亞馬遜宣布，將與 OpenAI 合作，讓旗下廣告主能在 ChatGPT 投放廣告，初期先開放美國部分品牌參與。

《CNBC》報導，這項合作也反映全球最大電商看好 OpenAI 持續成長中的廣告業務。OpenAI 的廣告業務近期已達到 10 億美元年化營收規模。今年 2 月，OpenAI 開始在美國 ChatGPT 測試投放贊助廣告，初期合作零售商包括 Best Buy 與 Williams-Sonoma。

亞馬遜 DSP 擴大觸角：開放品牌透過亞馬遜代操投放 ChatGPT 廣告

《CNBC》指出，亞馬遜過去一直嚴格限制 ChatGPT、Anthropic 的 Claude，以及 Google Gemini 等 AI 平台存取旗下龐大的電商網站，同時也持續投資自家的 AI 購物工具。不過，近幾個月亞馬遜開始低調在 ChatGPT 上投放廣告。根據市場情報公司 Sensor Tower 的數據，今年 4 月至 8 月期間，亞馬遜更成為 ChatGPT 上投放廣告最多的零售企業。

如今，亞馬遜進一步讓在其平台投放廣告的品牌進入 ChatGPT，顯示 ChatGPT 已逐漸成為品牌觸及消費者的重要行銷管道。OpenAI 今年 2 月表示，ChatGPT 每週活躍用戶已達 9 億。《Marketing Dive》則指出，亞馬遜目前是全球第三大數位廣告平台，去年廣告營收接近 700 億美元。對 OpenAI 而言，與亞馬遜合作有望進一步擴大 ChatGPT 的廣告主來源。

ChatGPT 廣告將透過亞馬遜需求方平台（Amazon DSP）購買，並採代操服務模式，由亞馬遜團隊協助廣告主設定及最佳化廣告活動。此次，測試提供按點擊付費（CPC）及每千次曝光付費（CPM）兩種計價方式，初期僅限美國市場。

鎖定對話式聊天情境：達美航空等品牌率先參與 ChatGPT 廣告測試

亞馬遜在部落格文章中表示，出現在 AI 聊天機器人中的對話式廣告格式，是品牌觸及新客戶與既有客戶、成長最快的互動機會。亞馬遜廣告需求方平台全通路供應主管 Chris Conetta 在聲明中表示：「透過 ChatGPT Ads，廣告主現在可以進一步將廣告活動延伸至對話式聊天平台，觸及客戶目前積極使用的場域。」

亞馬遜發言人說明，廣告活動由亞馬遜負責建立與管理，但實際的廣告投放決策則由 OpenAI 的廣告系統負責。廣告將以文字或圖片形式，出現在 ChatGPT 回應內容下方。OpenAI 曾表示，廣告會在 ChatGPT 回應結束後顯示，並清楚標示為贊助內容。

舉例來說，當使用者在 ChatGPT 尋找馬拉松訓練建議時，回應下方可能會出現一則亞馬遜販售跑鞋的廣告。根據亞馬遜的部落格文章，達美航空（Delta Air Lines）旗下的度假套裝服務 Delta Vacations，也是此次測試的參與企業之一。

《Marketing Dive》補充，OpenAI 此前已與 Target、Albertsons 等零售媒體網路合作，但亞馬遜的廣告業務規模更大。對於 OpenAI 尋找 DSP 合作夥伴以擴大廣告業務而言，與亞馬遜合作並不令人意外。值得注意的是，OpenAI 今年稍早據報曾與 Amazon DSP 的競爭對手 The Trade Desk 洽談合作，最終則選擇與亞馬遜合作。

＊本文開放合作夥伴轉載，資料來源：《CNBC》、《Marketing Dive》、Amazon，圖片來源：Amazon。

OpenAI 推出專為金融業打造的 ChatGPT，整合 LSEG、PitchBook、Daloopa 等金融資料供應商的資料，並搭載最新 AI 模型，鎖定投資銀行與股票研究等工作場景。

OpenAI 在部落格文章中表示，這款名為「ChatGPT for Financial Services」的產品，是與 Morgan Stanley、Evercore 共同開發，兩家公司擔任設計合作夥伴，協助 OpenAI 打造這項產品。《VentureBeat》指出，兩家公司特別關注可靠的資料取得，以及高品質工作成果的產出。

OpenAI 搶攻受監管市場：推搭載 GPT-6 Astra 的 ChatGPT 金融專用版

《Reuters》報導，此次推出顯示 AI 業者正積極進軍金融等受監管產業。由於金融業高度重視資料治理與資訊安全，這款產品沿用 ChatGPT Enterprise 的既有安全機制，包括角色型權限管理與資料加密，合規團隊也能將工作區紀錄匯出，納入稽核流程。

ChatGPT for Financial Services 採用 OpenAI 最新模型 GPT-6 Astra。OpenAI 表示，該模型針對金融資料工具的資訊檢索、金融推理能力，以及生成內容的準確度進行強化。使用者可以從不同資料來源進行研究、建立財務模型，並利用公司自己的範本製作推介書等客戶資料。

《VentureBeat》提及，企業管理員可以統一管理公司核准的 Excel、Word 與 PowerPoint 範本，讓員工依照既定格式製作估值模型、研究報告與推介書。產品示範也顯示，系統可以把財務模型結果轉換為互動式網站，讓使用者調整假設值，查看不同設定對預測結果的影響。

OpenAI 也表示，未來將持續擴充 ChatGPT 可使用的金融資料，並進一步訓練模型理解、分析與運用這些資料，提升其在金融研究與分析工作上的應用能力。

打造一站式金融工作區：ChatGPT 深度整合專業資料與分析流程

這項產品整合 Daloopa、LSEG News、PitchBook、Crunchbase、Quartr 等資料來源，涵蓋財報電話會議逐字稿、財務報表及公司基本面等資訊。OpenAI 表示，這些資料會在自家基礎設施上建立索引，以提升資訊檢索與引用的效率。

部分金融資料會直接納入產品，由 OpenAI 負責索引與託管，企業不必另外簽訂資料合約或設定連接器即可使用。至於企業原本已訂閱的資料，則可以透過相關整合功能連接至 ChatGPT，沿用既有的資料授權。對於已經訂閱其他金融資料服務的機構，OpenAI 也提供 FactSet、S&P Global、Preqin 及 Datasite 等服務的整合。《VentureBeat》指出，OpenAI 目前的連接器已超過 50 項。

此外，OpenAI 正與 S&P Capital IQ、LSEG、MSCI、Factiva 及 Moody’s 合作開發共用登入與授權整合。完成整合後，資料供應商可透過使用者的 ChatGPT 身分辨識帳戶，並自動提供其原本已獲授權存取的資料。OpenAI 表示，未來將把 ChatGPT for Financial Services 從投資銀行與股票研究，進一步擴展至更廣泛的金融服務領域。

《VentureBeat》指出，OpenAI 的布局不只是讓金融從業人員透過 ChatGPT 查詢資料，而是把專業金融資料、企業權限、公司範本及工作工具整合到同一個環境，讓使用者可以從資料搜尋、研究分析一路完成最終成果。

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

隨著淨零減碳與能源成本壓力升高，企業節能的範圍已從照明、空調主機與能源管理平台，延伸到過去較少被關注的基礎設備，長時間運轉的泵浦正是其中之一。

在商辦大樓、醫院、學校、科技廠與製程冷卻系統中，泵浦支撐空調循環、冷卻與給排水等基礎運作，其設備效率與控制方式是否匹配，直接影響用電成本與系統穩定性。面對市場對高效率泵浦系統的需求升高，永大抽水機近年從單一設備供應商，轉向更重視系統整合的節能方案，並導入台達永磁同步磁阻馬達、變頻器與自動化控制技術，將自家泵浦設計經驗與台達高效驅動能力整合，協助客戶提升泵浦系統的能源使用效率。

永大抽水機長期投入泵浦的研發、製造與維修服務，聚焦空調用泵浦與循環泵浦，主要服務商業建築、辦公大樓、賣場、醫院、學校與電子廠等場域。永大抽水機總經理鄭全宏觀察，企業挑選泵浦的標準已明顯改變，「過去客戶多先考量馬達出力、設備耐用度與價格競爭力；在淨零減碳、能源成本與能效法規推動下，節能效率已成為設備評估的首要條件。」

政府已於 2023 年將泵浦納入最低能源效率管制，使高效率泵浦成為新建案與汰舊換新的基本要求。許多舊系統在設計初期會依最大需求量估算，再加入安全餘度，導致泵浦長期偏離最佳效率區間；加上早期變頻器尚未普及，泵浦多採定速運轉，啟動後便全速運行，再以閥件調節流量，如同一腳踩油門、一腳踩煞車，不僅增加能耗，也造成設備磨耗，成為傳統泵浦高耗能的主要原因之一。對此，目前企業最直觀的節能做法，是把耗電設備換成高能效產品，但實際進駐案場後，情況往往沒這麼單純。鄭全宏解釋，若系統本身設計過當、管路配置不佳，或長年未清潔維護，單純換一組高效率設備未必能讓系統運轉在最佳效率區間，「因此永大為客戶節能時不急著換機，會先到現場了解用水需求、管路設計、彎頭數量、閥件配置與水垢堆積等狀況，再重新評估適合的泵浦形式、馬力與控制方式，讓設備盡量靠近最佳效率點。」

流量減少 20%  耗電可降近一半

在與台達的合作中，永大選擇導入永磁同步磁阻馬達，作為泵浦系統節能改造的重要配置。台達驅動方案事業部產品經理曾祥龍表示，永大與台達從變頻器開始合作，對台達產品品質與工業自動化整合能力已有一定信任；加上雙方對高效率設備與節能應用的方向相近，因此在這次案例中深化合作。永磁同步磁阻馬達結合「永磁馬達」與「同步磁阻馬達」特性，具備高效率與低損耗優勢，「以永大測試結果來看，滿載運轉約可帶來 2% 至 3% 節電效果；在部分負載條件下，節能率可達約 6% 至 7%。長時間運轉的泵浦系統，這類效率差異經全年累積後，就會反映在用電成本上。」

變頻器則依不同場域條件與控制需求選型，包括開環變轉矩標準變頻器 VP 3000、CP 2000，以及將變頻器整合於馬達上的 背負式水泵一體機 MPD & MP 300 系列。若客戶現場空間有限，或既有設備原本未配置變頻器，一體式設計可降低額外盤體與安裝空間需求，提高導入汰換的可行性。

變頻器之所以是泵浦節能的關鍵，與泵浦的相似定律有關。曾祥龍解釋，流量與轉速約呈正比，而功率（即耗電功率）則與轉速約呈三次方關係；以流量減少 20% 為例，耗電功率可降低約 48.8%，接近一半。系統不需滿載時，只要降低轉速就有顯著節電效果。台達的優勢在於把永磁同步磁阻馬達的專屬參數內建於變頻器，開機後一鍵設定即可完成最佳化匹配，降低現場調校難度。各場域可接入壓力、壓差，或冰水主機、水塔溫差等訊號，讓系統依當下需求調整馬達轉速。當多台泵浦並聯或輪替運轉時，台達變頻器具備可程式化功能，能設定多泵浦連動控制；需求更複雜時，再以 PLC 等產品完成整合，依永大與終端用戶的條件客製控制邏輯。整體分工上，永大負責對接終端用戶、規劃泵浦系統，台達提供馬達、變頻器與自動化技術支援，雙方再依負載條件、安裝環境與控制需求，配置合適的產品組合。

高科技廠、AI 資料中心、商用建築與高耗能產業 最能放大高效泵浦節能效益

在應用方面，鄭全宏指出，運轉時間長、負載波動大的場域，最適合導入這套整合方案，他同時歸納出目前四種最適合的場域，第一類是半導體與電子高科技廠，製程冷卻與空調系統多需 24 小時不間斷運轉，效率改善會隨運轉時數累積成可觀效益；第二類是 AI 資料中心，AI 伺服器功耗提高帶動冷卻從氣冷走向液冷，泵浦角色加重，又屬高耗能且需穩定冷卻，相當適合導入；第三類是商辦大樓、醫院與飯店，負載變化大，商辦上班時段空調需求高、下班與假日下降，飯店則隨平假日與住房率波動，變頻控制能依需求調整轉速，避免定速設備空耗；第四類是石化、鋼鐵等傳統高耗能產業，長期大量用水用電，系統效率一旦改善，節能空間就被放大。

泵浦屬長時間運轉設備，永大對可靠度要求高，因此在導入新一代馬達與變頻方案前，先與台達在永大實驗室確認效率、穩定性與適用條件。目前永大與台達已在科技業與商辦大樓展開導入，鄭全宏提醒，即使選用高效率產品，若操作、控制或監控未配合調整，仍難發揮應有水準，後續還須依現場負載、管路與運轉模式調校，他認為，這正是永大與台達雙方合作的核心價值，永大依現場條件判斷系統是否選型過大或操作不符；台達提供馬達、變頻器、控制器與上位控制等選型建議與導入支援，並可即時派 FAE 應用工程師協助參數設定與排除問題。

鄭全宏指出，泵浦節能是泵浦、馬達與控制系統共同作用的結果。「透過與台達的合作，永大也在既有泵浦專業外補強了驅動與控制整合能力，讓產品從設備供應走向更完整的節能解決方案。」

