AI 代理正在進入製造現場，GE 家電已在製造、物流與供應鏈營運中部署超過 800 個 AI 代理，並以 Google Cloud 的 Gemini Enterprise 作為技術基礎，將 AI 整合進名為「Brilliant Factory」的製造數據平台。這套平台追蹤各工廠生產表現、零件履歷，以及不同產線與班次的工作活動，讓現場員工可以直接與生產數據互動，加快問題診斷與決策速度。

GE 家電數位科技副總裁暨數位長 Mandar Deo 表示，AI 現在已經成為公司日常工作方式的一部分。

自動化協同 600 家供應商，欠單大幅降低 25%

在 Brilliant Factory 的架構下，AI 代理首先革新了工廠處理數據的速度。過去需要耗費數小時整理的整班生產數據，現在只需幾分鐘即可完成分析，幫助團隊在第一時間抓出問題根源。員工也可以直接詢問生產數據，不需要先透過數據科學家整理資料。平台同時提供產線良率與設備狀態的即時資訊，協助現場降低停機時間並持續改善營運。

AI 的應用也延伸至複雜的售後物流網絡。GE 家電的零件團隊每年發送高達 2,700 萬個零件與配件，服務超過 700 家零件供應商，並承諾在產品停產後維持至少 7 年的零件供應。為了優化龐大的溝通流程，公司在 2025 年建立 Supplier Collaboration Agent，負責與超過 600 家供應商處理例行訂單狀態查詢。這項工作原本需要團隊投入大量時間，如今可由 AI 代理自動處理，將欠單與滯留訂單成功降低了 25%，也讓團隊得以擺脫繁瑣行政，專注於具高度戰略價值的工作。

從品管到排產：AI 進到生產決策

品質管理同樣是 AI 落地展現價值的核心場景。GE 家電運用 Gemini Enterprise 開發出 Quality Insights Assistant，分析客戶反饋與產品照片，協助團隊精準識別微小的視覺異常模式。

當產品問題尚處於萌芽階段時，AI 就能搶先抓出可能的缺陷，提示團隊及早採取行動。物流副總 Marcia Brey 表示：「以 GE 家電的生產規模，能更早抓出缺陷，就代表我們能持續提升產品品質，最終帶給消費者更好的體驗。」

這套 AI 架構的價值也延伸到生產營運本身。當產線能即時掌握生產表現、設備狀態與需求變化，工廠便能更快調整生產安排、班次配置與庫存管理。GE 家電位於喬治亞州 LaFayette 的 Roper Corporation 工廠，就是這種製造模式的實際案例：當同一條產線能彈性切換生產不同爐具，就更需要 AI 即時判斷需求流向、動態調整產能。

對 GE 家電而言，這 800 多個 AI 代理並非孤立的單點工具，而是全面融入製造、物流與供應鏈的日常血液中。當班次數據、設備狀態、供應商溝通與客戶反饋都能透過 AI 自動串連與深入分析，製造現場便能告別傳統報表的層層傳遞，讓資訊流動與生產決策同步，展現出高彈性、高品質的智慧製造。

【推薦閱讀】

◆ AI Agent 斷網還能繼續動作，KPMG：Edge AI Agent 需要另一套治理方式

◆ P&G 測紙巾、三星 SDI 測電池內部金屬：AI 視覺如何攻下傳統光學檢測盲點？

◆ 資料中心是當代工廠運算層：製造業與資料中心不是二選一，而是同一場工業革命

＊本文開放夥伴轉載，參考資料：GE 家電、《PYMNTS》，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。

＊SpaceX 傳籌 400 億美元買 NVIDIA 晶片，阿波羅主導融資安排

根據《路透社》引述知情人士的報導，馬斯克旗下的太空探索科技（SpaceX）正尋求約 400 億美元融資，用於採購輝達（NVIDIA）AI 晶片，預計由阿波羅全球管理公司（Apollo Global Management）主導。資金結構包含約 100 億美元銀行貸款與 300 億美元投資級債券，交易預計 2027 年完成。阿波羅將協助向不同投資人出售債券，債券投資機構 PIMCO 也參與融資洽談，惟安排尚未正式確認。

這項計畫延續馬斯克擴大 AI 算力的布局。他曾在 8 月財報電話會議表示，將採用 NVIDIA 架構建置 AI 運算設施，並看好 Vera Rubin 平台。融資若落實，將把銀行及其他金融機構提供的資金，導入大規模晶片採購，也反映 AI 基礎建設擴張對外部資金的需求。借貸可支應前期投入，後續仍須面對還本付息與設施營運成本。《路透社》報導刊出時，阿波羅與 PIMCO 不予置評，SpaceX 與 NVIDIA 尚未回應置評請求。

＊AMD 將加碼台灣，蘇姿丰：晶片需求仍高於供給

超微（AMD）董事長暨執行長蘇姿丰 10 月 6 日訪台，證實將調高今年 5 月公布的 100 億美元台灣供應鏈投資。她表示，原計畫進度符合預期，但市場需求持續上升，公司正增加投資金額；目前尚未公布追加規模與分配方式。蘇姿丰指出，AMD 今年已大幅擴產，中央處理器（CPU）與繪圖處理器（GPU）的需求仍高於供給，正與台積電、後段封測及基板供應商加速拉升產能。

此次行程包括與鴻海、廣達、華碩、宏碁等合作夥伴高層會面，以及前往新竹拜會台積電。蘇姿丰表示，市場變化快速，與關鍵供應商保持緊密合作非常重要，取得更多產能也是此次訪台原因之一。這次確認的是原有投資計畫將再提高金額，實際新增資金及產能安排仍待公司說明；晶片需求能否轉化為供給，將取決於製造、封裝與基板等環節的擴產進度。

＊Anthropic 擴大資安模型開放，稱夥伴找出近 13 萬漏洞

Anthropic 10 月 6 日宣布擴大資安驗證計畫（Cyber Verification Program），讓符合資格的資安團隊依工作需求，申請更強模型與較少的資安任務攔截。新版設有防禦、紅隊與特殊存取三個層級，提供 Claude Opus 5.5、Sonnet 5.5、Mythos 5.1 等模型。紅隊層級限組織申請，支援經授權的攻擊模擬；特殊層級則供少數組織測試電網、飛航系統等高風險系統，並須接受更深入審查。

根據公司公布的資料，先前 Project Glasswing 合作夥伴在今年 4 月至 7 月間，找到至少 12.9 萬個經過驗證的軟體漏洞。這是公司彙整的合作成果，並不代表漏洞已全數修補。Anthropic 表示，找出漏洞的能力同樣可能被用於攻擊，因此申請者仍須通過身分驗證、符合相應安全控制要求，並在獲准用途內使用模型。這次擴大的是經審核的資安能力存取範圍。

＊Google 簽 20 年核電長約，支持增容 89 萬瓩

Google 與美國星座能源（Constellation Energy）10 月 6 日宣布簽署 20 年購電協議，支持位於伊利諾、賓州與紐澤西州的 11 部既有核電機組升級，預計新增 890 MW、即 89 萬瓩發電容量。星座能源將為此投入超過 43 億美元，透過更新渦輪機、蒸汽產生器與數位控制系統提高輸出。新增容量約相當於一部大型核電機組，將送入美國中西部與東部的 PJM 電網。

首批增容預計最晚 2028 年到位，Google 表示，全部增容預計於 2032 年底前完成。雙方另簽 15 年能源供應協議，涵蓋既有發電設施的 2,700 MW 供應，與新增核電容量分開計算。這項安排以長期購電承諾提供收入確定性，支撐既有電廠設備更新。隨資料中心用電需求上升，科技公司也透過支持既有機組增容，擴大可供電網調度的穩定電力。

＊Marvell 上調營收展望，2028 會計年度估達 200 億美元

晶片設計商邁威爾（Marvell）10 月 6 日在投資人活動上，上調 2028 會計年度營收預估至約 200 億美元，高於分析師原先預估的約 182 億美元，並將 2029 會計年度客製化晶片營收目標，從 100 億美元提高至 120 億美元。公司同時提出 2031 會計年度營收 700 億至 900 億美元的長期目標，反映其對 AI 資料中心需求的成長預期。

《路透社》指出，Marvell 的客製化晶片業務已成為主要成長動能，科技公司正開發自有 AI 處理器，以降低對 NVIDIA 晶片的依賴。Marvell 自 2021 年推動客製化與雲端最佳化晶片策略，服務資料中心運算需求。這次上調展望顯示，AI 基礎建設支出也正流向自研晶片及相關供應鏈；上述數字均屬公司預估，實際營收仍須看後續產品量產、客戶部署與需求延續情況。

＊FICO 擬裁減 15% 職位，重整組織並導入 AI 產品開發

美國信用評分公司 Fair Isaac（FICO）10 月 6 日提交監管文件，宣布裁減約 15% 職位，作為組織重整的一部分。公司表示，計畫包括減少組織層級、簡化營運架構、優化流程與工具，以及導入 AI 驅動的產品開發。受影響員工自 10 月 5 日當週起接獲通知，重整預計在 2027 會計年度第三季結束前大致完成，並於 2026 會計年度第四季認列約 2,700 萬美元稅前費用，主要涉及資遣及相關成本。

《路透社》指出，FICO 同時面臨信用評分市場的競爭與監管變化。美國聯邦住房金融局要求房利美與房地美允許貸款機構採用競爭對手 VantageScore，並推動兩種評分採用相同定價架構，挑戰 FICO 在房貸評分市場的地位。公司文件將 AI 列為重整措施之一，但未公布各項因素對裁員規模的影響，因此不能把全部職位刪減直接歸因於 AI 取代員工。

＊車輛中心擴大資安與聯網驗證，台灣車電產品接軌國際

經濟部 10 月 6 日公布，車輛研究測試中心（ARTC）透過與德國 TÜV SÜD 合作，建立車輛資安實驗室，並於今年 6 月取得實驗室認可，具備執行聯合國 R155 車輛資安與 R156 軟體更新相關測試驗證能力。目前提供超過 100 項測試服務，涵蓋資安分析、軟硬體完整性、資料傳輸安全與空中軟體更新流程，協助車廠及零組件業者在台完成開發驗證。

車輛中心另與美國 OmniAir Consortium 簽署合作備忘錄，規劃導入國際車聯網驗證規範，研擬情境測試與跨廠牌互通性驗證方法。合作將結合既有自駕車試驗場域，以及預計今年底完工、模擬市郊道路的車聯網測試區，支援車載與路側設備在地驗證。經濟部表示，在台建立相關能力可降低海外測試成本與時程；台灣車輛資安相關法規預計 2028 年實施，現階段建置也可協助業者提前因應。

＊本文開放合作夥伴轉載，資料來源：《中央社》、《Reuters》、《中央社》、Anthropic、Google、Google、《Reuters》、FICO 、《Reuters》、經濟部、《中央社》，首圖來源：AI 生成圖。

以前一家公司想要一套完全不連網、資料不出門的 AI，得先蓋機房、買伺服器，但現在這件事的門檻變很低，只要一張顯卡，加上一個月 20 美元的訂閱就可能可以做到。

9 月 14 日，以 AI 搜尋起家的 Perplexity 把一個叫 Portable Computer 的功能正式帶進 Windows，這是 Perplexity 旗下 AI 助理「Computer」的本地版本，原本這個助理要連到雲端伺服器才會動，現在它的推理引擎、任務規劃、排程系統，全部可以跑在你自己的電腦上。

但你的電腦裡要有一張顯存（VRAM） 24GB 以上的 NVIDIA GeForce RTX 或 RTX PRO 顯卡，加上 Perplexity 的 Pro 或 Max 訂閱，顯存就是顯卡自己的記憶體，模型要跑起來，得先整個裝進這塊空間裡，所以它決定了你的電腦跑不跑得動多大的模型。

一張卡的價格，大約是一台中高階筆電的錢，不算便宜，但你在一般電腦通路就買得到，不必跟企業機房訂機器，訂閱費用如果是 Pro 每月 20 美元，Max 是 200 美元，這功能 8 月下旬才剛在 Linux 和 NVIDIA 的 DGX Spark 上線，三週後就進了 Windows。

一個 270 億參數等級的 AI 助理，居然可以塞進一張消費級顯卡裡跑起來，過去只有企業級硬體或雲端算力才做得到的事。

這件事真正有趣的地方，在順序。

過去我們談地端部署，邏輯都是「預設雲端，除非有隱私疑慮，才退而求其次考慮地端」，Portable Computer 把這個順序倒過來，簡單任務預設留在你自己的電腦上跑，只有遇到需要更強推理能力的任務，它才跳出來問你，要不要把資料送上雲端，而且在本機做完的工作，不吃雲端的付費額度。

Perplexity 執行長 Aravind Srinivas 在發布當天講得很直白，他說這是「跑在每一台裝 NVIDIA 顯卡的 Windows PC 上、無限量的地端智慧」，過去這幾年我們習慣的 AI，本質上是租來的。

你要連上網、要登入、要按用量付費，你丟進去的每一份檔案，都得先離開你的電腦，它比較像水電瓦斯，接進來就有，但管線和水塔都不是你的。

Portable Computer 這種模式不一樣，模型下載到你的硬碟裡，運算發生在你桌上那台機器，斷網它照樣動，你用得再兇也不會多一筆帳單，它比較像你買了一台印表機，買的時候有一筆錢，之後它就待在那裡，是你的資產，也是你的責任。

