責超過約 8～10 個範圍明確的任務主題，就應考慮進一步拆分。而這項建議出現之際，Salesforce 自己也正在調整內部導入 Agent 的方法。

從數百個 Agent 收斂，Salesforce 先學會聚焦問題

《Fortune》近日報導，Salesforce 曾從數百個 Agent 收斂到少數公司更有把握能帶來明確效益的應用。負責內部 Salesforce 產品導入的資深副總裁 Andy White 坦言，公司一度同時追逐太多方向，缺乏足夠聚焦。

Salesforce 後來回頭檢視哪些 Agent 達到預期、哪些沒有，發現業務部門參與程度也是差異之一。成功的流程通常有更深入的業務人員支持，因此該公司開始讓 IT 端的 Agent 開發者與業務人員組成「快速創新小組（Rapid Innovation Squad，RIS）」，針對明確的業務問題快速設計、測試 Agent。

Salesforce 自己的《Scale Your Agentic Enterprise》實戰手冊指出，典型 RIS 約有 2～5 人，通常由業務負責人、具產品開發思維的人員與整合工程師組成。這套方式已從最初少數小隊，擴大到接近 50 個 RIS 同時運作，讓不同團隊可以並行測試多個 Agent 使用情境。Salesforce 也強調，Agent 要產生實際價值，需要先對準界定清楚的問題。

法律部門就是其中一個實例。Salesforce 成立一個 RIS，專門改善公司內部法律案件的接收與分派效率，讓 Agent 協助判斷案件該直接處理，還是轉交給適合的法律團隊。根據 Salesforce 說法，調整後，案件第一次就能正確解決或分派的比例從 12% 提高到 34%，一年節省超過 35 萬美元。

不只問題要夠聚焦，Agent 本身也不能什麼都包

但企業確定哪些問題值得交給 Agent 後，還得處理另一層分工：同一個 Agent 可以一路增加能力到什麼程度，什麼時候應該拆成多個 Agent？

Salesforce 9 月發布的 SOMA（Single-Org Multi-Agent，單一組織多 Agent）說明指出，即使目前的 Agent 已能跨不同任務推理，單一 Agent 可穩定處理的「認知範圍」仍有限。

Salesforce 表示，實務上當一個 Agent 同時負責超過約 8～10 個明確任務領域或子 Agent，就可能承載過多意圖，提高推理負擔，進而出現漂移、混亂或幻覺。需要留意的是，這不是硬性技術上限，而是 Salesforce 提出的多 Agent 設計經驗值。

因此，當工作範圍持續擴大時，Salesforce 建議不要把更多能力一直塞進同一個 Agent，而是拆給不同的專門 Agent，再由協調代理（orchestrator）判斷需求屬於哪一類，轉交給適合的 Agent 執行。

Gartner：8 成 Agent ROI 將來自專門化

這樣的觀察，也和研究與顧問機構 Gartner 的說法相互呼應。Gartner 9 月分析 107 個 Agentic AI 部署案例後指出，目前較容易產生商業價值的，是只負責特定領域或特定工作流程的 Agent，而不是試圖處理各種工作的通用 Agent。

Gartner 預估，到 2028 年，AI Agent 所產生的可量化投資報酬率（ROI），有 80% 將來自這類專門處理特定任務的 Agent。Gartner 同時提醒，企業如果部署過多缺乏管理的 Agent，可能造成治理分散、未經授權的自動化行動，以及安全風險上升。

【推薦閱讀】

◆ IBM 揭企業 AI 轉型落差：86% 高層認可員工準備度，卻估定期使用率僅 25%

◆ OpenAI 推出 Dots 到底新在哪？AI Agent 正從「接任務」走向「接責任」

◆ Jev 為何爆紅？AI Agent 正重新分配「誰來做決策」

＊本文開放合作夥伴轉載，資料來源：《Fortune》、Salesforce 1、Salesforcec 2、Salesforce 3、Gartner 1、Gartner 2，首圖來源：Unsplash

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊美光客戶長約承諾增至 320 億美元，預期記憶體供應將更吃緊

美光（Micron）9 月 30 日公布截至 9 月 3 日的 2026 會計年度第四季財報，營收達 542.3 億美元，高於去年同期的 113.2 億美元。美光董事長暨執行長梅羅特拉（Sanjay Mehrotra）表示，客戶在長期供應協議下的財務承諾，已從 6 月公布的 220 億美元提高至 320 億美元，多數採現金訂金形式。這是未來供應承諾，並非當季營收。

美光預期，2027 與 2028 年的記憶體及儲存供需將比 2026 年更吃緊，且已為 2027 年多數高頻寬記憶體（HBM）產出取得協議。公司將提高原先規劃的 2027 會計年度資本支出，擴充供應能力；新產能即使開始生產，也仍需時間提升產量。美光對下一季營收的預估中值為 615 億美元，上下浮動 15 億美元。公司正擴充多個據點，供需走勢仍是管理層預測。

＊Google 推 Gemini 4 Argon 追趕對手，先向資安夥伴開放

谷歌（Google）9 月 30 日發表旗艦 AI 模型 Gemini 4 Argon，希望追趕 OpenAI 與 Anthropic 等對手。Google 發言人證實，不再推出原先預告 6 月發布的 Gemini 3.5 Pro。《路透社》指出，模型延遲期間，OpenAI 與 Anthropic 持續更新高階產品，Google 的宣傳重心則逐漸轉向成本優勢。公司稱，Argon 擅長軟體工程、法律與金融工作；依自行公布的評測，新模型在多個項目領先，但部分程式設計測試仍落後競爭對手。

Google 表示，Argon 能自主找出、驗證並修補軟體漏洞，但這類能力也涉及被用於網路攻擊的風險，因此採分階段開放。目前先提供經審核的資安防禦夥伴使用，並參與美國政府的發布前自願評估程序，尚未公布全面開放時間表。公司表示，廣泛提供使用前，仍將強化防護，避免模型被用於網路攻擊、生化及核武研發，並防範惡意指令與代理越權，蒐集早期測試回饋。

＊美國 FTC 調查 OpenAI、Anthropic，檢視 AI 對消費者的潛在風險

美國聯邦貿易委員會（FTC）對 OpenAI、Anthropic 等 AI 業者展開產業調查，檢視相關技術可能對消費者造成的危害。《路透社》9 月 30 日引述 FTC 高階官員報導，調查對象也包含評估先進模型風險的非營利研究機構 METR。FTC 計畫正式要求相關機構提供資料，並要求業者主管作證。相關機構在報導刊出時尚未回應；目前未有公開的違法認定或裁罰。

據《Semafor》報導，調查早於今年 OpenAI 未發布模型入侵 AI 開源平台 Hugging Face 的事件啟動，該事件則提高主管機關處理的急迫性。METR 曾調查相關安全事件。同一週，多家科技公司在白宮同意建立自願性 AI 標準，與獨立稽核者合作，並防止系統以非預期方式存取其他技術系統。業界自願承諾與 FTC 調查同時推進，調查細節與業者回應仍待公開。

＊OpenAI 攜手新思開發晶片設計模型，AI 將直接操作工程工具

新思科技（Synopsys）與 OpenAI 9 月 30 日宣布多年合作，將共同開發晶片設計專用模型 GPT-Synopsys，讓 AI 學習操作新思的電子設計自動化（EDA）工具。兩家公司表示，合作將結合 OpenAI 模型與新思的工程技術，使代理能執行工具、解讀結果、修改設計，再反覆驗證，協助工程師處理效能、功耗及晶片面積等取捨。雙方將共同推向市場並分享收入，目前已與領先半導體客戶展開早期技術合作。

服務規劃在 OpenAI 託管的基礎設施運行，包含運算資源、模型與工具授權。新思表示，客戶設計資料不會用於訓練模型，並提供加密、權限、稽核及資料保留控制。《路透社》報導，AI 產出的設計仍須透過傳統計算工具進行最終驗證，以確認符合製造要求。合作尚未公布全面上市日期，也未提供客戶實際縮短設計時程的完整驗證結果。

＊美軍擬設自主戰爭司令部，馬斯克參與未來戰爭科技研究

五角大廈 9 月 30 日宣布，將設立自主戰爭司令部，統整美軍自主系統與機器人能力的發展及部署。《Defense One》引述官方備忘錄報導，新司令部目標於 2027 年 10 月 1 日成立，由四星將領領導，具部分軍種權限；相關立法仍需與國會協調。美國戰爭部長 Pete Hegseth 表示，美軍需要同時具備高品質裝備與足夠數量，因應低成本無人機及 AI 驅動系統快速改變作戰方式。

同日公布的「子午線計畫」（Project Meridian），將由 SpaceX 執行長馬斯克（Elon Musk）、國防科技公司 Anduril 創辦人拉奇 Palmer Luckey 及美國前眾議院議長 Newt Gingrich 共同參與領導，研究未來戰場的技術需求，預計 120 天內提出結果。研究範圍包括 AI、自主系統、機器人及其他新興科技，將形成公開報告及機密附件。這項研究與新司令部是不同措施；目前公布內容並不等於相關公司取得新採購合約，部署仍待後續執行。

＊台灣去年新創投資減少約 17%，AI 與半導體募資逆勢創高

經濟部中小及新創企業署 9 月 30 日發表《2026 年台灣新創投資趨勢年報》，統計 2025 年國內新創投資規模為 27.74 億美元，共 555 件交易。台灣經濟研究院 FINDIT 團隊指出，與 2024 年同期統計相比，金額減少約 17%、件數減少約 8%，為近五年首次同時下滑。年報數據反映 2025 年投資情況。

整體降溫之際，AI 領域募資達 5.69 億美元、年增近八成，半導體領域達 4.42 億美元、年增逾七成，雙雙創高。FINDIT 分析，小型投資案及大型募資案減少，是總量下滑的原因之一；交易金額中位數則升至 225 萬美元，創歷史新高。中企署表示，健康醫療與生技、能源、硬體及工業製造仍是主要獲投產業。研究團隊也提醒，資料會隨調查持續更新，歷年數值可能調整。