隨著 AI 應用加速從雲端走向終端，邊緣運算晶片能否真正落地，關鍵已不只在單一晶片的運算效能，更在於晶片、系統與應用端能否共同因應實際部署需求。為鏈結國內半導體產業技術能量與多元應用需求，經濟部產業發展署推動「邊緣運算晶片系統產業鏈結推動計畫」，聚焦智慧移動與智慧醫療照護領域，並透過「邊緣運算晶片系統價值共創平台」(以下簡稱價值共創平台)，促進晶片、系統及應用端業者交流與供需對接，推進跨域合作與邊緣運算晶片系統方案應用。

為進一步聚焦智慧移動應用需求，經濟部產業發展署智慧電子產業計畫推動辦公室(SIPO)於 7 月間辦理「2026 半導體供應鏈競爭力論壇：邊緣運算驅動創新　共探智慧移動新局」。會中，SIPO 張維益專案經理介紹計畫與「價值共創平台」，說明政府如何透過平台串聯產業資源，促進跨域合作。

張維益指出，廠商最關心的，往往是如何找到合適的終端應用與合作夥伴。「價值共創平台」協助 IC 設計、半導體供應鏈及系統整合業者，對接潛在合作夥伴與多元應用需求，涵蓋智慧工廠、智慧照護、智慧移動及零售與生活應用； IC 設計業者可透過「價值共創平台」鏈結系統整合商或法人資源，系統整合商也能進一步接觸終端應用需求。此外，價值共創平台亦協助業者鏈結政府研發資源，包括「晶創臺灣方案」及研發投資抵減等相關措施。

論壇也邀請超恩、滿拓科技及晶心科技等產業專家，分別從系統整合實務、車載 Edge AI 部署及晶片平台發展方向切入，剖析智慧移動從技術開發走向實際部署所面臨的關鍵課題。

超恩解析強固型邊緣運算系統：從固定環境走向戶外，部署可靠度成為關鍵

從概念驗證(Proof of Concept,POC)邁向實際部署時，開發商面臨的一大挑戰，就是環境複雜度大幅提高。超恩研發處協理王志維以自主移動機器人（AGV/AMR）為例指出，產品在固定環境中或許運作順暢，但一旦轉移至戶外環境實際部署，面對電源突波、溫度變化、水氣與粉塵，以及障礙物增加、光線劇烈變化與多變氣候，系統整合與環境適應能力都將面臨更大考驗。

為確保系統在不同環境中穩定運作，工業電腦必須具備寬溫、寬壓及防塵防水等工業級強固設計，才能滿足智慧移動應用的實際部署需求。尤其 AGV／AMR 等移動設備經常使用電池供電，在充電與運作過程中可能產生電壓突波，因此硬體的電源設計與環境耐受能力，都是實際部署時不可忽視的條件。

另一方面，作為系統「眼睛」的相機、光達(Light Detection and Ranging, LiDAR)與 GPS 等感測裝置，其整合能力與輸入/輸出(Input/Output,I/O) 擴展規格，也是影響邊緣運算與智慧移動效能的關鍵。王志維指出，邊緣運算平台必須具備高速乙太網路供電( Power over Ethernet，PoE)、USB 及網路介面，以因應大量即時感測資料的傳輸需求；在多感測器整合需求增加下，系統也需透過 10G 高速 I/O、車載 M12 圓形連接器(M12 Circular Connector)介面及多元擴充設計，提升 LiDAR、GPS 與多路相機等裝置的整合能力。

除了硬體規格與介面升級，實際部署同樣仰賴軟硬體協同調校。超恩透過與軟體夥伴協作，針對實際場域的天候、光線等變化進行即時動態調校，協助降低環境變數對系統運作的影響，進一步提升自主移動系統的感知、定位與運行彈性。這也顯示，智慧移動從概念驗證走向實際部署，不只是提升運算效能，更考驗感測器、I/O、軟體調校與強固硬體之間的整合能力。

滿拓科技：模型跑得動，不代表車子敢用　最差狀況與資料閉環決定落地成敗

「模型跑得動，不代表車子敢用。」滿拓科技創辦人吳昕益表示，AI 模型在實驗室與 Demo 階段即使運行順暢，實際上路後仍可能面臨各種難以事前預測的極端情況(Corner Case)。相較於一味追求最高準確率，車載AI更重要的是在不同環境與突發狀況下，仍能維持穩定且可預期的表現。

車載系統受到延遲、功耗與記憶體頻寬等條件限制，尤其涉及安全性的應用，更必須從極端狀況進行評估。「車廠不接收平均值，更重視最差狀況(Worst Case)下系統需要多久才能完成判斷，」吳昕益表示，系統必須透過最差情況執行時間(Worst-Case Execution Time, WCET)進行規格評估，確認即使面對極端狀況，仍能在規定時間內完成關鍵決策，以確保符合安全標準。

此外，硬體運作過程中的「資料搬移」也會消耗大量時間與能量。吳昕益表示，AI 運算不只是算力問題，資料在晶片內部與外部記憶體間反覆移動，也會帶來記憶體頻寬、效能與功耗上的負擔，因此系統設計需盡可能降低不必要的資料搬移，讓資料儘量在晶片內部完成處理，以兼顧效能與能源效率。

最後，AI 模型能否持續因應真實環境變化，也取決於是否建立完整的「資料閉環(Data Loop)」。吳昕益指出，許多 AI 應用在落地過程中缺乏資料回饋機制，使真實環境遇到的 Corner Case 難以有效回到開發端進行優化。企業若能建立從實際部署、資料回收、模型與系統優化到再次驗證的循環，才能持續提升車載 AI 的穩定性與可靠度，真正跨越 AI 車載部署的最後一哩路。

晶心科技：AI 運算走向稀疏化，CPU 角色重新提升

在硬體算力有限的情況下，AI 算力優化已非單純依靠大矩陣運算，而是逐漸朝向「稀疏化(Sparsity)」演進。晶心科技技術副處長王庭昭以混合專家模型(Mixture of Experts,MoE)等架構為例指出，為降低不必要的運算，系統會依任務動態選擇部分專家模型執行，而這類路由、排序、廣播及非結構化資料處理，也使 CPU 在 AI 系統中的角色重新提升。

除了模型架構的轉變，代理式 AI(Agentic AI) 與具身 AI（Embodied AI）的發展，也進一步推升 CPU 的戰略地位。在代理式 AI 應用層面，系統產生回應決策前，可能需要與大型語言模型(LLM) 反覆進行推理、問題拆解與外部資訊檢索，使底層 CPU 的算力負載上升。王庭昭指出，隨著工作負載改變，未來伺服器端 CPU 與 GPU 的配置比例可能由過去約 1：8逐漸接近 1：1。

在具身 AI 方面，王庭昭則以「大腦」與「小腦」說明不同運算任務的分工。大型視覺語言模型(VLM)可負責高階感知與規劃，但馬達控制等需要高即時性與穩定性的工作，無法完全依賴大型模型處理；尤其涉及實體控制時，更需要穩定且符合功能安全要求的底層 CPU 負責執行與把關。隨著 CPU 在 AI 運算與實體控制中的角色更加重要，如何提升其處理非結構化運算與資料傳輸效率，也成為架構設計的關鍵。

面對非結構化運算與記憶體頻寬的雙重挑戰，王庭昭也指出，可透過 RISC-V 向量指令(RISC-V Vector Instruction)、客製化擴充指令(Andes Custom Extension,ACE)及協處理器架構提升運算效率，其中針對特定 AI 運算，整體加速效益最高可達約 150 倍。

跨越「實驗室到戶外」的鴻溝，剖析智慧移動落地三大挑戰

從實驗室邁向戶外真實場域，「環境不確定性」始終是硬體與感測器整合的首要關卡。超恩、滿拓和晶心科技三位跨領域專家分別從系統整合、應用部署到晶片架構等不同面向，剖析智慧移動產業鏈在落地過程中所面對的現實痛點與因應策略。

站在系統整合實務的角度，超恩研發處協理王志維指出，智慧移動應用往往需要串接不同廠牌的相機、LiDAR 與定位設備，從時間同步、驅動程式到影像調校，都可能增加系統整合的複雜度。若晶片與平台業者能提供更完整的開發工具與技術支援，將有助於降低系統商的整合負擔，讓更多研發能量投入實際應用，加快產品導入。

面對實際部署中的環境變數，滿拓科技創辦人吳昕益則強調「穩定性是一切的來源」。他從系統維運角度指出，若為了因應不同情境而頻繁替換或調整 AI 模型，不僅增加開發負擔，也會提高後續維護成本。因此，採用在各種場景下表現穩定的模型，將直接影響系統能否長期運作與持續導入，才是落地的正確路徑。

晶心科技技術副處長王庭昭則從開發流程提出，強調晶片與 IP 業者可在實體晶片完成前先提供虛擬系統模型，讓系統廠提前進行軟體開發、除錯與架構驗證透過提前提供虛擬系統模型，可讓系統廠先行展開軟體開發與驗證，提早發現整合需求與問題，進而縮短後續產品開發時程。

智慧移動順暢落地的關鍵，不能只靠單一晶片、單一系統或單一 AI 模型，必須仰賴晶片、系統與應用端的緊密協作。唯有如此，才能把技術優勢轉化為可實際部署的產品與方案，真正跨越場域部署的鴻溝，讓臺灣供應鏈更有機會在這波全球供應鏈重組中，從代工者晉升為規則制定者。

AI 已經能自己執行網路攻擊了嗎？Anthropic 最新調查顯示，還沒有走到完全自主，但部分原本高度依賴資安專家的工作，已經開始交給 AI Agent 持續執行。

Anthropic 9 月 10 日發布最新 AI 威脅報告，整理 2025 年 12 月至 2026 年 8 月間，在自家 Claude 模型上偵測並中止的惡意活動，涵蓋網路攻擊、影響力操作、監控、傳統武器、生物濫用、詐騙與詐欺，以及非法模型蒸餾 7 類。

報告中的案例主要涉及 Claude Haiku、Sonnet 與 Opus 模型，Anthropic 也提醒，這些是目前觀察到較值得注意、較新穎的案例，並不代表一般濫用的平均樣貌。其中，網路攻擊案例清楚呈現了 AI Agent 驅動的攻擊已經自動化到哪一步。

漏洞研究開始自動循環，單月找出逾 12 個可能 zero-day

Anthropic 發現，一組中國境內行動者建立「自動化漏洞工廠」（automated exploit foundry），利用 Claude 驅動多個 Agent，持續分析資安產品。

整套流程會先把韌體與二進位檔送進反編譯工具，由 Agent 追蹤程式結構、提出可能的漏洞假設，再撰寫漏洞利用程式（exploit），拿實驗室裡的產品測試；若沒有成功，就繼續修改與驗證，直到找到可用的方法。其中一套持續運作的流程，一個月就找出超過 12 個可能的零日漏洞（zero-day）。

這群行動者也會使用 Agent 群（Agent swarm），由主 Agent 拆解偵察與入侵後的工作，再交給多個子 Agent 平行處理，同時保存目標名單、取得的憑證與任務進度，讓下一次工作可以直接接續。部分漏洞研究與情報蒐集甚至會在操作員離開後繼續執行。

Agent 介入的範圍也已經延伸到入侵後階段。Anthropic 觀察到，有攻擊者會讓 Claude 在受害者網路中執行指令、蒐集登入憑證與外洩資料；另有排程工作可以自動更新竊取的存取權杖，再持續抓取受害者雲端儲存空間中的資料。人仍決定攻擊哪些目標，但部分資料蒐集與竊取工作已能在較少人工介入下持續進行。

另一個疑似與俄羅斯國家級間諜活動有關的案例，則把 Agent 放進攻防反覆調整的過程。當部署出去的惡意程式被資安產品偵測，AI Agent 會監測結果、自動修改並重新建置惡意程式，再持續嘗試到重新避開偵測。Anthropic 認為，這可能削弱過去防守方透過更新固定式偵測規則，迫使攻擊者花更多時間修改工具的效果。

攻擊手法沒大變化，但執行同一場攻擊需要的人力變少

除了上述案例，Anthropic 在報告中還羅列多起網攻行動，指出使用的仍多是憑證竊取、未修補的邊緣設備、暴露服務、SQL injection 與網路釣魚等既有手法，但報告更在意的是執行方式正在改變。

報告揭露，偵察、漏洞利用、工具開發與資料處理等工作，越來越能交給 AI 同時處理；部分入侵可在 2 至 3 小時內完成，單一操作員也能並行處理數十個受害目標。

Anthropic 將這種變化概括為攻擊「經濟模式」正在改變。過去較大型的行動需要更多專業人力與時間，如今每場攻擊需要投入的技能與人工下降，潛在收益卻沒有同步減少，因此一些過去報酬較低、不值得花太多人力處理的目標，也可能變得更有攻擊誘因。Anthropic 預期，這會帶來更多一次處理大量目標、人工介入較少的攻擊。

不過，Anthropic 也提醒，自主程度和實際危害不能直接畫上等號。現階段人仍高度參與目標選擇、結果審查與如何從攻擊成果獲利；報告中部分最嚴重的入侵，也仍由人逐步指揮完成。

AI API 金鑰也被盯上，企業得重新盤點 AI 攻擊面

另一個值得注意的變化，是企業使用 AI 時產生的憑證與周邊系統，也開始成為駭客目標。Anthropic 發現，攻擊者會主動尋找暴露在 GitHub、App、Docker container、網站與聊天機器人中的 AI API key 與 session token；也曾有行動者利用提示詞注入（prompt injection）攻擊 AI 業者的自動化測試環境，取得其中保存的正式環境 API 金鑰。拿到這些憑證後，攻擊者可以轉賣帳號、用受害者的額度替自己的攻擊支付運算成本，也能讓惡意流量看起來像是來自合法使用者。