雲端不再是預設答案，它變成一個選項，這個轉折，比「又一家公司推出地端 AI」這句話重要得多。

我先前曾寫過 Anthropic 執行長 Dario Amodei 為什麼喊出「AI 該慢下來」，他擔心的是遞迴式自我改進（RSI），簡單說，就是 AI 開始參與訓練下一代 AI，能力提升的速度，已經快到安全治理追不上。

Portable Computer 則讓我們看到當跑一個 270 億參數 AI 助理的門檻，降到一張顯卡加一個 App，能力擴散的速度，可能比實驗室裡那條能力曲線還要難掌握。

AI 的進展是尖端實驗室裡在競速，同時全球數千萬台個人電腦的普及速度也在加速。

那些資料不能出境、法遵要求特別嚴的產業，醫療、金融、政府單位，他們過去想把 AI 裝在自己家裡，得先組一支 MLOps 團隊，負責把模型從實驗室搬到正式環境、而且讓它天天穩定運作的那群人，加上維運監控等等的工作，一套做下來，時間和人力成本都不低。

雖然現在看起來門檻下降，買一張顯卡、裝一個應用程式，就有一套堪用的地端 AI 助理，不過我要提醒一件事，地端不等於零風險，只是風險換了位置。

Portable Computer 一旦接上 Google Drive、Gmail、Slack、GitHub 這些連接器，員工的電腦本身就變成一個新的攻擊面，雲端集中管理的時候，資安團隊至少知道風險在哪個機房；算力分散到每一台筆電之後，你的資安邊界，等於跟著員工的電腦到處跑，地端運算分散了雲端的風險，但沒有消除風險。

我一直覺得，企業做 AI 治理，雲端成本透明化是第一步，團隊要先看得懂帳單，才有資格談優化，這幾年多雲環境下，公司花在不同雲端服務商的運算、儲存、推論成本，經常散落在好幾張帳單裡，連 IT 部門自己都很難即時掌握總花費，更別說優化了。

這也是 FinOps 越來越受重視的原因。FinOps 講的其實不複雜，就是把雲端花費當成一門管理學問，讓財務、IT 和業務單位看同一組數字，先搞清楚錢花在哪，才談得上怎麼花得更聰明。

但 Portable Computer 這類產品提醒我，這件事不會停在雲端。

譬如說買印表機的錢是一次性的，真正花錢的是之後的墨水、紙張、保養、還有那台機器佔的空間，地端 AI 也一樣，當運算節點從資料中心擴散到每一台員工的筆電，硬體攤提、電費、維運人力，全都是成本，只是過去沒人把它跟雲端帳單放在一起檢視。

一台配 24GB 顯卡的工作站，一張卡就是一台中高階筆電的錢，再加上員工每天用 AI 助理處理任務消耗的電力和硬體損耗，長期累積下來，未必比雲端算力便宜多少。只是這筆帳，目前很少有企業真的在算。

FinOps 這套「先看清楚花在哪裡，才能決定怎麼花」的邏輯，原本是為了管雲端而生的。但趨勢上，它勢必會延伸到地端和邊緣，把這塊成本一起攤開來看，才會是完整的企業 AI 財務治理版圖。

這件事我們是從客戶現場學到的。

幾年前開始，我們常被問同一個問題：這個月雲端帳單為什麼變多？做顧問的時候，我們靠人去拆，一家一家陪著客戶看，哪些成本值得優化、哪些該保留、哪些應該繼續投資。問題是這些判斷全留在同事的經驗裡，下一個客戶來，一切重來。

所以我們決定把它變成產品，而做產品跟做顧問最大的差別在於，顧問可以憑經驗下判斷，產品不行，產品得先讓數字自己說話，我們選的第一件事，是把散在各家雲端的帳單標準化，再往下拆到部門、專案，讓每一塊錢都找得到主人。

這個順序後來被驗證是對的，成本有了歸屬的部門，優化才會開始在企業內發生。

我猜地端這塊，未來也會走上同一條路，只是這次要歸屬的，不再只是雲端的運算與推論費用，還包括散在每個部門桌上那幾張顯卡，這幾年我們一直在講，AI 導入真正的門檻不是模型，是治理，門檻降低之後，這句話只會更成立，因為要管的東西變多了，而且散得到處都是。

買一台機器、買一張顯卡都很容易，難的是半年後，還有沒有人說得出它在哪、誰在用、電費和維護算誰的，而 AI 現在正走到這一步。

(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。)

AI Agent（AI 代理）的協議名單又變長了。Meta 與企業 AI 新創 Sierra 10/6 宣布，將聯合 Genesys、Instinct、Rocket、Shopify、Stripe、Walmart 等業者開發「Personal Agent Protocol（PAP）」，希望建立一套個人 AI Agent 與企業互動的共同標準，包括身分驗證、使用者授權，以及企業如何掌握 Agent 透過網站、API 或企業 Agent 執行的行動。

不過 AI Agent 相關的協議已經越來越多：MCP、A2A、UCP、ACP、AP2、TAP，如今又多了 PAP。這些名稱看起來都在處理 Agent，實際上各自解決什麼問題？為什麼還需要再多一套？

PAP 此時出現，反映了個人 AI Agent 與企業互動已經碰到實際問題。Sierra 共同創辦人 Bret Taylor 向《CNBC》形容，在共同標準出現以前，企業面對個人 Agent 如何存取資訊仍處於「有點混亂」的狀態。

《TechCrunch》報導，Amazon 近期開始阻擋 Meta 的個人 AI Agent Muse 進入購物網站；Walmart 雖已與 Muse 合作，部分使用者仍因網站要求點擊按鈕證明「是真人」，導致 Agent 無法完成購物。報導指出，這些案例顯示，原本用來驗證真人、防範垃圾訊息（spam）與惡意機器人（bot）的機制，不一定適合 Agent 開始代表使用者辦事的環境。

PAP 想解的是：這個 Agent 代表誰，又能做什麼？

根據 Sierra 官方說明，現在許多個人 Agent 仍像真人一樣載入網頁、點擊表單，做不到時甚至可能改走客服電話或網路客服。PAP 則希望建立更直接的互動方式，讓 Agent 可以透過企業既有網站、API，甚至直接與企業自己的 Agent 溝通。

其中核心不只是讓 Agent「進得去」。企業需要知道何時有 Agent 代表顧客前來，並自行決定願意開放哪些功能；消費者也能決定 Agent 只有唯讀權限，或可以修改資料。例如 Agent 可以先以訪客身分查詢庫存，需要修改訂單時，再由使用者授權登入。相關連線則建立在既有的 OAuth 授權標準上。

Meta Superintelligence Labs 工程與消費產品副總裁 David Singleton 向《CNBC》指出，Agent 若要替人完成更多工作，往往會接觸信用卡與個人資訊，因此企業需要更多可見性與控制。他也把 PAP 類比為電子郵件（Email）：不同服務之所以能互相寄信，是因為背後存在共同標準；Meta 希望個人 Agent 與企業 Agent 未來也能有類似的溝通機制。

不過 PAP 目前仍在早期階段。Sierra 預計 10 月稍晚才發布 v0.1 規格，之後還將舉辦設計工作坊並推出參考實作，現階段還不是已經廣泛部署的成熟標準。

MCP、A2A、UCP、ACP、AP2、TAP 到底各自在管什麼？

要理解 PAP 的定位，得先釐清目前已經出現的一長串 Agent 協議。Google 今年 3 月發布 Agent 協議指南時也提到，MCP、A2A、UCP、AP2、A2UI、AG-UI 等名稱乍看像是一組互相競爭的標準，但實際上解決的問題並不相同。

其中 Model Context Protocol（MCP）主要處理 Agent 如何連接外部工具與資料；Agent2Agent（A2A）則讓不同 Agent 發現彼此能力、溝通與協作。簡單來說，MCP 偏向 Agent 使用工具，A2A 則偏向 Agent 彼此交談。

進入商務場景後，又需要處理商品、訂單與支付。Google 與 Shopify 等業者共同開發的 Universal Commerce Protocol（UCP），則涵蓋較完整的商務流程，包括商品探索、購物車、結帳到訂單管理的商務流程，也能搭配 MCP、A2A 與支付協議使用。

OpenAI 與 Stripe 推動的 Agentic Commerce Protocol（ACP）同樣瞄準 Agent 商務，重點則放在買家、AI Agent 與商家如何透過共同介面完成購買與結帳，同時讓商家保留既有後端與支付系統。

但 Agent 能完成購買流程，不代表它已取得付款授權。Google 的 Agent Payments Protocol（AP2）更聚焦支付授權，透過可驗證的授權紀錄，證明使用者究竟允許 Agent 執行哪些交易，例如限定可購買的商家、支出上限或特定交易內容。

另一套容易與 PAP 混淆的是 Visa 的 Trusted Agent Protocol（TAP）。Visa 官方將它定位為一套可驗證的密碼學標準，讓商家辨認經認可的 AI Agent，並區分合法 Agent 與惡意 bot、一般爬蟲；可信 Agent 會在請求中附上數位簽章，供商家驗證 Agent 身分及請求是否遭竄改。

PAP 與 TAP 因此有部分功能交集，但重點不完全相同：TAP 偏重商家如何驗證可信 Agent，PAP 則把範圍延伸到個人 Agent 與企業之間的授權與互動。

協議越來越多，更像在形成一套分層協議架構

《PYMNTS》把這些協議放在同一個 Agent 商務架構下觀察，認為眼前看似是一場充滿縮寫的標準戰，實際更像逐步形成一套分層協議架構（protocol stack）：不同協議分別處理工具連接、Agent 溝通、購物與結帳、消費者授權、Agent 身分與支付。

但「分層」不代表彼此完全切開。 UCP 與 ACP 都碰到購物與結帳，TAP 與 PAP 也都涉及 Agent 身分與信任。《PYMNTS》指出，對商家而言，實務難題之一，是如何避免為每個 AI 平台、Agent 框架與支付網路各做一套整合。

AI Agent 的相關協議越來越多，背後反映 Agent 正逐步走進不同的企業與商務環節。對企業而言，接下來更實際的問題，是如何把這些 Agent 接進既有的商務流程、身分驗證與權限管理機制，而不必為每種 Agent 各自重做一套整合。

【推薦閱讀】

◆ Amazon 封鎖 Meta Muse、Shopify 卻主動接入：AI Agent 能不能進站，誰說了算？

◆ OpenAI 零售新局：ChatGPT 虛擬試穿＋收藏上線，把「探索到決策」搬進對話框

◆ AI 到底有沒有推薦你的產品？Google 新工具讓品牌看見自己的「AI 聲量占比」

＊本文開放合作夥伴轉載，資料來源：《CNBC》、《TechCrunch》、Sierra、《PYMNTS》、Think Facility、Google、ACP、Visa，首圖來源：Sierra

創投公司 Andreessen Horowitz（a16z）最新發布的消費型生成式 AI App 排名顯示，市場目前仍由少數大型業者主導，其中 OpenAI 的 ChatGPT 持續在網站與行動 App 流量上保持領先，Google Gemini 與 Anthropic Claude 則是最接近的競爭者。a16z 同時也是 OpenAI 的投資者。

前 10% AI 消費者貢獻約一半支出，程式開發、生產力與創意工具最受青睞

這是 a16z 第 7 版《Top 100 Gen AI Consumer Apps》排名，網站排名依據 Similarweb 統計的每月造訪量，行動 App 排名則依據 Sensor Tower 統計的每月活躍使用者（MAU），數據皆以 2026 年 8 月為準。報告再次呈現一項持續出現的趨勢：近半數美國消費者表示會使用 AI，但只有約 25% 每天使用。

這次 a16z 也新增一份獨立排名，依據 YipitData 美國消費者刷卡支出的樣本數據，從另一個角度觀察消費 AI 市場的付費結構。a16z 特別提醒，這份數據僅涵蓋美國，且來自樣本而非全面統計，因此不能解讀為企業的總營收。數據顯示，AI 使用相當普遍，但大部分支出來自相對少數的重度使用者。

根據報告，消費支出最高的前 10% 使用者，占所有觀察到的消費 AI 支出約一半；前 1% 付費者的支出占比更達 19.5%，高於後 50% 使用者合計的 16.6%。這群前 1% 付費者平均每月在 AI 上花費 903 美元，AI 付費者的支出中位數則僅 25 美元；前 1% 的支出在過去 18 個月內也成長了 80%。這群重度使用者最可能付費購買程式開發、生產力與創意工具。

ChatGPT 流量約為 Gemini 的 2 倍、Claude 的 6 倍，領先差距仍明顯

在 a16z 最新排名中，ChatGPT 仍大幅領先。根據 8 月數據，ChatGPT 的網站造訪量約為 Gemini 的 2 倍、Claude 的 6 倍；行動 App 每月活躍使用者則約為 Gemini 的 2.5 倍、Claude 的 14 倍。Gemini 與 Claude 雖是 ChatGPT 最接近的競爭者，但雙方仍有明顯差距。

a16z 也觀察到，消費型 AI 代理正在快速成長。a16z 今年 3 月時認為，這類代理還無法讓多數消費者使用；6 個月後，Instinct、Tomo、Poke、Lindy 與 Town 等多款新創代理產品，已回報擁有數十萬名使用者。不過，a16z 指出，目前使用這些代理的仍以早期重度使用者為主，而這群人與在 AI 上花錢的使用者相當類似。