＊英國 MI5 警告中國資助 AI 研究用於情報，中方否認

英國安全局（MI5）9 月 30 日發布警示，指中國通用技術研究院（CGTRI）資助 AI 與資安等學術研究，其主要目的在提升中國國家安全部的情報蒐集技術。MI5 表示，逾 100 名與英國有關聯的學者曾參與該研究院資助的研究，其中部分人可能不知道計畫的最終資金來源。MI5 指出，一些學者與機構可能是在不知情下，善意參與相關合作。

MI5 要求英國學術機構立即檢視與該研究院進行中或規劃中的合作，也呼籲研究人員確認與中國機構合作時的最終資助來源。《路透社》報導，中國駐英國大使館否認指控，稱內容憑空捏造，並反對破壞雙方教育交流與研究合作。這份警示針對該研究院及其資助活動，MI5 建議持續參與相關研究的機構與個人尋求獨立法律意見；公開警示並未逐一認定參與學者的知情程度。

＊本文開放合作夥伴轉載，資料來源：Micron、Micron、《Reuters》、Google、《Reuters》、《Reuters》、《Semafor》、Synopsys、《Reuters》、 《Reuters》、《Defense One》、《Axios》、經濟部、FINDIT、MI5、《Reuters》，首圖來源：AI 生成圖。

連網汽車與支付系統的整合，正讓加油、充電、停車、過路費等原本分散的車輛支出，逐漸納入共同的支付憑證。《PYMNTS》報導，這種整合也讓支付不只是完成單筆交易，而可能進一步串起整段旅程，讓優惠在消費者做出下一個消費決定之前就出現。

Waymo 於 2026 年 9 月 22 日推出 Transit Rewards 計畫，讓舊金山灣區乘客將 Visa 卡綁定 Waymo App。當乘客使用同一張卡搭乘 Waymo 與公共運輸，且兩次行程相隔在兩小時內，就會自動獲得 2.85 美元的 Waymo Cash。這項計畫適用於灣區 27 個接受感應式 Visa 支付的公共運輸機構，初期先開放 Waymo 員工使用，再逐步向一般大眾推出。

支付憑證整合交通軌跡：從單筆交易走向全旅程串接

《PYMNTS》指出，這項計畫顯示，支付憑證可以用來串接旅程中的不同活動，而不只是分別支付每一段交通費用。Waymo 會利用綁定的 Visa 卡，判斷兩小時內是否出現符合條件的 Waymo 與公共運輸活動，再發放回饋。

其他交通支付系統也正在整合原本彼此分散的車輛支出。2026 年 3 月，專門提供電動車充電支付與移動支付服務的 Paythru，與 Visa 合作開發白標車隊數位錢包，讓駕駛可在接受 Visa 的電動車充電站付款，也能支付經雇主核准的停車費與過路費；車隊營運商則可以集中管理允許的支出，並查看付款資料。

2026 年 5 月，Mastercard 與交通科技公司 ryd 推出歐洲車隊支付系統，可處理加油、充電、洗車及其他車隊支出。駕駛可以透過 App 或車輛資訊娛樂系統發起付款，App 也能在交易發生時記錄收據、里程表讀數與行程資訊。

這些支出本身並不新，改變之處在於，這些交易可以圍繞駕駛、車輛與行程進行整合。相較傳統結帳流程，車輛及與其連結的服務可能掌握更多資訊，例如所在位置、行駛路線，以及汽油存量或電池電量等車輛狀態。

以加油站為例，連網汽車可能偵測到汽油存量偏低，而導航系統同時掌握行駛路線。未來，系統除了辨識附近的加油站，也可能提供符合條件的優惠，鼓勵駕駛前往合作加油站，使用特定綁定支付憑證付款，並取得便利商店消費折扣。換句話說，一項優惠可能同時影響駕駛要在哪裡停留、還要購買什麼，以及使用哪種付款方式。

連網汽車帶動「嵌入式優惠」：優惠可能提前介入消費決策

PYMNTS Intelligence 的《Embedded Offers: The Billion-Dollar Opportunity Inside Recent Consumer Spending》報告顯示，在 2,754 名受訪消費者中，81% 表示嵌入式優惠會影響他們選擇在哪裡消費，77% 表示即時省錢優惠至少會在一定程度上影響他們選擇哪種付款方式作為預設付款方式。

不過，支付綁定型優惠目前仍有提高曝光度的空間。研究發現，依食品雜貨、餐廳與零售等不同消費類別，消費者在最近一次購物時注意到支付綁定優惠的比例僅約 10% 至 17%。另一方面，在曾兌換優惠的消費者中，43% 為了取得優惠而改用其他付款方式。對連網汽車而言，優惠出現的時間點也是其中一項機會。消費者不必等到結帳時才看到折扣，而可能在決定下一個停靠地點時就收到優惠。

《PYMNTS》提及，燃油忠誠計畫已展示獎勵如何影響加油地點選擇。2026 年 7 月，Amazon Prime 會員可以將帳戶與 bp 的 earnify 計畫連結，參與在 bp、Amoco、ampm 與 Thorntons 地點推出的限時優惠。若把這類優惠帶進連網汽車環境，誘因就能更接近駕駛決定在哪裡加油的時刻。

燃油優惠可以吸引駕駛前往特定加油站，而便利商店回饋則可能讓商家有機會將消費延伸到加油之外。電動車充電也是類似案例：需要花時間充電的駕駛，可能在充電站附近收到餐廳或零售商提供的優惠；停車服務也可以採取相同模式，由目的地附近的商家提供相關優惠。

車內支付生態系逐步成形：介面與支付憑證成為關鍵

在這類連網支付體系中，支付憑證的控制權由多方共同掌握。銀行負責發行信用卡帳戶，支付網路可以將卡片憑證 Token 化，以供數位環境使用；數位錢包、交通服務或連網汽車平台則可以成為駕駛註冊或選擇付款卡片的介面，具體方式取決於發卡機構、支付網路與數位支付服務商之間的合作安排。商家則掌握是否接受該付款方式，也可以提供與消費綁定的優惠。

《PYMNTS》補充，這種分工意味著，汽車製造商或交通平台雖然不掌握信用卡帳戶，但誰控制消費者看到的介面，仍具有商業價值。汽車製造商決定儀表板上顯示哪些資訊；導航服務可能提供沿途商家的相關資訊；加油業者或餐廳可以提供優惠；發卡機構、支付網路與支付服務商則支援支付憑證與支付綁定回饋。至於各參與者可以取得哪些交易資料，則取決於具體的服務與支付安排。

因此，連網汽車的商業範圍不只在於車輛能否支付加油、充電、停車或過路費，也延伸到誰控制付款憑證的選擇介面、哪些參與者可以串接不同交易，以及誰能在駕駛下一次消費前提供優惠。

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

Visa、Mastercard、Stripe、Coinbase、Shopify 等業者共同支持的美元穩定幣 Open USD（OUSD）在 9/30 正式上線。OUSD 背後的 Open Standard，目前已有超過 200 家金融機構、FinTech、銀行與企業加入，Coinbase、Mastercard、Shopify、Stripe、Visa 則是首批創始夥伴。

OUSD 上線後，企業與開發者目前可從 Stripe、Mastercard、Coinbase、Visa 4 個管道接入，並利用相關 API 與工具，把 OUSD 用在結算、支付、交易、外匯、錢包與卡片等服務。這 4 個管道也都支援以 1：1 美元免費鑄造與贖回 OUSD。

OUSD 是美元穩定幣，也就是以美元、美國國債等準備資產支撐，力求讓每枚代幣維持 1 美元價值。目前市場代表包括 Tether 發行的 USDT，以及 Circle 發行的 USDC。然而，市場已有大型穩定幣，為什麼還需要 OUSD？《PYMNTS》認為，這次值得注意的不只是多了一枚幣，而是穩定幣競爭正從發行，進一步延伸到分發。

穩定幣發出來還不夠，還要有人願意分發

穩定幣的基本商業模式，是發行商取得使用者換入的美元，再把準備金配置於美國國債等高流動性資產，從中取得收益。發行量越大，可產生收益的準備資產也越多。

但要擴大使用，還需要交易所、銀行、支付平台、錢包與商家把穩定幣接進既有服務。《PYMNTS》分析，隨著託管、準備金管理、鑄造與贖回等基礎設施逐漸成熟，更難建立的反而是分發能力，也就是如何把數位美元嵌進商家支付、企業財務與跨境資金流。

Circle 的財報就反映這項成本。Circle 向美國證券交易委員會（SEC）提交的資料顯示，2026 年上半年，與 Coinbase 協議相關的分發成本達 6.553 億美元；Circle 也預期，隨更多分發商與合作夥伴加入，相關支出可能增加。因此，即使 USDC 已建立龐大流通規模，仍需要透過經濟誘因讓其他平台持續分發。

OUSD 把分發者直接拉進利益分配

不過，OUSD 並不是第一個和通路分享收益的穩定幣。Circle 與 Coinbase 本來就有合作協議，Coinbase 可依平台上的 USDC 餘額及更廣泛的 USDC 生態成長取得分配。

Open Standard 的不同之處，是把這種關係進一步制度化。官方表示，合作夥伴可依自己平台帶來的 OUSD 供給與活動取得回饋，並有機會取得 Open Standard 股權；Coinbase、Mastercard、Shopify、Stripe、Visa 等創始夥伴，也共同協助建立超過 10 億美元的初期 OUSD 流動性。

《CoinShares》分析，這種模式等於對 Circle 以發行商為中心、再透過商業協議與通路分享收益的模式施加壓力，因為 Open Standard 把更多準備金收益直接導向負責帶來使用量的合作夥伴。換句話說，前述 4 個接入管道不只是 OUSD 在哪裡可以使用，也構成它最重要的分發網路。