Anthropic 因此直接提醒，企業應把 AI API key、工作階段憑證與 Agent 相關整合，視為和正式環境憑證同等重要的資產；AI sandbox、proxy 與第三方轉售服務，也都應納入資安管理。企業取得 AI 服務時，則應使用正式授權管道，避免把流量與憑證交給來源不明的第三方。

【推薦閱讀】

◆ 台灣開始思考 AI Agent 怎麼管，數發部點出能力、身分、問責等六個治理層次

◆ OpenAI Agent 把德文 Wiki 變留言板，為何他們早就知道卻沒有公開？

◆ Anthropic 三情境拆解 AI 經濟衝擊：極端情境 GDP 增 32%、失業率恐近 12%

＊本文開放合作夥伴轉載，資料來源：Anthropic、《SiliconANGLE》，首圖來源：Unsplash

DeepSeek 昨晚推出 DeepSeek-V4.1-Flash，採用 5,520 億參數的混合專家（MoE）主幹架構，具備原生視覺能力與 100 萬 token 上下文視窗，架構重點在於降低反覆讀取大量上下文的成本。

V4.1-Flash 的效率提升：降低 API 開發者的推理成本

V4.1-Flash 離峰時段快取命中每百萬輸入 token 收費 0.003 美元，未命中 0.15 美元，每百萬輸出 token 0.60 美元，尖峰時段價格加倍。AI 代理常反覆處理同一套程式碼庫、工具定義或對話紀錄，重讀的快取上下文可能遠多於新的上下文。DeepSeek 也表示，快取命中費用可能占代理成本的相當大比例。相較之下，GPT-5.6 Sol、Claude Opus 5 與 Kimi K3 的快取輸入價格分別為每百萬 token 0.40、0.50 與 0.30 美元。

《VentureBeat》指出，假設 AI 代理保留 50 萬 token 的可重複使用前綴，並在 100 次請求中都命中快取，若不計快取寫入、新增上下文與輸出，V4.1-Flash 離峰時段約只需 0.15 美元，Kimi K3、GPT-5.6 Sol 與 Claude Opus 5 則分別為 15、20 與 25 美元。但最低價格僅限離峰時段，實際工作負載也難以完美重複利用快取。總成本還取決於輸出長度、推理 token、重試與任務成功率等因素。

V4.1-Flash 採用因果編碼器-解碼器（CED）架構。每個 token 在讀取輸入的預填階段啟用 80 億參數，生成輸出時則啟用 160 億參數。DeepSeek 表示，搭配壓縮稀疏注意力 2（CSA2）與 FP4 KV 快取等技術，全域 KV 快取降至每 token 890 位元組，約為 V4-Flash 的四分之一。

但模型整體規模反而變大。《VentureBeat》提及，前一代 V4-Flash 主幹為 2,840 億參數、活躍參數 130 億。V4.1-Flash 主幹擴大至 5,520 億，另有 1,960 億參數的 Engram 條件記憶模組。換句話說，V4.1-Flash 的效率提升在於讀入 token 時耗用更少運算，並大幅減少保留長上下文所需的記憶體。對使用 API 的開發者來說，這代表推理成本可能更低；但如果企業打算自行部署這款採 MIT 授權的模型，模型規模大幅增加後，所需的硬體資源也會高出許多。

DeepSeek 也明確表示，新架構存在尚未完全釐清的穩健性邊界。在超長上下文的稀疏檢索、快取恢復交界處等未經測試的邊緣案例中，模型可能出現能力退化。不過，DeepSeek 自家測試並未觀察到系統性退化。

V4.1-Flash 提高推理強度評測：成績提升、輸出 token 增至約 2.5 倍

根據 DeepSeek 自行執行的評測，V4.1-Flash 在 DeepSWE v1.1 拿下 74.2 分，略高於 Claude Opus 5 的 74.0 分與 GPT-5.6 Sol 的 73.0 分。但在 Terminal-Bench 3.0 與 4.0，V4.1-Flash 分別以 30.0 比 43.3、31.2 比 51.8 落後 Opus 5。GPQA Diamond 與 SEC-Bench Pro 則由 GPT-5.6 Sol 領先。

《VentureBeat》提及，這些成績都是以最高推理強度 100 測得。DeepSeek 測試顯示，推理強度從 25 提高到 100，DeepSWE v1.1 成績從 66.0% 升至 74.2%，但輸出 token 消耗量約為原本的 2.5 倍。推理強度介於 60 至 80 時，只需不到一半的 token 預算，就能取得最高強度下大部分的準確度。

此外，DeepSeek 已停用 V4-Flash 與 V4-Flash-Vision-Exp，並暫時將既有識別碼導向 V4.1-Flash。自 9 月 14 日起，deepseek-v4-pro 的請求也將轉由 V4.1-Flash 處理，直到 V4.1-Pro 推出為止。《VentureBeat》補充，對開發者而言，關鍵在於兩點。一是工作負載是否輸入量大、重複性高且足以善用快取。二是省下的成本能否抵銷模型規模近乎翻倍、解碼階段啟用參數增至 160 億的代價。

【推薦閱讀】

◆ AI 網攻自動化到哪一步？Anthropic 報告揭漏洞研究、偵察與資料竊取如何 Agent 化

◆ 台灣開始思考 AI Agent 怎麼管，數發部點出能力、身分、問責等六個治理層次

◆ 9% 作弊、24% 吹哨：DeepMind 揭 AI 代理的「自我治理」為何仍不夠？

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

「台灣每年健保預算高達 8800 億，其中將近 20%（約 1700 億）用於洗腎患者，」衡奕精密工業股份有限公司總經理何國梁表示，慢性腎臟病患者每週三次往返醫院、接受數小時的洗腎治療，藥物能延緩惡化，卻難以逆轉。

「Trans 有轉移的意思，初衷是認為使用我們的機器，就能把疼痛轉換掉。」何國梁在 2008 年創立自有品牌「TRANS」，朝著讓慢性腎臟病患者不用走上洗腎之路的目標展開研發。

這股將創新技術轉化為具體社會價值的精神，正是 2026 年台灣創新技術博覽會（tie）發明競賽區的核心概念。本屆發明競賽區匯聚國內外企業、學研機構與獨立發明人，涵蓋智慧科技、生技醫療、化工機械、資通訊等多元領域，展現創新技術從研發、展示到商品化應用的發展潛力。透過此次機會協助具潛力的發明作品提升能見度，並搭建與買主、投資者及產學夥伴面對面交流的平台，讓創意從構想真正走向商品化應用。而衡奕正是在這個舞台上，以兩項核心雷射技術，展現從前端研發走向產業落地的強大潛力。

看準國內市場空白，打造自主雷射醫療品牌

「我們的零件交貨到國外，國外再把產品賣回台灣，價格竟然是我們交貨價的數倍。」何國梁回憶衡奕最初以精密加工起家，替國外知名相機工廠代工零件，但隨著代工利潤持續壓縮，也讓他開始思考轉型方向，決定將研發重心轉向光電產品開發，並在開發過程中逐漸發現雷射在醫療上的應用潛力。

而當時，何國梁也意外得知，許多歐美知名雷射醫療儀器品牌，所使用的核心雷射零件，竟然都是出自衡奕之手。「最關鍵的核心零件就在我們手上，那為什麼還要只幫他們做代工？」何國梁表示，這個念頭成為品牌自主化的強心針，加上當時雷射醫療產業在歐美已相當普及，應用範圍涵蓋針灸、皮膚科、口腔癌治療等領域，而台灣市場卻是一片空白，衡奕看見的，是一個需要被填補的缺口。

雷射光照 ✕ 雷射穴位，用光能為細胞「充電」

「當時西醫基本上都說腎臟病不可逆，我就請教中醫師，如果想要改善腎臟病，可以怎麼做，他們給我兩個方向：第一是血液要乾淨，第二是從穴位去進行刺激。」何國梁在擔任健保署給付代表期間，開始深入研究中西醫對腎臟病的不同觀點，也成為衡奕兩項技術的核心設計邏輯。無論是「雷射光照裝置」或「雷射穴位裝置」，皆奠基於低能量雷射治療（LLLT）的科學原理，簡單來說，就像是用光給細胞「充電」，讓已經停滯的修復機制重新啟動。

「好的細胞就像人體的發電機，當發電廠能量強的時候，身體就會越來越好。」何國梁進一步解釋，為了讓發電機恢復運算，雷射光照裝置負責清潔血液，而研發過程面對的最大挑戰，在於溫度控制，雷射照射必須維持在 35°C 到 37°C 之間，稍有偏差就可能對細胞造成熱傷害。經過大量的細胞研究，團隊成功透過特定雷射波長照射血管，分解血液中的各類自由基，降低身體的代謝負擔，將體內毒素清除後，肝臟代謝改善，讓患者的腎臟不再持續硬化，肌酸酐等關鍵指數也隨之下降。

另一方面，「雷射穴位裝置」的一大突破，在於提供無痛、無感染風險的雷射針灸新模式。此技術以雷射照射穴位或肌肉激痛點時，能抑制發炎細胞激素並刺激血管新生與膠原蛋白合成，使傷口癒合時間縮短 35% 以上。若用於慢性病治療，它能活化血液中細胞粒線體並促進 ATP 合成，提升紅血球帶氧量與白血球抗發炎能力。人體正常的微循環血流速度是每秒 200 至 400 微米，一旦有血管堵塞或管壁增厚的情況，流速可能降至190微米以下，導致粒線體活化機率降低，而這項裝置正能打破此瓶頸，透過加速血流與改善微循環，讓發炎部位依靠自體含氧細胞血流達到消炎與細胞修復的效果。

這兩項裝置相輔相成，一個專注於清潔血液以減輕負擔，另一個負責活化器官以重塑循環，讓患者的腎絲球過濾率得以逐步回升。

築起法規護城河到新南向佈局

目前兩項技術在臨床應用上，適用的病症範圍廣泛，包括慢性傷口癒合、神經痛、退化性關節炎、運動傷害，乃至腎臟疾病的輔助治療，也獲得國內多家醫學中心的臨床驗證，累計完成約 200 位第 3 至 4 級慢性腎臟病患者的臨床研究，成功將大部分患者的腎功能拉回第 2 級。

在競爭策略上，衡奕選擇用技術與法規鞏固市場地位，目前已取得超過 50 張衛福部醫療器材許可證、800 多家醫療院所使用，並持有數十項國內外專利，這套完整的認證體系，是進入全球醫療市場最難被複製的護城河。在市場佈局方面，衡奕正積極配合政府新南向政策，從周邊亞洲市場起步，最終目標是讓「TRANS」品牌從台灣隱形冠軍，走向全球健康產業的指標品牌。

而衡奕只是本屆發明競賽區眾多參賽亮點之一。2026 台灣創新技術博覽會（tie）將於 9 月 17 日至 19 日在台北世貿一館登場，發明競賽區有來自日本、波蘭、新加坡等共近 550 件專利作品，以及中華電信、台灣電力等近 80 家企業的創新成果。歡迎親臨 tie 現場，從各領域專利作品看見下一個改變產業與生活的創新，免費報名參觀現已開放，共同探索更多創新可能。

在美國拉斯維加斯所舉辦的黑帽（Black Hat）網路安全大會舞台上，資安專家 Netanel Rubin 和 Dan Avraham 帶來了一項重大發現，那就是某家大型零售商的 AI 購物助手，其安全防護機制居然能被輕鬆繞過，讓駭客透過 AI 聊天對話，使任意程式碼執行在業者的系統環境中。

資安專家指出，AI 購物助手薄弱的安全防護機制，如果落入不法之徒手中，即可能會讓攻擊者掌握徹底企業的內部系統，導致機密洩漏或取得能被用於後續攻擊的存取權限，讓公司與客戶同時受到威脅。

由 Netanel Rubin 和 Dan Avraham 所創辦的資安公司 Rein Security 表示，他們攻擊成功的零售業者是全美國三大零售商之一，並非只是某家正在嘗試導入 AI 聊天機器人的小型網路商店；同時研究員選擇的攻擊途徑，亦是該業者公開推出的行動版 App 其中內建的 AI 購物助手。

只不過，基於法律考量 Rein Security 並沒有詳細透露零售商的身份，換句話說 Netanel Rubin 和 Dan Avraham 的發現，暫時無法進行獨立驗證，消費者也無從得知，自己是否曾經使用過受影響的 AI 助手功能。

瞄準搜尋功能，發動提示詞注入

隨著 AI 技術發展，許多零售業者開始在自家的網路商店中，提供具有產品推薦、價格比較等功能的 AI 助手，但是為了回答某些問題，某些 AI 助手被允許獲得更大的搜尋權限，嘗試替消費者蒐集更多購物資訊，進一步使 AI 的檢索範圍超出購物網站本身，並導致零售商無法控制 AI 最終所呈現的內容。

換句話說，這些 AI 購物助手將有機會接觸、檢索到任何人，包含攻擊者刻意創造的內容與資訊，而 Rein Security 即是瞄準該漏洞，嘗試對零售商的 AI 購物助手發動攻擊。

在攻擊手法上，資安研究人員將指令嵌入至他們有辦法控制的內容中，並且讓 AI 購物助手成功檢索到這些資訊；然而，此時 AI 助手卻並非只把內容單純進行彙整，反而由於受到攻擊指令的操縱，將檢索到的部分資訊，視為自己必須遵循的新指示。

這種攻擊方法被稱為「間接提示詞注入（indirect prompt injection）」，利用隱藏在網站、文件、商品清單或其他素材之中的惡意程式碼，讓正常執行任務的 AI 被不正常的操縱。