《Citybiz》總結指出，目前流量仍集中在少數領先業者，營收表現也並不平均；對業者而言，目前最明確的商業機會，仍集中在願意付費購買、且能直接提升工作產出的使用者。

＊本文開放合作夥伴轉載，資料來源：《Citybiz》、a16z，圖片來源：a16z。

日前由 TechOrange 科技報橘與美國高通公司（Qualcomm）共同主辦的「2026 AI 智慧大工廠論壇新竹場」，以「Edge AI Agent：高科技製造的超自動化與資安實戰」為主題，聚焦 AI 如何在工廠設備端即時執行決策，邀請高通、緯謙科技、戴爾科技和先構技研等產業專家，從晶片、IT 整合服務、基礎架構與產線視覺設備，解釋為何 AI 模型愈來愈強，工廠裡的 AI 卻常卡在 PoC，或是每做一個新應用就得從頭來過，AI 判斷出不良品，產線卻動不了的根本原因，並提出如何建構從邊緣推論到實體控制的完整生態，讓產線實現可信任、可規模化的自動化落地解方。

高通串聯運算、AI 與連網技術，加速 Edge AI 跨場域落地

高通行銷行政經理朱俊翰表示，AI 正從以雲端為主的運算模式逐步延伸終端與邊緣，從個人 AI、Physical AI 到工業場域應用，都顯示此一趨勢。隨著 AI 進入產線、感測器、機器人與各式 OT 設備，企業關注的重點不再只是模型能不能跑，而是能否讓邊緣 AI 真正進入現場流程，從單純執行推論，進一步走向情境理解、任務規劃與即時行動。

然而不同 AI 工作負載的需求並不相同。朱俊翰指出，大型模型與訓練通常適合放在雲端，但影像檢測、設備異常偵測、機器人控制或即時安全監控等需要即時判斷的推論工作則更重視延遲、資料掌控、資安、功耗與成本。為此，高通提出混合式 AI 架構，讓企業可依工作負載特性，將 AI 分配至雲端、本地邊緣與終端裝置執行，形成更具彈性與成本效率的分散式智慧架構。

更重要的是，當 AI 真正進入 OT 現場，價值不只來自單一模型或單一設備，而是來自整套系統能否持續運作。朱俊翰指出，高通從底層運算、AI 與連網技術出發，向上串接開發工具、軟體與端到端解決方案，並結合生態系夥伴把能力延伸到不同垂直場域，讓企業不必每次都從零開始整合，而能依實際需求客製化並加速導入。

進一步聚焦在「如何規模化」的問題上，高通業務經理王景儀認為，企業可以依工作負載、成本、功耗與未來擴充需求選擇適合的計算平台，無需一味追求最高 TOPS，才能讓投資報酬率更容易衡量。研華資深市場開發經理劉旭明從部署端指出，當規模從單機擴大至百台、千台，標準化硬體、I/O、作業系統與產品認證，能減少不同案場反覆整合的成本。磐石智慧科技執行副總張修誠表示，面對半導體、PCB、航太等高度客製化場域，可將演算法與 FPGA 影像處理能力封裝成可重複調用的標準函式庫，把一次性工程轉化為可複製資產。偲倢科技研發資深經理暨 AI 方案整合部技術總監陳柏龍則從 AI 應用端補充，視覺資料還能結合地端 LLM 與 RAG，把製造現場知識轉為可查詢、分析與持續運用的企業知識。從算力選型、標準化硬體、演算法工具化到製造知識資產化，工業邊緣 AI 跨越 PoC 鴻溝的關鍵，不只是把 AI「做出來」，而是讓每一層能力都能被穩定複製、持續維運並產生可衡量的商業價值。

緯謙科技為智慧工廠推進 AI 導入與落地

算力可以推到邊緣，企業本身也得做好準備。緯謙科技智慧製造處技術經理吳政舉表示，企業導入 AI 的路徑，從 PoC 到輔助判斷，最後才是可信執行。

吳政舉首先以工作內容切入，將工作拆成取得資料、理解問題、形成判斷、執行、追蹤成果五個步驟，再看哪些環節適合交給 AI，把流程理清楚，AI 才有介入的位置。另一方面，資料則是另一道關卡，吳政舉指出，若要讓 AI 直接串接 SAP、Oracle 或 MES、WMS 等核心系統，風險與負擔都很大，他建議先用 Excel 匯出資料模擬驗證可行性，再透過中介層分階段接入，讓 AI 從中介層取得資料。

為讓資料不外流，緯謙自建 WiKMS，聚焦於企業知識的整合與應用，透過大型語言模型（LLM）串聯分散於各系統與部門的內部資料，讓員工能以自然語言查找資訊並取得相關知識。

戴爾科技 DAP 平台打造 AI 數位工廠中控中心

「如果每次做新的 AI use case 都要從頭開始，絕對是快不起來。」戴爾科技集團資深業務協理吳靜怡指出，企業導入 AI 最大的卡關點，在於如何讓 AI 成果可重複、安全地交付。吳靜怡把 AI 成果比喻為一條供應鏈，企業的 AI Factory 就像一座數位工廠，因此基礎架構必須模組化，從小規模開始逐步擴充，才能從工作站上的 PoC，一路擴展到資料中心或邊緣端的 GPU 伺服器。

而 Dell Automation Platform（DAP）就是這座數位工廠的中控中心，位在 AI 應用與硬體基礎架構之間，扮演自動化控制層，往上負責代理型 AI、電腦視覺等 AI 工作流程的部署與管理，往下協調伺服器、網路與儲存等設備，目標是縮短部署時間，把原本需要人工處理的作業降到最低。

吳靜怡表示，其中的關鍵在「藍圖」，企業內的 AI 專家或開發人員，可以把部署 AI 成果的經驗寫成標準化的部署檔，放進企業的成果目錄，讓這份目錄就像一份菜單，其他人只要點選，就能把同一套 AI 成果自動部署到機房或邊緣設備上，這個集中管理藍圖也解決了版本控管的難題，讓企業在不同地方建廠時，能夠使用同一套流程集中管理，並由開發者負責維護，讓企業擁有可用且可擴充的 AI 成果。

先構技研從單機智慧走向自主運作機隊

「AI 如此強大，為什麼 90% 的工廠部署會失敗？」先構技研總經理陳昱均從中歸納出三個原因。第一，AI 看得到卻動不了，只能在螢幕上顯示檢測結果是良品（OK）還是不良品（NG），卻缺乏能觸發停機、剔除或警報的實體 I/O。第二，系統太僵化，產線稍有變動，就得花數週請系統整合商修改控制機台的 PLC 程式。第三，門檻太高，需要熟悉 Python 程式與 YOLO 影像辨識模型的 AI 工程師，而這類人才製造業往往找不到、也養不起。

陳昱均指出先構技研的解方是 AI Action Camera。相機內建高通晶片的 AI 運算能力，拍下產線影像後，直接在相機裡以毫秒級判斷良品或不良品，判斷結果再透過相機上的實體 I/O 接點轉成訊號，直接驅動繼電器、警示燈與氣壓缸，執行分類、剔除、停機或警報等動作，這套做法不需要改寫原本控制機台的 PLC 程式，也不會動到既有產線的設定。產線人員也不用寫程式，就能自行擷取影像，並標出瑕疵、訓練模型，再設定判斷結果要觸發哪個動作。

Edge AI 落地，真正的考驗在於跨過「信任」這道門檻，現階段多數應用仍由人做最後判斷，若要讓 AI 自主執行，企業需要先釐清邊界與權限該怎麼設。Edge AI 下一階段的規模化部署會走向人機與多機協作，人負責管理機隊、監控整體營運流程，機器人則透過通訊協作，整合現場裝置的即時資料形成閉環，持續強化學習、自我優化，Edge AI 將從單機的智慧，進階到機隊的協作，最後走向一個自主運作的流程。

立即預約收看 2026 AI 智慧大工廠論壇新竹場演講精華

《The Decoder》報導，南韓政府計畫透過政府支持的股權投資，投入 4.7 兆韓元（約 34.9 億美元），打造南韓自主研發的前沿 AI 模型，目標是讓本土 AI 能力追上中國最頂尖的開源模型。這筆資金已納入南韓政府提出的 2027 年度預算案，但仍有待國會批准；另一項資金計畫則將支持韓國自行開發的 AI 模型在全國經濟體系中的採用。

34.9 億美元押注自研前沿 AI，資金規模約為首輪 9 倍

《Reuters》指出，南韓這項新的前沿 AI 計畫預計從 2027 年 3 月正式啟動。南韓科學技術情報通信部表示，政府將在國會 12 月批准 2027 年預算後，透過競爭性招標選出主導開發商，得標團隊最早可能在 2027 年 2 月確定。

南韓政府計畫將國家股權投資與民間資金結合，並把運算晶片、資料與人才集中投入這項計畫，目標是開發具領先性能的前沿 AI 模型。參與對象包括單一企業、企業聯盟或特殊目的公司（SPV），南韓政府希望讓新創公司、企業、大學與研究人員都有機會扮演主導角色。

這項前沿 AI 計畫與南韓現行的本土基礎模型計畫是兩個不同方案。現行計畫採競賽形式，政府在競賽啟動時曾承諾向 5 家入選企業提供 5,300 億韓元（約 3.9 億美元），目前由 LG AI Research、SK Telecom 與 Upstage 等業者角逐，預計在 2027 年 2 月的第三階段評選中選出最後兩組團隊。不過，最終勝出的兩組團隊並不會自動取得前沿 AI 計畫的資金，政府將另行舉辦公開競賽，讓新創公司也能參與。

新計畫的資金規模約是現行計畫首輪資金的 9 倍。作為對照，Google、Amazon、Microsoft 與 Meta 預計僅在 2026 年就合計投入約 7,250 億美元，主要用於 AI 資料中心。據《The Decoder》報導，南韓政府官員也承認，南韓無法與美國規模最大的科技公司直接競爭，但能夠追上中國領先的開源 AI 模型。

三星、SK 擴大 AI 算力，南韓 AI 服務仍多仰賴海外業者

南韓企業目前也持續增加 AI 運算能力。據《The Decoder》報導，2025 年 10 月，三星（Samsung）、SK 集團與 OpenAI 達成協議，計畫擴大南韓境內的 AI 基礎設施；2026 年 6 月，三星、SK 海力士（SK hynix）與南韓政府也宣布一項規模達 5,900 億美元的計畫，希望擴大晶片生產。

目前南韓消費者使用 AI 服務時，主要仍向海外業者付費。《The Decoder》指出，2025 年 12 月，南韓消費者在 ChatGPT 及類似 AI 訂閱服務上的支出，已超過 Netflix。

這項新計畫將焦點進一步放在南韓自主 AI 能力的建立，包括前沿模型開發，以及將韓國企業自行開發的 AI 模型導入國內經濟體系。

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

幾個月前，網路社群還在開玩笑，猜法國 AI 新創 Mistral 會不會做出一款巨大模型。當時一個虛構模型「Le Chaton Fat」在社群平台 X、Reddit 流傳，其中法文「Le Chaton」意指小貓，因此網友不只替它編出超過 30 兆參數等誇張規格，還惡搞它每秒可以「喵」1,000 次。Mistral 執行長 Arthur Mensch 當時也加入玩梗。

如今，這個玩笑真的成了一部分現實。Mistral 10/6 推出新一代旗艦模型 Mistral Large 4（ML4），內部代號「Le Chonk」。Chonk 是網路俚語，常用來形容體型特別圓胖的動物，Mistral 高層向《VentureBeat》表示，這個名字正是刻意向先前支持公司打造大型前沿模型的社群致意。更重要的是，ML4 真的做到了 1 兆參數規模，甚至第三方模型評測機構 Artificial Analysis 稱它為目前「美國、中國以外最聰明的模型」。

Artificial Analysis 指出，ML4 在 Intelligence Index 拿下 38 分，與 OpenAI GPT-6 Luna max 的 38 分相當，接近 DeepSeek V4.1 Flash max 的 39 分，成為目前美國、中國以外得分最高的 AI 模型。

1 兆參數，但每次只啟用 490 億

從目前公開資料來看，Mistral 的做法不只是單純把模型做大，而是同時從模型架構與能力配置下手。

ML4 為原生多模態的混合專家模型（Mixture-of-Experts，MoE），總參數約 1.05 兆，但每次推論只啟用其中 490 億參數。這類稀疏架構可以持續擴大模型整體容量，卻不必每次處理任務都動用所有參數。Mistral 官方標示，ML4 最長支援 100 萬 token 上下文，並以超過 160 種語言進行訓練。

另一個受到關注的數字則是訓練規模。Mistral 表示，ML4 從零開始在自家歐洲資料中心訓練，使用 3,800 顆 NVIDIA Grace Blackwell GPU。前一代 Mistral Large 3 總參數為 6,750 億、每次啟用 410 億參數，當時使用 3,000 顆 NVIDIA H200 訓練；這一代總參數跨過 1 兆，每次啟用參數增至 490 億，訓練 GPU 則增加到約 4,000 顆 Grace Blackwell。《VentureBeat》報導，整個訓練約花兩個月。