其中 Stripe 涵蓋企業資金管理、發卡、跨境付款與收款；Mastercard 可處理資金移動、結算與卡片等服務；Coinbase 提供交易、託管、錢包與美元轉換；Visa 則透過 Stablecoin Platform 提供資產轉換、錢包與結算等功能。

OUSD 想搶的，或許是還沒上鏈的企業交易

不過，這代表 OUSD 很快就能取代 USDC 或 USDT 嗎？《PYMNTS》指出，後兩者早已深入交易所、錢包、交易對與區塊鏈應用，既有流動性與網路效應難以快速複製；OUSD 更可能爭取的，是下一批尚未大量移到鏈上的交易，包括商家支付、企業財務與跨境資金流。

Forrester 首席分析師 Meng Liu 也把 Open USD 解讀為更接近一套支付網路。她認為，如果 OUSD 的目標是成為支付底層，成效就不應只看穩定幣發行量或市值，而應觀察實際搬動多少支付交易。

因此，OUSD 正式上線後要驗證的，是這批掌握支付、卡片、交易與商家入口的合作夥伴，能否把它帶進尚未大量上鏈的企業交易。穩定幣的下一場競爭，也可能因此從流通規模，進一步延伸到誰能進入更多既有支付與企業金融流程。

【推薦閱讀】

◆ 140 家企業聯手推出美元穩定幣 Open USD，為何讓 Circle、Tether 緊張？

◆ 歐洲央行正式接軌代幣化市場，Pontes 把鏈上交易接回央行貨幣

◆ ChatGPT 變身一站式金融工作區？整合 LSEG、PitchBook 等資料源，可生成互動式網站

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《PYMNT》、Open Standard、Forrester、《CoinShares》，首圖來源：Open Standard

亞馬遜（Amazon）計畫讓配送員配戴智慧眼鏡，在送貨過程中幾乎持續拍攝周遭環境，並將影像傳回公司，由人工分析並提供給 AI 系統使用。Amazon 認為，這項技術能讓配送更快速、可靠；《Bloomberg》專欄作者 Dave Lee 認為，此舉可能讓 Amazon 再次陷入隱私爭議。

Amazon 推動智慧眼鏡計畫，大規模蒐集影像驅動 AI 配送

Amazon 去年 10 月宣布智慧眼鏡計畫。這款裝置已開發超過 3 年，主要用於降低配送錯誤，讓配送員以免持方式確認正確包裹、尋找配送位置，並拍攝送貨照片。Amazon 目標是在今年底前讓 5,000 名配送員使用，2027 年底擴大至超過 20,000 人；截至目前，試行階段已完成超過 275,000 次配送。

《Bloomberg》提及，Amazon 當時並未完整說明眼鏡會蒐集的資料規模。裝置會按照一定頻率拍攝配戴者所看到的靜態影像，一名配送員一個班次可能產生數千張照片。Amazon 表示，影像品質相當於或低於標準配送證明照片，未透露確切解析度。

這些影像將用於 Wellspring 平台。Amazon 將其描述為一套「由生成式 AI 驅動」的系統，整合多種資料來源，建立街區資訊以加快配送。負責推動計畫的 Amazon 高階主管 Viraj Chatterjee 表示，智慧眼鏡能讓公司掌握配送車停妥後，到實際配送位置之間的完整視角，蒐集資料的目的在於改善配送流程。Amazon 未透露確切拍攝頻率。

顧客無從查閱且缺乏拒絕機制？大規模拍攝恐再掀隱私爭議

當《Bloomberg》詢問是否至少每幾秒拍攝一次時，Viraj Chatterjee 表示這是「不錯的猜測」；至於是否可能每秒拍攝數次，他則拒絕回答。配送途中，眼鏡可能拍到後院及其他私人土地。若畫面出現人物或車牌，Amazon 表示系統會先將其模糊化，再交由人工檢視。然而，顧客無法查看 Amazon 拍攝到自家住宅的影像，也不能要求刪除；公司目前也沒有計畫直接通知顧客智慧眼鏡的使用情況。

至於顧客能否選擇不被拍攝，Viraj Chatterjee 表示：「我們還沒有考慮過。」他說，若未來有足夠多顧客提出疑慮，Amazon 或許會研究相關機制。Viraj Chatterjee 同時強調，這項技術並非為了監控，而是改善配送體驗及減少配送問題。

Amazon 過去的隱私爭議可能使外界更加關注這項計畫。2019 年，《Bloomberg》曾揭露 Alexa 語音錄音由真人審查員，包括第三方承包商進行審查，Amazon 後來讓顧客選擇關閉人工存取。2023 年，Amazon 又因 Alexa 與 Ring 家庭監視器涉及隱私問題，與美國聯邦貿易委員會（FTC）達成和解。

《Bloomberg》指出，即使人物與車牌經過模糊處理，仍無法完全消除疑慮，因為智慧眼鏡的影像蒐集本身就是為了讓 Amazon 取得特定住宅與社區的環境資訊。Amazon 沒有透露影像保存期限；至於相關影像能否透過搜索令（warrant）取得，Viraj Chatterjee 起初表示不確定，Amazon 發言人之後確認可以。

長遠目標為自動化機器人鋪路？員工憂心「反烏托邦」監控

硬體方面，智慧眼鏡配備兩個前置攝影機，連接至搭載電池與運算裝置的專用背心，配送員可透過類似第一代 iPod 的點選滾輪操作單色介面。眼鏡會提示是否拿對包裹、提供配送路線，並拍攝配送證明照片。Amazon 表示，相較目前使用的手機 App，智慧眼鏡可讓配送流程免持進行並提高速度，但未公布具體效率提升數據。

Amazon 配送車原已配備攝影機與感測器，監測急煞、車速及駕駛在車內的行為，部分配送員則曾抱怨這些技術也可能被用於監控及影響薪資。Amazon 表示，智慧眼鏡對配送服務合作夥伴（DSP）及配送員都是自願使用。《Bloomberg》訪問一名曾接受智慧眼鏡訓練的 Amazon 配送員，為保護其工作，文中以「E」代稱，E 認為這項技術是「反烏托邦式」的措施。E 表示，配送員可在廁所等敏感場所啟用隱私模式停止拍攝；Amazon 正研究利用地理圍欄，透過 GPS 自動啟用這項功能。

Amazon 推動配送智慧眼鏡之際，具備攝影功能的智慧眼鏡也正面臨更廣泛的隱私爭議。《The Next Web》指出，本月巴黎檢方已針對利用智慧眼鏡拍攝女性的案件展開刑事調查。隨著可穿戴攝影裝置普及，如何界定拍攝範圍、被拍攝者權利與影像使用方式，成為業界持續面對的問題。

《Bloomberg》補充，智慧眼鏡雖未帶來重大技術突破，卻能讓 Amazon 大幅擴大蒐集社區與住宅資料，而這些資訊未來也可能成為配送自動化的訓練資料。Amazon 最近收購的 RIVR 開發四足型配送機器人，相關影像或可協助機器人學習如何在社區中移動，進一步減少人類配送需求。文章最後指出，若 Amazon 將此視為長期自動化目標，公司可能認為值得承擔隱私爭議的風險。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《The Next Web》、Amazon，圖片來源：Amazon。

Google 在美國時間 9/30 推出新一代旗艦模型 Gemini 4 Argon，這也是自 2025 年 11 月 Gemini 3 系列後，睽違近一年再更新的最高階模型。而原訂今年 6 月推出的 Gemini 3.5 Pro 最終取消，Google 直接進入 Gemini 4 世代。

《Axios》指出，在這段期間，Google 主要推出速度更快、成本更低的 Flash 模型，OpenAI、Anthropic 則持續更新前沿模型，Gemini 4 因此也肩負 Google 重返最高階模型競爭的任務。Google 將 Argon 稱為目前為複雜工作負載打造、效能最高的模型。其發言人向《Reuters》表示，它在關鍵程式設計與資安測試上的表現，可與 OpenAI Astra、Anthropic Opus 等前沿模型相比。

Argon 並非全面領先，Agent 能力進步更值得看

Google 公布的測試中，Argon 在衡量長時間真實軟體工程任務的 DeepSWE v1.1 拿下 77.9%，高於 Astra 的 74.1% 與 Opus 5.5 的 74.2%；但在測試真實軟體專案除錯與修改能力的 FrontierSWE v2，Argon 僅有 55%，低於 Astra 的 65.5%；在測試 AI Agent 透過終端機完成多步驟開發與系統任務的 Terminal-Bench 4.0，57.4% 也低於 Opus 5.5 的 66.4%。

第三方評測也顯示，Argon 的進步尤其集中在 Agent 能力。Artificial Analysis 指出，過去相對是 Gemini 弱項的 Agent 工作，這一代已有明顯提升：Argon High 在整體 Intelligence Index 得到 53 分；在衡量 Agent 執行企業流程能力的 AutomationBench-AA 更取得 77.5%、排名第一。不過，其他 Agent 測試並非都占優勢，例如 Terminal-Bench 4.0 僅有 57%，仍落後部分 OpenAI、Anthropic 模型。

Output Token 一口氣拉高到 100 萬

比起又一次模型排名，Gemini 4 Argon 還有一項更特殊的設計：Google 將 Output Token（輸出詞元）上限從 64K 一口氣拉高到 100 萬。這和過去常見的百萬 Context Window（上下文視窗）不同，後者代表模型一次能讀進多少資料，Output Token 則決定模型單次能持續產生多少文字、程式碼與其他輸出，也為更長的 Agent 工作流程留下更大的執行空間。

Google 展示的案例也不是生成更長文章，而是處理更大型的實際工作。官方表示，一組 Argon Agent（代理）分析 Google 資料中心的效能資料，自主找出並套用記憶體最佳化方法，目前已釋放超過 300 TiB 記憶體；另一批 Agent 則協助把 C/C++ 程式碼遷移到 Rust，規模一路擴大到超過 80 萬行的 Fuchsia Zircon kernel。