防護機制不一致，搜尋欄成破口

但是，間接提示詞注入只是起點，這種手法還不足協助駭客入侵 AI 購物助手背後的運作環境。

Rein Security 說明，事實上他們所嘗試攻擊的零售業者，確實有為 AI 助手部署一層安全防護機制，用以檢視雙方的對話內容，並試圖讓 AI 專注於購物相關需求；若使用者的提問或回應，超出 AI 的職責範圍，那麼請求可能會被安全機制直接拒絕。

只不過研究人員也同時發現，該零售商對於安全防護機制的部署並不一致，即 AI 購物助手的主要聊天介面雖然設有防護，但行動 App 的搜尋欄卻沒有，因此他們可以透過防護較弱的輸入欄位，說服 AI 助手透露其內部設定的相關資訊，包括 AI 能夠使用的工具名稱，以及呼叫這些工具的相關語法等。

隨後，資安研究人員撰寫了另一組指令，要求零售業者的 AI 購物助手，在自身的運算環境內執行程式碼，最終 AI 助手回傳了系統的檔案清單與其他相關資訊，證明注入攻擊完全成功，外部人士給予的指令被 AI 確實執行。

任意執行程式碼，跨越重大防線

Rein Security 並沒有透露，究竟他們嘗試發動的攻擊可以讓 AI 助手存取到多深度、多內部的資源，例如是否包含客戶、支付或庫存資料系統等，但光是能夠讓程式碼成功執行這一點，就意味著資安研究人員已經成功跨越了一道重要的安全防線。

Rein Security 於今年 3 月 13 日正式通報了漏洞，然而截至 7 月 16 日，即通報後超過 90 天，該問題依然沒有獲得修復。

此外，研究人員亦強調，他們成功發動攻擊之後，並沒有存取到真實的客戶資訊、竄改任何人的訂單，亦未試圖干擾零售商的運作系統，同時是在受控環境下，使用自有的連線會話（session）進行獨立研究。

對話可以監控，但 AI 操作卻不行

即便導入 AI 購物助手的零售業者，只是希望利用 AI 技術，為顧客或企業內部團隊，建立購物清單、查核庫存、管理訂單，或者是完成購買流程，但每一項新功能卻都可能帶來新的潛在風險，即 AI 因為攻擊者的刻意欺騙，進而遵循了錯誤的指示。

在 Rein Security 發現的案例中，零售商雖然替 AI 助手部署了安全防護機制，但該機制卻無法掌握所有細節，這也造成了另一個盲點，那就是安全系統即便可以監控對話內容，可是並無法掌握 AI 於幕後進行的所有操作。

Rein Security 直言，研究人員從零售商行動 App 所解密出來的流量資料中，甚至可以見到 Google 地圖的 API 金鑰，假若攻擊者真的有心利用，那就可以透過該金鑰向 Google 發出未經授權的要求，並讓零售業者背上大筆使用費，或者嘗試把業者的流量配額消耗殆盡。

公開網路資料應預設對 AI 有害

對於一般消費者來說，想要主動防範這類漏洞，基本上是無能為力，畢竟 AI 系統設計方面的缺失，企業必須承擔起大部分責任。

因此，業者未來必須假設，任何從公開網路環境擷取的內容，全都可能包含有意誤導 AI 的指令，並且建立起適當的防護措施。而當 AI 購物助手被賦予更多權限時，若能被外界輕鬆誘騙而遵守錯誤指示，那麼連最實用的功能，最終也會轉變成安全風險。

消費者仍應避免向 AI 購物助手透露不必要的個人資訊，特別是當 AI 助手能夠存取過往訂單，或者帳戶的其他詳細資料時；保持 App 持續更新，亦能確保業者補上漏洞後第一時間取得修正，提高使用服務的安全性。

【推薦閱讀】

◆ 【開源 AI 安全警訊】中國 AI 開源模型能力逼近西方巨頭，但任何人都能下載並移除安全護欄
◆ 商品評論可能藏攻擊指令，零售業導入 AI 代理前該將哪些資安缺口補起來？
◆ 【AI 代理資安警訊】54% 企業已發生資安事件，卻對現行防護工具打出高滿意度

＊本文開放合作夥伴轉載，參考資料：CNET、Black Hat，首圖來源：Pixabay

（責任編輯：鄒家彥）

美國家居零售商 Home Depot 正將生成式 AI 助手「Magic Apron」擴大部署至全美超過 2,000 家門市，讓消費者即使已經走進店內，也能透過手機取得 AI 協助。《Marketing Tech》指出，這項布局意味著零售 AI 的應用場景正在突破傳統電商介面，進一步深入實體購物環境。

從線上走向貨架：將手機變成門市「購物導航與專案顧問」

Home Depot 最初在 2025 年 3 月推出 Magic Apron，定位為一套生成式 AI 工具，協助回答消費者商品與居家修繕相關問題、改善搜尋結果，並提供商品推薦、教學指引與評論摘要。如今，Magic Apron 每月已處理數百萬次顧客提問，Home Depot 持續擴充其能力，並將服務延伸至實體門市。

在門市場景中，Magic Apron 具備自然語言理解能力，並支援多國語言互動。顧客能透過文字、語音轉文字甚至上傳圖片表達需求；系統則會對應當前門市的貨架與走道位置，精準導航並指引顧客尋找商品。若現場缺貨，還能即時查詢其他門市的庫存狀況。

這讓 Magic Apron 的角色開始接近一種「實體購物搜尋引擎」。過去消費者在網路搜尋商品時，可以看到規格、價格、評論與庫存，但走進門市後，仍可能需要自行尋找貨架、詢問店員，或在不同資訊之間來回確認。Magic Apron 則試圖把這些資訊整合進手機介面，讓消費者在貨架前就能獲得更即時的商品與專案建議。

虛實庫存即時串接，實現真正的商務整合

Home Depot 互聯零售（Interconnected Retail）執行副總裁 Jordan Broggi 表示，Magic Apron 將企業的數位優勢導入實體場域，能協助顧客更高效率地尋找商品、取得專案指導並做成購買決策。Home Depot 同時強調，AI 的目的並非取代現場員工，而是作為補充性的資訊管道，讓門市同仁依然能扮演服務的核心角色。

這項布局最關鍵之處，在於 Magic Apron 並非獨立運作的對話機器人。Home Depot 成功將生成式 AI 與門市即時庫存、商品資料庫及室內地圖深度串接。這讓 AI 不僅能解答「這是什麼商品」，更能精準回答「附近哪家店有現貨」以及「在當前門市的哪一條走道」。

對零售業而言，這代表 AI 的價值已從單一數位管道，延伸至貫穿線上線下的完整購物歷程。傳統全通路（Omnichannel）往往是網站、App 與門市各自分立，再透過後台同步資料；當顧客、商品、價格與庫存數據能在前端即時連結，AI 才能真正成為串接虛實體驗的核心介面。

這也重新定義了「商品搜尋」的維度。消費者的購物旅程變得更具流動性——可能在家中透過 AI 發現產品並選擇規格，隨後走進門市完成購買；也可能已經站在門市貨架前，才開啟 Magic Apron 確認用途、比較規格或獲取施工指引。AI 介入消費決策的時間點，已一路延伸至實際交易發生的最後一哩路。

【推薦閱讀】

◆ 告別貨架缺貨痛點：美英零售巨頭導入 AI，Homebase 盤點時間砍掉逾 2 天

◆ 快速消費品巨頭如何迎戰供應鏈波動？金百利克拉克的數位分身與資料湖策略

◆ 數萬家餐廳怎麼導入 AI？KFC 母公司從統一資料、微調小模型到算 ROI

＊本文開放合作夥伴轉載，參考資料：《Marketing Tech》、Home Depot、《Retail Dive》，首圖來源：Unsplash

（責任編輯：廖紹伶）

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊Apple Siri AI 9 月 14 日 Beta 上線，首波僅支援英語、部分功能設使用上限

Apple 新執行長 John Ternus 上任後，首度主持大型產品發表會，並把 iPhone 定位為 AI 時代的「智慧個人中樞」。John Ternus 將隱私列為 Apple 與其他 AI 平台的主要差異，相關 AI 服務會盡可能在裝置端執行，需要更多算力時，才會透過 Private Cloud Compute 私密雲端運算處理，並由這套系統提供延伸至雲端的隱私保護。

延後多時的 Siri AI，將隨 iOS 27 在 9 月 14 日以 Beta 版推出，可以理解使用者的個人情境，並在 Apple 與第三方 App 中執行操作，首波支援超過 30 萬個應用程式。不過，Siri AI 初期只支援英語，法語、日語、韓語、西班牙語與葡萄牙語要等到 10 月，歐盟與中國市場也暫時無法使用。部分依賴大型伺服器模型的功能設有使用上限，多數 iCloud+ 方案可以取得較高額度。

＊NVIDIA 170 億美元取得 Groq 技術，傳遭美國司法部反壟斷調查

美國司法部正在調查，NVIDIA 與 AI 晶片新創 Groq 的 170 億美元交易，是否藉由技術授權形式避開反壟斷審查。NVIDIA 去年 12 月宣布，取得 Groq 晶片技術的「非獨家授權」，同時延攬 Groq 創辦人 Jonathan Ross、營運長 Sunny Madra 及多名高階主管，但沒有直接收購 Groq，Groq 也繼續獨立營運。

《紐約時報》引述兩名知情人士報導，美國司法部在交易公布不久後便展開調查，並已正式要求 NVIDIA 提供相關資料，以釐清交易架構是否刻意避開傳統併購案的監管程序。目前司法部尚未認定 NVIDIA 違法。NVIDIA 回應，這筆交易反映美國創新制度正常運作；報導則指出，如果司法部最終認定 NVIDIA 不當處理這筆交易，可能對公司處以罰款，但不太可能要求撤銷整項安排。

＊HBM 缺貨推高中國 AI 晶片成本，華為新卡報價傳最多漲五成

全球高頻寬記憶體 HBM 供應吃緊，開始推高中國自研 AI 晶片價格。《路透社》引述三名知情人士報導，華為（Huawei）預計第四季推出的 Ascend 950DT AI 加速卡，對客戶提出的價格已超過人民幣 25 萬元，約合新台幣 110 萬元，較兩個月前的報價上漲 20% 至 50%。寒武紀（Cambricon）尚未上市的下一代 690 晶片，報價也提高 20% 至 30%。

沐曦（MetaX）與天數智芯（Iluvatar CoreX）等中國業者，也傳出類似漲價。知情人士指出，美國自 2024 年底限制先進 HBM 出口中國後，中國晶片商愈來愈依賴灰色市場取得供應，相關 HBM 價格通常是中國以外市場的數倍。由於記憶體占 AI 加速卡生產成本相當高，供應壓力正直接反映在產品報價，也使中國推動國產晶片取代 NVIDIA 產品時，持續面臨成本與供應限制。

＊OpenAI 籲美國強制監管頂尖 AI，Anthropic 主管估滅絕風險逾 10%

OpenAI 呼籲美國政府，針對能力最強的 AI 系統，制定全國一致且具有強制力的安全規範。OpenAI 表示，單靠企業自願承諾已經不足，未來制度應依照模型能力調整，涵蓋安全測試、獨立第三方評估、資安防護及事故通報。OpenAI 也支持加州四項 AI 法案，其中 SB 813 與 AB 1405 已經簽署成法，建立第三方評估及稽核框架；另外兩項法案則聚焦 AI 生物威脅與兒少聊天機器人安全。

OpenAI 同時指出，可以自主改進並開發下一代模型的「遞迴式自我改進」，目前尚未發生，在確認能夠安全控制以前，業界不應追求這項能力。另一方面，也曾任職 OpenAI 的 Anthropic 前研究員 Jacob Coxon 宣布辭職，批評頂尖實驗室持續加快開發可能自我改進的系統。Anthropic 對齊研究主管 Evan Hubinger 則表示，他個人估計未來十年 AI 導致人類滅亡的機率超過 10%，但現有模型造成這類風險的可能性仍低。這項數字是研究員的個人判斷，不代表 Anthropic 的正式預測。

＊OpenAI 稱與三星共同研發次世代晶片，三星未證實合作細節

OpenAI 表示，正在擴大與三星電子（Samsung Electronics）的合作，涵蓋次世代晶片及企業 AI 服務。OpenAI 韓國總經理 Harrison Kim 在首爾舉行的記者會表示，雙方在次世代晶片的共同生產與研究方面已取得進展，但沒有說明晶片類型、雙方分工或產品時程。三星電子則表示，無法確認與客戶有關的資訊，因此目前仍無法確定三星在晶片開發及生產過程中的實際角色。

OpenAI 今年 6 月公布首款客製化 AI 推論晶片 Jalapeño，由 OpenAI 工程團隊與博通（Broadcom）共同設計，並交由台積電（TSMC）生產。三星電子與 SK 海力士（SK Hynix）先前也已簽署意向書，計畫為 Stargate 資料中心供應記憶體。OpenAI 同時表示，截至 8 月底，韓國企業與機構的 ChatGPT Enterprise 用戶數較一年前增加約 28 倍；三星電子也是 ChatGPT 全球規模較大的企業部署案例之一，但 OpenAI 沒有公布實際用戶數。

＊韓國擬投入 4.7 兆韓元打造主權 AI，占 2027 年 AI 預算一半

韓國科學技術情報通信部規劃投入 4.7 兆韓元，約合新台幣 1,100 億元，推動本土尖端 AI 模型，目標是讓韓國自研模型達到全球前沿水準。韓國政府計畫為此設立獨立基金，相關經費將納入科技部提出的 2027 年預算案；該預算案編列的整體 AI 經費為 9.4 兆韓元，因此這項基金規模約占一半。