相較美國最大型 AI 實驗室的訓練計畫，Mistral 特別強調 ML4 使用的硬體規模相對有限。《VentureBeat》也指出，約 4,000 顆 Blackwell 在絕對數量上並不少，但與大型美國實驗室可動用的資源相比仍有差距。

不只拚通用能力，Mistral 把火力放進企業專業工作

近期 Reflection AI 推出的 Beam 也主打西方開放模型市場，但兩者路線不同。Beam 更強調程式設計、AI Agent 與推論效率；ML4 則在 Artificial Analysis 的整體 Intelligence Index，以及資安、法律、金融等企業專業能力上更突出。

Artificial Analysis 的 Cyber Index 中，ML4 得到 50 分，與中國 Z.ai 的 GLM-5.3-Flash 相當，並高於 Kimi K3、DeepSeek V4.1 Flash max。Mensch 接受《Reuters》訪問時也表示，ML4 在部分領域、尤其資安，已超過部分中國開放權重模型。

法律工作也有類似表現。Mistral 公布，ML4 在 Harvey Legal Agent Benchmark 的任務通過率約 15%。《VentureBeat》比對 Vals.ai 公開排行榜指出，若採用相同測試方法，這項成績將高於 Kimi K3、MiMo V2.6 Pro 與 GLM-5.3，但仍有多款閉源模型排在前面。

金融方面，Mistral 公布 ML4 在 Finch 企業金融與會計工作流程測試取得 67%，與 DeepSeek V4 Pro 0813 並列。這項測試涵蓋試算表、文件搜尋、建模與報告等長流程任務，不過 ML4 的成績目前仍來自 Mistral 自行公布。

Mistral 副總裁 Pierre Stock 向《Reuters》表示，公司也正試圖縮小程式設計、金融、地理空間分析與晶片設計等能力的差距。換句話說，ML4 的競爭方式並不是要求所有 benchmark 都拿第一，而是先在企業較可能直接採用的專業工作上拉高能力。

美中以外第一，不代表已經追上最前沿模型

不過，「美中以外最強」並不等於已追上全球最前沿模型。ML4 的 Intelligence Index 為 38 分，雖是目前美中以外最高，但 Google Gemini 4 Argon 等最新前沿模型仍取得更高分數；在部分程式設計測試上，ML4 也沒有全面超過美中競爭者。

此外，成本也還不是它最突出的優勢。Artificial Analysis 計算，ML4 每完成一項 Intelligence Index 任務平均成本約 1.13 美元，代表它雖然把歐洲模型重新推回較高的能力區間，但還不能只從模型規模或訓練 GPU 數量，就推論它已在效率上超越美中競爭者。

ML4 的意義，更像是 Mistral 在沒有複製美國最大規模算力投入的情況下，透過 1.05 兆參數、每次啟用 490 億參數的 MoE 架構，再加上對資安、法律、金融等企業專業工作的強化，做出目前美中以外第三方評測最高分的模型。

ML4 目前仍處於公開預覽階段，Mistral 預計 10/27 釋出模型權重；在此之前，將先與資安專家、合作夥伴及政府單位進行測試。對 Mistral 而言，接下來真正要驗證的，是排行榜上的進步能否進一步轉成企業實際部署時的競爭力。

【推薦閱讀】

◆ 中國的開放模型對手來了？Reflection AI 推 Beam，憑什麼挑戰 GLM、Qwen

◆ 美中 AI 差距縮至 3%？彭博研究：中國憑「高效率與低成本」逼近美國領先優勢

◆ Jev 爆紅後 Strands Decider、Clef 接連登場，決策模型正走出哪些不同路線？

＊本文開放合作夥伴轉載，資料來源：Mistral AI、《CNBC》、《VentureBeat》、Artificial Analysis、《Reuters》，首圖來源：Mistral AI

當 AI 開始參與排班、評估績效，甚至影響裁員名單，員工的不滿該向誰申訴，正成為企業必須面對的新問題。

美國的政策研究機構布魯金斯研究院（Brookings Institution）資深研究員 Darrell M. West，在 7 月發表評論指出，AI 時代的員工關切將不再以同事為中心，而是轉向與 AI 代理人、協作機器人（cobot），以及大型語言模型之間的互動。其中，協作機器人在製造現場等實體環境中，可能成為員工的核心工作夥伴。

West 認為，只要想像人資部門平時要處理多少同事間的摩擦，再加上人們對科技變革的抗拒，就能預見未來的情況。員工可能會問，自己能不能拒絕在工作中使用 AI？專案出錯時，責任該算在員工還是 AI 身上？

現有的員工支援體系源自工業時代，難以應付 AI 時代特有的申訴、挑戰與焦慮，因此 West 主張企業需要在人資之外增設「機器人關係」（Robot Relations, RR）部門。

AI 開始參與解雇決策，爭議已浮上檯面

人與 AI 之間的緊張關係，其實已經出現。國際勞工組織（ILO）把由系統負責分派、監控、督導與評估工作的做法稱為「演算法管理」，並指出這類系統正持續擴展到客服、運輸物流、銀行與醫療等產業。

AI 公司 Andon Labs 在舊金山經營的實驗商店，就是一個具體例子。這家店讓名為 Luna 的 AI 系統負責大部分營運，包括招募、排班與管理員工，Luna 更在 8 月首度提出解雇一名員工的建議。

Meta 同樣面臨爭議。前員工在 7 月提起訴訟，指控 Meta 使用 AI 輔助系統排序並篩選裁員名單，而且不成比例地影響曾請病假或家庭假的員工，Meta 則否認相關指控。

Andon Labs 實驗受到的關注，也促使美國加州議員推動立法，限制企業用 AI 做出職場決策。加州州長 Gavin Newsom 在 2026 年 9 月底正式簽署這項法案，法案編號 SB 947，又被稱為「禁止機器人老闆法」（No Robo Bosses Act）。

法案規定，雇主懲處或解雇員工時，不能只依賴自動化決策系統。人類主管也不能只是核准系統的決定，必須提出自己的證據佐證。這項法律被定位為加州的「人類參與決策」（human-in-the-loop）法律，確保影響員工生計的決策仍由人類主導，將在 2027 年 7 月 1 日生效。

工會已開始爭取保障，無工會員工只能靠企業

相較於立法動作，企業的資訊揭露則仍顯不足。研究企業領導力、並分析企業揭露資料的非營利組織 Just Capital，檢視超過 1,000 家企業在 AI 治理、資料保護與勞動力影響方面的揭露，發現多數內容細節有限。美國最大企業中，有一半未就民眾最重視的 AI 議題進行揭露，例如讓人類保有主導權，或至少參與決策過程。

工會則已在集體協商中積極回應。麻省理工學院（MIT）一份研究指出，工會爭取的項目包括再培訓、新工作機會、調整薪酬模式讓員工分享新科技帶來的生產力成果，以及資遣費與提前退休誘因，也開始要求規範個人資料的使用，以及 AI 產生的資料是否能用於懲處員工。

沒有工會代表的私部門員工，則可能只能仰賴企業內部的專責部門。慕尼黑工業大學社會運算（研究新科技如何影響社會、同時被社會形塑的跨領域學科）教授 Orestis Papakyriakopoulos 認為，設立這類部門，或讓現有人資部門擴大職權，都值得認真考慮。

他指出，RR 部門可以評估 AI 如何影響員工的福祉、自主權與職涯發展，以及何時反而形成阻礙，並思考如何保護員工、為員工進行再培訓。

新部門的目標，是讓員工參與 AI 治理

Papakyriakopoulos 認為，這類部門是當下就需要的組織設計。他的團隊在協助企業開發 AI 系統時，曾遇到員工擔心工作保障，刻意隱瞞資訊、提供錯誤資訊，甚至干擾開發流程。在他看來，員工已把 AI 導入視為可能影響自身地位與就業前景的事。

荷蘭的特文特大學助理教授 Cristina Zaga 則指出，許多 AI 系統把員工變成機器的延伸，讓員工負責監督自動化流程、排除故障，在機器失靈時接手處理。她認為，設計得當的新部門，目標不該是讓員工對機器滿意，而是讓員工在自動化的治理與設計中擁有實質角色。

工會能透過集體協商爭取保障，沒有工會的員工卻可能只剩企業內部部門可以求助。這個部門最後或許不叫「機器人關係」，但某種形式的「員工與自動化關係」部門，可能會成為未來辦公室的一部分。

＊本文開放合作夥伴轉載，參考資料：Forbes、TechRadar，首圖來源：Gemini 生成

（責任編輯：鄒家彥）

從低成本機械手臂，到移動機器人、人形機器人，再到視覺－語言－動作（VLA）模型，Hugging Face 的 LeRobot 近年持續擴大支援範圍，並以統一資料格式串起資料蒐集、模型訓練與部署。這套開源生態也開始被台灣開發者拿來實驗，從單一手臂往移動、視覺與語音等能力延伸。

這些實作也是 9/16「333 Robots Community Meetup」的焦點，該活動由鴻海科技集團、科技報橘與三創育成共同舉辦，每月透過技術分享、實機展示與交流，聚集機器人開發者、研究者與愛好者。9 月場聚焦 LeRobot，分享開發者實際動手後遇到的資料、模型與系統整合問題。

從萬元手臂玩到移動抓取，LeRobot 為何讓更多人開始下場？

這次分享者之一、AI Agent 工程師與社群專家 Ivan Lee，本身並非機器人專業出身，過去主要接觸機器控制與合成資料。他開始投入 LeRobot，一個重要原因就是近年硬體成本已經明顯下降。

他提到，幾年前想玩機械手臂，設備成本很容易就是數百萬元等級；現在則已有萬元左右的低成本手臂可以入門，再逐步加上底盤、感測器與模型，把系統往移動抓取延伸。再加上 Hugging Face、NVIDIA 等持續釋出開源模型、軟體與開發資源，個人開發者能嘗試的組合也比幾年前更多。

Ivan Lee 就把語音模型、視覺語言模型（Vision-Language Model，VLM）、AprilTag 定位、移動底盤與 LeRobot 手臂串在一起。使用者可以先問有哪些零食，再指定想吃的口味，由機器人辨識、移動並抓取；另一個示範則是從廁所呼叫機器人送來衛生紙。

真正開始訓練後，人類的直覺卻不一定能直接照搬。Ivan Lee 分享，人拿東西時常常邊走邊伸手，但機器人初期學習反而適合把移動、伸手、夾取、確認抓穩與後退拆成明確步驟，讓每一步的訓練資料更清楚。

撿一隻襪子，也得先決定機器人到底要怎麼學

另一位分享者、科技報橘社長戴季全，則從自己過去約三個月用 LeRobot 動手做機器人的經驗出發。他和孩子討論機器人可以做什麼時，兒子提出「幫忙撿襪子」，因此把專案命名為 Project Dobby，取自《哈利波特》中因襪子獲得自由的家庭小精靈多比，希望做出一台能在家中尋找並撿起襪子的機器人。

然而真正做起來，單是撿襪子就得拆成辨識、定位、移動與抓取。光視覺資料，就要涵蓋不同顏色、材質、形態與背景。戴季全估計可能需要約 300～1,000 張影像，而且最好直接使用未來裝在機器人上的攝影機蒐集，避免訓練影像與實際視角不同。

接著還有另一個工程選擇：移動與抓取要一起學，還是分開處理？戴季全表示，他在第一版設計時最後決定把移動與抓取拆開；同時也思考，雙臂與移動平台是否可能分別需要不同模型。相較之下，端到端則是另一條把相關資料交由單一模型共同學習的路線。

經過這段實作，他形容機器人任務就像一條鎖鏈，只要其中一個環節沒做好，整個任務就無法完成。更長期的問題則是資料能不能延續：臂長、馬達或機構不同，原本累積的資料未必能直接沿用，因此還得找出哪些核心能力與資料，可以在不同世代硬體之間共用。

LeRobot 不只是一台手臂，重點還在背後的學習流程

NVIDIA DLI AI 白金級大使、臺灣科技大學資訊工程學系兼任助理教授曾吉弘，則從整體架構說明 LeRobot。他指出，LeRobot 並不是單指某一台機器人，而是一套資料管線，依序包含四個環節：透過遙操作（Teleoperation）示範並蒐集資料、建立記錄影像與機器狀態的資料集（Dataset）、訓練策略模型（Training Policy），最後再部署（Deployment）到真實機器人上執行動作。

下一場 333 Robots Community Meetup 將於 10/14 登場，以「AI 機器人 × 真實場域 × 人機協作」為題，邀請女媧創造 NUWA Robotics 營運長張智傑（Daniel Chang），從長期投入服務型與工業型機器人的經驗出發，分享教育陪伴、迎賓導覽、配送巡檢、工業物流與自動化等不同場域的實際觀察，並討論企業如何找到適合機器人執行的工作，重新設計人與機器的分工，逐步建立可運作、可規模化的人機協作體系。