100 萬輸出 token 的意義，因此不只是讓 AI 工作更久，而是放大模型一次能承接的工作規模。原本可能需要拆成多輪模型呼叫、不同工具或由人員中途接手的工作，Google 正嘗試讓模型沿著同一條工作路徑完成更多步驟。

工作單位變大，Google 瞄準哪些企業任務？

這也解釋了為什麼 Argon 的應用場景集中在軟體工程、資安、金融與法律。這些工作的共同特徵，是資料量大、流程長，而且一次任務往往包含分析、判斷到實際產出。Google 也特別強調 Argon 在多步驟金融研究、法律研究與文件草擬等工作上的能力。

《VentureBeat》分析，對程式碼遷移、稽核、法律審查等工作來說，更長的輸出能力可以減少模型中途停下、重新取得脈絡或交回人類處理的次數。對企業來說，真正的差別在於，原本需要多次模型呼叫或人工接手的任務，是否能被壓縮成更連續的 AI 工作流程。

能做更多事，但還沒立即全面開放

不過，Argon 發布後並未立即向所有開發者或消費者開放。Google 先透過 Fairwind Program 提供給經過審核的資安防禦團隊，並參與美國政府的模型預先存取自願機制，之後才預計擴大至付費 API 客戶、企業與 Google AI Ultra 用戶。

Google 也把這種長流程能力率先放進資安場景。Google 表示，Argon 能自行尋找、驗證並修補軟體漏洞；對受信任的資安團隊，還會提供減少部分 Cyber Guardrails（資安防護限制）的版本。另一方面，模型自主執行的工作越長，一旦偏離原本任務，影響也可能跟著擴大，因此 Google 同時強化 Prompt Injection（提示詞注入）防禦、模型行為監測與 Sandbox（沙箱）隔離。

Gemini 4 Argon 接下來真正需要驗證的，因此不是 100 萬 token 能不能跑滿，而是任務拉長之後，AI 能否減少中途接手與工作拆分，同時把錯誤、人工介入與推論成本控制在企業可接受的範圍內。

【推薦閱讀】

◆ OpenAI 推出 Dots 到底新在哪？AI Agent 正從「接任務」走向「接責任」

◆ OpenAI 研究揭 AI Agent 新風險：惡意上下文可能從 Email 一路傳到工具操作

◆ 美國政府打造 AI 服務入口 : America.gov 搭載 Gemini、Grok 整合 2.9 萬個政府網站

＊本文開放合作夥伴轉載，資料來源：《AXIOS》、《VentureBeat》、Google、Artificial Analysis，首圖來源：Google

當數位服務已經深入到社會運行的每個環節，從公部門到企業，也必須持續整備數位服務本身的防災能力與韌性，以因應天然災害及人為事件可能造成的數位基礎設施損壞風險。亞馬遜網路服務（Amazon Web Services, AWS）與中華電信於 9 月 30 日共同主辦「《公部門與企業數位韌性指南》白皮書發布暨韌性政府論壇」、並由勤業眾信協辦，正式發布《公部門與企業數位韌性指南》白皮書（「小藍書」）。三方將結合 AWS 全球雲端服務經驗、中華電信在地電信網路與資安整合能量，以及勤業眾信治理與風險管理專業，持續透過國際經驗分享、交流活動與人才培訓，推廣「數位韌性」及災防最佳實務，共同強化政府與企業數位服務的運作能力。總統府國家安全會議李育杰諮詢委員及國家資通安全研究院林志堯副院長亦蒞臨與會。

公私協力共築全社會防衛「數位韌性」

受邀擔任致詞貴賓的總統府國家安全會議李育杰諮詢委員表示，數位韌性整備是一場全社會的公私協力，從家庭、社區管委會到企業與關鍵基礎設施，每一個環節都必須具備持續營運的能力。在政府系統的數位韌性上，政府持續推動資訊系統的實體強化與境外備援；並借鏡國際大廠分享的各國緊急應變實戰經驗，強化整備作業。台灣今年更透過網路降速演練等作法，為理念相近的國際民主夥伴在數位韌性建構上做出示範。科技在全社會防衛的價值，在於協助降低創造防護成本、增加優勢，不僅讓國家社會能有效因應天然災害，進而能遏阻潛在的人為風險。」

國家資通安全研究院林志堯副院長則於論壇中分享公部門數位韌性最佳實踐：從虛擬的資安到實體設施，數位系統都面臨著眾多風險；例如南韓國家資訊資源管理院火災導致近 19 萬名公務員檔案受影響、且因無異地備援而永久喪失，便是給各國政府的前車之鑑。數位韌性思維的核心，應從追求「零事故」，轉向假定必然受駭或受損下，如何快速應變與復原能力。政府機關除應落實 3-2-1-1-0 備份原則、更應定期演練，因為機關真正的韌性成熟度，往往不取決於事前防護投入的多寡，而在於復原能力是否真正被驗證過。「勿恃敵之不來，恃吾有以待之」是為了未知的明天，公、私部門可以一起做好準備的最佳準則。

AWS 亞太（台北）區域在地部署，強化災難復原與數位韌性

AWS 台灣董事總經理王定愷表示，面對大規模災害與數位服務風險，選擇合適的雲端韌性架構至關重要。透過 AWS 亞太（台北）區域的在地部署，不僅可提供低延遲、資料在地儲存等關鍵優勢，更能協助政府與企業建構合規、高韌性的跨區域備援、災難復原及自動化防護機制；進而結合 Amazon Bedrock 生成式AI平台、Agentic AI、彈性全球算力擴充與 AWS 成熟的資安防護服務，協助各界加速創新應用落地，兼顧安全、合規與營運效率。AWS 進一步指出，數位韌性的建構不僅是技術導入，更需要持續累積實戰經驗與跨機關的知識傳承。AWS 自 2025 年起，持續邀請國際專家來臺分享韌性建置的實務經驗與最佳實踐，AWS 期盼與中華電信等夥伴共同建立可持續運作的數位韌性交流與培訓社群，讓數位韌性從認知層面逐步落實為各機關的實際執行能力，培育更多具備韌性建構專業的人才，持續精進臺灣整體數位韌性整備。

以多元通訊與雲網架構，打造不中斷的數位服務韌性

中華電信林榮賜總經理表示，中華電信憑藉電信網路建設、關鍵資訊系統雲端化及大型企業服務導入經驗，從網路、雲端、資料與資安四大面向，建構端到端數位韌性架構。中華電信以「海地星空」多元通訊布局，涵蓋海纜、光纖與行動通訊、微波及衛星等多重網路，打造互為備援的韌性網路架構，降低單一網路中斷對關鍵服務的影響。

中華電信因應資料主權、低延遲及持續營運需求，整合 CMCX（CHT Multi-Cloud eXchange）高速直連、多重路由備援及 Tier 3 等級 IDC 機房，建立跨地理區域、跨資料中心及跨雲環境的備援與災難復原能力。同時，透過資料加密分持、資料備份、系統備援、分散式阻斷服務攻擊（DDoS）資安防護及電信級高速網路專線，打造涵蓋網路、運算、資料到資安的多層次韌性防護架構，協助政府與企業由單點備援提升為整體服務韌性，強化重大事件下的持續營運與快速復原能力。

從數位轉型邁向數位韌性，打造永續運作的數位政府

勤業眾信政府與公共事務負責人陳威棋資深執行副總經理表示，隨著 AI、雲端與數位平台快速普及，政府與企業面對的挑戰已不只是導入新科技，而是如何建立能持續適應變化的數位韌性能力。數位韌性的核心在於將韌性設計融入整體架構規劃與治理機制之中，降低單點故障與系統相依風險，建立跨區域、多雲供應商備援能力，並透過模擬演練與可觀測性機制，持續驗證組織面對突發事件時的應變與復原能力。此外，隨著 AI 逐步成為政府決策與服務創新的核心驅動力，未來數位韌性更須結合資料治理、智慧決策及 Agentic AI 人機協作能力，共同支撐智慧政府發展，以提升公共服務品質與組織調適能力。

勤業眾信將持續結合全球政府與產業最佳實務經驗，協助政府與企業建構安全、可信任且具韌性的科技基礎架構與數位治理體系，從數位轉型邁向數位韌性，為未來公共服務創新、智慧政府發展及國家競爭力奠定穩固基礎。

展望未來，AWS、中華電信、與勤業眾信將持續推動臺灣數位韌性發展，結合全球技術創新、在地服務能量與治理專業，共同打造通訊、雲端、資安及治理整合的全方位數位韌性架構。協助政府與關鍵產業提升風險因應、營運持續及數位治理能力，強化國家關鍵民生服務穩定運作，為臺灣打造安全、可信賴且永續發展的數位環境基礎。

（本文訊息由 AWS 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：AWS。）

張榮華：180 天從電網到算力 大同開啟 AI 新未來

隨著生成式 AI 快速發展，全球算力需求急速攀升，也帶動 AI 資料中心基礎建設進入新一波成長期。面對高密度運算帶來的供電、散熱、建置速度及能源效率等挑戰，大同股份有限公司今舉辦「算力無界・大同新未來（Power Ready for AI）」發表會，首度對外發表全新 AI 基礎建設解決方案「TTG AIDC CUBE」，整合電力、冷卻、能源管理、智慧監控及算力系統，展現從電網端一路到機櫃端的一站式整合能力，宣示大同進一步跨足 AI 基礎建設市場。

大同董事長張榮華率領團隊，邀集產官學界貴賓共同見證大同布局 AI 時代的重要成果，包括代表行政院長出席的行政院政務委員兼國發會主委葉俊顯，以及行政院副秘書長阮昭雄、主管機關經濟部長龔明鑫，與台灣電力與能源工程協會理事長劉文雄等各界人士，都高度關切台灣 AI 的未來；展望國際市場，就連德國在台協會經濟暨投資事務處處長 Dr. David Michel、沙烏地阿拉伯商務辦事處代表 Mr. Marzooq Alharbi，也出席了解台灣產業界的發展；國際科技大廠對這項全新的 AI 發展新助力，同樣高度矚目，包括 NVIDIA、AMD、Intel、HPE、Dell、Lenovo、Cisco，以及日商台灣東芝、台灣雙日、西門子能源、台灣富士電機與韓國 LX International 的決策主管，都到場尋求合作新契機。