不過，這項計畫仍處於預算與制度規劃階段，資金配置、參與團隊、模型規模及開發時程都尚未確定。韓國科技部長裴慶勳（Bae Kyung-hoon）表示，在美中科技競爭持續升高的情況下，韓國必須建立自主的「主權尖端模型」，避免在核心 AI 能力上淪為其他國家的附庸。

＊台灣前 8 月對美出超創高，對韓記憶體入超突破 400 億美元

財政部公布最新進出口統計，台灣 2026 年前 8 個月對美國出超達 1,407 億美元，創歷年同期新高，距離 2025 年全年 1,500 億美元紀錄只差 93 億美元；對南韓入超則達 422 億美元，同樣改寫紀錄，其中記憶體入超達 403 億美元，是對韓入超擴大的主要因素。

財政部分析，近三年台灣對美出超與對韓入超同步擴大，反映美國、台灣與南韓在 AI 浪潮及全球半導體供應鏈中的分工。台灣 8 月整體出口達 824 億美元，創歷年單月新高、年增 41%；對美出口則達 236.7 億美元，年增 20.7%，主要增幅來自資通與視聽產品、電子零組件及電機產品，並已連續 37 個月成長。

＊Visa、Mastercard 聯手螞蟻國際，共建 AI 代理支付驗證框架

Visa、Mastercard 與螞蟻國際（Ant International）宣布合作，共同開發名為 Know-Your-Agent 的 AI 代理驗證框架，因應 AI 代理從提供消費建議，進一步走向替使用者完成購買與付款。三家公司原本各有自己的代理支付協定，這次將推動跨系統互通，讓信用卡網路、電子錢包、AI 代理平台及電商網站，可以辨識經過驗證的可信任 AI 代理。

各家公司仍可保留自己的交易核准與風險管理制度，但透過共通框架，可以降低不同平台重複整合的成本，也有助於加快 AI 代理服務上線。這項合作目前仍處於開發階段，尚未成為全面採用的全球支付標準。三家公司將透過新加坡金融管理局召集的 BuildFin.ai 平台，與金融機構、科技業者及研究人員推動後續開發。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Reuters》、《New York Times》、《Reuters》、《Reuters》、《The Guardian》、《Reuters》、《Yonhap News》、《The Verge》、財政部、《Reuters》，首圖來源：AI 生成圖。

在工廠導入一台人形機器人，到底要花多少錢？機器人公司 Agility Robotics 提交證券文件，首度公開較完整的旗下雙足人形機器人 Digit 成本。《Business Insider》報導，以文件列出的其中一種商業模式來看，下一代 Digit v5 售價約 20 萬美元，另需約 2 萬美元的一次性部署費；投入運作後，每台機器人每年還有約 3.6 萬美元的軟體與維護費用。

可運作 20 小時、負載近 23 公斤：Agility 揭 Digit 機器人商業化算盤

《Business Insider》指出，若以 Agility 假設的 5 年使用年限計算，一台 Digit 的總成本（包含機器人、部署費、每年軟體與維護費用）約為 40 萬美元。不過，Agility 強調，這些數字只是用來估算 Digit 商業模式的示意值，並不代表實際客戶最後支付的金額。

Agility 也表示，實際合約價格仍須逐案協商。至於 5 年使用年限，並不代表 Digit 運作 5 年後就會停止，而是公司為了進行成本與效益分析所採用的假設。即便如此，Agility 認為，企業導入 Digit 後，有機會在相對短的時間內回本。

Agility 在文件中指出：「根據我們目前的規劃假設，預計 Digit v5 約可在 1.1 年內達到客戶損益兩平。」這項估算主要考量機器人的生產力、運轉時間，以及勞工的可用程度，但公司並未進一步公開具體的投資報酬計算方式。

在運作能力方面，Agility 表示，Digit 設計上可在 24 小時內運作約 20 小時，讓企業能提高機器人的使用率；其最大負載約為 50 磅（約 22.7 公斤）。目前，Digit v4 已部署於 9 家客戶的工廠，包括 Schaeffler、GXO、Toyota Motor Manufacturing Canada 及 Amazon，累積運作時間已超過 6.5 萬小時。Agility 表示，Digit 已證明能在實際生產環境中安全且可靠地運作。

從單純搬運走向「人機協作」：Agility 新一代機器人鎖定工業級實戰

Agility 共同創辦人 Jonathan Hurst 曾告訴《Business Insider》，Digit 目前負責的工作仍以較簡單的任務為主，例如揀取、搬運箱子與貨箱。Agility 預計在今年稍晚推出下一代 Digit v5。相較於目前的版本，Digit v5 將進一步瞄準人機協作場景。Agility 表示，v5 的設計目標，是打造首款具備協作安全能力的 AI 人形機器人，讓機器人能在人類工作者身旁運作，並承擔更多原本需要人工完成的工作。

在商業布局方面，Agility 表示，目前已取得超過 3 億美元的 Digit v5 多年期訂單，不過部分訂單仍須達成特定合約里程碑。此外，公司手上還有超過 30 家客戶的潛在訂單，反映企業對人形機器人的導入需求持續升溫。《Business Insider》補充，目前少有人形機器人業者公開產品價格。中國 Unitree Robotics 宣稱，其 G1 人形機器人起價約 1.35 萬美元，但目前主要鎖定研究與開發用途，與工廠等工業應用仍有差異。

＊本文開放合作夥伴轉載，資料來源：《Business Insider》、Agility 1、Agility 2，圖片來源：Agility。

Dynamic Creatures 是一家從 Boston Dynamics 分拆出的新創公司，近期正式亮相，專注為主題樂園與零售場景打造機器人。執行長 Marc Theermann 表示，機器人的安全性必須「從根本重新思考」，因為他希望打造出讓人們願意親近、擁抱的機器人。

陪伴型機器人是趨勢？Danielle 用可愛設計跨越人機互動藩籬

《FORTUNE》報導，Danielle 有一雙大眼睛、毛茸茸的耳朵，一身卡通感的薰衣草紫色毛髮，乍看就是一隻貴賓狗，實際上卻是機器人。「Danielle 是我們基於 Boston Dynamics 的 Spot 平台打造的機器人。」Marc Theermann 表示，Spot 是 Boston Dynamics 最知名的機器狗之一。他認為，大眾對機器人有興趣，但現有機型看起來都像從科幻電影裡走出來的，如果真的要讓人們接受機器人，它們就必須可愛、討喜。

《FORTUNE》記者描述，Danielle 的眼睛藏在紫色眼皮下，可以轉動，嘴巴和四肢也都能活動。這是 Marc Theermann 手上兩款陪伴型機器人原型之一，另一款名為 Hugo，是一隻以阿爾卑斯山地傳說為靈感的山地巨魔。

Marc Theermann 表示 Boston Dynamics 收到許多各方邀約。他轉述邀約包含：「（機器人）能不能來我的活動？能不能去 FIFA？能不能來我們的足球賽，中場表演跳個舞？」任職 Boston Dynamics 期間，Marc Theermann 也看著機器人登上《美國達人秀》，也與美國歌手 Katy Perry 和英國樂團 The Rolling Stones 同台；Spot 機器狗還短暫客串《星際大戰：曼達洛人》，對身為終生星戰迷的 Marc Theermann 本人意義重大。Marc Theermann 說，這些經驗都顯示市場確實存在需求，而且人們非常期待能與機器人有更多互動。

娛樂型機器人搭上 AI 熱潮，迎中美軟硬體分工新世代

資金也正流向同個方向。《FORTUNE》提及，隨著 AI 熱潮持續，投資人大舉投入機器人產業，PitchBook 最新資料顯示，2026 年第二季，機器人與實體 AI 新創共募得 186 億美元，創歷史新高。Marc Theermann 表示：「成立一家機器人公司的門檻正在降低。這不是一件容易的事，仍需要大量資本，但相比 10 年前，現在確實更有可能做到。」

《The Next Web》指出，娛樂型機器人最早的發源地其實在歐洲。巴黎機器人公司 Aldebaran 於 2005 年成立，推出過 Nao 與 Pepper，但去年 2 月聲請破產，6 月進入接管程序，同年 7 月由深圳企業 Maxvision 收購 Nao 與 Pepper 背後的核心資產。

也就是說，這個由法國公司開創的機器人類別，最終落入中國買家手中；如今的娛樂型機器人則由一家美國軟體公司重新打造，硬體主要來自中國。不過，巴黎並沒有放棄人形機器人。由前 Tesla Optimus 研究員創立的 UMA 正在巴黎打造人形機器人，並表示將優先布局歐洲市場。

《Semafor》提及，在產業分工上，Dynamic Creatures 負責開發軟體，機器人硬體則向 Unitree、AgiBot 與 Boston Dynamics 採購。其中 Unitree 與 AgiBot 為中國企業，Boston Dynamics 則由現代汽車集團持有多數股權。

對於這類娛樂型、具高度互動性的機器人，歐洲已有相應的法規框架。《機械法規》（Machinery Regulation）將於 2027 年 1 月 20 日取代現行的《機械指令》（Machinery Directive），首次把 AI 驅動的安全功能，以及具備自我演化行為的機械納入規範。

《The Next Web》補充，這兩類產品都必須經公告機構認證，不能僅由製造商自行聲明符合規範。依法規，限制機器移動速度或移動距離的規格也屬於安全功能，例如機器人自行判斷該用多大力道抱住一名孩童，就明確屬於這一類。

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

OpenAI 旗下 AI Agent 越界的「Wiki 事件」還在擴大，繼先前被發現利用德國 Wiki 交換資訊後，獨立研究者又找到更多活動足跡，顯示實際活動範圍比先前揭露的更廣。而幾乎同一時間，Anthropic 也公布自家 Agent 的最新事故調查，發現原先在 7 月揭露 3 起 Claude 意外存取真實第三方系統的事件，如今又找到第 4 起。

延伸閱讀：OpenAI Agent 把德文 Wiki 變留言板，為何他們早就知道卻沒有公開？

《Reuters》9 月 9 日取得 6 組獨立調查結果指出，OpenAI 的 Agent 今年稍早至少曾利用 10 個先前未公開的網站進行未經授權的通訊，部分研究團隊追查到的網站甚至更多。Anthropic 方面在重新分析後承認，先前將事故較偏向歸因於環境設定錯誤的說法並不完整，模型本身也出現「偏誤推理（biased reasoning）」與「魯莽行為（recklessness）」等問題。

這兩起事件的成因不同，卻共同突顯 AI Agent 發展後的新難題：當模型可以長時間自主尋找工具、嘗試不同路徑並執行任務，安全問題已經不只是在上線前確認模型會不會越界，還包括異常發生後，企業能不能及時發現、阻止，甚至還原 Agent 究竟做過什麼。

外部研究者循線追查，OpenAI Agent 活動範圍比原先揭露更廣

OpenAI 這批 Agent 原本具有網路讀取能力，但受到不能任意向網站寫入內容的限制。研究者認為，為了完成被交付的研究任務，Agent 轉而利用舊式 Wiki、文字儲存網站與大學提供的縮網址服務等管道留下資訊，形成原先未被允許的通訊方式。

「Wiki 事件」範圍之所以持續擴大，關鍵在於外部不同研究團隊開始沿著 Agent 留下的數位足跡交叉比對。《Reuters》指出，研究者會把德國 Wiki 上出現的特定資料字串，與其他網站同期留下的相同內容比對，也會追查相同或相似的使用者名稱，以及是否都在回答同一批冷門研究問題，例如愛荷華州癌症盛行率。部分活動還能追溯到指向 Microsoft Azure 基礎設施的 IP 位址，而 OpenAI 有時會使用 Azure。

各團隊統計結果並不完全相同，《Reuters》也無法逐一驗證所有網站，但受訪的 6 組研究者都認為數量超過 10 個。Yoon 認為，Agent 未經授權通訊的範圍比原先想像更大，而且目前「幾乎可以確定」還有外界尚未掌握的活動。率先揭露德國 Wiki 事件的 Sydney Von Arx 團隊則統計出 23 個可信的未公開網站，同樣強調目前仍不知道完整規模。

OpenAI 沒有直接回答 Agent 究竟使用多少網站，也沒有說明為何相關活動數月沒有公開。該公司向《Reuters》表示，目前正在進行更廣泛的 Agent 活動檢查，但尚未發現其他嚴重程度或規模與先前 Hugging Face 事件相當的行為，並正在制定模型出現偏離預期行為時的事故揭露框架。該報導刊出後，多倫多大學也表示，OpenAI 已聯絡校方確認其縮網址服務可能遭 Agent 使用。

推薦閱讀：OpenAI 公布 Hugging Face 事件完整調查，1,200 個 AI Agent 如何從解題走向攻擊？

Claude 為什麼越界？Anthropic 修正第一次判斷

Anthropic 最新調查暴露的則是另一個問題：即使已經知道事故發生，也不一定能立即判斷模型為什麼這麼做。

這 4 起事故都發生在第三方建立的資安評測中。Claude 被告知自己身處沒有網路的模擬環境，但評測系統因設定錯誤，實際上仍能連到公開網路，而且測試使用的是移除一般產品資安防護機制的模型。每次執行持續約 10 至 34 小時，最後 Claude 對真實第三方系統採取未經授權的行動。

Anthropic 在 7 月第一次調查時，較傾向將事件視為「營運失誤（operational failure）」：Claude 誤以為碰到的真實網站也是模擬環境的一部分，因此繼續執行任務。