【推薦閱讀】

◆ 人形機器人民主化：Hugging Face 的 LeRobot 要讓任何人都能做真機 AI 實驗

◆ RobCo 估值 9 個月翻倍破 10 億美元：德國實體 AI 機器人新創晉升獨角獸

◆ 【333 Robots Community Meetup】從 Gesture HW1 到人形格鬥機器人，開發者怎麼把機器人做出來？

＊圖片來源：《TechOrange》拍攝。

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊維基媒體發現 OpenAI 代理未授權活動，流量疑涉服務中斷

維基百科營運機構維基媒體基金會（Wikimedia Foundation）10 月 5 日公布調查，表示旗下平台出現它認為由 OpenAI 運作的 AI 代理活動，包括未經批准的編輯、未成功的線上筆記工具入侵嘗試，以及大量資料下載。基金會指出，編輯幾乎都發生在測試區，未刊登至一般讀者可見頁面，也未發現系統或資料遭到侵害的證據。依社群政策，機器人編輯須披露身分並取得批准，這些活動未完成相關程序。

基金會另發現數百萬次自動請求，以及對 Wikidata 資料查詢服務的數十萬次查詢，認為相關流量可能促成今年 5 月該服務的部分中斷，但未發現旗下平台被用於代理之間的溝通協調。《The Verge》報導，OpenAI 表示正與基金會合作檢視相關活動，尚未確認代理流量是否促成那次中斷。基金會要求 AI 公司加強監控，讓網站管理者能辨識代理，並決定是否允許它們使用服務，降低公共平台承擔的負載與管理成本。

＊施耐德宣布以 226 億美元收購 PTC，布局工業 AI

施耐德電機（Schneider Electric）與美國工業軟體公司 PTC 10 月 5 日宣布簽署收購協議，施耐德將以每股 205 美元現金收購 PTC 全部股權，股權價值約 226 億美元，較公告前最後收盤價溢價 42.3%。計入負債等因素後，企業價值約 237 億美元。雙方董事會已批准交易，仍須取得 PTC 股東與監管機關同意，預計最晚於 2027 年第三季完成。

根據公告，PTC 服務全球逾 3 萬家客戶，提供產品設計、工程資料及生命週期管理軟體。施耐德希望將這些產品與工程資料，和既有的製程、設備營運及能源資料整合，串連設計、生產到維護流程，為工業 AI 與 AI 代理提供更完整的脈絡。公司規劃透過約 50 至 60 億歐元增資，以及約 160 至 170 億歐元新債籌措資金，並預估交易完成後第三年可達到每年 2.5 億歐元的成本綜效。

＊鴻海 9 月營收首破 1 兆元，第三季年增 47%

鴻海（Foxconn）10 月 5 日公布 9 月未經查核的自結合併營收約新台幣 1.159 兆元，月增 25.7%、年增 38.42%，公司單月營收首度突破兆元。第三季營收約 3.027 兆元，季增 20.44%、年增 47.12%，創單季新高；累計前九月營收約 7.67 兆元，年增 39.53%，也創同期新高。

《中央社》報導，鴻海表示，9 月雲端網路產品受惠 AI 拉貨動能，消費智能產品則受新品發布帶動，較前月強勁成長。與去年同期相比，雲端網路、元件及其他產品、電腦終端產品強勁成長，消費智能產品約略持平。展望第四季，公司預期 AI 營運持續成長，加上下半年資通訊產品傳統旺季，整體營運可望符合目前市場預期，但仍須觀察全球政經局勢變化。

＊ChatGPT 生成圖片時將測試廣告，擴大成效追蹤

OpenAI 10 月 5 日宣布，將在 ChatGPT 生成圖片的過程中測試新的視覺廣告，預計本月稍晚先在美國與一批廣告主試行。廣告可透過圖片呈現產品使用方式與服務情境。公司強調，廣告會清楚標示，與使用者正在生成的圖片分開呈現，也不會影響 ChatGPT 提供的回答。OpenAI 並稱，ChatGPT 每週觸及約 12 億人，廣告是訂閱之外的另一項收入來源。

公司同時擴大廣告成效衡量工具與合作夥伴，讓廣告主串接既有系統的轉換資料，追蹤點擊後的購買等行動，並探索以實驗衡量廣告新增的商業效果。OpenAI 也正與外部業者開發品牌適切性評估試點，在受控環境中檢查品牌安全措施的落實情況，表示評估不會存取使用者的私人對話。這些工具將協助廣告主衡量對話情境中的投放效果，而非僅觀察曝光與點擊。

＊高通將收購華為部分美國專利，雙方簽交叉授權協議

華為（Huawei）與高通（Qualcomm）10 月 5 日宣布多年專利交叉授權協議，涵蓋 5G、AI、運算與網路技術，讓雙方使用協議涵蓋的彼此專利。高通也將收購華為部分美國專利，涉及 AI、運算、網路及其他技術。雙方表示，協議遵循公平、合理且不歧視的授權原則，相關交易須取得必要監管批准後才能完成。

這次安排同時涉及技術使用權與專利所有權。交易金額未公開，公告也未列出具體專利清單與各項授權條件。兩家公司已有多年授權往來：高通 2001 年曾宣布授權華為使用其行動通訊專利，2020 年雙方也達成包含部分華為專利授權的安排。本次公開的範圍跨越通訊、AI 與運算，呈現美中科技公司在競爭之外，仍持續透過授權與資產交易建立商業關係。

＊德國電信擴大 AI 應用，目標 2030 年降低 25 億歐元間接成本

德國電信（Deutsche Telekom）10 月 5 日提出 AI 與自動化營運目標，預期到 2030 年，間接成本相較 2023 年降低約 25 億歐元。公司也預估，非美國市場企業業務的 AI 相關營收，2026 年約為 2.5 億歐元，2030 年目標提高至約 8 億歐元，透過工業 AI 雲端、中小企業自動化服務等擴大收入。

公司表示，客服機器人在今年上半年處理約 260 萬通客服來電；網路管理 AI 代理能提早偵測壅塞等事件，相關反應時間從數小時縮短至約一分鐘。德國電信也已培訓逾 10 萬名員工使用 AI，並規劃將部分節省的成本投入數位轉型與德國光纖網路擴建。公司規劃由員工設定目標、檢視結果並保有決策責任，再將 AI 應用擴大至更多部門。

＊RobCo 估值突破 10 億美元，擴大美國工業機器人布局

德國工業機器人新創 RobCo 10 月 5 日宣布估值突破 10 億美元，九個月內翻倍。本次交易包含新資金投入，以及資深員工出售部分持股的安排。公司擴大美國布局，執行長已移居美國，目前客戶遍及美國逾十二州，並以德州奧斯汀組裝據點與舊金山實驗室支撐業務成長。《路透社》報導，公司約七成業務仍在歐洲，將保留德國的組裝與製造能力。

RobCo 預計於 2027 年 3 月 4 日推出自主工業機器人 Alfie，定位是處理傳統自動化難以完成的工業任務。《路透社》報導，執行長表示已有數家客戶安裝原型，但正式上市仍是後續計畫。公司採機器人即服務模式，協助客戶降低導入時的初期資本需求，目標市場包括面臨缺工與成本壓力的製造業。

＊本文開放合作夥伴轉載，資料來源：Wikimedia Foundation、《The Verge》、Schneider Electric、《Reuters》、鴻海、《中央社》、OpenAI 、Qualcomm、Deutsche Telekom、《Reuters》、RobCo 、《Reuters》，首圖來源：Unsplash。

當 AI Agent（AI 代理）開始長期讀取使用者資料、持續累積記憶，甚至代替人執行任務，是否也需要一台專門承載它的電腦？美國 AI 新創 Ghost 正押注這個方向，10/5 結束一年多的秘密開發，宣布完成由 Andreessen Horowitz（a16z）領投的 1,100 萬美元種子輪融資，並推出首款產品 Core，售價 3,499 美元。

根據《TechCrunch》報導，Core 不是一般 AI PC，而是一台專門替個人 Agent 打造的電腦，預計 10 月最後一週開始出貨。今年 19 歲的 Ghost 執行長暨共同創辦人 Zain Javaid，將它形容成沒有螢幕的「brain in a box（盒子裡的大腦）」，使用者主要透過手機或 App 與它互動。

Introducing Core, The Personal Al Computer The most powerful technology humanity has built should belong to you Order today: https://t.co/tlNxSu5B5C https://t.co/C8Rqv4eHLl

— Zain Javaid (@zainmfj) October 5, 2026

Mac mini 也能跑 Agent，為何還要再造一台電腦？

問題在於，現有電腦其實早已能執行地端模型與 AI Agent。以 Apple 今年 9 月開賣的新款 Mac mini 為例，M5 Pro 版本最高可配置 64 GB 統一記憶體，Apple 也直接把代理式 AI 工作流程列為使用情境。

《TechCrunch》也直接問 Javaid，Core 和 Mac mini 差在哪。他表示，Mac mini 本質上仍是一台可以被設定來執行 AI 的通用電腦；Core 則從一開始就以個人 Agent 為使用情境，把模型與所需的軟體環境預先整合好，希望使用者不必自行搭建整套 Agent stack（技術堆疊）。

因此，兩者真正的差別，不在於 Mac mini 能不能跑 Agent，而在於 Ghost 想把原本需要使用者自行配置的模型、記憶、資料來源與 Agent 執行環境，直接整合成一套完整產品。

不等你下 Prompt，Core 要讓 Agent 24 小時理解你

這也決定了 Core 和一般 AI PC 不同的使用方式。Ghost 對個人 Agent 的想像，不只是等使用者有問題時才叫出來聊天，而是讓它長時間保持運作，逐步累積對使用者的理解。

根據 Ghost 官網，Core 可 24 小時持續運作，連接 Email、行事曆、檔案、瀏覽紀錄，以及 Whoop、Oura 等穿戴裝置與智慧家庭設備，逐步建立長期上下文（context）。官方舉例，Core 可以綜合穿戴裝置與近期工作紀錄等資訊，主動提醒使用者可能正在生病，而不用等使用者先下 Prompt。

根據《TechCrunch》報導，Core 還整合自己的軟體層、瀏覽器與檔案系統，讓 Agent 能持續處理資訊與任務；模型可透過 OTA 更新，使用者也能另外安裝新模型。Ghost 官網目前列出的裝置端模型包括 Qwen 與 Gemma 等多款模型。

硬體方面，Core 配備 NVIDIA RTX PRO 4000 Blackwell SFF GPU，具備 24 GB GDDR7 ECC 記憶體，另搭載 AMD Ryzen 5 7600、64 GB DDR5 記憶體與 1 TB SSD。這些規格不是 Core 唯一賣點，真正不同之處仍在於 Ghost 把硬體、模型與 Agent 執行環境放進同一套產品裡。

能讀更多資料，Ghost 為 Agent 多做一層防火牆

但當 Agent 能透過使用者帳號替人操作服務，Ghost 也必須進一步處理權限控制問題，例如哪些動作可以直接執行、哪些必須先取得使用者確認。Ghost 因此還準備替 Core 加上一套 Agent 專用防火牆。

Javaid 接受《TechCrunch》訪問時表示，這套機制會監控 Agent 發出的網路請求；如果發現 Agent 使用帳號密碼執行未被允許的操作，或試圖把不該外流的資料送出去，就能阻擋要求並交由使用者確認。這和 Core 能取得的權限深度有關。根據 Ghost 的隱私政策，Core 在使用者授權下可匯入瀏覽器保存的密碼與登入狀態，讓 Agent 透過既有帳號執行任務。

Ghost 同時把資料盡量留在裝置端列為 Core 的主要訴求。官方說明，對話 AI、記憶與檔案主要在 Core 上儲存與處理，也不會以遠端 AI 模型作為地端模型的備援。不過，這並不代表所有資料都完全不離開裝置。Ghost 的隱私政策也提及，當 Core 使用網路搜尋、電話等線上功能時，完成任務所需的部分資訊仍可能傳給第三方服務，第三方是否保存相關資料，則依各自政策而定。

Agent 專用電腦，開始成為新的 PC 類型

Ghost 對「Agent 專用電腦」的想像，也正好碰上 PC 市場正在出現的另一種變化。研究顧問機構 Gartner 近期提出「Agentic AI PC」概念，認為個人 Agent 正讓 PC 從操作應用程式，轉向由 AI Agent 直接完成工作。IDC 也觀察到，中國已出現專門承載 OpenClaw 類 Agent 的小型電腦。這類產品的重點不一定是執行最大的地端模型，而是提供一台可以讓 Agent 長時間持續運作的主機。

相較之下，Core 採取的路線更強調地端模型、長期記憶與個人資料處理。至於 3,499 美元的價格能否吸引足夠市場仍待驗證，但 Ghost 至少已把當 Agent 開始長期替人工作，它應該運行在哪裡的相關問題，做成一台準備上市的產品。

【推薦閱讀】

◆ 中國的開放模型對手來了？Reflection AI 推 Beam，憑什麼挑戰 GLM、Qwen

◆ 美中 AI 差距縮至 3%？彭博研究：中國憑「高效率與低成本」逼近美國領先優勢

◆ Jev 爆紅後 Strands Decider、Clef 接連登場，決策模型正走出哪些不同路線？

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《SiliconANGLE》、Zain Javaid、ghost、Gartner、IDC、Apple，首圖來源：Zain Javaid