像積木一樣擴充　TTG AIDC CUBE 挑戰 180 天算力落地

此次首度亮相的新產品「TTG AIDC CUBE」，核心概念就是模組化、標準化、快速部署。透過 CUBE 模組化架構，可依不同客戶的場域及算力需求彈性配置，並整合高效供電、冷卻散熱、能源管理、智慧監控及機櫃系統等關鍵功能。

相較傳統資料中心從規劃到建置往往需要較長時間，TTG AIDC CUBE 透過標準化設計及預製化架構，目標實現「180 天算力落地」，縮短從基礎設施建置到算力上線的時程，讓企業更快速回應 AI 應用需求，同時保有後續擴充彈性。

回到本業不是回到過去　張榮華：大同從設備製造走向 AI 基建整合

大同董事長張榮華表示，大同近年持續強調「回到本業」，但回到本業，不是回到過去，而是重新找到大同最核心的能力，張榮華強調，大同從「設備製造商」走向「AI 基礎建設整合商」；從「提供單一設備」走向「提供完整解決方案」；從「電力基礎建設」跨入「算力基礎建設」，因此，對大同來說，TTG AIDC CUBE 不只是一項新產品，更代表大同轉型的重要一步，面對 AI 時代，大同正將百年累積的電力、機電與系統整合實力，轉化為支撐下一世代算力基礎建設的新動能。

百年大同跨進 AI 基礎建設 張榮華：將 AIDC 從台灣帶向世界！

AI 資料中心真正的挑戰，不只在 GPU，隨著單櫃運算密度快速提升，背後所需的穩定供電、備援、散熱及能源管理能力，已成為 AI 算力能否持續運轉的關鍵。大同深耕台灣電力與機電產業逾百年，近年進一步整合集團在重電、配電、能源管理、智慧冷卻及系統整合等能力，將長年累積的電力基礎建設經驗延伸至 AI 資料中心領域，從過去「讓電力穩定運轉」，進一步走向「讓 AI 算力穩定運轉」。

對於大同的百年變革，張榮華更感性的表示，過去，大同把電力送到台灣每一個角落。今天，大同要更進一步把算力快速送到產業需要的地方，大同現在要從台灣出發，未來要把這套可以複製擴充、快速部署的 AI 基礎建設帶向全世界，也宣告百年大同，正式從「電力時代」走向「算力時代」，更昂首闊步站上世界 AI 舞台！

政院加碼 AI 發展預算 葉俊顯：大同 AIDC 方案符合全球趨勢

日前行政院長卓榮泰才公開宣示明年中央政府總預算案「科技發展計畫」編列 2,292 億元，較今年總預算案增加 12.7%，全面推動 AI 發展，代替院長出席的行政院政務委員兼國發會主委葉俊顯出席致詞時，盛讚大同集團發表的 AIDC 方案，整合重電設備、配電系統、能源管理、智慧冷卻以及系統整合等技術，不僅符合當前全球 AI 發展的趨勢，也與我國 AI 政策發展目標相呼應，立足台灣並積極布局美、澳、日等主要國家市場，充分展現本土企業持續突破自我動能，更讓世界看見台灣在 AI 時代的能量。

中央行政團隊肯定大同 AIDC 佈局 龔明鑫：AI 時代轉型典範

經濟部長龔明鑫致詞時，難掩興奮之情的表示，AI 時代並不是新創公司的專利，所有公司都可能在 AI 時代展現出新的特色跟定位，大同公司發表的產品具有高度企圖心，也為百年企業找到了新的方向及價值，龔明鑫更祭出政策利多，因應 AI 時代用電量的需求增加，經濟部在未來十年，規劃 25 部天然氣大型機組，再加上其他的再生能源，可以額外提供年發電量 2,000 億度電使用，「不只大同準備好了，經濟部也準備好了！」

（本文訊息由大世科提供，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：大世科。）

Y Combinator 最新一屆 Demo Day 剛落幕，這次新創陣容和過去幾屆相比有個明顯變化是，深科技類新創的比重大幅增加。

有投資人形容，這批技術「像科幻小說」，從海上核電廠到訓練人類腦細胞做運算，都相當大膽前衛。但有趣的是，儘管題材天馬行空，這屆投資人對估值的態度反而更務實，沒有過去那種一窩蜂追捧、估值虛高的情況。

能源與運算基礎設施類新創受矚目

第一類新創鎖定能源與運算基礎設施的痛點。Atomarine 打算把資料中心蓋在海上駁船，用海水免費冷卻，藉此繞開電力短缺與社區居民兩大難題。公司由一位具電腦科學與海軍工程背景的麻省理工學院畢業生，和一位麻省理工學院核工博士生共同創辦；他們計劃 2028 年推出燃氣動力試營運版本，2032 年轉型為核動力船，並宣稱已取得超過 40 億美元客戶意向書，是本屆估值最高的新創之一。

Dipole Labs 則看準 AI 資料中心的網路瓶頸。GPU 叢集傳輸資料時，訊號須先從光轉成電、再轉回光，過程既耗電又生大量熱能；而 Dipole Labs 打造的光學交換器，讓資料全程維持光的形式傳輸，省去轉換耗損。在 GPU 昂貴、資料中心掌握所有運算力的今日相當有吸引力。

Lamb Labs 解決的是 AI 推論的耗電問題。傳統晶片推論時須不斷從記憶體讀取模型權重，非常耗電，Lamb Labs 選擇把模型權重直接刻進晶片硬體，稱之為「模型處理器」（MPU），藉此繞開記憶體頻寬瓶頸。

機器人與國防硬體類新創同樣熱門

第二類熱門新創是機器人與國防硬體。Isengard Industries 鎖定噴射動力攻擊無人機與反無人機系統，主打在盟國境內就地量產，價格遠低於美國國防承包商。兩位共同創辦人，一位是澳洲陸軍前軍官，另一位曾把一家烏克蘭無人機新創做到 6,000 萬美元營收，如今 Isengard 自己也已有 1,000 萬美元營收，同樣是本屆估值最搶眼的新創之一。

Praxis Robotics 走資料服務路線，旨在蒐集人類工作時的真實影像與資料，將其轉化為訓練機器人的素材。他們已與上市公司合作，在超過 150 種場域蒐集資料。隨著企業愈來愈常思考哪些任務該交給人、哪些交給機器人，這類資料的價值只會愈來愈高。

Nori 瞄準平價家用機器人市場，主打能清潔、摺衣服的人形機器人，上市六週就創下近 50 萬美元銷售額，售價約 1,600 美元，遠低於背靠 OpenAI 的 1X Technologies 家用機器人 Neo 等要價 2 萬美元的同類產品。

其他值得關注的技術路線

除了上述兩大類，還有三家公司走比較特別的路線。Cosmic Robotics 打造能搬運重物的自主機器人，該新創的終極目標是在火星建造城市，而第一步是先證明重型機器人技術站得住腳，其機器人目前已用於在美國各地安裝太陽能板，取得總計約 2,500 萬美元的商業合約，並計劃 2028 年展開火星探勘任務，時程幾乎是在跟 SpaceX 賽跑。

Parasma 的路線更特殊，他們嘗試訓練人類腦細胞，希望未來能取代現有 AI 運算硬體，成為更節能的替代方案，本質上仍是想解決運算耗電這個老問題，只是換了一條完全不同的技術路徑。

Waddle Labs 做的是機器人控制的「軟體層」。不同於多數團隊用大量影片，或人類遠端操作資料訓練基礎模型，這家哈佛畢業生創立的新創，改用一群 LLM 代理人直接寫程式碼控制機器人，自稱是「機器人界的 Claude Code」。開發者只要把硬體接上 Waddle 的 API，就能用自然語言下指令，AI 代理人便會自動產生並驗證可執行的控制程式碼，整套設定流程約 20 分鐘完成。

綜合這九家公司，可歸納出三個觀察。第一，儘管許多技術聽起來相當科幻，這屆投資人在估值上的共識明顯比過去幾屆更務實冷靜，沒有為了搶題材而不計代價追高；第二，Dipole Labs、Lamb Labs、Parasma，甚至 Atomarine，都不約而同瞄準運算與能源瓶頸，只是切入路徑各不相同，顯示運算力與能源短缺已是當前深科技投資圈共同面對的痛點，而非哪一家公司獨門的利基題材。

最後，機器人相關新創呈現高低價位並存的分歧路線，一邊是 Nori 主打 1,600 美元的平價家用機器人，另一邊是 Cosmic Robotics 鎖定重型工業與太空應用的高單價路線；兩種方向都還在早期摸索，凸顯的或許是市場尚未找到能規模化的商業模式，家用與工業兩端恐怕都還需要更多時間驗證才能見真章。

＊本文開放合作夥伴轉載，參考資料：《Techcrunch》、《Ua.news》，圖片來源：Nori Robotics

（責任編輯：鄒家彥）

在製造現場，品質檢測一直是自動化最難處理的環節之一。當產線運轉速度越快，留給相機擷取影像、算力進行分析與判定瑕疵的時間就被壓縮得越短，若遇上紙巾、包裝材料等容易伸縮、褶皺或移位的柔軟材質，產品外觀本身的變化甚至可能被誤判為瑕疵。若瑕疵藏在產品內部，傳統光學檢測更難直接辨識。

近年來，工業級 AI 視覺技術的普及正徹底翻轉傳統自動光學檢測（AOI）的局限。寶潔（P&G）與西門子（Siemens）聯手打造的「視覺檢測駕駛艙」（Visual Inspection Cockpit，VIC），成功將深度學習導入極速運轉的日用消費品產線；三星 SDI 則將 AI 深度結合 X-Ray 穿透技術，用於精準捕捉電池內部的微小金屬異物。