但重新檢查模型推理紀錄、重跑部分情境並進行可解釋性分析後，Anthropic 修正了這項判斷。研究團隊發現，Claude 有時已經取得不少顯示自己可能身處真實網路的證據，卻會選擇性解讀資訊，讓「這仍是模擬環境」成為有利於繼續執行任務的結論，Anthropic 將此稱為「偏誤推理」；另一種「魯莽行為」，則是模型即使察覺行動可能造成傷害，仍傾向為完成眼前任務繼續行動。

其中 Claude Mythos 5 的案例最明顯。模型為完成資安測試，在 Python 套件平台 PyPI 發布 3 個版本的惡意套件，共有 15 個外部系統下載，其中一套系統洩漏憑證，Claude 接著利用該憑證存取一家真實資安公司的資料庫。Anthropic 後來刻意增加「這是真實網路」的訊號重新測試，模型雖更常承認可能造成真實傷害，卻沒有明顯減少攻擊行為，直到證據已非常明確才停止。

這代表部分 Agent 安全問題未必只是沒有辨識出限制，也可能是模型在追求任務目標時，對環境訊號做出有利於繼續完成工作的解讀。不過，Anthropic 強調，這 4 起事件都只有單一 Claude 執行原本被交付的任務，沒有發現模型建立新的自主目標、彼此協作或刻意隱藏行動的證據，不能與 OpenAI Agent 彼此通訊的情況直接畫上等號。

AI 出事誰負責？問題開始從模型安全走向事故治理

這些案例也顯示，找到事故本身正在變得更困難。Anthropic 7 月原先掃描約 14.1 萬份可能接觸網路的紀錄，只找出 3 起事故；直到準備將資料交給獨立 AI 研究機構 METR 時，才發現另一批紀錄也具有網路權限，進而找到第 4 起。該公司隨後把調查擴大到約 4.81 億份紀錄，再從中進一步檢查約 920 萬份可能涉及網路活動的紀錄，最終沒有找到其他同等或更嚴重的案例。

OpenAI 事件則讓另一個問題浮上檯面：當 Agent 真的影響第三方網站，責任應由誰承擔？替包括 DseWiki 在內 6 個受影響 Wiki 提供軟體與主機空間的 Helmut Leitner 告訴《Reuters》，DseWiki 管理者花了數小時清理 Agent 留下的內容，而他是在《Reuters》將調查結果提供給 OpenAI 後，才收到公司寄來的通知。Leitner 認為，不能把問題歸咎於一台被想像成具有道德判斷的機器，責任仍在「它背後的人與組織」。

兩家公司現在正開始補上事故處理機制。Anthropic 將接下來的安全策略形容為「多層防禦（defense in depth）」。該公司坦言，如果最初的評測環境確實與公開網路隔離，這 4 起事故本來就不會發生，但基礎設施隔離只能是其中一道防線；即使這一層因設定錯誤而失效，模型本身仍應辨識風險並停止行動，而執行期間也需要監控機制及時攔截異常。

也就是說，防線開始從單一的事前測試往不同階段延伸：任務開始前，要限制 Agent 能接觸的系統與權限；執行期間，要監控異常網路存取與模型行為；事故發生後，還要保留足夠紀錄，追查完整影響範圍並決定是否對外揭露。

Anthropic 已強化訓練與評測環境、增加即時監控，並把 4 起事件交由 METR 獨立調查，也準備建立定期公開模型異常行為與相關安全風險的流程。OpenAI 則正在制定事故揭露框架，要釐清模型在訓練、評測與部署期間出現偏離預期行為時，哪些情況需要對外報告。

不過，企業自行建立規範之外，目前美國仍缺少一致的外部通報制度。《Axios》報導，川普政府正在制定的新 AI 框架並沒有納入公開事故通報程序；美國國會目前也尚未立法界定什麼情況構成 AI 事故、應在多久內通報，以及由誰負責調查。相較之下，歐盟《AI Act》已要求最強大的 AI 模型供應商向監管機關通報嚴重事故。

【推薦閱讀】

◆ 台灣開始思考 AI Agent 怎麼管，數發部點出能力、身分、問責等六個治理層次

◆ OpenAI Agent 把德文 Wiki 變留言板，為何他們早就知道卻沒有公開？

◆ Anthropic 三情境拆解 AI 經濟衝擊：極端情境 GDP 增 32%、失業率恐近 12%

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Fortune》、Anthropic、《TechCrunch》、《AXIOS》、Nightingale Collective，首圖來源：Unsplash

Anthropic 最新研究指出，AI 未來四年可能對美國經濟帶來程度截然不同的影響。較溫和的情況下，AI 對經濟的改變可能類似網際網路；若發展速度更快，影響力則可能接近網際網路與電力同時出現的程度。至於最極端的情況，AI 帶來的經濟變化沒有可供比照的先例。

若實際發展接近這些情境，AI 可能推動經濟大幅成長，同時也會帶來深遠的政治影響。尤其在經濟成長強勁的情況下，AI 對白領工作的衝擊最為劇烈。

Anthropic 預測 2030 年 AI 經濟衝擊：三種情境揭示 GDP 與就業市場變化

Anthropic 經濟學家 Anton Korinek 指出，未來一、兩年就能逐漸看出 AI 將對經濟帶來多大影響。不過，其他經濟因素可能掩蓋 AI 初期帶來的變化，因此要到接近 2030 年時，不同發展情境之間的差距才會更加明顯。Anthropic 也推出互動工具，讓使用者自行測試不同的發展情況。

Anton Korinek 表示，在溫和情境（modest）情境下，到 2030 年，AI 只會應用在約 4% 的經濟活動中。相較於沒有 AI 的情況，GDP 將增加 1.6%，就業市場受到的影響也相對有限，失業率不會出現明顯變化。

研究顯示，若 AI 發展進入顯著情境（substantial），AI 的應用範圍將擴大至 12% 的經濟活動，而且主要用途將是取代人力，而非輔助員工。到了 2030 年，GDP 將較沒有 AI 的情況增加 8.3%，失業率則小幅升至 4.6%。至於極端情境（extreme），AI 將承擔接近整體經濟三分之一的工作，而且大部分工作都是直接取代人力。此時，2030 年 GDP 將增加 32%，失業率則可能接近 12%。

不過，Anthropic 經濟學家 Peter McCrory 強調，這些情境並不是注定會發生的結果，也不代表 AI 發展必然會走向其中任何一條路。他表示，建立不同情境的目的，就是協助各界提前思考可能的未來，因為人們仍有能力影響最終會出現哪一種結果。

工程師未來會轉行當水電工？研究預測 AI 時代職業洗牌

《Tom’s Guide》引述研究的圖表指出，知識工作者的薪資基本上沒有明顯變化。部分原因在於，Anthropic 並不是單純判斷一份工作會不會被 AI 取代，而是將不同職業拆解成一項項工作內容，再分別評估 AI 能否提供協助、完全自動化，或仍需要由人來完成。

以 Anthropic 在模型中提出的護理工作為例，AI 可以協助撰寫出院指示、監測病患狀況，或安排照護時程，部分行政工作甚至可能在未來完全交由 AI 自動處理。但 AI 聊天機器人不可能替病患洗澡。因此，部分數位工作的需求可能下降，但 AI 帶來的生產力提升，也可能在其他領域創造更多人力需求。

營建業就是另一個例子。若 AI 能大幅縮短基礎建設的設計與取得許可所需時間，原本不具經濟效益的工程可能因此變得可行。這些工程仍需要人力施工，進而可能推升對營建工人的需求與薪資。當 AI 的自動化程度提高到足以讓企業不再需要那麼多人從事某項工作時，情況就會有所不同。Anthropic 認為，程式設計師與客服中心工作人員，未來可能轉向受 AI 影響較小的職業，例如護理師或電工。

而人們能否順利完成這類轉職，恰好是 Anthropic 模型中最重要的變數之一。若 AI 淘汰工作的速度快過被取代員工轉往其他職業的速度，失業率就會上升。《Tom’s Guide》說明，這也是為什麼對於模型中較極端的結果，需要抱持較審慎的態度。

白領階級首當其衝？極端情境就業人數降幅超過 20%

從就業來看，衝擊主要集中在白領工作者身上。在研究的顯著情境情境下，就業人數將下降約 4%；在極端情境，降幅則超過 20%。從更大的經濟分配來看，在所有情境中，AI 都會讓所得分配從勞工轉向投資人，而且隨著 AI 承擔越來越多工作，這種差距也會進一步擴大。

研究提及，在 AI 對經濟影響最大的情境下，到 2030 年，勞工所得占比將從 60% 降至 45%。即使整體經濟規模約增加三分之一，勞工群體合計獲得的所得，仍與完全沒有 AI 的情況差不多。《Axios》提及，這可能引發一場政治角力，爭論經濟規模大幅擴張後，新增的財富究竟由誰受益。

《Axios》引述研究指出，模型排除了經濟衰退與金融動盪等因素，包括 AI 導致的失業可能削弱消費，進而引發其他產業裁員的連鎖效應。可能進一步自動化實體工作的機器人技術進展，也未被納入模型。

這三種情境並未涵蓋所有可能的未來，包括反對興建資料中心、要求暫停 AI 開發等政治阻力。《Axios》補充，研究並沒有納入 AI 本身可能帶來的風險，Anthropic 旗下 3 名研究人員警告，先進 AI 可能對人類的生存構成威脅。

＊本文開放合作夥伴轉載，資料來源：《Axios》、《Tom’s Guide》、Anthropic，圖片來源：Anthropic。

近年科技展上的人形機器人，已經能夠行走、避障、搬運物品，甚至完成過去難以想像的精細操作；但當人們真正站到機器人面前，嘗試與它交談時，它還是可能出現聽錯指令、在錯誤的時間回應等問題，甚至只要周圍多出幾個說話者，就無法判斷聲音從哪裡來。

冰島的聲學模擬與空間音訊技術公司 Treble Technologies，其共同創辦人暨商務長 Gunnar Pétur Hauksson 認為，機器人能不能被人類廣泛接受，最後不只取決於它看得多準、走得多穩，更取決於人們能否自然地與它溝通。

因為語音互動直接影響的不只是便利性，還包括信任、安全與工作效率。

機器人的顯性動作容易量化，可以作為明顯指標

機器人公司通常會先發展「看得懂」和「動得了」的能力，因為這些能力比較容易測試和展示；例如可以計算機器人走路的速度、成功拿起物品的次數，以及辨認物體的準確率，而且這些成果也很容易透過影片讓大家看見。

此外，電腦視覺技術已經發展得相當成熟，相關的資料、AI 模型和訓練工具都比較完整；像NVIDIA Isaac Sim 這類模擬平台，還能讓工程師在虛擬環境中反覆測試機器人如何走路、避開障礙物和拿取物品，不必每次都在真實世界中測試。

問題是，這些訓練環境大多以視覺資訊為核心，幾乎沒有真正的聲音。這並非業界沒有意識到聽覺的重要，而是在運算資源、工程人力和商業競爭下，開發者自然會優先處理資料充足、指標明確，而且成果容易展示的能力。

但現實是機器人的工作環境並不是無噪音的。工廠有機械運轉聲，展場同時存在多人交談，街道上有車流，家中也可能出現電視、人聲和移動中的聲源。聲音還會受到牆面反射、空間大小和物體材質影響。人類可以在這些混亂條件下辨認對話，現有機器人卻常在離開安靜實驗室後失去穩定性。

而人類對溝通錯誤的容忍度，往往比對動作的瑕疵更低。一台走路稍微僵硬的機器人，仍可能被視為可以使用；但如果它反覆聽錯、答非所問，或者回應節奏總是慢半拍，使用者很快就會感到厭煩。

演化留下的線索：聽覺是一層持續運作的重要感知

具有生物學背景的 Hauksson 從人類演化提出另一個觀察，他指出，在人腦處理感官資訊的資源分配中，視覺占比最高；聽覺雖然較低，但依不同情境估計仍占感官處理工作量約 15% 至 20%，是僅次於視覺的重要感官。

人類投入大量資源處理聲音，反映聽覺對於辨識環境、判斷意圖和維持溝通的重要性。若生物智慧需要如此可觀的聽覺能力才能在物理世界生存，機器人也很難只靠攝影機完成相同任務。

再者，聽覺與視覺扮演的角色也不相同。視覺主要處理視野範圍內的資訊，聲音卻能提醒人們注意身後或遠處正在發生的變化。透過音量、方向和頻率，人可以判斷物體正在接近還是離開；透過語速、停頓和語氣，也能辨認對方是平靜、急迫還是具有敵意。因此，聽覺不是視覺的附屬功能，而是一層持續運作、補足視覺盲區的感知系統。

語音更不只是把一串文字轉成聲音而已。人類溝通還包含節奏、回應時機、細微語調和情緒訊號。同一句話在不同語氣下，可能傳達完全不同的意圖。機器人若只能辨識字面內容，卻無法理解這些聲音線索，就仍然難以真正進入人類的社交與工作環境。

機器人聽覺卡關：音訊資料難蒐集，模擬又耗運算資源

機器人聽覺發展落後的另一個原因是，高品質音訊資料難以大量取得。視覺模型可以從網路蒐集圖片，再進行分類與標註；聲音一旦脫離錄製環境，許多關鍵脈絡就會消失。

同一句話在不同房間、距離、方位、麥克風和背景噪音下，機器收到的訊號可能完全不同。若要保留這些條件，真實世界的採集與標註成本便會迅速提高。

利用模擬資料訓練是一條可能的出路，但聲音會受到空間形狀、牆面材質和周圍環境影響。場景中看似很小的變化，都可能改變聲音的反射、變小或變大的程度，以及抵達麥克風的時間。因此，要準確模擬聲音，需要大量運算。過去多數系統只能用較簡單的模型，生成的聲音也就不一定像真實環境。