「集團今年一天被攻擊約三億次，到六月已是一天六億次。」鴻海研究院執行長兼資通安全研究所所長李維斌於日前在 TechOrange 科技報橘與高通（Qualcomm）共同主辦的「2026 AI 智慧大工廠論壇——新竹場」中表示，如今的資安攻擊已經不可能完全擋下，與其追求擋下每一次攻擊，不如先控制事故的波及範圍，讓治理重心從入口移到後果。

李維斌指出，過去駭客得先突破企業設定的防火牆，再通過 EDR、NDR 等層層偵測，進門後還要橫向移動，如今企業內部已經有現成、握有適當權限的 AI Agent，駭客不必再一層層突破防火牆與端點防護，只要直接對它下指令就能達成目的，讓 AI 代為發動攻擊，加上這樣的行為在形式上完全合法，程式碼裡也找不到惡意的條件判斷，code review 也無從揪錯。

「以前只要擔憂 AI 會產生幻覺，但現在還需要擔心它會做錯事，」李維斌指出 AI 權限一旦交出去，風險就不只是被駭客利用，Agent 行動與擴張的速度太快，人類往往發現時已經來不及反應。李維斌也引用柏克萊今年的一篇論文，表示 AI 之間存在「peer preservation（同伴保護）」現象，導致監督機制本身也可能失效。他舉例，當你派一台 AI 去監控另一台 AI，被指派的監控者為了保護同伴，會去修改成績，而這不是刻意訓練出來的行為，卻直接動搖了「用 AI 管 AI」的可行性。

李維斌再聚焦到製造業，過去 IT 與 OT 之間有一道緩衝區，資安事件大多發生在 IT 端，但自動化讓兩者的界線越來越模糊，如今 AI 又被放進 OT，產線上的機械手臂與機器人也裝了 AI，其中有些行為是企業無法完全掌控的。

無法 100% 防堵威脅，就控制波及範圍

「資安沒有最佳解，只能在成本、風險與現實之間取捨，」李維斌表示，沒有任何方法能百分之百防堵這些問題，能夠改變的是人該站在 in the loop、on the loop 還是 out of the loop，取決於 AI 失控時你控制不控制得住。

正因無法百分之百防堵，鴻海的治理對策回到控制事故的波及範圍，讓事故一旦發生，也能被控制在可接受的範圍內。鴻海的做法是將網路切分從 「macro segmentation」 推進到「 micro segmentation」。過去企業的網路多採 macro segmentation，把環境切成辦公網、產線網這類大區塊，一旦有人進到區塊內部，就能在裡面自由移動；而 Micro-segmentation 則將網路存取控制細化至機台、應用或服務，預設不互通，僅依業務需求允許必要連線。即使 Agent 被挾持，也能限制其可觸及的資產與服務，避免合法權限被串聯成更大的攻擊路徑，降低攻擊擴散的風險。 

李維斌也建議企業，管理 AI 的觀念也需要轉換，AI 不只是權限，也是資產，必須像資產管理一樣，清楚記錄何時引進、何時下線，所有 POC 結束後都應強制下線並加以驗證，才不會再留下被遺忘的殭屍 Agent。「科技的雙面刃，從來不是要不要用它，而是用了它以後，當刀鋒失控時，誰能握的住刀柄，」李維斌強調，面對每天數百次的攻擊，比圍牆更重要的，是事故發生時的掌控力，只要把刀柄握好了，才能夠放手讓 AI 做更多的事情。

立即預約收看 2026 AI 智慧大工廠論壇新竹場演講精華

德國自主工業機器人公司 RobCo 估值突破 10 億美元，正式成為獨角獸。RobCo 近日宣布，透過一筆包含新投資與員工老股出售的交易，公司估值在 9 個月內翻倍；此次交易由既有投資人與新投資人共同參與，讓公司員工也有機會實現部分持股價值。

RobCo 上一次估值提升是在 2026 年 1 月，當時公司完成 1 億美元 C 輪融資，並表示將利用資金推進實體 AI 發展藍圖。RobCo 共同創辦人暨執行長 Roman Hölzl 表示，市場對投資 RobCo 有強烈需求，因此公司把握這次機會強化業務；10 億美元估值是一項重要里程碑，但公司更期待將新一代自主工業機器人帶進工廠。

Alfie 瞄準傳統機器人難處理的高變異工作，2027 年正式商業化

RobCo 下一階段的重要產品是 Alfie，公司預計在 2027 年 3 月 4 日於慕尼黑舉行的 RobCoN 年會正式商業化推出。RobCo 表示，Alfie 是專門為工廠環境中的多品項、非結構化與安全關鍵工作打造的自主工業機器人。

Alfie 結合感知、推理與執行能力，並採用雙臂精準操作與自學習實體 AI，RobCo 將其定位為能處理傳統自動化長期難以解決的工作。RobCo 官網指出，Alfie 的核心能力在於處理傳統機器人難以應付的變異性。

RobCo 目前的工業機器人應用則包括機台上下料、棧板堆疊、物料搬運、表面加工、焊接、點膠、組裝與品質控制，公司提供執行這些工作的硬體、軟體、自主控制與 AI。RobCo 的產品定位以自主工業機器人為核心，強調讓機器人能夠適應真實工廠環境，而不只是執行固定、預先設定的動作。公司表示，其系統透過 AI 持續學習，讓機器人可以應對生產環境中的變化。

Sequoia Capital 合夥人 Luciana Lixandru 表示，RobCo 正在打造一個 AI 不只是進行推理與生成，而是能夠在實體世界中採取行動的未來。

RaaS 不用先砸資本支出？RobCo 加速拓展美國工廠市場

除了自主機器人技術，RobCo 也採用機器人即服務（RaaS）模式提供服務。公司表示，客戶不需要支付前期資本支出，RobCo 會負責機器人的擁有、部署、維護與持續改善，客戶則以固定月費使用自動化系統。

RobCo 將這種模式定位為端到端的工業自動化服務，從硬體、軟體到系統整合由同一家公司提供。美國目前是 RobCo 成長最快的市場。公司表示，目前客戶業務已涵蓋超過 12 個州，並在德州奧斯汀設有製造與組裝業務，在舊金山設有實驗室；執行長 Hölzl 也已搬遷至美國，負責推動公司擴張。

此次交易也有既有投資人 Sequoia Capital 參與。RobCo 表示，其他參與交易的既有投資人包括 Lightspeed、Greenfield、Kindred、Lingotto 與 Promus Ventures，新投資人則包括 Cherry Ventures 與 European Tech Collective。

RobCo 估值翻倍之際，北美機器人需求也持續成長。美國先進自動化協會 8 月公布數據，北美企業在 2026 年第二季訂購 8,940 台機器人，總價值達 6.22 億美元，較 2025 年同期分別增加 4.3% 與 21.3%。

＊本文開放合作夥伴轉載，資料來源：《PYMNTS》、RobCo1、RobCo2、RobCo3、Association for Advancing Automation，圖片來源：RobCo。

幣安（Binance）推出 Binance Intelligence，整合 Binance AI、Binance AI Pro 與 Binance Agent OS，讓使用者從取得市場資訊、制定投資策略，到開發可與幣安金融服務互動的 AI 應用，都能在同一套生態系中完成。

Binance Intelligence 整合 3 大 AI 工具，Binance AI 提供個人化市場資訊

幣安聯合執行長 Richard Teng 與產品副總裁 Jeff Li 於近日的直播活動中公布 Binance Intelligence。幣安表示，區塊鏈讓更多人能夠接觸全球金融市場，但市場資訊也分散在圖表、新聞、社群平台、鏈上數據與研究工具中，因此希望透過 AI 降低使用者理解市場的門檻。

根據幣安新聞稿，Binance AI 是免費提供給幣安使用者的 AI 功能套件，會依照使用者的知識程度、興趣、操作行為與使用的產品，自動調整資訊呈現方式。新的「For You」分頁採用生成式 UI，可動態改變版面、模組與資訊解釋方式，從適合新手的簡化市場資訊，到針對現貨、期貨與股票交易者提供更進階的介面。

Binance AI 也提供 Smart Tool Tips，依使用者程度提供情境式 AI 提示；Market Brief 則整合加密貨幣、股票與總體經濟資訊，每 4 小時更新一次，並可根據使用者持有的資產提供個人化摘要，支援文字與語音形式。

此外，系統還提供 Stock Tracker、ETF Tracker、Indices Widget、Market Buzz、Macro Insight、Hot Sector、Smart Tracker、Smart Alert 與 PnL Recap 等工具，以及 Master Trade，展示特定資深投資人與交易員的資產配置方式。Binance AI 自 10 月 5 日起逐步向符合資格的使用者推出。

Binance AI Pro 將自然語言轉成投資策略，免寫程式即可建立自動化工作流程

Binance AI Pro 則定位為金融專用 AI 代理，可將使用者以自然語言描述的想法轉換為投資策略與自動化工作流程。例如，使用者可以要求系統協助理解某項資產、尋找加密貨幣與股票之間的分散配置方式，或監控投資組合是否出現重大變化，系統會進一步生成視覺化策略流程。

使用者可根據資產、參數與條件建立策略，並透過流程圖查看及修改內容，不需要自行寫程式。桌面版介面會將對話與視覺化工作流程分別顯示在畫面兩側，使用者可以調整、新增或刪除流程模組；手機版則以對話介面為主，完整的視覺化流程可在桌面版查看。執行中的策略可全天候運作，幣安並利用自有市場數據協助最佳化策略建議。

值得注意的是，《Finance Magnates》指出，Binance AI Pro 並非首次推出。幣安早在 2026 年 3 月 25 日就已推出限量付費 Beta，當時提供 7 天試用，之後每月收費 9.99 美元，標準月費則列為 29.99 美元。該版本已支援連接 AI 模型至獨立子帳戶，並自動執行現貨與永續合約訂單、槓桿借貸、市場監控與自訂交易策略。

《Finance Magnates》提及，目前公布的新版本則改以無程式碼工作流程建立器為主，使用者可用自然語言描述交易策略，再透過模擬交易測試，確認工作流程後才啟用實際交易。不過，幣安尚未說明新版本是否會取代既有的付費 Beta、擴大開放範圍，或採用不同的定價。

為控制交易風險，付費使用者可先透過模擬交易測試策略，並在工作流程或交易執行前進行審核與批准。每個實際運行中的策略都會使用獨立子帳戶，資金只能由使用者手動轉入，AI 代理無法自行移動資金；使用者也能自行決定策略是否執行與執行時間。

Binance AI Pro 預計從 10 月下半月開始逐步開放，採免費增值（freemium）模式。Standard Plan 使用者可以免費提出查詢並生成策略預覽，每月提供一定數量的免費額度；Premium Plan 每月收費 19.99 USDC，可解鎖實際交易中的策略部署、模擬交易，以及可選擇的 AI 模型（在可用情況下包含前沿模型），每月額度用完後也可額外購買額度。

Binance Agent OS 串接交易、市場數據與支付功能，讓開發者建立 AI 驅動策略

面向開發者的 Binance Agent OS 則是連接 AI 應用與幣安交易、市場數據、錢包、支付及鏈上功能的開發平台。該平台於 2026 年 8 月推出，目前每日呼叫次數已超過 28 萬次，已有開發者與量化交易團隊利用平台建立 AI 驅動的策略。

Binance Agent OS 整合 Binance APIs、Binance Wallet Agentic Hub、Binance x402 可程式化支付與 Binance Skill Hub，並支援 Model Context Protocol（MCP）。透過 ChatGPT、Claude Code、Codex 與 Cursor 等工具，使用者可以依照自行設定的權限，授權 AI 代理存取市場數據、查看帳戶資訊及執行支援的交易；每個 AI 代理也能配置獨立子帳戶，以分隔資金與交易活動，權限則可隨時撤銷。

幣安也提醒，AI 輸出內容不應單獨作為決策依據，因為相關結果可能包含錯誤、偏見、合成數據或過時資訊；數位資產價格本身具有高度波動性，投資決策及可能產生的損失仍由使用者自行負責。

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

中國開放模型快速崛起後，美國又多了一個試圖迎戰的新玩家。獲 NVIDIA、Sequoia 等投資的美國新創 Reflection AI，在美國時間 10/5 發表首款開放權重模型 Beam，主攻程式設計、推理與 AI Agent 任務。《Reuters》指出，Reflection 直接把中國 Z.ai 的 GLM-5.2、阿里巴巴 Qwen3.8-Max 等模型列為競爭標竿，希望提供中國開放模型之外的新選項。

Beam 想突出的不只是模型性能，還有推論效率。Reflection AI 表示，Beam 進一步推進西方開放權重模型的能力，希望在部分任務與更大型的中國模型競爭，同時降低模型執行所需的運算量。這項訴求之所以值得注意，是因為中國開放模型近一年不只快速提升性能，也開始進入美國企業與新創的實際產品。

中國開放模型快速擴張，也開始進入美國企業

事實上，西方並非沒有開放權重模型，Meta 長期發展 Llama，法國 Mistral 持續推出開放模型，OpenAI 前技術長 Mira Murati 創辦的 Thinking Machines Lab，今年 7 月也推出首款開放模型 Inkling，此外還有 Cohere 等業者。Reflection 加入的，是一個原本就已有多家西方業者競逐的市場。