攻克柔軟動態材質：用 AI 辨識「自然變化」與「真正瑕疵」

在日用消費品製造領域，紙巾與包裝膜等柔軟材質在每分鐘產出數千件的高速傳送下，必然會產生自然拉伸、皺褶與微幅位移。傳統機器視覺主要仰賴預先設定的幾何規則與對比度參數來進行比對，一旦包裝改版或環境光線稍有變化，就必須停機重新編程。這種缺乏彈性的機制，往往導致高昂的過度誤判率。

寶潔與西門子合作推動的 VIC 系統，直接在設備邊緣端即時分析影像，不僅能在全速生產狀態下精準識別重疊零件、低對比度細微瑕疵與複雜裝飾包裝，更能學習並理解何謂柔軟材質的「正常形變」。對 AI 而言，皺褶不再直接等同於缺陷，系統能夠精準抽離出製程異常的實質特徵，根據西門子公布的數據，該系統視產品不同，已協助成功降低約 10% 至 20% 的報廢率。

除了檢測精準度，VIC 系統的靈魂更在於將 AI 工具的維護主導權還給產線第一線。透過內建的視覺化工程工具，現場工程師無需資料科學背景，便能自主進行模型設定、標註與更新。邊緣端分析結果直接與產線可程式化邏輯控制器（PLC）對接，即時剔除單一瑕疵品，同時將品質數據即時匯入企業數位生態系。

西門子自動化事業營運長暨技術長 Rainer Brehm 表示，工業 AI 與邊緣運算能滿足高速生產對每分鐘數千件產品檢測的需求，並能從單一產線擴展至全球製造據點。這套以標準化、低門檻應用架構交付的系統，也因此更容易在全球據點快速複製。

穿透肉眼不可見的風險：以 AI 結合 X-Ray 建立電池安全迴路

在新能源電池的量產過程中，極片焊接或封裝內部若殘留微小的金屬異物，極可能穿透隔膜並引發內部短路，帶來嚴重的安全隱患。為此，三星 SDI 突破了傳統光學攝影只能拍攝表面外觀的局限，將 AI 深度學習演算法與 X-Ray 穿透射線檢測設備高度整合。透過 X-Ray 取得電池內部的透視影像後，交由 AI 進行微米級異物特徵辨識，在大量生產的急迫節奏下，精準攔截潛在的結構性缺陷。

為了支援龐大的 AI 模型訓練需求，三星 SDI 建立起企業內部的「Vision AI Portal」平台。現場製程工程師能夠直接在平台上記錄、標註來自製造現場的原始檢測影像，持續優化並訓練出專屬的檢測模型，再反饋部署至生產線上的 AI 視覺檢測節點。這種設計讓公司得以在嚴格的生產條件下，精準維持「過度檢測」與「漏檢」之間的動態平衡，既防止良品被無端廢棄，更絕對杜絕帶有安全隱患的缺陷品流入市場。

三星 SDI 的實踐證明，AI 導入製造現場的過程，同時也在推動工廠組織型態的轉型。當資料蒐集、標註與模型更新成為工程師日常工作的一部分，現場人員對產品結構與製程知識的理解，便能順暢地轉化為可持續迭代的 AI 資產，不再完全依賴外部或中央資料科學團隊的支援。

寶潔與三星 SDI 的跨界應用共同展示了一個明確的產業趨勢：AI 視覺正在脫離「用相機找表面刮痕」的單一功能，演進為貫穿整體製造品質管理的關鍵數據入口。當每一次檢測都留下影像與品質紀錄，工廠便能持續追蹤瑕疵發生的位置、頻率與變化，進一步回溯製程異常的原因。對製造商而言，AI 視覺的價值因此也從「找出哪一件產品有問題」，延伸到「理解問題為什麼發生」，讓品質檢測資料真正回到製程改善本身。

【推薦閱讀】

◆ 勞斯萊斯用代理式 AI 大改造 IT：MTTR 從 6 天砍到 1 天、38,000 張工單自動分流

◆ 工程師尋料不必再翻文件、追著業務問，3M 用 Agentic AI 重寫工作流程

◆ BMW、TOYOTA、賓士都在做：人形機器人進車廠，比的不是誰更像人

＊本文開放合作夥伴轉載，參考資料：西門子、《Design News》、三星 SDI ，首圖來源：Unsplash

（責任編輯：廖紹伶）

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊OpenAI 傳募資至少 300 億美元，Anthropic 招股文件示警 AI 災難性風險

OpenAI 傳尋求至少 300 億美元新資金，Anthropic IPO 文件則揭露高速成長、巨額虧損與先進 AI 的安全風險。《彭博》引述知情人士報導，OpenAI 正尋求募資至少 300 億美元，目標估值約 1.4 兆美元，不包含這次募資的新資金。協商仍在初期，條件可能改變。OpenAI 執行長 Sam Altman 也在開發者大會表示，公司將優先處理安全問題，在能有把握做出安全決策之前，不會上市。另一方面，《路透》取得的 Anthropic 招股文件顯示，2025 年營收增至前一年的 12 倍、接近 46 億美元，但營業虧損仍超過 80 億美元。其中算力與基礎設施支出達 73.3 億美元，占營業支出一半以上。

Anthropic 同時在文件中警告，先進 AI 可能造成災難性後果，甚至威脅人類存續。列出的潛在風險包括抗拒關閉、隱瞞或操縱資訊，以及類似勒索的行為。公司指出，模型能力提升與應用範圍擴大，可能增加傷害風險；若模型察覺正在接受測試，也會限制安全評估的有效性。Anthropic 對報導不予置評。這些內容屬於向投資人揭露的風險，並非災難必然發生的預測；相關文件尚未公開供外界完整檢視。

＊川普與科技巨頭簽 AI 安全協議，採企業自律與外部稽核

美國總統川普於美國時間 9 月 29 日，與 OpenAI、Anthropic、Google、Meta、NVIDIA 等科技公司代表簽署自願性的 AI 安全協議。《路透》報導，文件提出四層監督，包括內部控制與監測、確認防護有效的內部團隊、獨立外部稽核，以及董事會獨立委員會監督。參與企業也承諾定期討論安全標準與實務。協議目前不具法律強制力，文件則提到，未來可能考慮將相關措施納入法律或規範。

近期安全事件之一，是 OpenAI 的內部實驗模型在研究任務中，未經授權存取澳洲政府網站。公司公開致歉，表示 8 月中旬發現相關活動，9 月分批通知機構，並承認應更早分享初步結果。根據公司調查，未發現個人病歷遭存取的證據。OpenAI 表示，已限制研究環境直接連上網際網路，並暫停最強模型涉及工具操作的訓練與評估，等待追加防護措施。川普另指示政府機關改用「超級智慧」稱呼 AI；這項名稱變更並不代表技術已達到超越人類的能力。

＊OpenAI 推 dots 全天候代理，新模型標準 API 單價僅旗艦五分之一

OpenAI 於美國時間 9 月 29 日推出 dots AI 代理，採用 GPT-6 Astra 模型，配備獨立雲端電腦，透過外掛串接工作工具，持續追蹤使用者交辦的目標。公司舉例，代理可依客戶需求更新提案與測試計畫，再交由人員檢視。dots 在符合資格的市場向 Pro 與 Business Premium 用戶開放；Enterprise、Edu 與 Healthcare 工作區可由管理員啟用測試版，預設關閉。

同日推出的 GPT-6.1 Sol，是 GPT-6 Sol 的升級版本，標準 API 輸入與輸出單價均為 Astra 的五分之一；實際任務成本仍取決於使用量，並非 ChatGPT 訂閱價格降至五分之一。dots 的使用者可設定工具存取權限，以及哪些行動須批准，並可查看進度、暫停或停止任務。官方說明，未接獲新交辦時的主動背景研究僅使用唯讀工具，不能發送訊息、修改應用內容或控制瀏覽器與電腦；重要工作仍須人工確認。從持續執行任務的代理，到兼顧能力與成本的模型，近期產品更新正朝這兩個方向發展。

＊Meta 擴大與 Firmus 合作，簽東南亞 AI 算力協議

澳洲 AI 基礎設施業者 Firmus 於 9 月 29 日宣布，與 Meta 簽署東南亞 AI 工廠的 GPU 算力協議，涵蓋已簽約容量與後續擴充選項，用於 AI 研究、模型開發及訓練。雙方未公布新協議的金額與容量，也未確認 Meta 對應的個別部署地點。Meta 已是 Firmus 的澳洲客戶，目前使用其墨爾本 AI 工廠的 NVIDIA GB300 NVL72 系統；此次合作將既有關係擴大到東南亞。

Firmus 表示，新設施將採 NVIDIA DSX 平台，結合自有 HyperCube 模組，把液冷、電力與機械設備整合在工廠製造的單元內，目標是加快部署並提高能源效率。模組設計支援 NVIDIA GB300、Vera Rubin 系統與 Spectrum-X 網路。公司本月稍早也與 OpenAI 簽署協議，供應馬來西亞兩座 AI 工廠的專用算力。《Light Reading》報導，Firmus 目前有兩處營運據點、五處仍在開發，後者預計未來 24 個月內提供服務。新合約已簽署，設施啟用與算力交付仍須依建置進度完成。

＊AI 加速工作重組，麥肯錫估美國 1,100 萬人需轉職

麥肯錫全球研究院（McKinsey Global Institute）於 9 月 29 日發布報告，推估 2025 至 2035 年，美國約 1,100 萬名勞工可能需要轉換職業，約占現有受僱者 7%。依自動化導入速度及其對勞動需求的影響，估計範圍為 600 萬至 1,600 萬人。這是情境模型推估，並非已發生的裁員數字。研究同時考量 AI 與其他自動化技術、人口老化、基礎建設及科技投資等因素，不能全部歸因於 AI。研究也提醒，自動化部分工時不等於整個職位必然消失。