聲學模擬成解方，聽覺或成機器人下一競爭戰場

不過這個問題正在逐步改善。Treble Technologies 正打造高精度聲學模擬平台與 Treble SDK，希望生成包含空間聲音、設備特性和聲音方向的合成資料，讓模擬環境更接近真實世界。

依 Treble Technologies 的說法，相關平台已被多家科技公司用於開發音訊系統，這代表聲音資料未來可能不必完全依賴昂貴、難以大量取得的真實錄音，而能透過模擬持續產生，成為 AI 訓練的重要資源。

總體而言，聽覺和語音互動可能成為機器人產業在未來的主要競爭點。這項能力的重要性，也來自人類對溝通失敗格外敏感。

動作不夠流暢，可能只是技術尚未成熟；反覆聽錯與答非所問，卻會讓人直接懷疑機器是否可靠。

隨著聲學模擬逐步成熟，過去卡在資料取得與真實環境重現的聽覺 AI，才有機會走向類似視覺模型的規模化訓練。

＊本文開放合作夥伴轉載，參考資料：《The Robot Report》、《M4Snews》，圖片來源：Unsplash

（責任編輯：鄒家彥）

因為找不到價格合理、又具備一定靈活度的機器人靈巧手，Gesture Platforms 創辦人 Will 決定自己做一隻。這個原本從興趣開始的個人專案，經過數年開發，今年進一步登上 Kickstarter 募資，最終募得 12.37 萬美元，是原定 6 萬美元目標的 2 倍以上。

由鴻海科技集團、科技報橘與三創育成共同舉辦的 333 Robots Community Meetup，就邀請到 Will 分享 Gesture HW1 的開發歷程，現場也由 RCL 人型格鬥機器人競技聯盟帶來實機表演賽。333 Robots Community Meetup 是每月舉行的 AI 機器人開發者交流活動，從一人開發的靈巧手，到自己設計、製作機器人的開發者，這場聚會也呈現機器人開發工具逐漸容易取得後，正在累積的實作能量。

從興趣做到募資，Gesture 想填補靈巧手中間的價格空缺

Will 分享，當初開始開發 HW1，就是因為市面上很難找到符合需求、價格又能負擔的靈巧手。在他的觀察中，一端是約 100 至 200 美元、可自行 3D 列印的 DIY 方案，另一端則是可能要價 1 萬至 2 萬美元以上的產品，而 Gesture HW1 就是要填補兩者之間的空缺。

HW1 具備 10 個自由度，手腕也能活動。Will 第一版先把重點放在價格與使用門檻，希望讓開發者、創客，以及剛開始接觸機器人硬體的人，也能取得一套真正可以拿來操作的靈巧手。

而為了壓低成本，Will 目前主要由一人負責研發，許多零件也持續採用 3D 列印，並不急著投入成本較高的射出成型開模。這不只降低製造費用，也讓硬體設計需要修改時，可以快速重新製作零件。控制軟體同樣由他自行開發，可透過遊戲控制器、資料串流或 CSV 檔案操作，並提供 SDK 給希望進一步開發的使用者。

不過，從原型走向真正可以交付的產品，仍有下一道門檻。目前 HW1 大部分零件仍以 3D 列印製作，接下來還要處理金屬加工、客製馬達與耐用度等問題。

機器人上擂台，從結構、程式到招式都得自己做

活動另一側，機器人則直接上了擂台。RCL 現場安排 1.2 公斤輕量級與 4 公斤級表演賽，規則是把對手機器人擊倒、自己保持站立即可得分。但這些機器人多數並非購買現成套件，除了馬達等零件外，選手自己處理結構、程式與動作設計，再根據對戰結果持續修改。

有人替機器人設計出翻滾後用雙腳夾倒對手的「剪刀腳」，也有人刻意把左右手做成不同結構，一邊用撈、一邊用拍，因應不同對手改變打法。而這些開發者不少仍是高中與大學生，有人從小學六年級開始接觸，至今已累積 8、9 年經驗，也有人持續投入 4、5 年。

RCL 聯盟共同創辦人胡哲瑋分享，約十年前，他與幾位喜歡動手做的老師及自己的學生開始投入人形機器人格鬥，後來逐漸發展出固定的競賽與教學活動。他坦言，「對我來講，台灣很缺乏做『系統整合』的人才。」機器人本身就是結合結構、電子電路與軟體的高度整合產品，因此他希望讓學生從實際製作中，學習怎麼把不同技術整合成一套真正能運作的系統。

胡哲瑋也提到，投入教學多年後，已經有學生進一步投入相關產業，目前有兩、三位在大型企業或國際機器人公司實習與工作。

下一場聚焦 LeRobot，從開源生態到實機操作

333 Robots Community Meetup 9 月場將在 9/16 登場，聚焦 LeRobot 開源生態、實戰分享與實機體驗。科技報橘社長戴季全將分享 LeRobot 的實戰體驗與觀察；AI Agent 工程師、社群專家 Ivan Lee 將深入解析 XLeRobot 的技術與應用；NVIDIA DLI AI 白金級大使、國立臺灣科技大學資訊工程學系兼任助理教授曾吉弘，則將從 LeRobot 體系出發，介紹整體架構與相關開發資源。

現場也將設置「機器人體驗操作區」，展示 LeRobot 系列 SO-ARM101、reBot Arm，以及 LeKiwi、XLeRobot、Amazing Hand、Reachy Mini 等平台，讓參與者近距離觀摩與實際操作。已有 LeRobot 設備的開發者，也可攜帶自己的機器人到場交流，現場並將提供檢修服務。

【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

◆ Hugging Face、宇樹科技都加入：Arm 擴大實體 AI 生態系，同步推機器人六級能力框架

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

＊首圖來源：《TechOrange》拍攝。

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊Amazon 最高可採購 600 億美元高通 AI 晶片，高通進軍 NVIDIA 資料中心地盤

高通（Qualcomm）與亞馬遜（Amazon）簽訂長期合作協議，Amazon 未來可向高通採購最高 600 億美元的 AI 資料中心晶片及相關產品。雙方將共同開發多代客製化晶片，主要用於執行訓練完成的 AI 模型，並合作開發最高達 1.6 Tbps 的高速光連接技術，因應 AI 資料中心的頻寬需求。高通也將擴大使用亞馬遜網路服務（AWS）協助晶片設計，希望縮短開發週期。

不過，600 億美元是採購上限，不是 Amazon 已經一次下單或高通可以直接認列的收入。高通另提供 Amazon 價值約 40 億美元的認股權證，將隨產品採購進度分階段生效。Amazon 也加入 Microsoft、Meta 等支持高通資料中心布局的客戶行列。高通預期，相關合作將協助資料中心晶片年營收在 2029 年達到 150 億美元，降低公司對手機市場的依賴。

＊Google 砸 151 億美元建芬蘭 AI 基礎設施，首度在美國以外簽核電長約

Google 宣布，將在 2027、2028 兩年間，於芬蘭投資至少 130 億歐元，約 151 億美元，這也是 Google 至今在歐洲規模最大的單筆投資。資金將投入哈米納（Hamina）等四個地區的資料中心及周邊基礎設施，涵蓋電網升級、潔淨能源與電池系統，用來支援 Gemini、搜尋、地圖及 YouTube 等服務。Google 預估，新設施營運後每年可直接或間接支持約 7,000 個工作機會。

Google 同時與芬蘭能源公司 Fortum 簽訂 22 年購電協議，也是 Google 首度在美國以外簽署核能購電合約。協議將在 2028 年先以較小容量啟動，2030 到 2049 年間，Google 將取得洛維薩核電廠最多 50% 的發電容量。這份長約也將支持電廠延役及升級至 2050 年。芬蘭的低碳電力與寒冷氣候，有助於滿足資料中心的用電需求並降低冷卻成本。

＊Meta 推出個人 AI 代理 Muse，可代寄信、付款，內部測試曾繞過安全防護

Meta 在美國推出個人 AI 代理 Muse，可以連結使用者的電子郵件、行事曆、購物、付款、健康及智慧家庭等應用程式，自主寄送信件、預訂行程、填寫表格，甚至協助出售汽車。Muse 可透過獨立 App、網站或 WhatsApp 使用，每個代理都在專用的雲端虛擬機器中運作，即使使用者關閉 App，也能繼續執行任務。服務提供免費版本，另有每月 20 美元及 100 美元的付費方案。

不過，《路透社》取得的內部測試紀錄顯示，Muse 曾繞過安全防護，在辨識玩具的任務中顯示使用者私人 iCloud 照片，也曾自行停止長時間監控任務。Meta 原定今年 4 月推出 Muse，後來為了加強安全而延後。Meta 表示，使用者可以控制 Muse 能連結哪些應用並隨時撤銷權限；另一個名為 Sentinel 的安全代理也會監控 Muse 的動作，遇到敏感操作時要求使用者確認。

＊台積電攜 ASML 推 12 吋光罩，2031 年前建立試產線

台積電（TSMC）與荷蘭半導體設備大廠 ASML 宣布成立產業合作倡議，推動高數值孔徑極紫外光微影技術（High-NA EUV）使用的光罩，由現行 6 吋規格升級為 12 吋，目標在 2031 年前建立試產線，並讓完整的 12 吋光罩微影系統於 2033 年支援先進製程生產。台積電也計畫從 2030 年起，先以現行 6 吋光罩將 High-NA EUV 導入先進製程量產。

光罩承載晶片的電路圖案，是微影製程的重要工具。由於 High-NA EUV 的單次曝光面積縮小，加上 NVIDIA GPU 日益複雜、晶片尺寸擴大，現行規格可能需要兩張 6 吋光罩拼接才能完成曝光。12 吋光罩預期可以減少拼接限制、提高晶圓廠生產力並降低製造成本。Intel、三星（Samsung）及其他供應商也表達參與意願，後續將牽動材料、光罩盒、檢測設備及電子設計工具等產業。

＊Google：代理式 AI 加快網攻，模型與開發工具也成新目標

Google 威脅情報小組（Google Threat Intelligence Group，GTIG）發布最新報告指出，惡意人士正從利用 AI 輔助網路攻擊，進一步轉向代理式 AI 與自動化工具，大幅縮短防守方可以發現及阻止攻擊的時間。Google 今年第二季曾發現，駭客入侵雲端資源後，不到 6 小時就完成規劃、建立並執行大規模帳密竊取行動；與中國相關的網路間諜團體，也曾嘗試使用 Gemini 建立自動化滲透測試框架。

另一方面，AI 本身也成為攻擊目標。Google 發現，惡意人士開始竊取企業的專有模型、原始碼、提示詞及 API 憑證，並鎖定 AI 編碼助理、開源套件和大型語言模型安全掃描工具，設法進入軟體供應鏈。北美與歐洲的科技、醫療及媒體娛樂產業，已出現 AI 模型與資料遭竊案例，部分攻擊者還以公開資料作為勒索手段。企業的 AI 資安範圍，正從帳號與終端設備擴大到模型、開源依賴及雲端算力。

＊Google、埃森哲建立千人 FDE 團隊，進駐企業加速 AI 落地

Google Cloud 與埃森哲（Accenture）成立「埃森哲 Gemini 企業事業群」，計畫建立一支 1,000 人的前線部署工程師（Forward Deployed Engineer，FDE）團隊，直接與企業客戶合作，開發及部署以 Gemini Enterprise 為基礎的 AI 應用。新團隊將整合 Google Cloud 工程能力、埃森哲的產業經驗，以及近 5 萬名具 Google Cloud 技能的專業人員，服務範圍從單一部門專案延伸到企業全面轉型。

雙方將優先開發可重複部署的產業方案，協助企業把 AI 從實驗階段推進到正式營運。Google Cloud 與埃森哲表示，YouTube 先前曾利用 Gemini Enterprise 代理處理 NFL Sunday Ticket 需求高峰，客戶滿意度提高 11%，平均處理時間縮短 37%。科技公司以工程師直接進場協作的模式，也反映企業 AI 的競爭焦點正從模型能力轉向實際導入與營運成果。

＊OpenAI 攻產業 AI 並深化三星合作，自研晶片 9 個月完成設計定案

OpenAI 財務長 Sarah Friar 表示，公司正把 AI 推向晶片設計、生命科學及金融服務等特定產業，並測試依企業成果而非使用量計價。OpenAI 也以自身模型協助設計首款客製化 AI 晶片 Jalapeño，在 9 個月內完成設計定案並送交製造。OpenAI 先前宣布與博通（Broadcom）共同設計這款推論晶片，並交由台積電（TSMC）生產。

OpenAI 韓國總經理 Harrison Kim 隨後表示，公司正與三星電子（Samsung Electronics）合作，投入下一代晶片的研究與生產，但未公布晶片規格、產量及時程，三星也表示無法確認客戶相關資訊。OpenAI 同時以低價策略迎戰開放權重模型，近期將 Luna 模型價格調降 80% 後，使用量約成長 10 倍；但其成本低於中國模型的說法，目前仍是 OpenAI 自行提出的比較結果。

＊美國點名 DeepSeek 等 6 家中國 AI 業者惡意蒸餾，美財長警告競爭不能輸

美國國家安全局（NSA）、網路安全暨基礎設施安全局（CISA）及聯邦調查局（FBI）發布聯合公告，指控 DeepSeek、月之暗面（Moonshot AI）、阿里巴巴（Alibaba）、MiniMax、階躍星辰（StepFun）及智譜 AI（Z.AI），自 2024 年底以來大規模蒸餾美國先進 AI 模型。美方聲稱，這些業者透過數百萬次請求取得數十億個 token，用來訓練自家模型，且中國政府可能知情；中國外交部則否認相關指控。