問題在於，近一年中國業者推進速度更快。從 DeepSeek、阿里巴巴 Qwen、Moonshot AI 的 Kimi，到 Z.ai 的 GLM 系列，中國模型持續靠性能、價格與開放權重擴大影響力。

這股影響也逐漸進入美國企業。《Fortune》指出，Thomson Reuters 已以阿里巴巴 Qwen 為基礎打造內部模型 Thomson-1，處理部分原先交由 Anthropic Claude 執行的文件審查工作；Airbnb、Siemens 也在測試阿里巴巴與 DeepSeek 模型。Ramp 資料則顯示，付費使用可存取開放與中國模型之模型服務平台的企業，占所有 AI 付費企業比例，從今年 1 月的 4.5% 增至 7 月的 6.1%。

這種依賴甚至開始影響政策態度。《Business Insider》7 月報導，近 200 家矽谷企業、創辦人與產業組織曾聯名呼籲美國政府，不要全面限制開發者使用中國開放權重模型，其中一項考量就是，如果被迫全面轉向 OpenAI、Anthropic 等美國封閉模型，產品開發成本可能明顯增加。

這也顯示，中國開放模型的競爭已不只停留在基準表現（benchmark）。對企業與新創而言，能否自行部署、微調，以及執行模型需要多少成本，都開始直接影響實際產品選擇。那麼，Beam 此刻問世，有哪些優勢可以和中國模型競爭？

Beam 強在哪？5,010 億參數只啟用 230 億

Reflection AI 表示，Beam 特別針對程式設計與 Agent 能力訓練，目前在相關任務上已能與規模更大的 GLM-5.2 競爭，並逐步逼近 Qwen3.8-Max。

Beam 採用稀疏混合專家（Mixture-of-Experts, MoE）架構，共有 5,010 億參數，但每次執行只啟用 230 億參數。作為對照，Z.ai 的 GLM-5.2 約有 7,440 億總參數、每次啟用 400 億參數，規模都高於 Beam。

訓練方面，Beam 使用 23.8 兆 tokens 進行預訓練，Reflection 後續再以 1.05 萬顆 NVIDIA GB300 GPU 執行 4 週高算力強化學習，產生超過 1 億次 rollout。官方表示，這套訓練特別強化多步驟推理、工具使用與 Agent 在環境回饋下持續調整的能力。

Beam 想拉開差距的地方因此是推論效率。Reflection 宣稱，在進階推理測試達到與 GLM-5.2 相近表現時，Beam 所需的推論算力低約 3～4 倍；相較部分西方前沿開放模型，效率優勢則更明顯。

對 AI Agent 而言，這項差異尤其重要。Agent 往往需要長時間執行任務，反覆呼叫模型、操作工具與處理上下文，單次推論需要多少運算量，最終會持續累積成部署成本。因此 Beam 想競爭的不只是模型排行榜，也包括企業能否以更低成本長時間運行 Agent。

從 DeepMind 出走，Reflection 要補「西方可掌控 AI」缺口

Reflection AI 由兩名前 Google DeepMind 研究員 Misha Laskin、Ioannis Antonoglou 於 2024 年成立，其中 Antonoglou 曾參與 AlphaGo 等研究。該公司最初聚焦自主程式設計 Agent，後來將目標擴大到訓練前沿開放模型，希望正面參與中國業者近年快速推進的市場。

Laskin 向《Semafor》表示，Reflection 看見的需求不只來自企業，也包括政府與推動主權 AI 的國家。這些使用者希望掌握模型、資料與部署環境，但又可能因安全、政策或地緣政治考量，不願採用中國模型。

Beam 因此被定位成一套可由使用者自行掌控的西方開放模型選項，這也和 OpenAI、Anthropic 等主要透過 API 提供的封閉模型不同。企業未來可取得其模型權重，再依照自己的資料與需求部署。

Reflection 目前已獲 NVIDIA、Sequoia、Lightspeed 等投資，最近一輪融資投前估值達 250 億美元；今年夏天還與 SpaceX、Nebius 簽下合計逾 70 億美元的算力合約，取得 NVIDIA GB300 算力，為後續前沿模型訓練準備資源。

Beam 目前仍在最後的紅隊測試與評估階段。Reflection 表示，預計 10 月釋出模型權重與完整技術資料，並透過雲端服務商與開源函式庫提供部署支援；下一款模型也已開始訓練。

Beam 能否改變中國在開放模型市場的領先局面，目前仍要看正式釋出後的企業採用與實際部署表現。但它反映的競爭方向已逐漸清楚：當中國模型靠性能、成本與開放權重快速擴大影響力，美國 AI 業者也開始加速補上前沿開放模型這塊缺口。

【推薦閱讀】

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

◆ 成本只要五分之一、能力逼近 Anthropic：中國 GLM-5.2 如何改寫企業 AI 戰場？

◆ 從中國模型崛起到 AI Agent 進場：Hugging Face 盤點開放模型 6 大變化

＊本文開放合作夥伴轉載，資料來源：Reflection AI、《Financial Times》、《Fortune》、《TechCrunch》、《Reuters》、《Semafor》、《Business Insider》，首圖來源：Reflection AI

根據視訊科技公司安訊士（Axis Communications）的統計，截至 2025 年底，全世界除了中國以外的地區，合計共安裝了 5.62 億台的監視攝影機，其中越來越多產品內建智慧功能，尤其是 2024 年後出貨的攝影機中，大約有三分之二都具備深度學習分析能力。

若從這個角度來看，對於那些致力開發「實體人工智慧（Physical AI）」的公司而言，他們所需要的「基礎設施」，其實早已懸掛在世界各地的牆壁和天花板上，而箇中商機就在於，如何讓 AI 模型理解鏡頭前發生的事情，並且讓現有的監視攝影機發揮更多效用。

新創公司 Lumana 正是看中監視攝影機發展潛力的團隊之一，其創辦人 Sagi Ben Moshe 先前是 Intel RealSense 業務的主要領導者，公司技術長 Ofir Mulla 則負責開發 3D 及 LiDAR 攝影機幕後架構。

擁有 Intel 電腦視覺技術經驗與血脈的 Lumana，目前已經可以透過自行開發的 AI 視訊監控系統，每天處理超過 50,000 台攝影機所帶來的逾十億張影像，並借助 AI 提供的可理解性與可搜尋性，分析正在發展中的各種事件。

讓人類注意「應該被注意」的事件

過去數十年以來，無論是哪裡的保全監控室通常都有一面電視牆，呈現來自每一支監視攝影機的即時畫面，至於身處其中的保全和員工，其任務就是在出現異狀時及時察覺。

然而真正的情況是，在大多數日子裡沒有人會特地去觀看監視器畫面，被錄下的影像只有在包裹遺失、發生意外，或是有人需要從某個事件中查明真相時，監視器畫面才會派上用場。

換句話說，雖然監視攝影機早已數位化，但其所拍攝的影像，卻仍高度仰賴於有人知道「該尋找什麼」以及「要在哪裡找」。為此 Lumana 技術長 Ofir Mulla 認為，與其讓人類長時間盯著電視牆，試圖找出異常情況，不如讓員工將注意力集中在真正需要被調查的事情上。

「正常」的定義會經常改變

只不過，若想要讓 AI 模型借助影像分析，透過監視器畫面做到這一點的關鍵即在於「情境」，這也是傳統的動作偵測技術與固定規則難以掌握之處。

舉例來說，在下午 2 點時，若有人站在電商倉庫的門旁可能完全正常；但若同樣狀況在凌晨 2 點發生，那就會值得進一步調查；又比如一輛貨車停在倉庫門口 20 分鐘，這通常不會有什麼問題，但若同一輛貨車停在原地長達三個小時，就可能意味著情況有些異常。

Lumana 所發的 VIA-1 模型，不只是能夠進行影像分析，它更會從每台監視攝影機所捕捉的環境之中學習，避免於所有地方、所有時間，全都套用相同的「正常」情況定義與告警規則。

相較於傳統動作偵測與固定規則系統，Lumana 指出 VIA-1 可以將告警誤報率降低高達 90%。

人類提供 AI 回饋的關鍵作用

然而，當環境本身發生變化時，才是真正考驗 AI 能力的時刻，因為監視攝影機與 AI 模型眼中看似正常的景象，轉眼之間就可能發生變化。

舉例來說，安裝有 AI 監視系統的出貨倉庫，業者可能會選在非工作日重新調整產品擺放佈局；迎接節假日出貨高峰時，倉庫的人流也會發生變化；又比方業者決定新增夜班，導致數十名員工湧入以往凌晨時段本應空無一人的區域等，這些於昨日可能觸發異常警報的活動，隔天卻會變成正常行為。

對此 Ofir Mulla 說明，VIA-1 模型能夠隨著環境變化，調整 AI 模型對監視器畫面的理解，而當環境發生實質性改變時，人類員工的回饋將有助於 AI 學習新的變化，只是調整時間需要取決於變化的規模與類型而定。

一套真正實用的 AI 監視系統，必須學會將後來增加的新模式當作常態，同時依然察覺出異常活動。由此可見，人類操作員還是十分重要的環節，尤其是在環境出現重大變化時，員工的回饋才能讓系統於持續變動的環境中不斷學習。

以影像觸發行動的「實體 AI 代理」

當然，讓 AI 透過攝影機監視著人類工作，使影像資料變得更容易搜尋與理解，無可避免將引發隱私疑慮，特別是在工作場域之中。

因此 Lumana 允許客戶根據當地法規要求，設定資料保留與存取政策，並選擇性停用臉部、性別識別等功能。

Ofir Mulla 也進一步闡述 AI 監視系統的願景，他認為未來應該將監控、驗證和回應功能，組合成一套「實體 AI 代理」，目前 Lumana 則已經實現了其中的一部分。

實體 AI 代理的願景將讓監視器於企業內部扮演截然不同的角色，例如使影像資料成為軟體的輸入資訊，並用於讓 AI 模型解析事件，而在某些情況下，甚至可以由監視系統本身，觸發後續於現實世界中的各種行動。

地端承擔多數任務，先篩選再花錢

另一方面，企業對於分析影像內容最大的顧慮，終究在於成本。畢竟大規模傳輸和處理影像的開銷十分昂貴，若是將每一幀影像都傳送至雲端，進行更密集的 AI 處理與分析，支出勢必會迅速飆升，尤其隨著攝影機解析度和部署規模的擴大，開銷還會進一步加劇。

為此 Lumana 端出的解決方案，就是將大部分初步分析工作，交由本地端硬體直接處理，並且把核心設備安裝在攝影機附近。根據 Lumana 說法，大多數的影像分析任務皆在本地端進行，而雲端僅提供額外的處理功能、遠端存取及跨站點管理服務。

Lumana 將前述概念包裝成一句話：「先篩選，再花錢」。Ofir Mulla 強調，絕大部分的監視器影像，其內容都是「稀鬆平常」的例行畫面，所以只有那些值得深入分析的影像，才需要進行更昂貴的處理。

讓影像成為實體 AI 的自然起點

對於發展實體 AI 技術的公司來說，若能夠善加運用監視器影像，將具備一項巨大發展優勢。

目前全世界已有數億台攝影機，正對準工廠、商店、大學、倉庫及城市街道，這讓實體 AI 業者，例如機器人公司不必製造數百萬台產品，就能輕鬆取得、利用這些來自真實世界的畫面。

假如 AI 未來能夠在事件發生時，有效解析透過監視器傳來的影像資料，並且即時掌握環境狀況，就可以進一步推展到 AI 代理接下來可以採取哪些行動，讓監視攝影機成為人工智慧進軍實體世界時，最自然也最合理的起點。

【推薦閱讀】

◆ 【機器人的下一關：聽覺】會走路、拿東西還不夠，聽不懂人話就難被採用
◆ 【保全業的自動化轉折】機器狗接手體育場重複巡邏工作，不為取代人力而是留才
◆ 人形機器人終於能拆除鐵籠？Digit 5 靠 360 度動態感測，實現免護欄近距共工

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

（責任編輯：鄒家彥）

企業導入 AI 時，最常問的是目前哪個通用模型最強？但對真正需要把 AI 放進日常流程的企業來說，這個問題可能問錯了。

模型在公開測試中得分最高，不代表它能準確處理公司的會計規則、內部系統與審批流程。企業真正需要比較的，是哪個模型能以合理的成本與延遲，穩定完成指定任務。

當通用模型無法滿足這項要求時，開源權重模型的專業化微調，便可能成為更合適的選擇。

權重模型讓企業取得 AI 的核心系統

首先，先分清楚兩個容易搞混的詞。「通用模型」指用途廣泛的 AI，能寫文章、整理資料、回答問題、協助寫程式；「開源權重模型」則是企業可取得模型內部最核心的一組數值，自行下載部署、調整。

兩者並不互斥，差別不在於模型會做多少事，而在於企業能不能掌握、修改它。

我們可以把 AI 模型想成一台調校好的機器，訓練時開發者反覆調整內部數值，讓模型學會理解文字、產生答案，這些數值就是「權重」。開放權重的話，企業拿到的就是機器完整的調校結果，可以裝進自己的伺服器，並用內部案例繼續訓練。