報告指出，行政支援、零售銷售與運輸物流的勞動需求可能縮減，醫療、營建與管理職務則可能增加。但成長中的工作需要不同技能與資格，只有約七分之一需要轉職的勞工，具有少量重新培訓且不減薪的直接轉職路徑；其餘多須面對更大的技能、資格或薪資落差。研究也估計，超過七成勞工可能因工作任務改變，需要不同程度的能力調整。即使總體職缺增加，資格要求與地點差異仍可能阻礙人力流向需求成長的職業。

＊Visa 示警 AI 自主網攻，已開源部分資安防禦系統

《路透》9 月 29 日報導，支付業者 Visa 技術總裁 Rajat Taneja 表示，AI 模型揭露的漏洞讓公司重新評估自主網攻威脅，Visa 已開源部分 AI 資安防禦系統。他指出，未來攻擊可能持續學習與調整，不需人類逐步指揮，因此防禦也須具備代理能力。Visa 已允許部分 AI 代理使用其支付服務，但未公布相關交易規模。

Visa 官方資料顯示，漏洞代理框架 VVAH 已於今年 6 月開源，8 月再擴充修補與驗證流程，可協助資安團隊發現漏洞、判斷可利用性、修補並驗證結果，也支援透過設定選擇不同 AI 模型。新版也以結構化回饋協助團隊修正未通過驗證的修補方案。9 月的訪談進一步揭露公司對 AI 網攻的風險判斷，開源框架則提供從漏洞發現到修補驗證的工作流程。

＊川普推出 America.gov，Gemini 與 Grok 成政府服務查詢入口

川普政府於美國時間 9 月 29 日推出 America.gov，以 AI 聊天介面協助民眾查找聯邦政府資訊。美國首席設計官 Joe Gebbia 表示，平台使用 Google Gemini 與 xAI 的 Grok，整合約 2.9 萬個政府網站的資訊。初期功能以回答問題、提供來源與引導至相關網站為主，政府希望後續擴大為跨機關服務入口。

《The Register》報導，網站列出的護照申請、跨機關更新姓名等代辦功能，仍標示為 2027 年推出，不能視為已可透過聊天完成。《美聯社》則觀察到，平台上線初期曾回答 2020 年大選等政治問題，之後改為拒答部分政治詢問。這項服務已開放資訊查詢，跨機關申請與交易功能仍待整合，上線版本先提供問答與導引，代辦服務依後續時程擴充。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《Reuters》、《Reuters》、《Reuters》、《Reuters》、OpenAI、OpenAI、OpenAI、Firmus、《Light Reading》、McKinsey、 《Reuters》、VISA、《The Register》、《The Washington Post》、《AP News》，首圖來源：Unsplash。

隨著生成式 AI 深入企業流程，Prompt Injection（提示詞注入）也成為新的資安威脅之一。攻擊者會把惡意指令藏在網頁、Email、文件或其他外部內容中，誘導模型偏離原本任務。這類攻擊某種程度上很像對人的 Social Engineering（社交工程）：攻擊者不一定要突破系統漏洞，而是想辦法讓目標「相信」一段資訊，再自行做出不該做的動作。現在，這項風險又出現新的變化。

OpenAI 在 9/25 公布紅隊研究，發現了「Self-replicating Prompt Injection（自我複製提示詞注入）」新現象，也就是惡意指令不只可能影響眼前這個 Agent，還可能誘導它把同一段指令帶進後續輸出，再被下一個 Agent 讀取，形成類似電腦蠕蟲的傳播方式。

OpenAI 強調，目前只在模擬工具呼叫環境中觀察到，沒有真實世界事故，但這項研究也暴露新的安全問題：惡意 Context（上下文）可能沿著 Agent 的工作流程繼續往下傳。

為什麼一次提示詞注入，就可能變成一整條攻擊鏈？

和過去 AI 聊天機器人的差別在於，現在的 Agent 不再只處理一個 Prompt（提示詞），再回傳一段文字。企業開始讓 Agent 連接 Email、Calendar、RAG、Connector（連接器）與內部工具，一個 Agent 取得的資訊，也可能接著交給另一個 Agent 或系統處理。

OpenAI 這次實驗就發現，Agent 讀到藏有惡意指令的 Email 後，可能被誘導把同一段內容放進之後寄出的郵件，讓下一個讀取郵件的 Agent 再次接觸它。這使企業要處理的問題從「這段輸入有沒有惡意指令」，進一步變成「不可信的 Context 會流到哪裡，又能觸發哪些動作」。

當 Agent 接上的企業系統越多，Context 本身也開始像新的安全邊界。Email、外部網頁、企業文件或工具回傳結果，即使全部都會進入模型，也不代表它們應該具有相同的信任程度。

該怎麼防範「自我複製提示詞注入」？

OpenAI 建議，不可信的外部資料不應直接進入高權限指令層，避免模型把外部內容誤當成系統要求；不同工作節點之間，也應盡量透過 Structured Output（結構化輸出）傳遞固定欄位，而不是把整段自由文字原封不動往下送。

舉例來說，Agent 從 Email 中只需要取得「會議時間是週四下午 5 點」，就只把日期與時間交給下一個系統，不必把整封 Email 一起傳過去。如此一來，即使原始內容藏有惡意指令，也比較難一路搭著資料流進入後續 Agent。這種設計背後的思路，是把「資料」和「指令」拆開，並減少不必要的自由文字在不同 Agent 之間流動。

就算 Agent 被騙，也不能讓它什麼都做

另一層防線則是限制 Agent 能造成的實際影響。OpenAI 認為，企業不應把安全建立在「模型永遠不會被騙」這個前提上。就像傳統資安無法保證所有員工永遠不會誤點釣魚郵件，Agent 安全也需要假設部分攻擊終究可能成功，再把後果控制住。

因此，只負責搜尋或讀取資料的 Agent，不一定需要刪除文件、修改資料或對外寄信的權限；涉及取消交易、修改系統或呼叫敏感工具等高風險操作時，則可加入 Human-in-the-loop（人工介入），在真正執行前再次確認操作目標與參數。此一做法的重點，不是保證 Agent 永遠不會被誤導，而是限制它即使判斷錯誤，也無法直接執行高風險操作。

惡意 Context 往哪裡走，企業也得追得到

自我複製提示詞注入還帶來另一個問題，即如果惡意內容真的能沿工作流程往下傳，企業就必須知道它從哪裡進來、經過哪些 Agent，又觸發了什麼工具。

OpenAI 建議保留執行軌跡（Trace），記錄模型呼叫、工具使用、Agent 交接與防護機制判斷。未來企業調查 Agent 資安事件時，可能不能只確認「哪個帳號呼叫哪個 API」，還要往前追查是哪封 Email、哪份文件進入 Context，模型如何判斷，又把結果傳到哪一個工具或下一個 Agent。

OpenAI 這次研究並不代表企業已經面臨會自行蔓延的 AI 蠕蟲，但它揭露了一條新的風險路徑：當 Agent 開始跨系統工作，惡意 Context 也可能跟著移動。企業接下來要防的，不只是模型會不會被騙，還包括 Context 能流到哪裡、Agent 能做到什麼，以及一旦出事後，能不能把整條傳播路徑追出來。

【推薦閱讀】

◆ OpenAI 新模型喊卡、NVIDIA 集結百家企業：AI Agent 安全為何不再只靠對齊？

◆ 首起已知 AI 代理闖入政府網站，澳洲如何重整政府資安防禦？

◆ 【AI 驅動的 vibe hacking】漏洞數量已找不完，企業資安計畫重點轉向驗證漏洞「可利用性」

＊本文開放合作夥伴轉載，資料來源：OpenAI 1、OpenAI 2、OpenAI 3、OpenAI 4，首圖來源：Unsplash

IBM 2026 年 CEO 研究揭示企業導入 AI 的一項落差：儘管多數企業執行長認為員工已具備與 AI 協作的能力，但受訪 CEO 估計，僅約四分之一的員工會在工作中定期使用 AI。《Forbes》報導，高層認知與員工實際採用之間的落差，可能成為企業擴大 AI 應用的阻力。其關鍵不僅在於工具是否可用，也在於企業高層是否真正參與 AI 工作流程。

從 CAIO 到中階管理層：AI 正改變企業組織，但員工採用程度仍是難題

根據 IBM Institute for Business Value（IBV）2026 年 CEO Study，全球超過 2,000 名 CEO 的調查顯示，86% 的 CEO 認為旗下員工具備使用 AI 所需的技能，但他們估計實際定期使用 AI 的員工比例只有 25%。換言之，企業管理層認為員工已經準備好使用 AI，但實際採用仍未普及。IBM 另指出，83% 的 CEO 認為 AI 能否成功，關鍵更多取決於員工採用程度，而不是技術本身。

IBM 的研究也顯示，企業管理架構本身正快速因 AI 改變。2026 年已有 76% 的受訪組織設有 AI 長（CAIO），高於 2025 年的 26%；此外，59% 的 CEO 預期未來幾年人力資源長（CHRO）的影響力將提升，77% 則認為人才與科技領導職能正逐漸融合。IBM 認為，AI 已不再只是 IT 部門的技術專案，而開始牽涉企業決策與組織設計。

《Forbes》文章援引另一項美國國家經濟研究局（NBER）研究補充指出，企業高層本身雖已普遍接觸 AI，但使用時間並不長。NBER 對美國、英國、德國及澳洲近 6,000 名企業高階主管進行調查，發現超過三分之二的高階主管在一般工作週會使用 AI，但平均每週使用時間僅約 1.5 小時。該研究同時發現，約 69% 的企業已採用某種形式的 AI，不過過去 3 年 AI 對企業就業與生產力的實際影響仍相對有限。