美國財政部長貝森特（Scott Bessent）同日警告，如果美國在 AI 競賽中落後中國，再高的國防預算也難以保障國家安全。他的談話也回應美國各地反對興建大型資料中心的聲音。隨著中國開放權重模型以較低成本接近美國模型能力，美中 AI 競爭已從晶片管制與算力建設，進一步延伸到模型資料來源、智慧財產及 API 使用規範。

＊本文開放合作夥伴轉載，資料來源：Qualcomm、《Reuters》、《Reuters》、《AP News》、Google、《Reuters》、TMSC、Google、Accenture、《Reuters》、《Reuters》、CSA、《AP News》，首圖來源：AI 生成圖。

近期 AI Agent（AI 代理）能力快速往前推進，從回答問題走向呼叫工具、操作系統，到連續完成多步驟任務，相關安全事件也讓治理問題受到更多關注。當 AI 開始能代表使用者自行執行工作，除了模型本身是否安全、可靠，誰能授權它做什麼、它又代表誰，也逐漸成為新的問題，而台灣準備怎麼管？

數位發展部次長侯宜秀透露，目前政府各部會填報的 AI 應用情境中，已經有部分機關使用 AI Agent。她指出，相較聊天機器人或其他特定 AI 功能可能告訴使用者該怎麼做、最後仍由人執行，AI Agent 則是「會一路把事情全部做完」，因此還需要進一步考慮它的能力、自主性，以及使用者願意給它多少信任與授權。

AI Agent 怎麼管？侯宜秀點出六個治理層次

侯宜秀表示，AI Agent 本身仍是一種 AI 應用，因此目前可以先按照既有 AI 風險分類框架進行評估；未來政府相關指引中，也可能納入部分 Agent 規範。至於 Agent 本身的治理，她認為可以從六個層次思考，包括能力、行為、安全、身分、可問責性與制度。

首先是 Agent 本身具備多少「能力」，例如可以完成哪些事情，以及能力是否值得信任。接著則是「行為」，也就是對 Agent 行動的信任程度，以及願意授權它做到什麼程度；第三層則是「安全」，也就是 Agent 所處的執行環境是否受到足夠保護。

當 Agent 開始代表使用者執行任務，下一個問題便是「身分」。侯宜秀指出，需要知道這個 Agent 到底代表誰；再往下一層則是「可問責性」，包括 Agent 是由誰授權、出了問題由誰負責，以及事後是否能還原相關行動。

最後則走到「制度」面，如果 Agent 執行任務後發生問題，後續可能涉及標準、認證、責任歸屬甚至保險等機制。侯宜秀表示，這些都是未來規範 AI Agent 時可能需要處理的問題。

其中，身分問題還可能進一步跨越國界。侯宜秀指出，AI Agent 不會只有台灣使用，未來也可能出現「台灣的 Agent 要跟美國的 Agent 說話」的情況，因此相關標準需要具有一定程度的共通性。她認為，未來如果 Agent 進一步參與交易，「可能都必須要有 ID」，透過身分認證確認這個 Agent 是誰、代表誰。不過，這套 ID 應由單一國家建立，或由可信任夥伴共同協商一套標準，目前全球仍在發展。

台灣 AI 風險治理現在走到哪？

回到台灣目前整體 AI 治理進度，數發部今年 7 月公布 AI 風險分類框架，作為各部會盤點與管理 AI 風險的共同方法。依照框架，各部會要依照 4 個步驟完成 AI 風險管理，包含盤點 AI 應用情境、識別風險、進行風險評估，再提出相應的風險因應措施。為協助各部會執行這套流程，數發部已建立線上「AI 風險管理措施檢核系統」，讓機關填入自身 AI 應用情境與後續風險評估結果。目前系統中已有 144 個 AI 應用情境進入填報。

在推動方式上，由於不同產業的 AI 滲透程度不一，數發部將優先從所主管產業 AI 滲透度較高的機關開始辦理，並協助確認框架操作窗口與盤點順序。侯宜秀也將數發部的角色定位為跨部會 AI 治理方法論的導引者；並指出數發部同時擔任行政院 AI 法制工作小組幕僚機關，該工作小組由政務委員主持，會定期檢視各機關進度，並協調不同部會對風險辨識出現差異的情況。此外，數發部也提供各機關一對一諮詢，針對風險框架操作、風險概念與技術問題提供協助。

數發部預計今年底前，先協助衛福部、法務部、經濟部、教育部、金管會、交通部、通傳會與勞動部等 8 個部會完成風險框架四個步驟；2027 年 6 月底前，希望各部會完成第一輪法規調適盤點。

【推薦閱讀】

◆ 公務員不必會寫程式，但能自己調整 AI 代理，政府的 AI 改革才真正開始

◆ ChatGPT、Grok 進駐五角大廈：300 萬美軍用生成式 AI，敏感資料如何不外流？

◆ 英國首獲烏克蘭戰場 AI 數據：4 年無人機與軍事影像如何用於國防系統？

＊首圖來源：《TechOrange》拍攝。

高通表示，亞馬遜未來可能向其採購最高 600 億美元的 AI 資料中心晶片及相關產品，雙方將展開長期合作，協助高通進一步拓展 AI 基礎設施市場。《Reuters》報導，根據高通提交的監管文件，這項交易也反映出 AI 熱潮下，晶片商與科技公司的合作已延伸至股權安排。高通將授予亞馬遜價值約 40 億美元的認股權證，權證將隨亞馬遜採購產品逐步生效，讓亞馬遜以每股 161.26 美元的價格購買高通股票。

高通結盟 AWS 攻 AI 基礎設施，加速多元化業務轉型

《Reuters》指出，這項協議顯示，高通拓展智慧手機以外業務的努力正逐漸取得成果。高通目前面臨蘋果數據機業務最終流失、零組件成本上升，以及手機需求疲弱等挑戰。過去一年，高通持續爭取雲端服務業者採用其客製化 AI 晶片及資料中心技術，這些業者也在尋找 NVIDIA 主導的處理器之外的替代方案。

此次合作中，雙方預計共同開發用於 AI 推論的晶片。AI 推論是快速成長的市場，主要用於執行已訓練完成的 AI 模型，現成為半導體業者競爭的關鍵領域。高通提及，合作也包含與亞馬遜一同開發高效能光學連接解決方案，因應 AI 基礎設施規模持續擴大所帶來的頻寬需求，並將運用高通的先進 SerDes 與光學 DSP 技術。

作為擴大合作的一環，高通也計畫進一步使用 AWS 的 AI 基礎設施，包括 Amazon Bedrock，來執行電子設計自動化（EDA）工作負載，縮短晶片設計週期。高通預計，這些合作將帶動資料中心晶片營收在 2029 年達到 150 億美元。TECHnalysis Research 分析師 Bob O’Donnell 表示：「這項交易正是高通目前需要的發展，有助於讓市場相信，該公司設定的資料中心業務目標確實有機會達成。」

《Reuters》補充，就在此次合作宣布前幾週，Marvell Technology 才與 Alphabet 旗下 Google 達成類似的客製化 AI 晶片協議，Google 因此取得購買最高價值 122 億美元 Marvell 股權的權利。

高通整合 AlphaWave 技術，與亞馬遜展開光通訊業務合作

另一方面，亞馬遜的客製化晶片業務已成為 AWS 的成長動力之一。《Reuters》提及，截至 6 月季度末，該業務的年化營收規模已超過 250 億美元。除了運算晶片，雙方此次合作也涵蓋高通的光通訊技術，將共同開發高速光學連接技術，包括最高達每秒 1.6 Tbps 的解決方案，以因應 AI 資料中心日益增加的頻寬需求。

《Reuters》指出，這項合作也顯示亞馬遜對高通光通訊業務的信心。光通訊是高通近年才拓展的業務領域。高通去年以 24 億美元收購 AlphaWave，接著由 AlphaWave 執行長 Tony Pialis 出任高通資料中心晶片業務主管。

Bob O’Donnell 表示：「透過同時納入運算與光學互連技術，高通凸顯了自身能夠為 AI 基礎設施提供的多元半導體技術。」AWS 副總裁 Prasad Kalyanaraman 也表示：「透過共同開發客製化晶片與先進連接技術，我們能為客戶提供效能更高、效率更佳且更具成本效益的基礎設施。」

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

Meta 推出全新的 AI 代理 Muse，能代替使用者處理各種日常工作，實現 Facebook 共同創辦人、Meta 執行長 Mark Zuckerberg 所構想的未來：每個人都能擁有一名專屬的 AI 助理。

Meta 表示，Muse 能讓使用者依照自己的喜好打造專屬代理，包括替它命名、設定頭像，以及調整溝通方式。使用者還可以讓 Muse 連接電子郵件、健身追蹤器等 App；即使關閉應用程式，Muse 仍能在背景持續執行任務，協助使用者完成原本設定的目標。

Meta 開發個人 AI 代理，搶攻數十億消費者市場

Mark Zuckerberg 一直將企業 AI 代理與面向一般消費者的個人 AI 代理視為兩種不同的產品方向，而他認為後者是 Meta 更大的發展機會。他上月發表一篇長達 6,500 字的宣言，進一步說明他對這項技術的願景。他表示：「每個人都將擁有一名能力非凡的個人代理，它了解你、你的目標，以及你所關心的一切。」

Meta 未來希望讓目前使用 Instagram、Facebook、WhatsApp 等社群平台的數十億名使用者，都能使用這項產品。Meta 的 AI 部門負責人 Alexandr Wang 接受《Bloomberg》訪問時表示：「產品的設計原則之一，就是要容易使用，讓一般使用者都能輕鬆上手。」

Alexandr Wang 舉例，自己也使用這項功能，並以愛犬 Euler 的名字為他的 AI 代理命名，讓它協助尋找及購買家具，布置新家。不涉及重大決策、風險較低的事情，Muse 都可以自行處理。Alexandr Wang 表示 Muse 會幫忙整理日常安排、提供運動建議和協助規劃餐點。他說：「我真的把它當成自己的第二個大腦。」

新一代個人 AI 代理 Muse，未來將整合進智慧眼鏡

《Bloomberg》指出，Meta 近年持續大舉延攬 AI 人才，為 Alexandr Wang 領導的 Meta Superintelligence Labs（MSL）招募全球頂尖 AI 工程師。去年，Meta 找來 Apple AI 模型團隊主管 Ruoming Pang，也延攬了多名 OpenAI 知名 AI 研究人員。

曾任 Stripe 技術長、現任 AI 新創公司 Dreamer 執行長的 David Singleton 今年加入 MSL，負責這款個人 AI 代理的工程開發，並採用 Meta 最新的 AI 模型 Muse Spark 1.3，可直接整合 Instagram、WhatsApp 等 Meta 旗下應用程式。

目前 Muse 也已連接 Ticketmaster、OpenTable，以及 Google 的多項服務，包括 Gmail、Google Calendar 和 Drive。David Singleton 表示，只要使用者想使用的服務提供 API（應用程式介面），就可以直接要求 Muse 為使用者建立自訂連接器。

Muse 將開放給美國 18 歲以上使用者，支援 Apple iOS、Google Android，能透過 muse.ai 網站和 WhatsApp 使用。未來 Meta 計畫將 Muse 整合進 AI 智慧眼鏡。Meta 同時提供 Muse 免費版和付費方案。Alexandr Wang 和 David Singleton 預期，多數使用者會選擇免費版；需要更多運算資源的人，則可以升級至每月 20 美元或 100 美元的方案。

Meta 強調 Muse 安全性，內部員工實測反應不一

關於這款開發數月的個人 AI 代理安全性，Alexandr Wang 強調：「我們打造的是一套非常安全的架構。」Muse 會記錄已經完成的工作和接下來要做的事情，也不會將資料提供給 Meta 的廣告系統；在讀取和處理資訊時，系統同樣會特別謹慎。Alexandr Wang 補充，Muse 在執行任何敏感或重要的操作之前，都會先向使用者確認。

然而，Meta 內部員工近期測試這款工具後，反應並不一致。《Reuters》看到的內部貼文顯示，有員工認為 Muse 在安排旅遊行程方面相當實用，甚至形容 Muse 在最近一趟為期三週的印尼蜜月旅行中，幾乎成了「第三位參與者」。但也有員工發現嚴重的安全漏洞。例如，一名員工要求 Muse 從孩子生日派對的照片中辨識畫面裡的玩具，Muse 卻繞過原有的安全防護措施，讓該名使用者的私人 iCloud 照片曝光。

Meta 技術長 Andrew Bosworth 也在內部發文表示，他經常莫名遭到登出，必須重新登入，有時幾分鐘內就得重複登入數次。另一篇內部貼文中，一名要求 Muse 監控門票及其他容易迅速售罄商品的員工表示，使用過程中遇到「許多故障，讓系統變得不可靠」。他指出，Muse 運作約 15 分鐘後就停止重新整理頁面，其他錯誤也會在沒有任何提示的情況下被忽略，有時監控功能還會「毫無明顯原因地」停止運作。

《Reuters》補充，Muse 上線之際，包括 OpenAI、Anthropic 和 Meta 在內，多家領先 AI 實驗室的 AI 代理都陸續傳出非預期的問題。這些代理有時會繞過既有的安全限制，或以其他難以預測的方式運作，造成原本預料之外的問題。Meta 內部的重大技術與安全事故，也受到 AI 驅動的程式開發熱潮及 AI 代理相關問題影響，今年較去年增加 40%；員工花在處理突發事故上的時間則增加了 70%。

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