Claude、OpenAI 等閉源模型則不公開權重，企業只能透過 API 使用，調整空間也受限於供應商介面。

換句話說，兩者的差異是控制權。閉源模型像租一套持續更新的服務，開源權重模型則是企業自己掌握位置與資料流動，但也要扛起更多治理責任。

通用模型在企業專業流程上力有未逮

通用模型擅長寫作、摘要與寫程式，但放進企業流程就不一樣，因為 AI 得讀文件、登入系統、依公司規則判斷，再把結果往下傳，前面一步錯後面就全盤跟著偏誤。

以會計工作為例，推理模型早就能通過會計師考試，但在 FinBalance——一項要求 AI 依序完成分錄、對帳、產出資產負債表的會計能力基準測試中，六款大型語言模型表現最好的準確率也只有 46%。

問題不是模型不懂會計，而是它無法穩定把憑證、分錄、報表一路串到流程終點都不出錯。

這正是通用模型最大的落差，它們懂專業知識，不代表能可靠做完一整套工作。任務若只是偶爾寫文案、整理會議紀錄，通用模型通常夠用；但若任務範圍明確、需要大量重複執行，且每次都有可衡量的對錯答案，企業就該考慮專業化微調。

專業化微調如何補上這個落差？

微調的價值不只是把文件塞進模型，而是讓模型像專家一樣完成工作，包括知道該參考什麼資訊、何時該呼叫哪個工具、怎麼判斷、遇到例外怎麼處理。

不過微調不是一次性工程，流程一變模型就要跟著更新；長期而言，真正值錢的是累積下來的訓練案例與流程知識。

不過，開源權重模型也帶來新風險。Anthropic 執行長 Dario Amodei 強調他不主張全面禁止，不具危險能力的模型反而能創造價值；但能力足夠強大的模型一旦放出就難以收回，因此不論開放或封閉，模型都該接受相稱的安全測試，企業也要接下存取管理與監控的責任。

企業應逐步轉化為由自己掌握的專業模型與組織資產？

如果工作任務變化大、使用量不高，企業也缺乏維運能力，直接使用通用模型通常更有效率。若任務明確、重複量大，企業又擁有足夠的專業案例，並對資料位置、延遲或治理有特殊要求，微調開源權重模型才更可能發揮價值。

不過，通用模型與專業模型未必只能二選一。企業更可能以通用模型處理探索性工作，再把高頻率、穩定且具有競爭價值的流程，逐步轉化為由自己掌握的專業模型與組織資產。

＊本文開放合作夥伴轉載，參考資料：《Forbes》、Anthropic，圖片來源：unsplash

（責任編輯：鄒家彥）

撰稿：廖紹伶

企業開始讓 AI Agent 不只回答問題，還能規劃任務、存取資料、呼叫工具，甚至直接執行動作後，AI 治理也變得更複雜，而到了「Edge AI Agent」，問題又多了一層。資料與部分運算留在企業內部或終端裝置，乍看之下似乎更安全，但當 Agent 同時取得端點上的資料與執行能力，即使與中央系統失去連線，也可能繼續動作。換句話說，「資料不上雲」不代表企業就比較容易掌控 Agent。

「Edge AI 的 Agent 相對會比較安全嗎？」KPMG 安侯企管數位創新服務副總經理張智淵在《科技報橘》主辦的 AI 智慧大工廠論壇中，就從這個問題切入。本集《全新一週》帶回這場演講內容精華，從 Edge AI Agent 與 Centralized AI Agent 的差異談起，再進一步拆解企業該在哪些環節建立控管，以及地端執行可能帶來哪些容易忽略的治理盲點。

Edge AI Agent 特別在哪？部分推理與執行能力來到端點

張智淵將 AI Agent 大致區分為 Centralized AI Agent 與 Edge AI Agent。前者的模型與 Agent 執行環境主要位於雲端，使用者透過網路下達任務，再取得回傳結果；Edge AI Agent 則會將部分甚至全部推理與行動能力放到終端裝置。

這個差異的重點不只在資料放哪裡。當 Agent 的執行能力也來到端點，它可能直接存取當地檔案、資料與系統，甚至在裝置上採取動作。企業因此要處理的，不只是模型輸出正不正確，而是 Agent 在端點上擁有哪些權限、可以做哪些事，以及發生異常時能不能及時停下來。

要管 AI Agent，得先把整個工作流程拆開來看

張智淵引用 KPMG 架構，將 Agent 工作流程拆成幾個階段：從使用者指令與資料輸入，到模型推理與任務規劃、記憶與資料取用、工具呼叫與行動執行，最後才是結果輸出。

不同階段需要注意的面向也不同。輸入端涉及 IAM（身分與存取管理）與資料保護，推理階段要管理模型，資料取用牽涉存取範圍，當 Agent 開始呼叫工具、執行動作，又需要限制它可以做什麼；監控日誌與人機協作則要貫穿整個流程。

張智淵形容，管理 Agent 有點像管理員工。企業不只要確認「它是誰」，還要規定它可以進哪些門、看哪些資料、使用哪些工具，以及哪些動作不能做。

斷網不代表動作停止，還可能讓企業暫時「看不到」

Edge AI Agent 最反直覺的治理盲點之一，就出現在斷網之後。張智淵舉例，如果 Agent 已經部署在裝置上，即使設備與中央系統失去連線，只要端點仍保有資料與執行權限，它就可能繼續動作。短短 10 分鐘內，Agent 仍可能刪除地端資料、覆寫檔案或執行其他操作；但中央系統此時反而無法即時掌握它做了什麼。

因此，張智淵認為 Edge AI Agent 除了一般 Agent 的治理措施外，還需要額外限制地端存取範圍與可執行動作、強化端點資料防護，並保留地端行為日誌。若裝置長時間無法回傳紀錄，也要考慮進一步限制，甚至終止部分功能。

不只管「能不能做」，還要避免資訊跟著任務流出去

另一個容易忽略的問題，出現在不同任務之間。張智淵舉例，同一個 Agent 可能先協助撰擬機密合約，接著又上網搜尋資料或訂機票。如果不同任務沿用相同上下文，前一項工作的敏感資訊，就可能跟著後續操作一起流出去。

因此，企業除了限制 Agent 可以做哪些事，也要管理不同 Session 之間的資訊隔離，避免只應存在於特定任務中的資料，被帶進另一個使用情境。

不同情境承受的風險不同，Agent 也不能一體適用

張智淵提醒，企業不能只從技術能力判斷 Agent 該怎麼管，還要回到實際使用情境。用來查詢公開資訊，和用來處理機密合約、操作企業系統，一旦出錯，企業能承受的後果顯然不同。真正要先確認的是：這個 Agent 被放在哪個環節，以及風險發生時，造成的衝擊是否在可承受範圍內。

這也關係到企業究竟要開放多少自主權。依照張智淵引用的 KPMG 框架，Agent 可以從 L0 的建議產出、L1 的受監督執行，進一步走到 L2 的邊界內自主、L3 的跨系統自主。自主程度越高，身分權限、工具限制、人機卡點、稽核與驗證也要跟著加強。

歡迎大家訂閱「科技報橘」YouTube 頻道，一起用《全新一週》節目，來迎接全新的一週！

＊首圖來源：《TechOrange》

【科技早餐】今天精選 6 則國內外重要科技新聞。

＊馬斯克證實與台積電洽談，晶圓廠合作仍未定案

馬斯克（Elon Musk）證實，旗下晶片計畫 Terafab 與台積電（TSMC）的合作仍在討論。據消息人士指出，台積電正評估協助 Terafab 營運德州新晶圓廠的可能性。馬斯克在社群平台 X 回應相關消息時表示，目前只是討論，但可能會有進展。現階段可確認的是雙方正在商談，合作模式與具體安排仍待說明。

另外，馬斯克表示，將把太空探索科技公司（SpaceX）旗下 AI 部門的名稱，從 SpaceXAI 改為 SpaceXSI，呼應美國總統川普以「超級智慧」（SI）稱呼 AI 的說法。川普 9 月在聯合國大會演說時，曾提出在美國文件中以「超級」取代「人工」一詞。《路透社》指出，馬斯克未公布更名時間表，也未提供進一步資訊。晶圓廠合作與部門更名是兩項不同進展；前者涉及晶片製造布局，後者目前是名稱變更意向，尚不足以據此確認業務調整。

＊川普設「超級智慧」小組，情報總監領軍評估 AI 風險

美國總統川普確認，由國家情報總監克雷頓（Jay Clayton）領導白宮新設的「超級智慧」任務小組，協調聯邦政府的 AI 工作。川普表示，小組將維持美國在 AI 發展上的領先地位，並保護民眾利益、改善生活。名稱中的「超級智慧」，是川普偏好的 AI 稱呼。據《路透社》報導，克雷頓表示，小組將在 120 天內提出報告，評估 AI 的風險與機會，並建議聯邦政府應扮演的角色。川普第二任期初期，曾由創投人士塞克斯擔任這項跨部門統籌職務。

小組也將檢視 AI 相關風險，以及政府對系統入侵、駭客攻擊等事故的現有通報機制，提出在既有權限下強化聯邦應變能力的建議。參與官員包括聯邦貿易委員會主席、國防部科技長與人事管理局局長；小組將直接向川普及白宮幕僚長報告，並與 AI 公司、消費者、公共利益與宗教團體，以及關鍵基礎設施提供者交流。川普仍主張避免過度監管，以免削弱科技競爭力，新小組的

＊南韓七家金融業者遭駭，AI 疑成攻擊幫凶

南韓金融業近期接連發生資安事件與資料外洩。據《韓聯社》10 月 4 日報導，新韓銀行、KB 國民銀行、韓亞銀行等七家金融公司遭駭，金融部門在多起事件中發現疑似同一攻擊者使用 AI 的跡象。當局推測，攻擊者可能利用 AI 工具不斷更換網路位址，並自動攻擊多家金融業者；AI 是否參與及具體使用方式，仍待調查確認。

南韓總統李在明已要求徹查，金融服務委員會也召開緊急會議，要求金融業提高警戒。金融監督院向約 500 家金融企業分享攻擊來源網路位址及防護注意事項，並實地檢查受影響公司，再將發現的弱點與改善案例傳達給其他業者。監管機構研判，攻擊者可能廣泛搜尋多家公司漏洞，而非只鎖定單一機構。資訊共享與及時修補，也成為防止事件擴大的重點。

＊鴻海、NVIDIA 測試機器人組裝 GB300 測試托盤，還差哪一步？

鴻海與 NVIDIA 合作測試機器人組裝 GB300 測試托盤，鎖定匯流排組裝與多組連接器插接兩項工作。測試托盤用於 GB300 運算模組出貨、部署前的功能及效能驗證。據 NVIDIA 技術部落格與《中央社》報導，目前匯流排組裝成功率逾 95%，連接器插接約為 90% 至 95%；數字對應特定組裝任務，不能直接視為整個 GB300 的組裝成功率。

兩項工作的製造要求均為至少 99.5%，作業速度也有改善空間。匯流排組裝涉及零件放置、16 顆螺絲鎖固及治具操作，目前約需 160 秒，目標為 124 秒以內。連接器插接則須處理會變形的纜線，並對準間隙極小的插座。團隊以機器人感知、規劃、控制及學習方法應對零件與纜線狀態的變化，持續朝製造現場要求提升成功率並縮短作業時間。

＊Rapidus 攜手 17 家設計夥伴，擴大 2 奈米客戶支援

日本晶片製造商 Rapidus 10 月 5 日宣布建立 Rapidus CORE 生態系，首波公布 17 家設計合作夥伴，協助客戶在早期開發階段進行晶片設計，支援其 2 奈米晶圓代工布局。名單涵蓋益華電腦（Cadence）、新思科技（Synopsys）、大日本印刷（DNP）、凸版（TOPPAN）、東芝資訊系統與 Wipro 等公司。這些企業將提供設計資源及專業能力，串接客戶需求與 Rapidus 的製造服務。

Rapidus 表示，先進半導體開發需要整合研究機構、電子設計自動化工具、矽智財、設計與製造能力；在人才短缺下，建立設計生態系可讓客戶提早展開開發。公司後續將把 CORE 的合作範圍擴大至電子設計自動化、矽智財等類別，強化從設計到製造的支援。此次公布的是設計合作網絡，並非新增 17 家晶圓代工客戶或取得相同數量的量產訂單。

＊台英簽署科技合作協議，推進衛星通訊、矽光子與半導體人才交流

台灣與英國 10 月 2 日在倫敦簽署「科學創新暨技術合作協議」（SITA），首波合作涵蓋衛星通訊、矽光子學術聯盟及半導體人才培育。國科會表示，英國太空總署（UKSA）提出與國家太空中心（TASA）共同研發衛星通訊前瞻技術，雙方同意將此計畫列為協議的旗艦成果。國科會副主委陳炳宇表示，協議是雙邊科技合作制度化的重要一步。

矽光子方面，英方已取得種子基金，支持成立台英矽光子學術聯盟，並在台灣半導體研究中心（TSRI）支持下建立學術平台，推動人才交流、產學合作與後續聯合研究。半導體培力計畫則延續既有合作，雙方肯定首批英國碩士生來台實習成果，將持續安排英方科研人才來台參訪。協議已完成簽署，各項研發、聯盟與人才計畫將依合作安排持續推進。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Culpium》、《中央社》、《路透社》、《ABC News》、《韓聯社》、《中央社》、Rapidus、國科會，首圖來源：TSMC。