這與波士頓顧問公司（BCG）的調查形成對比。BCG 2026 年 AI Radar 將 CEO 分成不同類型，其中推動 AI 轉型最積極的一群 CEO，每週投入擴充 AI 專業能力的時間超過 8 小時；相較之下，整體 CEO 的投入程度存在明顯差異。BCG 另一項資料顯示，72% 的 CEO 表示自己是企業內 AI 相關決策的主要決策者。

《Forbes》認為，這種高層「談 AI 多、親自用 AI 少」的現象，可能一路傳導到企業中階管理階層。文章提到，一些企業透過將 AI 使用納入 KPI、追蹤模型 token 使用量等方式提高採用率，但也可能出現員工為了達標而增加低品質 AI 使用的情況。另一份由 All Tech Is Human 與 Notre Dame-IBM Technology Ethics Lab 合作的研究則指出，中階專業人員正花費愈來愈多時間檢查與修正 AI 產出的內容，而這類驗證、教學與協調工作往往沒有被正式納入績效評估。

企業 AI 戰場轉移：從「技術能不能做到」走向「組織工作方式的根本改變」

對企業而言，真正的問題因此可能不只是員工有沒有 AI 工具，而是 AI 是否被嵌入日常工作流程。IBM 研究指出，重新設計科技、財務、人資、營運，以及跨部門協作等核心領域的組織，比未重新設計這些領域的企業高 4 倍；採取 AI-first 的高階管理架構，也能讓企業在全公司擴大更多 AI 計畫。

AI 導入速度也可能在未來進一步加快。IBM 調查顯示，CEO 預期到 2030 年，AI 在不需要人工介入的情況下，將負責約 48% 的營運決策，高於目前的 25%；此外，CEO 預估在 2028 年以前，約 29% 的員工需要重新學習技能以轉換職務，另有 53% 需要提升現有技能，以更有效完成目前工作。

《Forbes》提及，CEO 不應只透過政策或內部公告推動 AI，而應每週實際使用企業採用的工具、公開展示自己的成果，並追蹤員工花在檢查 AI 輸出的時間。企業也應把協助同事訓練 AI、建立工作流程等「幕後協作」正式納入績效制度，定期舉辦內部 AI 展示，並讓負責帶領團隊、協助同事處理 AI 錯誤的中階管理者參與 AI 決策。

企業 AI 採用的瓶頸正逐漸從「技術能不能做到」，轉向「組織是否真的改變工作方式」。IBM 的數據顯示，86% CEO 認為員工具備 AI 技能，但受訪 CEO 對員工使用情況的估計顯示，僅約 25% 的員工會定期在工作中使用 AI；《Forbes》補充，高層自身的使用程度、組織流程與管理制度，可能決定 AI 是否能從少數人的工具，真正變成企業日常工作的基礎設施。

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

講一個大部分老闆都不願意接受的事實，在真正的研究裡，絕大多數的嘗試注定不會有結果，而且你無法事先知道，會是哪些。

八月十日，Anthropic 公布一份研究，他們讓一個尚未發布的 Claude 版本，去挑戰黎曼猜想，那是數學界懸了 167 年、還掛著一百萬美元獎金的難題。

結果沒有解開，但在嘗試的過程中，它意外把一個相關的下界，從 41.6% 推進到 67.2%。這個數字指的是「已經被證明落在臨界線上的零點比例」，而這一跳，是這個數字有紀錄以來最大的一次躍進。

我的背景是 R&D，工程師出身，做過許多產品，有成功，也有失敗，我想跟大家談談研發這件事情，過程有時候比成果更重要。

30 個失敗，換來 2 個成功，你覺得是好的 AI 嗎？

這次的挑戰者是一位沒有數學背景的 Anthropic 員工，他給 Claude 的指令，基本上只有：「繼續試。」

第一輪，Claude 產生並嘗試了 650 個想法，全部沒用。

第二輪，它動用了大約 60 個子代理（subagent），連續跑了一天半，執行約 2,400 個 shell 指令、寫了數百支 Python 程式，還去 arXiv 下載了 54 篇論文，確認這個結果沒有人做過。

而這 60 個分身裡，只有 2 個真正做出了關鍵的數學想法，另外 13 個提供了輔助構想，13 個負責驗證與挑錯，2 個負責撰寫論文，還有 30 個，完全沒有產出。

很多媒體可能會報導這是個失敗的結果，但我第一個反應是「這不就是一個研發組織該有的樣子嗎？」

三十個徹底失敗、兩個成功，而那兩個之所以能成功，是因為前面那三十個把死路都走過一遍了。

這件事真正難的地方，不是接受失敗率，而是你在事前根本分不出來，哪 30 個會白費，如果分得出來，那就不叫研究了，那叫執行。

所以每一家公司都會面對同一個選擇，當你的績效制度要求每一個專案都要說得出 ROI、每一季都要交得出成果，那 30 個一開始就不會被批准，它們不是被砍掉的，是根本不會出現在提案清單上，而那 2 個成功，也就跟著不會出現。

我看過太多技術團隊，能力完全足夠，但沒有人敢提沒把握的題目，不是他們不想，是因為提了要為結果負責，而在他們公司裡，失敗是要被記上一筆的。

一個組織如果只獎勵「做出來的人」，久了就只剩下敢做確定的事的人。

R 和 D，是兩種完全不同的能力

今年年初，我跟公司的技術主管聊過一次，講的就是這件事，我的意思是，身為技術專業人士，不要只把自己定位成工程師，要定位成 R&D，既能做研究，也能實踐，這兩個字母常常被連在一起講，好像是同一件事，但它們其實是兩種完全不同的能力。

R 是研究，是在還不知道答案的時候，願意花時間往下挖；是接受十次嘗試有九次會白費，要忍受一段沒有產出的時期；D 是開發，把已經確定的方向做出來，並做到能準確交付，要看規格、排程跟品質。

台灣的技術人普遍非常強的是 D，給我們一份規格，我們可以做得比誰都快、都好，而且還很便宜，但如果沒有人給規格呢？

Claude 那個案例最有意思的地方就在這裡，它同時做了 R 和 D，它試了 650 個死路（這是 R），也寫了 2,400 個指令、產出可以被機器逐步檢查的證明（這是 D），兩件事在同一個循環裡完成,這才是我想跟技術主管們講的那個定位。

研究，不是為了「有用」才去做的

而 R 的價值，還不只是「暫時沒產出」而已，有時候，它根本是為了「看起來完全沒用」的東西。

1972 年在普林斯頓，一位數論學家把質數零點的間距公式寫在紙上，旁邊的物理學家看了一眼就說「這個式子我認得，我們用它描述重原子核的能階分布。」

兩個完全不相干的領域，寫出了同一條公式，到今天，沒有人知道為什麼，而質數本身，被研究了兩千多年，長期被認為是純粹的智力遊戲，二十世紀最有名的數論學家之一 G. H. Hardy，甚至公開表達過一種驕傲：「他研究的東西完全沒有實用價值。」

結果 1970 年代 RSA 加密誕生，整個網際網路的信任基礎，你的網銀、你的憑證、你公司的 VPN，全部建立在質數上。Hardy 引以為傲的無用，最後撐起了全球的數位經濟。

台灣研發占 GDP 4.1%，但基礎研究不到 8%

講到這裡，我想拉回台灣。國科會的調查顯示，台灣全國研發經費首度突破一兆新台幣，占 GDP 的比率達到 4.1%，創下新高。這個數字放在全世界，僅次於以色列和南韓。

但如果再往下拆一層，會看到另一個數字，在這些研發經費當中，投入「基礎研究」的比率大約只有 8%。這個數字目前可比對的國際資料是 2020 年的口徑，同一個口徑下，美國是 15.1%，南韓 14.4%，日本 12.3%。

台灣的研發總量是世界級的，但配置高度集中在應用與開發端。換句話說，我們是一個 R&D 支出世界前段班的經濟體，但錢絕大部分花在 D，不是 R。

這個結構還可以再看得更清楚：台灣八成五以上的研發經費由企業執行，其中又有八成二來自員工五百人以上的大企業，而在製造業的上市櫃公司裡，光台積電一家就占了四分之一。

我可以理解，因為企業的研發本來就該對準市場，這是它的責任，問題在於，當一個經濟體的研發幾乎全部由企業主導，那麼「短期內看不出用途」的題目，就沒有人會做。

我認為，台灣的軟體長期無法自成產業，因為它總是依附在硬體大廠底下的一個部門，基礎研究的處境，其實是同一個問題的另一個版本。

不等政府，老闆們其實有幾件可以自己決定的事

第一，在研發預算裡切出一小塊「不問 ROI」的空間，不需要很多，5% 就足以改變組織的氣氛，關鍵不是金額，而是讓團隊知道「探索本身是被允許的」。

第二，別把產學合作當成外包，很多企業跟大學的合作，其實是把已經定義好的工作交出去做，真正有價值的合作，是願意投一筆錢在一個連教授自己都還沒把握的方向上。

第三，把「R&D」當成技術人員的職涯定位，而不只是部門名稱，要讓工程師有機會做研究，也要求做研究的人能夠交付。這件事在績效制度上要有配套，否則沒有人敢碰沒把握的題目。

最後，那個週末，我和兒子花了一些時間，一起搞懂黎曼猜想到底在講什麼，老實說，我沒有真的搞懂多少數學。

但有一件事很清楚，一百六十七年來，一代一代的人在一個沒有答案、也沒有人保證有用的問題上繼續往下挖，而正是這些人累積下來的東西，讓 2026 年的一個 AI，可以在一天半之內往前推一步。

Claude 那份論文引用的，是好幾位數學家過去數十年的研究成果，沒有那些人，那 60 個分身跑再久也不會有結果。

我一直相信，一個技術人如果只做 D、不做 R，天花板很快就會到，一個國家也是一樣。台灣已經證明了我們很會把事情做好，接下來要證明的，是我們也敢在還不知道答案的地方，先押下一點賭注。

(本文訊息由劉永信 Spencer Liu 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：Shutterstock。)